要点
- 审样品，主要看 GMV。 一条申请批不批，大约三分之二是由店铺和达人的累计 GMV 决定的。
- 但 GMV 高，不代表会出单。 不管批的是高 GMV 还是低 GMV 的达人，两周内真正出单的都不到一成。
- 真正有用的，是“在你店里卖过没有”。 之前在本店出过单的达人，再次出单的概率高出约 8 倍，但审核时几乎没人看这一项。
- 这不是 GMV 带出来的。 同一家店、GMV 差不多的达人放在一起比，在本店卖过货的，出单率依然高出约 5 倍。
我们想搞清楚什么
运营每天都要决定给哪些达人寄样品。这个判断通常很快，也很依赖经验：点开申请，看一眼粉丝数和 GMV，批或者拒。忙的时候，一个团队一周要审几千条。
但批完之后，很少有人回头看当初批得对不对。审核、发货、发视频、出单，这些数据散落在不同的地方，很难串起来。所以我们把它们串了起来，把每一份批出去的样品，一直跟到最后有没有出单。
审核主要看 GMV
运营的判断其实很有规律。我们用历史审核记录训练了一个模型，让它去判断新申请，结果和运营的实际决定 约 85% 一致。再看是什么在左右这些判断：约三分之二取决于是哪家店、达人累计 GMV 多少。
通过率
两周内出单率
按达人累计 GMV 分档。GMV 越高，通过率越高，最高超过 90%；但批出去以后，两周内出单的比例一直不到一成。两张图用的是同一个刻度。内部数据。
大部分样品，寄出去没有马上出单
批出去的样品里，两周内卖出了所申请商品的，不到 6%。而且出单非常集中：不到 1% 的申请，贡献了三分之二的销量。
也就是说，寄样的回报主要来自少数几个“爆”的达人，关键在于能不能提前把他们找出来。按 GMV 是找不出来的：把批过的达人按审核时的优先程度排个序，排在前面的和排在后面的，出单率几乎一样，跟随便挑没什么区别。
按审核优先程度排
按 OperaX 出单预测排
把批过的申请平均分成五档。按审核时的优先程度分，每一档的出单率都在 4%–7% 之间；按 OperaX 的出单预测来分，最高一档超过 12%，而且贡献了八成以上的销量。内部测算。
最有用的信号，就在你自己的店里
真正能预示出单的，是一件很简单的事：这个达人之前有没有在你店里卖过货。申请前一个月在本店卖过 20 件以上的达人，超过三分之一会再次出单；一件都没卖过的，不到 5%。
已通过的达人两周内的出单比例，按申请前一个月在本店的销量分档。内部数据。
这类达人，运营其实大多也会批。问题是审核页面上看不到这项数据。卡片上只有达人在所有店铺加起来的累计 GMV，运营只能拿 GMV 来猜这个达人能不能帮自己卖货。
各项指标在“批不批”和“会不会出单”这两件事上的影响占比（不含店铺本身）。审核时最看重累计 GMV；而“在本店卖过多少”，审核时几乎没人看，却是影响出单最大的因素之一。内部测算。
我们也检验过
有人可能会问：在你店里卖过货的达人，GMV 本来就更高，那是不是说到底还是 GMV 在起作用？为了排除这一点，我们只拿同一家店、GMV 在同一档的达人来比。结果，在本店卖过货的达人，出单率仍然高出约 5 倍。不管是小达人还是头部达人，结论都一样。
另外，两周只是早期结果，后面还会陆续有订单进来，实际的差距只会更大。
OperaX 怎么做样品审核
经验要靠反馈才能越用越准，而样品审核一直没有反馈。
问题不在运营。运营审得又快又稳，缺的是一个地方，能让他们看到“批了之后到底怎么样了”。OperaX 补上的就是这一块：
- 每一份样品都能看到结果。 审核、发货、发视频、出单放在一起看，哪些批对了、哪些批错了，一目了然。
- 把关键数据放到审核页面上。 “在本店卖过多少”可以和 GMV 放在一起显示，已经在卖货的达人可以优先审批。
- 让审核建议从结果里学，而不只是照着过去的审核习惯学，这也是我们正在做的。AI 给建议，最后由团队拍板。
关于这项研究
文中数据来自 OperaX 内部数据与测算，已做汇总和取整，用于说明趋势。