对比分析是数据分析中最常用的、最好用、最实用分析方法之一。没有对比就不能说明问题，这也是对比分析在数据分析领域经久不衰的原因之一。对比分析是将两个或两个以上具有可比性的数据进行比较，分析其中差异，以揭示事物发展规律。

01. 没有对比就不能说明问题

其实每个人在很小的时候就接触到了对比分析，还记得小时候自己的成绩总会被爸妈与邻居家小孩作比较，自己的成绩也会被爸妈拿了和往期成绩作比较，以分析自己到底是进步了还是退步了。这可能就是最贴近我们生活的对比分析，有对比就会有伤害，可为什么一定要对比呢？

虽然某些时候对比真的很讨要，但是没有对比就不能说明结论！举个例子来说，2020财年淘宝天猫GMV达成6.589万亿，如果没有对比GMV只是一个数字而已，我们并不知道这个数字代表的业务状况到底如何，业务是增长了呢，还是衰退了呢？如果我们把前三财年的GMV数据也放上，就会发现2020财年的GMV是增长的，从这个对比数据来看业务是稳定上升的。这就是对比分析在数据分析中的作用，没有对比就没有数据结论！

02. 对比分析到底和谁比

确定对比的对象是数据分析的第一步。对比的对象可以是自己，也可以是行业。如果是和自己比的话，可以通过某段时间的业务平均值、中位数等统计指标来衡量业务的整体大小；也可以通过变异系数来衡量业务整体的波动；同时也可以使用同比、环比等指标来衡量业务的变化趋势。如果是和行业比较的话，可以通过行业趋势与业务发展趋势进行对比，以判断业务发展是否健康；当然也可以和行业的金标准进行对比，以确定业务发展是否达到行业标准，进而调整业务发展方向和策略！

03. 对比分析到底怎么比

确定了对比对象之后，进而我们需要确定如何比。根据对比分析的用途，我们将其划分为三大块，分别是衡量数据整体大小、衡量数据整体波动、衡量数据变化趋势。面对不同的场景，对比分析选择的维度和指标也不尽相同，总结如下图所示。

1.衡量数据整体大小

对于数据整体大小的衡量，可以将业务数据与某段时期内的平均值、中位数、目标值作比对，当然也可以和行业金标准做对比。

11月是电商大促活动月，11月的GMV高于全年月均值、全年月中位数是必然的结果。这时候就可以和当初定下来的目标值进行比较，看今年的大促活动是否达到预定目标，若没有达到则可以继续分析到底是哪个区域、哪个品类、哪个环节存在问题，以积累经验下次大促避免类似情况发生。当然，也不能随随便便就否定自己的成绩，可以将11月GMV和行业的金标准比一比，高于行业标准说明这次大促还是高于行业水平，有值得肯定的地方。

2.衡量数据整体波动

数据的波动整体波动可以分为周期性波动、业务内部因素影响的波动、外部因素影响的波动、数据传输问题而造成的数据波动以及其他意外因素引起的数据波动。

数据周期性、内因和外因引起的数据波动属于正常波动，对于这三类波动的衡量可以用不同时期内的变异系数、方差、标准差等进行对比。各个指标如何计算，我们这里就不在赘述。

3.衡量数据趋势变化

对于数据变化趋势的衡量，可以考虑从时间和空间两个不同维度展开考虑，从时间维度可以考虑横向比较、纵向比较、同比、环比、定比等等，而从空间维度的话可以产品、用户、区域等多个层面进行对比分析。

3.1 时间维度

从时间维度上讲，可以通过横向比较、纵向比较、同比、环比、定比以及特殊时期对比说明结论。

横向对比是相同周期不同阶段的比较，可以是天、月、季、年的同比、环比等等。例如对比双十一大促期间每一天的GMV就是横向比较。

纵向对比相同周期内不同区域、不同类目、不同商家、不同客户群体的比较。例如，对比各品类双十一期间的成交额就是纵向比较。

同比用于观察长期的数据，是本期数据与上一年同期数据的比值。通常情况下，在数据分析中会用同比增长率衡量业务趋势，其计算公式如下：

同比增长率 = (本期数据-上年同期数据) / 上年同期数据 * 100%

例如，2020年11月的GMV与2019年11月的GMV相比增长了56.12%，这就叫做同比增长率。

环比用于观察短期数据，是当前周期与上一周期的比值，可以是本月与上月的对比、本周与上周的对比、当年11月与当年10月的对比。同样地，环比增长率是较为常用的评价指标。其计算公式如下：

