簡單常見的對比分析最經常出現的四大錯誤：
錯誤壹：對比對象不壹致
美國歷史上有壹個海軍的征兵宣傳：與西班牙交戰期間，美國海軍死亡率為千分之9，而同期紐約市的居民死亡率為千分之16。所以參軍更安全！
這個案例的問題在於對比的對象範圍不同：壹邊是身強力壯的參軍小夥，另壹邊的紐約居民包含了更多範圍如自然死亡、老弱病殘、交通事故、刑事犯罪等問題。
同樣的問題也頻繁出現在新聞裏，如《外賣小哥薪資遠超白領》：顯然將外賣小哥行業中薪資最高的那壹小撮人與普通白領“降維比較”自然就可以得出這樣的結論。
錯誤二：時間範圍不壹致
例如某應聘HR的簡歷上有這樣的自我宣傳，前公司以前銷售員的離職率是12%，而該HR到崗後，公司銷售員的離職率下降至4%。
這時，作為專業的數據分析師，必須要問多壹句：這兩個 指標的計算時間範圍是否壹致？ 是否都是按月/季度/年計算？
錯誤三：定義、計算邏輯不同
業務指標背後的數學公式有很多變形，如果沒有統壹好，這樣的對比也是沒有意義的。
復雜的指標，例如重購金額，因為業務需求不同， 如何定義“重購行為” 就很容易產生誤差：
曾經註冊過的會員，回櫃消費，就算是重購
僅曾經消費過的人，回櫃消費，才算重購
再比如， 當月完成首次消費和二次消費的會員，在計算當月重購指標時， 也會有困難：如果按消費行為，將首次消費算入首購金額，二次消費訂單算入復購，但這個會員是否可算入重購會員中？
所以，每當看到 指標對比 時，要第壹反應想起 背後的計算公式是否在同壹語境下。
錯誤四：數據源不壹致
數據源錯誤的問題很隱蔽，壹個常見的場景就是在尚未建立數據中臺的企業裏，業務部門有不同的信息系統存儲數據，例如訂單數據就可以存在在ERP系統、POS系統、CRM系統中，數據在系統之間流轉，難免會產生誤差，所以即使是同樣的數據計算指標，在CRM系統裏計算出來，和在ERP系統裏計算出來可能會有誤差。
此外，隨著業務需要，系統維護升級是家常便飯，在升級過程中，數據同步往往會有波動，這時候再去計算指標，或許會得到不壹樣的結果。
所以 不同業務部門之間 進行指標對比時，要放在同壹語境下，才有意義。
實戰案例數據同比分析中常見的同比錯誤
案例壹：日銷售報表分析中，2021年1月4日的零售額同比2020年1月4日下降30%，所以2021年1月4日銷售存在問題？
實際上， 結合具體行業思考，如果是在季節/周期性較強的零售業，這樣的對比並沒有實際意義： 因為2021年1月4日是工作日，而2020年1月4日是周六，根據常識，周末的人流壹定會更多，進而各方面的銷售指標也更優。
也就是說對於零售企業來說，這兩個日期處在不同業務場景，所以不能這樣直接比較。
同樣的原則（ 是否周末 ）可以延展到 是否節日 ，如情人節與情人節同比、聖誕節與聖誕節同比。
此外，還有隱藏比較深的 放假周期 ：今年十壹放七天假，上壹年是否也是同樣地放七天假； 活動周期 ：尤其是在 天貓等電商行業 ，每年的雙十壹活動周期都不壹樣，例如2020年雙十壹與2019年相比，多了11月1日-3日的正式銷售高峰，所以在做同比時，數據指標期望上應該有所調整。
案例二：假設不考慮疫情影響，月報分析中，2021年2月的銷售同比2020年2月下降5%，所以2021年2月銷售存在問題？
此時我們不得不借助 日歷 來判斷這樣的分析是否合理。
1、 銷售日數 查看日歷就可以發現：
2020年是平年2月有28天
2021年是閏年2月有29天
所以相差1天的背景下，銷售有差距是否合理？
2、 是否節日 此外，再來看日歷也會發現：
2020年春節在1月25日
2021年春節在2月12日
對於零售企業，是否存在春節檔期的銷售更好的情況？如果是的話，有節假日的月份銷售是否應該比沒有節假日的同期2月更多才對呢？
3、 周末數量 再來重新觀察日歷：
2020年2月有9個周末
2021年2月只有8個周末
正如案例壹裏討論的，零售行業相差壹個周末，可能銷售數據就是百分之幾的差距。
所以綜合以上幾點，再來判斷2月銷售表現可能更合理壹些。