为什么要写《数据分析思维》这个系列文章？还是回到一个最根本的问题上：数据分析师到底是干什么的？本文作者从以下几个方面给大家聊聊数据分析思维中的对比分析，希望对你有帮助。
01、写在前面
我相信不仅是想入门的小伙伴，已经入行很久的数据分析师可能多多少少还是会有些不清楚。数据分析师是每天被各个业务方呼来唤去的提数工具人么？还是被各种不靠谱的可视化软件蹂躏的报表maker？还是好不容易做了个专题分析，却被业务方嫌弃不说“人话”的，只会纸上谈兵、指手画脚的外行？
我相信每个数据分析师都会多多少少经历以上的心路历程，直到某天突然明白数据分析的终极奥义，才能跳出这个让人迷茫的怪圈。原来数据分析是要：熟悉业务，在此基础上基于对业务的理解发现业务上的问题，然后提出分析的方案，然后再是用工具提数分析，最后给出结论和建议，并推动相关方实施落地，进而解决问题，完成从业务中发现问题，再回到业务中解决问题的完整闭环。这才是数据分析的真正意义。
明白了这些，你可能就会发现，区别于其他的开发类工作，数据分析是以业务、思维为主、工具为辅的工作，重要的不是你会多么高端牛逼的工具和算法，而是你怎么发现问题，怎么形成分析思路，这才是数据分析师拉开差距的关键所在，至于剩下的就是怎么具体实施，这个，找个实习生也能做，哪部分工作含金量更高、被取代难度更大，一目了然了吧？
这也是我写【数据分析思维】系列文章的原因，数据分析本身就是业务和思维为重，授人以鱼不如授人以渔，清晰完备的思维可以让你事半功倍，知道怎么做远比实际做要重要的多，代码未动，思维先行，懂得运筹帷幄才能走得更远。
02、为什么要对比分析？
这个应该不是个问题，而是句废话。不仅是数据分析要对比，生活中处处有对比，没有对比就没有高低优劣，没有高低优劣就没有优化的方向。就像我在写的这篇文章一样，我会对比很多类似的文章，然后我才知道我应该怎么写才能系统而全面的把对比分析写好，就是这个道理。
绕远了扯回来，数据分析中对比分析的作用是啥？记得有位非著名专家曾经说过：
孤数不证，没有对比，就不谈数据分析！
–非著名专家：沃兹基硕德
对比分析是一种挖掘数据规律的思考方式，将两个或以上相关数据比较，直观的反应变化趋势、精准量化展示出对比数据之间的差异，以达到了解数据内部规律效果。一般来说，我们会涉及到：目标对比，时间前后对比（同比环比）、竞争对手对比等。
对比分析是数据分析中最基础的分析思维，但是一般情况下它并不是单独存在，而是与其他思维技巧结合，比如细分拆解、象限矩阵、假设对比等混合使用，交叉对比达到数据分析的目的。下面我们就以对比分析为基础，搭配其他分析思维，阐述一个完整的对比分析过程。
03、对比什么（What）？
首先来到第一个问题，既然要对比，我们对比什么指标呢？对于业务问题的评估我们一般都基于指标体系，所谓指标体系就是一些相互之间有逻辑关系的指标构成的一个系统的整体，通过指标体系中的宏观指标去监控业务的发展趋势，同时也可以通过拆解宏观指标挖掘当前业务的问题。
对比宏观指标
一般来说，我们都是先总后分的思维，所以我们会先看宏观指标的现状及趋势。例如对于某在线店铺，GMV就是一个宏观指标，分析发现今年1月份以来GMV持续下降，这是现状，但是为什么会出现这个问题，单纯的一个GMV给不出原因。
对比细分指标
宏观指标只能让我们知其然，想探索原因知其所以然就要对宏观指标进行拆解，看看究竟是宏观指标的哪一部分出现了问题，例如我们知道GMV=访客流量*支付转化率*客单价，我们可以拆解为三部分，看到底是在流量的获取，还是支付环节还是客单价上出现了问题。
对比竞品、行业指标
当然，有时候出现这种下降可能并不是真正的异常，有的行业天然具有周期性，比如羽绒服夏季的销量肯定会很低，还有可能是受到政策层面的影响，教育部下发了学生在校期间不可长时间使用电子教学设备的政策，在线教育行业的营收就必然会受到影响。
04、怎么对比（How）?
