编辑导语：提到数据分析中的难题，那自然增长率必须拥有姓名。自然增长率到底怎么算才合理？这是困扰不少人的问题。在本篇文章中，作者分析了理论上的自然增长是怎样的，并且总结了其面临的来自现实的挑战，理论上我们可以如何破局，以及现实中面临着怎样的无奈。
数据分析领域有很多终极难题，如果你和营销、运营等部门打交道，最常遇到的问题一定有一个叫：自然增长率！
到底自然增长率怎么算？
为啥我算出来的他们都说不合理？
为啥他们给的自然增占率都这么低？
诸多疑难杂症，今天系统讲解一下。
一、什么是自然增长率？
自然增长率，是相对于人工增长率而言的。严格来说，在商业上是没有严格的自然增长率的，所有的业绩都是靠人做出来的。但是，有些部门是能直接产出业绩的，有的就只能打辅助，叠 buff。
典型的直接产出业绩的，比如销售，直观的看，所有的业绩都是销售卖出来的。互联网的广告投放与此类似，投了广告，用户点击下来，就直接带来收入。
典型叠 buff 部门，就是品牌、营销、推广、用户运营、活动运营，他们是在销售、推广的基础上叠 buff。
比如：
原本商品卖 30 元，现在送个优惠券，省 5 元；
原本商品是食品，现在加个 " 吃个延年益寿 " 的宣传；
原本商品没牌子，现在加个 " 国际大牌 "、" 驰名商标 "；
是不是看起来牛逼一点了，买的人可能多一点？有可能，也没可能！总之很难说清楚。
因此，这些部门就特别想输出一个：自然增长率的概念。剥离出来 " 哪些是本来就有的自然销量，哪些是我的优惠券 / 积分 / 小礼品 / 赠品 / 广告 / 宣传语 / 等级 / 荣誉徽章 " 带来的，这就是自然增长率问题的起源。
有意思的是，自从这帮人发明自然增长率以后，销售们也开始用这个概念，不过用法是：计算自然增长率是多少，然后证明大环境 / 天气 / 运营策划的傻逼活动产生了负影响，导致销售没做好了。
二、理论上的自然增长，长这样
看起来想剥离品牌、运营、营销的 BUFF 很好解决，只要把销量区分为自然 / 人工两个部分就好了！
理论上，自然增长率有三种算法：
1. 方法一：按时间区分
没做活动之间是自然增长率，做活动期间是人工增长（如下图）：
2. 方法二：按人群区分
没做活动的人是自然增长，做活动的是人工增长（如下图）：
3. 方法三：按产品区分
没做活动的产品是自然增长，做活动的是人工增长（如下图）：
理论上确实这么轻松，但实际操作起来，麻烦就来了。
三、来自现实的挑战
1. 挑战一：非活动时间数据不工整
从本质上看，顾客不会时时刻刻均匀的到店买东西。
想逛街要等下班、等周末、等放假；想上网得等有空、摸鱼、娃睡了的时候，因此非活动期间数据本身就是高低起伏。到底选 3 个月平均？选最近一个月？选最近一周？因为这个事经常有吵架。
2. 挑战二：几乎天天做活动，没有非活动期
这个在零售、电商、游戏等行业都很常见，活动几乎天天都在做，无法选非活动期。或者非活动期只有两个大活动之间短短数周，本身处于大促结束后的回暖时期，根本不足为据，这样时间法基本就废掉了。
3. 挑战三：商品属性、生命周期不同，无法类比
首先：很难选出一模一样的商品进行对比，两款商品或多或少存在差异。
其次：商品本身的销量走势，也是人为做出来的。商品卖的好了需要加单，商品卖的差了需要清仓，因此眼前的销量很难被认定为：" 自然 "。
4. 挑战四：不是所有活动都适合划分参照人群
比如 618，双十一大促，还闲参与的人不够多呢，不可能剔除某些人不参加。
比如非电商渠道，非即时消费产品，如果搞区分人群定价，很容易引发窜货，或者被消费者举报到市场监督局，定一个 " 大数据杀熟 " 的罪名。
5. 挑战五：参照人群的划法，很难一碗水端平
即时分参照人群，也很难说明问题。因为最终要测试的是购买行为，而影响购买行为的变量很多。
性别、年龄、过往购买频率、品牌忠诚度、促销敏感性等等因素都有影响，因此通过分析抽样，可以轻松做出来购买率很低的参照组，从而让 ABtest 失效。
6. 挑战六：外部影响没有考虑
即使以上因素全部考虑，依然有人跳出来说：你没有考虑宏观环境 / 天气 / 政策 / 社群族群等等影响。总之，原本应该下跌 30% 以上的，你看 XX 同行就跌了这么多，所以我们下跌 20% 是正常的，是我们的成果。
更深层地看，之所以有这么多乱七八糟的争论，本质就是两字：甩锅。不是为了让自己的工作蓬荜生辉，谁又会这么卖力的推过揽功，舌花灿烂呢？你说的数让人家的绩效不好看了，人家就会找各种理由喷你，就这么简单。
四、理论上的破局
有没有合理的解决办法？理论上有！
解决的前提就是站在二层楼看问题，把屁股从小部门位置上挪开。思考：到底做到啥程度真的对业绩有帮助，如何完成自己的任务，提高整体效率。
首先，要排除的是把锅甩给外部因素。
是否是外部环境变化，其实从数据上很好识别，只要满足四大条件就能说：这是主要受外部影响（如下图）。但是，如果不能满足四大条件，仅仅是看到一条新闻报道、听说了同行的抱怨、就不拿来说事。
其次：对于直接产生业绩的部门，根本就不要扯啥自然增长。达标就是达标，不达标就是不达标。只是看从呢不找办法，还是外部找办法。
再次：对于叠 buff 部门，可以算自然增长，但是要分三大类型算：
简单来说，就是：
不背硬指标的，自己和自己过往比；
背硬指标但是有明确任务的，先完成任务；
背硬指标，且背整体指标的，关注整体，不纠结细节。整体不达标，你光哔哔我自己做的好，照样没人信；
背硬指标，且分群营销的，直接上 ABtest，不整虚的。
当然，还有最简单的办法，就是：买定离手法。
所有人提前共识算法，用最近 X 周也好，用去年同期也好。总之，在项目开始之前共识好。之后买定离手，事后效果不好了自己反思原因。一开始不定好参照组，事后自然会百般狡辩。
五、现实中的无奈
然而以上仅仅是理论，现实中，无论怎样，都是：
负责叠 buff 的运营，总是想证明自己一手遮天；
负责销售的部门，总是喜欢抱怨后台支持不给力；
负责监督的老板，总有自己的小九九和衡量标准；
所以关于自然增长率的争吵，还会无穷无尽的进行下去。
特别是，有时候数据分析岗位就是设在运营下边，运营的老板需要数据分析帮自己站台，这时候科学不科学，合理不合理就管不上那么多了。食君之禄，分君之忧，想办法圆过去就好。
但是，作为数据分析师，自己得清楚游戏是咋玩的，这样再用各种方法圆故事的过程中，才能进退自如。
其实细看之下，会发现，所谓的数据分析终极难题，从来都不是难在计算本身，而是难在各个部门都拿数据当枪使，屁股决定脑袋。当你想收集一个有利的数据证据的时候，你总能找到一个。
最经典的例子就是 ABtest，有兴趣的话，关注接地气的陈老师，下一篇我们分享，敬请期待哦。
# 专栏作家 #
接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等 15 个行业有丰富数据相关经验。
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议。
