从一次销售数据导出，到每家门店的结论。
一项分析会分离出某一项改变在每家做了这项改变的门店中对销售的贡献：会员计划、一项优惠、餐饮项目、新品、人员配置或门店改造。下面是每一步，以及您在每一步要做什么。
- 1
您告诉我们改变了什么。
改变的内容、涉及哪些门店，以及在每家门店开始的日期。填写确定分析范围的表单EN大约需要 3 分钟。
- 2
您发来一次数据导出。
按门店的每周销售，往回追溯 1 到 2 年，从您已经在用的后台系统导出，比如 PDI 或 Petrosoft。不需要接入任何系统。
- 3
我们为每家门店建立孪生对照。
一条预测销售线，显示这家门店在没有这项改变时本来会卖出多少，由您那些没有做这项改变的门店建立。
- 4
我们先比较，再检验结果。
改变之后，每家门店和它的孪生对照之间的差距，就是这项改变对销售（或分析所衡量的其他指标）的贡献。孪生对照必须在改变之前与门店走势高度一致，用虚构开始日期做的安慰剂检验也必须显示没有提升。
- 5
您收到分析结果。
委托的分析，在您的数据送达后大约 2 周交付：每家门店的结果，附带置信区间和一句直白的结论，然后是 60 分钟的结果讲解。
一部 75 秒的无声短片，循环播放。开场是一家拥有 42 家门店的连锁企业每年增加 290 万美元的店内销售，大约相当于第 43 家门店的销售额，却不用新建一家门店。因果推断为每家门店建立一个孪生对照，由连锁中的其他门店组合而成，每个孪生对照都显示一家门店能卖出多少、应该有怎样的表现。因果推断还能分离并排列出在每家门店中，哪些因素在帮助销售、哪些在拖累销售。27 号店比去年增长了 4%，但真正起作用的只有新推出的披萨，每周增加 2,600 美元；而附近新开的竞争对手、零食货架调整和一项能量饮料优惠，分别让它每周少卖 900 美元、400 美元和 150 美元，这是和孪生对照预测的应有表现相比得出的。接着，短片从这家连锁转发来的 PDI 每周销售报表开始，问有没有什么异常。13 号店和 14 号店都比去年下滑了 2%。孪生对照分析标出了 14 号店：和它类似的门店增长了 2%，它的孪生对照预测的是 +1.8%，而不是下滑。标注好的报表一交回，连锁发来的 3 份每周报表就会被删除，按对方要求或在约定日期执行，标注后的报表留在连锁手里。从加油区开始看，14 号店的燃油销售与孪生对照持平，但进店的司机变少了：加油到进店的转化率低 2%，店内销售低 4%，即每周 3,550 美元，现制餐食低 17%，饮料和零食低 6%。从 8 月 3 日起，14 号店的现制餐食下滑得特别快，这是和孪生对照的预测以及连锁其他门店的趋势相比得出的。Seurat 询问门店有没有什么能解释这次下滑，店长说那里一直没有推行员工三明治培训。问题是通过把品类销售和孪生对照预测的销售相比发现的。随后，一张涵盖全部 42 家门店的看板显示，这只是 32 项发现和机会中的 1 项，合计每年价值 290 万美元：在另外 18 家门店推出墨西哥卷饼，55.4 万美元；把保温柜移到收银台旁边，35.2 万美元；重新培训 14 号店的午餐班组，18.5 万美元；在竞争对手附近推出挽回顾客的优惠，16 万美元；停止能量饮料优惠，12.5 万美元；以及另外 27 项发现，150 万美元。整部短片中，一条“所用数据”提示条会显示每个场景的数据来自 4 个步骤中的哪一步、这一步包含和不包含什么，并说明没有任何东西接入连锁的系统。结尾卡片说，从您已有的每周报表开始即可，并列出 Seurat 使用什么、哪些不用提供，以及这些数据之后会怎样处理。
孪生对照跟上了门店。孪生对照必须在改变之前一年或更长时间里，与门店的每周销售高度吻合。如果没有做到，我们就不能信任这家门店的孪生对照，分析也不会为这家门店报告结果。
安慰剂检验什么也找不到。分析会用一个虚构的开始日期重新运行，也会在从未做过这项改变的门店上重新运行：既然没有东西可找，它应该显示没有效果。如果显示出效果，就说明分析没有正常运作，我们会告诉您。
显著性会写明。当一个结果的置信区间跨过零时，结论会原话写明“无显著效果”。
外部因素会被抵消。天气、油价、日历和本地活动同样会影响孪生对照，所以在这类分析中，它们会互相抵消。
行业参考数据按门店经营利润给运营商排序，并报告排在前面的那一组是什么样子。这是整个渠道里最接近“什么在带动门店利润”这一答案的东西，但它有 2 个问题，再多的数据也解决不了。
它按结果排序。按利润给连锁企业排序，您找到的是伴随规模而来的东西，比如更大的门店、更多的餐饮和更多的员工。这些因素会混淆分析，所以它无法判断其中任何一项是不是利润的成因。
它报告的是平均值。只有企业层面的平均值，没有门店层面的分布，能描述一个好的运营商，却找不到一家好的门店。
排名告诉您赢家是什么样子。分析则分离出一项改变的具体影响。
这些方法都有可以查到的名称：双重差分、合成控制和贝叶斯结构时间序列。Google 把核心部分作为 CausalImpact 开源发布。它们已公开发表、经过同行评审，没有任何专有成分。
在把任何效果归因于一项改变之前，我们会先剔除天气、油价、品类价格波动和日历因素。价格波动比看上去更重要：一个品类可能卖出的件数更少，销售额却更高，所以只看销售额的分析，可能会把并非由这项改变造成的通胀算到它头上。
方法免费了。Google 把 CausalImpact 作为开源软件发布，让核心引擎人人可用。
算力便宜了。2015 年需要计算集群才能运行的模型，如今在普通硬件上就能运行。
外部信号接得上了。天气、油价、本地活动和品类趋势，都可以通过商业数据接入每家门店的销售数据。
过去需要一个大学研究团队和几个月计算才能完成的工作，如今一个下午就能跑完。所以一家只有 30 家门店的运营商，也能拥有 10 年前只有最大的连锁企业才买得起的能力。
一项分析衡量的是您的门店已经做过的改变。Lever Board 则为您还没做的改变排序，依据的是其他连锁中和您类似的门店的分析结果，与您的每家门店匹配，每项都附带区间和评级。您做出改变之后，我们会把它的实际贡献和我们的估计做对比。
您目前在做设计好的测试吗？无需设计测试，也无需保留对照门店 →EN
没有您的数据，我们也能走得比您预想的更远。
| 您提供 | 您得到 | |
|---|---|---|
| Store-to-Store ReadEN | 无需提供 | 哪些门店表现不佳，以及顾客认为这些门店哪里有问题 |
| 一项回报分析EN | 一次数据导出 | 某一项改变在每家做了这项改变的门店中对销售的贡献 |
| Lever BoardEN | 2 年的销售数据 | 每一项经过验证的举措，针对您的每家门店排序并给出建议，同时评估它对增量的贡献 |
| Remodel Sequence ReadEN | 2 年的销售数据和您的投资计划 | 投资计划中哪些站点应该先拿到资金，哪些不该投，其余站点需要做出什么改变 |
| MonitoringEN | 无需额外提供 | 分析结果一经确认就给出结论；某项举措没有在数据中如期体现时发出提醒，这通常意味着它没有按规定执行 |