今天來和大家談談關於同比於環比，我曾經踩過的坑。
01 同環比的背景
首先聊聊，為啥要進行同環比的分析。
在我們做資料分析的時候，最常用的幾個分析套路，無非就是：做對比分析、做下鑽細分分析、做歸因溯源相關的分析等。
針對對比分析，最主要的就是和歷史進行比較了（除此之外，也可以和行業比較、和特定值比較等）。比如看歷史趨勢、比如用同比環比指標分析。
上圖是幾種不同的歷史對比方式，還是比較概括的。
歷史趨勢對比：即透過分析該指標在一定時間內的變化趨勢情況，分析指標走勢的異常與否；
動作前後對比：即透過分析某個特定動作之前和之後的指標情況，判斷該動作是否有效（比如行銷投放）；
去年同期對比：分析本期與去年同期的資料差異情況，剔除週期因素從而判斷指標異常與否；
前一時期對比：分析本期與最相鄰的週期的差異。
其中第3、4種，就是同比和環比。
因此，同比和環比，主要是用於分析歷史對比情況的一種手段和方法。
02 同比與環比的定義
下面，我們看看同比環比的詳細定義。
（1）關於同比
同比一般情況下是本年第n月與去年第n月比。同比發展速度主要是為了消除季節變動的影響，用以說明本期發展水平與同期發展水平對比而達到的相對發展速度。在實際工作中，經常使用這個指標，如某年、某季、某月與同期對比計算的發展速度，就是同比發展速度。
這裡有個重要的點：同比通常而言，都是針對和上一年進行比較的。
同比一般是第n月的比較。但實際上，也有自然日的同比、自然周的同比、季度的同比。季度的同比是用的比較多的。比如我們經常看的三季度GDP同比增長、CPI同比增長等等，都是按照季度來統計的。
但是，自然周、自然日的同比好像就比較少見了吧？為啥呢？
我們要回到【同比】這個指標的出發點上。同比的出發點，正如百科中所述，是為了消除週期性變動的影響。比如GDP的產量，每年可能是年初松，年末緊的狀態。為了看到真實的增長情況，採取同比的處理，能消除週期因素。
但是，能進行同比的前提是，兩個對比的週期要有可比性、一致性，這也是進行對比分析的起碼要求。總不能用今年1個月的銷量和去年1個周的銷量比較吧，沒有可比性。
而日同比、周同比，就容易出現沒有可比性的問題。比如21年11月28日是週日，而20年11月28日是週五，那其實就很難比較了，畢竟週末和工作日的行為還是有差距的。周同比也是一樣的問題，不再贅述。
另外還有一個重要的原因。如果看日同比、周同比，都是拿著一天、一週和去年比較，時間實在過於久遠。沒有太強的對比價值。除非是雙十一、618購物節這種單天比較大的行為，有看當天和去年當天比較的價值，否則很少這樣比較。那種感覺就像是拿著地球的一塊石頭和月球的一塊石頭比大小，實在太遠了……
因此，提到同比，往往是進行季度同比、月同比，很少有按日、按周進行同比的。
（2）關於環比
環比，統計學術語，是表示連續2個統計週期（比如連續兩月）內的量的變化比。
這裡重要的點：環比是和上一週期比較的，而週期可以是年，也可以是日、周、月。
比如21年11月23日的環比，就是和21年11月22日比；21年第38周的環比，就是和21年37周比；21年8月環比，就是和21年7月比較。都是和同一個時間粒度的上一個週期進行比較。
關於同比和環比的基礎定義，就介紹這些。下面聊聊我之前關於同環比，踩過的坑，大家以我為鑑。
03 踩過的坑：同比定義有誤
先聊一個坑：對同比的定義理解有偏差。
上面講同比環比定義的時候，也提到了：同比通常來講，都是針對上一年的比較，而環比是基於上個週期（年、周、月等）的。這裡就很容易混淆，把同比也搞成可以基於上個週期的前序週期比較。比如我。
在實踐的產品或者分析中，經常涉及的時間週期類別比較多：自然日、自然周、自然月、季度等。大家一定切記：【同比】一定是和上一年進行比較的。
有的朋友可能會關心：如果我就是想要和上個月同一天比較，該咋整呢？那就不要用【同比】這個概念了~咱們可以看看微信公眾平臺的後臺設計。
是的，直接不體現同比的概念了，直接【日】、【周】、【月】。這樣其實是很清晰的邏輯：分別是和昨天、7天前、上月同天，進行了比較。當然，僅限在按日統計的看板中，可以有以上的日周月對比，對於其他時間型別（比如周、月）就不能這樣呈現了。
看一個不好的設計案例：
上面的面板設計中，對於自然周、自然日也提供了同比的分析，且上面的自然日的同比是和上月同日進行比較的（這是錯的）。這導致同比的邏輯過於複雜以及混亂。並不便於理解以及洞察分析。
總之，給各位小夥伴的建議就是：若是針對月度、季度的分析，可以上同比的資料，針對自然日、自然周，就不要使用同比的概念了。這時可以使用上面微信公眾平臺的這種統計呈現邏輯。不然就會造成同比概念的誤用。
04 踩過的坑：細分人群的同比環比
關於同環比，還踩過一個坑：在分析細分人群的時候。
先說一下要分析的場景。比如公司想統計VIP人群在平臺的歷史成交金額走勢，該如何統計呢？
【方法一】先找出當前有哪些人群是VIP人群，然後把這群人歷史的所有成交篩選出來，最後基於時間維度進行彙總加和，即這群人的歷史成交金額走勢。
【方法二】先判斷第一天時VIP身份的人有哪些，統計這些人在這天的成交；然後判斷第二天時VIP身份的人有哪些，統計這些人在第二天的成交，以此類推。
應該用哪種邏輯呢？
很明顯，第二種邏輯更合理。因為如果用第一種邏輯，其實是基於最新的人群進行統計歷史，但極有可能現在的VIP使用者在歷史上還沒有成為VIP，因為這個身份是變化的。如果用最新的身份統計歷史，會造成歷史上他還沒有成為VIP的成交就納入了統計，很明顯，這不是我們想要分析的內容。
其實，如果歷史成交明細表中的使用者資訊，添加了成交時使用者的級別資訊的話，那這個問題就很好解決了。但現實是往往成交事實表中只保留了使用者ID資訊，想要查使用者當時的狀態，需要基於ID查詢使用者錶的歷史分割槽，以此還原當時的級別。
我呢，其實就犯了這個問題，用了第一種統計邏輯統計。這是不合理的。用這種邏輯去分析同比、環比，統統失去了意義。因為所分析的人群物件，並不是真實的目標群體。
因此給大家的建議就是：如果是要分析細分人群（比如某個級別的使用者，比如30歲以內的使用者，比如學生使用者等）的歷史資料，切記注意要沿用歷史狀態哦，因為他們的身份狀態會隨時間變化而變化~當然，有很多資訊歷史和現在是不會變的，比如性別等。這種情況就還好。
關於同比和環比，以及我之前踩過的坑，就先分享這些。
文章來源：李啟方
原文連結：https://mp.weixin.qq.com/s/2Y2RLxVAmNYkuezMq-iJKw
※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。各位也可以關注我的Facebook，按讚我的臉書並私訊「10」，送你十週入門數據分析電子書唷！期待你與我互動起來~
文章推薦
◆跟資料打交道的人都得會的這8種資料模型，滿足工作中95%的需求
回顧十週入門數據分析系列文：
關注數據君的臉書：
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。按贊我的臉書，會有豐富資料包贈送唷！
