數據分析終極一問：自然增長率，到底怎么算才合理！

01 | 什么是自然增長率？

自然增長率，是相對于人工增長率而言的。嚴格來說，在商業上是沒有嚴格的自然增長率的，所有的業績都是靠人做出來的，但是，有些部門是能直接產出業績的，有的就只能打輔助，疊buff。典型的直接產出業績的，比如銷售，直觀的看，所有的業績都是銷售賣出來的。互聯網的廣告投放與此類似，投了廣告，用戶點擊下來，就直接帶來收入。

典型疊buff部門，就是品牌、營銷、推廣、用戶運營、活動運營。他們是在銷售、推廣的基礎上疊buff。

是滴，理論上確實這么輕松，但實際操作起來，麻煩就來了。

03 | 來自現實的挑戰

挑戰一：非活動時間數據不工整。

從本質上看，顧客不會時時刻刻均勻的到店買東西。想逛街要等下班、等周末、等放假；想上網得等有空、摸魚、娃睡了的時候。因此非活動期間數據本身就是高低起伏。到底選3個月平均？選最近一個月？選最近一周？因為這個事經常有吵架。

挑戰二：幾乎天天做活動，沒有非活動期。

這個在零售、電商、游戲等行業都很常見，活動幾乎天天都在做，無法選非活動期。或者非活動期只有兩個大 活動之間短短數周，本身處于大促結束后的回暖時期，根本不足為據。這樣時間法基本就廢掉了。 

挑戰三：商品屬性、生命周期不同，無法類比。

首先，很難選出一模一樣的商品進行對比，兩款商品或多或少存在差異。其次，商品本身的銷量走勢，也是人為做出來的。商品賣的好了需要加單，商品賣的差了需要清倉。因此眼前的銷量很難被認定為：“自然”。

挑戰四：不是所有活動都適合劃分參照人群。

比如618，雙十一大促，還閑參與的人不夠多呢，不可能剔除某些人不參加。比如非電商渠道，非即時消費產品，如果搞區分人群定價，很容易引發竄貨，或者被消費者舉報到市場監督局，定一個“大數據殺熟”的罪名。

挑戰五：參照人群的劃法，很難一碗水端平。

即時分參照人群，也很難說明問題。因為最終要測試的是購買行為，而影響購買行為的變量很多。性別、年齡、過往購買頻率、品牌忠誠度、促銷敏感性等等因素都有影響，因此通過分析抽樣，可以輕松做出來購買率很低的參照組，從而讓ABtest失效。

挑戰六：外部影響沒有考慮。

是滴，即使以上因素全部考慮，依然有人跳出來說：你沒有考慮宏觀環境/天氣/政策/社群族群等等影響，總之，原本應該下跌30%以上的，你看XX同行就跌了這么多，所以我們下跌20%是正常的，嗯，是我們的成果。

更深層地看，之所以有這么多亂七八糟的爭論，本質就是兩字：

甩鍋

不是為了讓自己的工作蓬蓽生輝，誰又會這么賣力的推過攬功，舌花燦爛呢。你說的數讓人家的績效不好看了。人家就會找各種理由，就這么簡單。

04 | 理論上的破局

有沒有合理的解決辦法？理論上有！

解決的前提就是站在二層樓看問題，把屁 股從小部門位置上挪開。思考：到底做到啥程度真的對業績有幫助，如何完成自己的任務，提高整體效率。

首要要排除的就是把鍋甩給外部因素。

是否是外部環境變化，其實從數據上很好識別，只要滿足四大條件就能說：這是主要受外部影響（如下圖）。但是，如果不能滿足四大條件，僅僅是看到一條新聞報道、聽說了同行的抱怨、就不拿來說事。

其次，對于直接產生業績的部門，根本就不要扯啥自然增長。達標就是達標，不達標就是不達標。只是看從呢不找辦法，還是外部找辦法。

再次，對于疊buff部門，可以算自然增長。但是要分三大類型算：

當然，還有最簡單的辦法，就是：買定離手法。所有人提前共識算法，用最近X周也好，用去年同期也好，總之，在項目開始之前共識好。之后買定離手，事后效果不好了自己反思原因。一開始不定好參照組，事后自然會百般狡辯。

所以關于自然增長率的爭吵，還會無窮無盡的進行下去。特別是，有時候數據分析崗位就是設在運營下邊，運營的老板需要數據分析幫自己站臺，這時候科學不科學，合理不合理就管不上那么多了。食君之祿，分君之憂，想辦法圓過去就好。但是，作為數據分析師，自己得清楚游戲是咋玩的，這樣再用各種方法圓故事的過程中，才能進退自如。

其實細看之下，會發現，所謂的數據分析終極難題，從來都不是難在計算本身，而是難在各個部門都拿數據當槍使，屁 股決定腦袋。當你想收集一個有利的數據證據的時候，你總能找到一個。