数据分析：详解2种常见的分析方法

无论是产品功能还是运营策略，都需要通过数据来提供参考与指导。本文通过业务场景和案例呈现，详细拆解2种最常见的数据分析方法——对比分析法和控制变量分析法，让我们的数据分析少走弯路。

第一种：对比分析法

“无对比，不分析”，对比分析法也叫对比法，是数据分析中最常见也是最基础的分析方法，

如果我们对数据的评估和汇报缺少了对比，就无法说明效果是好还是坏。

1. 绝对数对比 与 相对数对比

首先我们需要了解绝对数对比和相对数对比：

在数据分析中，绝对数对比一般是指正数之间的对比，如支付人数、DAU、GMV等；

而相对数对比一般是相对数之间的对比，如转化率、增长率、完成率等。

如下图登录用户量的对比就属于绝对数对比，用户留存率的对比则属于相对数对比。

2. 环比分析

环比，表示连续2个统计周期内的量级变化比，例如连续两日、两周、两月的量级变化比，都可以称为环比。环比分析一般体现该时间段对比上个连续时间段的数据变化情况。

计算公式：环比增长率=（本期数-上期数）/上期数 × 100%

举个环比分析简单例子：我们在9月第三周针对50%的随机用户A群进行了活动营销激励，整体GMV环比第二周上升50%。

这里就是将第二周看做基准，默认第三周自然GMV为100万。通过活动营销激励后，第三周实际GMV为150万，对比第二周增长了50万，环比增长率为50%。

这个例子来说，如果在正常情况下，环比分析给出的50%增长，可以证明活动带来了明显的GMV增长，效果好像不错，但是环比分析结果也会存在骗人的时候，我们继续往下看下面的例子：

看到活动效果良好，我们在9月第四周又取了剩下的随机用户群B进行了活动营销激励，GMV环比第三周反而下降了7%。同样的激励策略，不仅没有得到环比提升50%的数据效果重现，反而下降了7%。

在这里就体现出了一个环比分析法的弊端：无法消除周期波动变化的影响。

原因是我们的产品在节假日前期数据波动特别大，仅通过该环比数据没有办法客观的进行运营效果评估。如9月第四周是国庆前的最后一周，用户的交易数据会有明显的下降，营销动作是很难提升GMV超过上周（上期）的量级水平，如果通过仅仅通过环比给出的数据结果，一定是本期对比上期环比下降x%。

遇到这种周期波动特别大的分析场景，则需要加入同比分析法，与环比分析法共同进行分析。

3. 同比分析法

同比，表示本期与上年同期的量级变化比，例如本日、本周、本月内的量级变化对比去年同日、同周、同月的量级变比。

计算公式与环比增长率相同：

同比增长率=（本期数-上期数）/上期数 × 100%

同样国庆前做活动的例子，通过环比分析，因为节假日因素波动，没有办法得到真实的营销增长情况，那么通过环比+同比分析，就可以对比出9月第四周对比上年同期的增长情况：

18年环比：18年9月第四周 环比 第三周，GMV下降20%；

19年环比：而19年9月第四周 环比 第三周，GMV仅下降7%，下降幅度小于去年下降水平；

19年同比：且19年9月第四周 同比 18年9月第四周，GMV上涨75%，而第三周的同比上涨仅为50%；

综上的环比与同比分析，我们可以对19年9月第四周的运营策略做出真实评估：有效的带来GMV增长。

此外，我们还可以根据18年9月第四周的环比降幅，预估19年9月第四周的自然GMV，从而评估19年9月第四周的GMV增长量为20万：

19年9月第四周GMV增长=实际GMV-自然GMV

19年9月第四周GMV增长=实际GMV-19年第三周GMV*（1+19年9月第三周同比增长率）

19年9月第四周GMV增长=140万-150万*（1-20%）= 20万

同比主要是为了消除可能存在的周期变动的影响，当连续两个周期波动特别大的时候，就不能只用环比去进行效果评估了，则需要将同比与环比放在一起进行分析。

那么同比和环比都用上了，就能保证数据结果的正确性吗？