01—同環比的背景

首先聊聊，為啥要進行同環比的分析。

在我們做數據分析的時候，最常用的幾個分析套路，無非就是：做對比分析、做下鉆細分分析、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：即通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；

動作前后對比：即通過分析某個特定動作之前和之后的指標情況，判斷該動作是否有效（比如營銷投放）；

去年同期對比：分析本期與去年同期的數據差異情況，剔除周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周期的差異。

其中第3、4種，就是同比和環比。

因此，同比和環比，主要是用于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）關于同比

【百度百科】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。

這里有個重要的點：同比通常而言，都是針對和上一年進行比較的。

百科中提到，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，是為了消除周期性變動的影響。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，采取同比的處理，能消除周期因素。

但是，能進行同比的前提是，兩個對比的周期要有可比性、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日是周日，而20年11月28日是周五，那其實就很難比較了，畢竟周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、一周和去年比較，時間實在過于久遠。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）關于環比

【百度百科】環比，統計學術語，是表示連續2個統計周期（比如連續兩月）內的量的變化比。

這里重要的點：環比是和上一周期比較的，而周期可以是年，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周期進行比較。

關于同比和環比的基礎定義，就介紹這些。下面聊聊我之前關于同環比，踩過的坑，大家以我為鑒。

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，而環比是基于上個周期（年、周、月等）的。這里就很容易混淆，把同比也搞成可以基于上個周期的前序周期比較。比如我。

在實踐的產品或者分析中，經常涉及的時間周期類別比較多：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后臺設計。

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，對于其他時間類型（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進行比較的（這是錯的）。這導致同比的邏輯過于復雜以及混亂。并不便于理解以及洞察分析。

總之，給各位小伙伴的建議就是：若是針對月度、季度的分析，可以上同比的數據，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

關于同環比，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，然后把這群人歷史的所有成交篩選出來，最后基于時間維度進行匯總加和，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；然后判斷第二天時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，其實是基于最新的人群進行統計歷史，但極有可能現在的VIP用戶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用戶信息，添加了成交時用戶的級別信息的話，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用戶ID信息，想要查用戶當時的狀態，需要基于ID查詢用戶表的歷史分區，以此還原當時的級別。關于事實表，可以參考上篇文章《維度建模：事實表與雪花模型》。

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。因為所分析的人群對象，并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（比如某個級別的用戶，比如30歲以內的用戶，比如學生用戶等）的歷史數據，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，有很多信息歷史和現在是不會變的，比如性別等。這種情況就還好。