資料分析終極一問：自然增長率，到底怎麼算才合理？

資料分析領域有很多終極難題，如果你和營銷、運營等部門打交道，最常遇到的問題一定有一個叫：自然增長率！

• 到底自然增長率怎麼算？
• 為啥我算出來的他們都說不合理？
• 為啥他們給的自然增佔率都這麼低？

諸多疑難雜症，今天系統講解一下。

一、什麼是自然增長率？

自然增長率，是相對於人工增長率而言的。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。網際網路的廣告投放與此類似，投了廣告，使用者點選下來，就直接帶來收入。

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

比如：

• 原本商品賣30元，現在送個優惠券，省5元；
• 原本商品是食品，現在加個“吃個延年益壽”的宣傳；
• 原本商品沒牌子，現在加個“國際大牌”、“馳名商標”；
• 是不是看起來牛逼一點了，買的人可能多一點？有可能，也沒可能！總之很難說清楚。

因此，這些部門就特別想輸出一個：自然增長率的概念。剝離出來“哪些是本來就有的自然銷量，哪些是我的優惠券/積分/小禮品/贈品/廣告/宣傳語/等級/榮譽徽章”帶來的，這就是自然增長率問題的起源。

有意思的是，自從這幫人發明自然增長率以後，銷售們也開始用這個概念，不過用法是：計算自然增長率是多少，然後證明大環境/天氣/運營策劃的傻逼活動產生了負影響，導致銷售沒做好了。

二、理論上的自然增長，長這樣

看起來想剝離品牌、運營、營銷的BUFF很好解決，只要把銷量區分為自然/人工兩個部分就好了！

理論上，自然增長率有三種演算法：

1. 方法一：按時間區分

沒做活動之間是自然增長率，做活動期間是人工增長（如下圖）：

2. 方法二：按人群區分

沒做活動的人是自然增長，做活動的是人工增長（如下圖）：

3. 方法三：按產品區分

沒做活動的產品是自然增長，做活動的是人工增長（如下圖）：

理論上確實這麼輕鬆，但實際操作起來，麻煩就來了。

三、來自現實的挑戰1. 挑戰一：非活動時間資料不工整

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、等週末、等放假；想上網得等有空、摸魚、娃睡了的時候，因此非活動期間資料本身就是高低起伏。到底選3個月平均？選最近一個月？選最近一週？因為這個事經常有吵架。

2. 挑戰二：幾乎天天做活動，沒有非活動期

這個在零售、電商、遊戲等行業都很常見，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週，本身處於大促結束後的回暖時期，根本不足為據，這樣時間法基本就廢掉了。

3. 挑戰三：商品屬性、生命週期不同，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”。

4. 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，還閒參與的人不夠多呢，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“大資料殺熟”的罪名。

5. 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數很多。

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，因此透過分析抽樣，可以輕鬆做出來購買率很低的參照組，從而讓ABtest失效。

6. 挑戰六：外部影響沒有考慮

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同行就跌了這麼多，所以我們下跌20%是正常的，是我們的成果。

更深層地看，之所以有這麼多亂七八糟的爭論，本質就是兩字：甩鍋。不是為了讓自己的工作蓬蓽生輝，誰又會這麼賣力的推過攬功，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噴你，就這麼簡單。

四、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。

首先，要排除的是把鍋甩給外部因素。

是否是外部環境變化，其實從資料上很好識別，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：對於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：對於疊buff部門，可以算自然增長，但是要分三大型別算：

簡單來說，就是：

• 不背硬指標的，自己和自己過往比；
• 背硬指標但是有明確任務的，先完成任務；
• 背硬指標，且背整體指標的，關注整體，不糾結細節。整體不達標，你光嗶嗶我自己做的好，照樣沒人信；
• 背硬指標，且分群營銷的，直接上ABtest，不整虛的。

當然，還有最簡單的辦法，就是：買定離手法。

所有人提前共識演算法，用最近X周也好，用去年同期也好。總之，在專案開始之前共識好。之後買定離手，事後效果不好了自己反思原因。一開始不定好參照組，事後自然會百般狡辯。

五、現實中的無奈

然而以上僅僅是理論，現實中，無論怎樣，都是：

• 負責疊buff的運營，總是想證明自己一手遮天；
• 負責銷售的部門，總是喜歡抱怨後臺支援不給力；
• 負責監督的老闆，總有自己的小九九和衡量標準；

所以關於自然增長率的爭吵，還會無窮無盡的進行下去。

特別是，有時候資料分析崗位就是設在運營下邊，運營的老闆需要資料分析幫自己站臺，這時候科學不科學，合理不合理就管不上那麼多了。食君之祿，分君之憂，想辦法圓過去就好。

但是，作為資料分析師，自己得清楚遊戲是咋玩的，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，所謂的資料分析終極難題，從來都不是難在計算本身，而是難在各個部門都拿資料當槍使，屁股決定腦袋。當你想收集一個有利的資料證據的時候，你總能找到一個。

最經典的例子就是ABtest，有興趣的話，關注接地氣的陳老師，下一篇我們分享，敬請期待哦。

#專欄作家#

接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深諮詢顧問，在網際網路，金融，快消，零售，耐用，美容等15個行業有豐富資料相關經驗。

本文原創釋出於人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基於CC0協議。