簡單而常見的四種最常見錯誤的比較分析:
錯誤1:比較對象不壹致。
美國歷史上有壹次海軍征兵的宣傳:在與西班牙的戰爭中，美國海軍的死亡率是9‰，而同期紐約市居民的死亡率是16。所以參軍更安全！
這個案例的問題在於比較的對象不壹樣:壹邊是參軍的健壯男青年，壹邊是紐約的居民，更多的包含了自然死亡、老弱病殘、交通事故、刑事犯罪等等問題。
同樣的問題也頻繁出現在新聞中，比如“外賣小哥工資遠超白領”:顯然，將外賣小哥行業收入最高的人與普通白領進行對比，很自然地得出這樣的結論。
錯誤2:時間範圍不壹致。
比如壹個HR應聘者的簡歷上就有這樣的自我推銷。前壹家公司的銷售人員離職率是12%，但是HR到了之後，公司的銷售人員離職率降到了4%。
這時候，作為壹個專業的數據分析師，必須再問壹個問題:這兩個指標的計算時間範圍是否壹致？都是按月/季/年算的嗎？
錯誤三:定義和計算邏輯不同。
商業指標背後的數學公式有很多變化。如果沒有統壹，這樣的比較就沒有意義。
回購金額等復雜指標，由於業務需求不同，在如何定義“回購行為”時容易出現錯誤:
壹旦註冊會員，回到櫃臺消費，即使是重新購買。
只有已經消費過的，再去專櫃消費，才會被認為是回購。
再比如，壹個當月完成了第壹筆消費和第二筆消費的會員，在計算當月的回購指標時也會有困難:如果按照消費行為，第壹筆消費計入第壹筆購買金額，第二筆消費訂單計入回購，那麽這個會員能否計入回購會員？
所以，每當看到指標的對比，首先要記住背後的計算公式是否在同壹個語境下。
錯誤4:不壹致的數據源
隱藏了數據源錯誤的問題。壹個常見的場景是，在尚未建立數據中心的企業中，業務部門有不同的信息系統來存儲數據。比如訂單數據可以存在於ERP系統、POS系統、CRM系統中，數據在系統間流動，必然會產生錯誤。因此，即使是相同的數據計算指標，在CRM系統和ERP系統中計算時也可能出現誤差。
此外，隨著業務需要，系統維護和升級也是家常便飯。在升級過程中，數據同步經常出現波動。這時候如果計算指標，可能會得到不同的結果。
因此，在比較不同業務部門之間的指標時，將其放在同壹背景下是有意義的。
實際案例數據同比分析中常見的同比誤差
案例壹:銷售日報表分析，2021 1 4上的零售額比2020 1 4下降了30%，那麽2021 1 4上的銷售有問題？
其實考慮到具體的行業，如果是在季節性/周期性特征比較強的零售行業，這樣的比較沒有實際意義:因為2021 1.4是工作日，2020 1.4是周六，按照常理，周末人會多壹些，然後各方面的銷售指標會好壹些。
也就是說，對於零售企業來說，這兩個日期處於不同的業務場景，不能直接比較。
同樣的道理(是否是周末)可以推廣到是否是節假日，比如情人節和情人節，聖誕節和聖誕節。
此外，還有壹個隱性的放假周期:今年11月放假七天，是否和去年壹樣放假七天；活動周期:尤其是天貓等電商行業，每年雙十壹的活動周期都不壹樣。比如相對於2019，2020年的官方銷售峰值是10月份的11 -3，所以數據指標的預期要調整。
案例二:假設不考慮疫情，在月報分析中，2021年2月的銷售額比2020年2月下降了5%，那麽2021年2月的銷售額有問題嗎？
這時候我們就不得不用日歷來判斷這樣的分析是否合理。
1，銷售天數可以通過查看日歷找到:
2020年，二月有28天。
2021是閏年，二月有29天。
所以，在相差1天的背景下，銷量差距是否合理？
2.是節日嗎？此外，如果妳看看日歷，妳會發現:
2020年春運在65438+10月25日。
2021春節在2月12。
對於零售企業來說，春節期間銷售情況是否有所好轉？如果是，有假期的月份應該比沒有假期的2月份銷量多吧？
3、重新觀察日歷的周末數:
2020年2月有9個周末。
2021二月只有8個周末。
如案例壹所述，零售行業差壹個周末，銷售數據可能是百分之幾。
所以基於以上幾點來判斷2月份的銷售表現可能更合理。