数据分析——关于同比与环比，你真的了解吗？看看踩过的坑

01—同环比的背景

首先聊聊，为啥要进行同环比的分析。

在我们做数据分析的时候，最常用的几个分析套路，无非就是：做对比分析、做下钻细分分析、做归因溯源相关的分析等。

针对对比分析，最主要的就是和历史进行比较了（除此之外，也可以和行业比较、和特定值比较等）。比如看历史趋势、比如用同比环比指标分析。

上图是几种不同的历史对比方式，还是比较概括的。

历史趋势对比：即通过分析该指标在一定时间内的变化趋势情况，分析指标走势的异常与否；

动作前后对比：即通过分析某个特定动作之前和之后的指标情况，判断该动作是否有效（比如营销投放）；

去年同期对比：分析本期与去年同期的数据差异情况，剔除周期因素从而判断指标异常与否；

前一时期对比：分析本期与最相邻的周期的差异。

其中第3、4种，就是同比和环比。

因此，同比和环比，主要是用于分析历史对比情况的一种手段和方法。

02—同比与环比的定义

下面，我们看看同比环比的详细定义。

（1）关于同比

【百度百科】同比一般情况下是本年第n月与去年第n月比。同比发展速度主要是为了消除季节变动的影响，用以说明本期发展水平与同期发展水平对比而达到的相对发展速度。在实际工作中，经常使用这个指标，如某年、某季、某月与同期对比计算的发展速度，就是同比发展速度。

这里有个重要的点：同比通常而言，都是针对和上一年进行比较的。

百科中提到，同比一般是第n月的比较。但实际上，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较多的。比如我们经常看的三季度GDP同比增长、CPI同比增长等等，都是按照季度来统计的。

但是，自然周、自然日的同比好像就比较少见了吧？为啥呢？

我们要回到【同比】这个指标的出发点上。同比的出发点，正如百科中所述，是为了消除周期性变动的影响。比如GDP的产量，每年可能是年初松，年末紧的状态。为了看到真实的增长情况，采取同比的处理，能消除周期因素。

但是，能进行同比的前提是，两个对比的周期要有可比性、一致性，这也是进行对比分析的起码要求。总不能用今年1个月的销量和去年1个周的销量比较吧，没有可比性。

而日同比、周同比，就容易出现没有可比性的问题。比如21年11月28日是周日，而20年11月28日是周五，那其实就很难比较了，毕竟周末和工作日的行为还是有差距的。周同比也是一样的问题，不再赘述。

另外还有一个重要的原因。如果看日同比、周同比，都是拿着一天、一周和去年比较，时间实在过于久远。没有太强的对比价值。除非是双十一、618购物节这种单天比较大的行为，有看当天和去年当天比较的价值，否则很少这样比较。那种感觉就像是拿着地球的一块石头和月球的一块石头比大小，实在太远了……

因此，提到同比，往往是进行季度同比、月同比，很少有按日、按周进行同比的。

（2）关于环比

【百度百科】环比，统计学术语，是表示连续2个统计周期（比如连续两月）内的量的变化比。

这里重要的点：环比是和上一周期比较的，而周期可以是年，也可以是日、周、月。

比如21年11月23日的环比，就是和21年11月22日比；21年第38周的环比，就是和21年37周比；21年8月环比，就是和21年7月比较。都是和同一个时间粒度的上一个周期进行比较。

关于同比和环比的基础定义，就介绍这些。下面聊聊我之前关于同环比，踩过的坑，大家以我为鉴。

03—踩过的坑：同比定义有误

先聊一个坑：对同比的定义理解有偏差。

上面讲同比环比定义的时候，也提到了：同比通常来讲，都是针对上一年的比较，而环比是基于上个周期（年、周、月等）的。这里就很容易混淆，把同比也搞成可以基于上个周期的前序周期比较。比如我。

在实践的产品或者分析中，经常涉及的时间周期类别比较多：自然日、自然周、自然月、季度等。大家一定切记：【同比】一定是和上一年进行比较的。

有的朋友可能会关心：如果我就是想要和上个月同一天比较，该咋整呢？那就不要用【同比】这个概念了~咱们可以看看微信公众平台的后台设计。

是的，直接不体现同比的概念了，直接【日】、【周】、【月】。这样其实是很清晰的逻辑：分别是和昨天、7天前、上月同天，进行了比较。当然，仅限在按日统计的看板中，可以有以上的日周月对比，对于其他时间类型（比如周、月）就不能这样呈现了。

看一个不好的设计案例：

上面的面板设计中，对于自然周、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进行比较的（这是错的）。这导致同比的逻辑过于复杂以及混乱。并不便于理解以及洞察分析。

总之，给各位小伙伴的建议就是：若是针对月度、季度的分析，可以上同比的数据，针对自然日、自然周，就不要使用同比的概念了。这时可以使用上面微信公众平台的这种统计呈现逻辑。不然就会造成同比概念的误用。

04—踩过的坑：细分人群的同比环比

关于同环比，还踩过一个坑：在分析细分人群的时候。

先说一下要分析的场景。比如公司想统计VIP人群在平台的历史成交金额走势，该如何统计呢？

【方法一】先找出当前有哪些人群是VIP人群，然后把这群人历史的所有成交筛选出来，最后基于时间维度进行汇总加和，即这群人的历史成交金额走势。

【方法二】先判断第一天时VIP身份的人有哪些，统计这些人在这天的成交；然后判断第二天时VIP身份的人有哪些，统计这些人在第二天的成交，以此类推。

应该用哪种逻辑呢？

很明显，第二种逻辑更合理。因为如果用第一种逻辑，其实是基于最新的人群进行统计历史，但极有可能现在的VIP用户在历史上还没有成为VIP，因为这个身份是变化的。如果用最新的身份统计历史，会造成历史上他还没有成为VIP的成交就纳入了统计，很明显，这不是我们想要分析的内容。

其实，如果历史成交明细表中的用户信息，添加了成交时用户的级别信息的话，那这个问题就很好解决了。但现实是往往成交事实表中只保留了用户ID信息，想要查用户当时的状态，需要基于ID查询用户表的历史分区，以此还原当时的级别。关于事实表，可以参考上篇文章《维度建模：事实表与雪花模型》。

我呢，其实就犯了这个问题，用了第一种统计逻辑统计。这是不合理的。用这种逻辑去分析同比、环比，统统失去了意义。因为所分析的人群对象，并不是真实的目标群体。

因此给大家的建议就是：如果是要分析细分人群（比如某个级别的用户，比如30岁以内的用户，比如学生用户等）的历史数据，切记注意要沿用历史状态哦，因为他们的身份状态会随时间变化而变化~当然，有很多信息历史和现在是不会变的，比如性别等。这种情况就还好。