第一种：对比剖析法

“无对比，不剖析”，对比剖析法也叫对比法，是数据剖析中最常见也是最基础的剖析方式，

若是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照样坏。

1. 绝对数对比 与 相对数对比

首先我们需要领会绝对数对比和相对数对比：

• 在数据剖析中，绝对数对比一样平常是指正数之间的对比，如支付人数、DAU、GMV等；
• 而相对数对比一样平常是相对数之间的对比，如转化率、增进率、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. 环比剖析

环比，示意延续2个统计周期内的量级转变比，例如延续两日、两周、两月的量级转变比，都可以称为环比。环比剖析一样平常体现该时间段对比上个延续时间段的数据转变情形。

盘算公式：环比增进率=（本期数-上期数）/上期数 × 100%

举个环比剖析简朴例子：我们在9月第三周针对50%的随机用户A群举行了流动营销激励，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。通过流动营销激励后，第三周现实GMV为150万，对比第二周增进了50万，环比增进率为50%。

这个例子来说，若是在正常情形下，环比剖析给出的50%增进，可以证实流动带来了显著的GMV增进，效果似乎不错，然则环比剖析效果也会存在骗人的时刻，我们继续往下看下面的例子：

看到流动效果优越，我们在9月第四周又取了剩下的随机用户群B举行了流动营销激励，GMV环比第三周反而下降了7%。同样的激励计谋，不仅没有获得环比提升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剖析法的坏处：无法消除周期颠簸转变的影响。

原因是我们的产物在节假日前期数据颠簸稀奇大，仅通过该环比数据没有办法客观的举行运营效果评估。如9月第四周是国庆前的最后一周，用户的买卖数据会有显著的下降，营销动作是很难提升GMV跨越上周（上期）的量级水平，若是通过仅仅通过环比给出的数据效果，一定是本期对比上期环比下降x%。

遇到这种周期颠簸稀奇大的剖析场景，则需要加入同比剖析法，与环比剖析法配合举行剖析。

3. 同比剖析法

同比，示意本期与上年同期的量级转变比，例如今天、本周、本月内的量级转变对比去年同日、同周、同月的量级变比。

盘算公式与环比增进率相同：

同比增进率=（本期数-上期数）/上期数 × 100%

同样国庆前做流动的例子，通过环比剖析，由于节假日因素颠簸，没有办法获得真实的营销增进情形，那么通过环比+同比剖析，就可以对比出9月第四周对比上年同期的增进情形：

• 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%；

开发百度小程序经验分享

综上的环比与同比剖析，我们可以对19年9月第四周的运营计谋做出真实评估：有用的带来GMV增进。

此外，我们还可以凭据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增进量为20万：

• 19年9月第四周GMV增进=现实GMV-自然GMV
• 19年9月第四周GMV增进=现实GMV-19年第三周GMV*（1+19年9月第三周同比增进率）
• 19年9月第四周GMV增进=140万-150万*（1-20%）= 20万

同比主要是为了消除可能存在的周期更改的影响，当延续两个周期颠簸稀奇大的时刻，就不能只用环比去举行效果评估了，则需要将同比与环比放在一起举行剖析。

那么同比和环比都用上了，就能保证数据效果的准确性吗？

不一定，接着上面的流动来说，我们预估2019年9月第四周的自然GMV，是默认2018年9月第四周是没有举行任何对GMV发生颠簸动作的自然环比下降，但若是2018年9月第四周有举行用户激励的运营动作，那真实的环比降幅可能就不止20%，甚至更高。

考虑到这种未知的滋扰情形，影响我们对数据效果的评估与剖析，我们就需要换一种能够削减未知滋扰的剖析方式——控制变量剖析法。

第二种：控制变量剖析法

1. 什么是控制变量法

控制变量法是在蒙特卡洛方式中用于削减方差的一种手艺方式。该方式通过对已知量的领会来削减对未知量估量的误差。

控制变量法简朴来讲，就是我们事情中最常见的A/B test。制订两种方案，将用户随机分成实验组与对照组，实验组用户举行产物功效或营销激励的单一变量干预，对照组不举行任何干预自然运行，一段时间后划分统计两组用户的数据显示，评估功效或激励效果。

A/B test 的优化内容主要有6个偏向，可以凭据差别的内容设计差别的优化方案，举行效果测试；

2. 控制变量法剖析历程

我们以发放6元无门槛红包激励用户下单为例，看下A/B test在营销中剖析历程；

1. 将目的用户群随机划分为实验组和对照组，每组各10万人，保证两组用户随机漫衍；
2. 将实验组举行单一变量营销，如发放6元无门槛红包，对照组不举行营销，用于考察自然转化情形；
3. 考察一段时间内的转化率及客单价数据，评估支付人数提升与GMV提升效果；

提升支付人数：对实验组举行干预后提升了转化率，现实提升支付人数2000人。

GMV提升：将提升的支付人数连系客单价举行盘算，统计最终的GMV提升40万。

3. 稀奇注意两点

通过ABtest只能削减未知情形带来的滋扰，无法做到完全清扫未知情形带来的滋扰，所以在落地的历程中，仍有两点需要稀奇注意，不要被数据诱骗：

（1）实验组与对照组的用户群样本量太少

实验组和对照组的样本量不需要完全一致，但至少需要保障一定的量级，若是样本量级太小，很容易受到个体的影响，导致效果异常。

若想降低个体影响可以参考以下两种方案：

• 扩大试验样本：提高实验组或对照组的用户群，降低个体影响；
• 延伸试验时间：将数据监控的时间延伸，让数据效果尽可能的收敛；

（2）实验组和对照组的用户群没有做到绝对的随机

例如，产物或手艺同砚通过尾号单双来举行实验组和对照组的划分，举行产物新功效的实验。此时运营同砚又针对尾号0和1的用户举行营销测试，最后肯定会导致双方的实验效果异常，得出错误的结论。

参考方式：不要通过简朴规则分组，只管通过随机数或者随机序列举行随机分组。

总结

通过对比剖析法对数据举行环比、同比等多维度的评估，通过控制变量剖析法削减未知滋扰的误差，做到数据剖析的相对科学，才能为营业提供准确的数据指导。