确定了上面这些要对比的指标，那采用哪些统计值进行对比呢？也就是说，我们用哪些统计量来表征高低好坏？一般来说，会涉及到以下几类统计量：
表征集中趋势
平均数、中位数、众数是我们最常的表征集中趋势的统计量，样本量太大看不过来，就想用一个整体的统计量表征好坏。但是这几个统计量在使用上还是有很大差异的，为什么每年我们都会被马爸爸们平均了自己的年收入，也成为了百万富翁？因为收入就不是个正态分布，平均值就没有意义，中位数和众数倒是能瞬间把我们打回搬砖狗的现实。
表征极端情况
极端情况我们一般用最大值、最小值衡量，极端情况尤其需要关注，因为它表征着业务可能出现的最好或最坏的情况，一旦出现了异常的极值，说明业务发生了非常重大的问题，需要及时的分析和解决。
表征比值
有时候我们通过绝对值可能无法进行比较，比如A店铺销售额为500万元，团队有100人，B店铺销售额为100万元，团队有10人，你不能简单地说A店铺比B店铺做得好，因为从人均贡献率角度来看，B店铺的人均贡献值是10万元，而A店铺只有5万元。
当分析的主体体量不一致的时候，就要用单位效率来衡量，也就是我们常说的比例比值，销售额的多少与团队人员有很大关系，但人均贡献值这个比值确能够反映店铺的效率，判断B店铺比A店铺好。平时的分析中，比较熟悉的指标还有点击率、收藏率、加购率、平均点击单价、平均客单价、访问深度等，它们都是比值指标。
表征相对位置
当我们想要知道数据相对于整体如何的时候，我们可以通过相对位置来判断，也就是我们常说的百分位，或者更常用的四分位。就想我们的考试一样，不仅会有一个考试分数，还有各种班级、年级、学校的排名，而且相对来说，你考了多少分不重要，因为每次考试的难易程度不同，但是排名却是能说明你的成绩是不是真的上升或者下降了。
表征离散程度
一支每日收益只有4%左右的基金和一个随机在-6%和6%之间的基金，哪个更受基民青睐？我们除了看平均收益率表现以外，还要看表现的稳定性，就是我们常说的方差和标准差，方差和标准差越大，数据离散程度就越高，表现就越不稳定。
05、和谁对比（Who）?
确定了对比的指标和方法以后，就要明确和谁比？一般来说，我们有以下的对比对象：
与目标对比
举例：今年618某电商店铺为了冲销量，采用了优惠券、限时秒杀、满减等多种手段进行营销，目标销额GMV达到100w，活动持续两周，第一周结束后发现销额仅达到30w，对比目标，目标完成率仅为30%，对比目标完成率50%相差甚远，为保证最终目标达成，需要继续拆解分析，定位问题环节，及时调整运营策略。
与历史对比
当对比的是我们自己的时候，就要看随着时间的变化，我们有没有比以前进步，和过去对比的方式有同比和环比两种：
环比：现在的统计周期与上一个统计周期相比，常用的是“月环比”，即这个月与上一个月相比，比如，店铺今年10月份销售额为100万元，9月份销售额为50万元，那10月份与9月份相比，就可以说环比增长了（100-50）/50×100%=100%。
同比：与以往同一时期相比，多指与上一年同一时期相比，比如，店铺今年10月份销售额为100万元，去年10月份销售额为200万元，今年10月份与去年10月份对比，就可以说同比下滑了（100-200）/200×100%=-50%。
举例：通过对比思维发现，今年10月份的销售额环比增长了100%，但是同比却下滑了50%，而且今年9月份同比也下滑了50%。从这些数据来看，存在两种可能性：1、今年的运营方向做了大的调整，导致了业绩下滑；2、市场环境发生了大的变化。
与竞对对比
对手的选择：跟我们直接“争夺”消费者的对手，包括同行、同类竞争对手：消费者群体和产品相相似的对手。如果A店铺产品客单价100元，那么客单价30元的店铺就不是A店铺对比的对象，如果A店铺是卖复古风格服装的，则卖韩版服装的店铺就不是我们的对比对象。
还有就是可以选择行业标杆的对比，比如，通过情报通观察A店铺类目最高层级的店铺，其价格带分布非常宽，而B店铺的价格带则非常窄，某个层面上限制店铺业绩突破。因此，可以适当扩宽产品的价格带。
与行业对比
除了竞争对手之外，还要和整体行业进行对比，要知道现在处于行业的哪一梯队，市场份额增长的瓶颈是渠道、品牌力还是产品力？应该从哪里发力？不过由于行业的数据可得性比较差，一般来说我们可能需要通过：爬虫、行业报告或者借助行业人脉去获得相关数据和信息。
对比分析作为一种非常基础的分析方案在数据分析中十分常见，但是往往都是搭配着其他的分析方法一同出现，一个合格的数据分析应该是会在各个维度进行不同的对比，这样更有利于发现问题的内在规律，帮助我们制定优化的方案。
以上就是数据分析思维—对比分析部分的内容，部分数据分析思维请翻看历史文章，更多数据分析思维的文章持续更新中，敬请期待，如果觉得不错，也欢迎分享、点赞和点在看哈~