同比增长率 = (本期数据-上年同期数据) / 上年同期数据 * 100%

例如，2020年11月的GMV与10月的GMV的对比就叫环比，其增长率就叫环比增长率。

定比也是趋势分析的重要指标之一，是当前周期数据与固定周期数据的比值，定比增长率的计算方式与同比、环比增长率相似，如下所示：

定比增长率 =(本期数据-固定期数据) / 固定期数据 * 100%

特定时期的对比也是非常重要的对比方法，这种方法在实际的数据分析中更为常用，可以是不同版本之间的比较，量化版本变更带来的实际效益；也可以是活动前后的比较，量化活动开展是否达到预设目标；当然还可以是广告投放前后用户留存率的比较，以评判广告买量用户的效果。

3.2 空间维度

在空间维度进行对比，可以来考虑从产品、用户、区域等维度进行展开分析，可以考虑具有可比性的同类产品进行比较，也可以选择同一个产品的不同版本的数据进行比较；而对于区域来说的话，则可以对比同一指标在不同区域的表现；对于用户来说，可以对比不同层级类别的用户，也可以将同类型的用户分为两组进行A/B 测试。

在产品层面，可以通过与相似产品进行对比以分析次日留存率是否健康。例如，可以对比抖音和快手的次日留存率，发现快手用户的次日留存率略高于抖音，抖音可以推出某些活动促活，从而提高次日留存率。

-在地区层面，就是将关键指标拆分到不同的地区，然后分析该指标在不同地区的表现。例如，我们将11月份的GMV拆分到各个地区，分析各个地区对于GMV的贡献，找出可提升GMV的方案。

-在用户层面，可以将用户进行分组，对比不同组别用户在某一指标下的差异；也可以选定一个用户群体，比较该用户群体在不同天的留存率表现，即同期群分析。例如，根据用户的付费信息将用户分为大中小R，对比各个组别对付费的贡献率，分析结果符合“二八法则”。

-用户和产品交叉分析也是常用的分析思路，通常来说就是A/B测试，即选定同样群体的用户，将其分为两组，分别给他们展示不同颜色的网页对比其点击率，以评判哪种颜色的网页更受欢迎。

04. 对比分析的可比性原则

对比分析需要坚持可比性原则，即对比对象相似，对比指标同质。

-坚持对比对象相似的原则，就是说对比的对象要是同类型的，属于同一领域的，例如，抖音和快手相比，淘宝和拼多多相比。如果拿淘宝的GMV与B站的GMV相比可能就不太合适！

-坚持对比值指标同质的原则，包括指标口径范围相同、指标计算方式一样和指标计量单位一致。例如，我们不能用抖音2020年的平均留存率与快手2019年的平均留存率相比，因为指标口径范围不同；同样地，我们也不能用2020年抖音的用户留存率与流失率进行比较，因为指标计算方式不一致；另外指标的单位也是容易忽略的点，淘宝1月的GMV是1.98亿元，2月的GMV是23800万元，那么1.98和23800之间也是没有可比性的，只有统一了单位之后，GMV才具有可比性。

05.总结

本篇文章从为什么需要对比出发，详细地阐释了对比分析和谁比、怎么比以及对比分析需要坚持的原则，由小到大，由点到面，全面地介绍了对比分析方法论。对比分析作为最常用的分析方法，作为数据分析师要做的不仅是对比，更重要的是分析和追踪，将分析结果落地，让数据产生价值，让分析产生价值！

对于比分析用途广泛，其中还涵盖了很多其他分析方法，例如，漏斗分析、同期群分析以及A/B测试等等，这些方法的具体应用还会继续更新，欢迎持续关注数据万花筒！