春季数据分析注意事项:别被春节和气温骗了
去年三月我给一个做饮料的客户做季度复盘,数据一拉出来,三月销售额同比涨了23%,客户当场拍板要加大投放。我当时多问了一句:去年春节是几号?一查,去年春节在2月10号,今年在1月29号。也就是说今年的"节后恢复期"整体前移了十几天,3月的完整销售周比去年多了一周多。把那部分剔掉之后,真实同比大概只有7%。这事让我记住了:春天的数据,看着涨得凶,多半是日历在捣鬼。
春节漂移是春季数据的头号干扰项
春节的阳历日期每年都在动,2024年是2月10日,2025年是1月29日,2026年又跑到2月17日。前后能差将近二十天。这二十天意味着什么?意味着2月和3月的每一周,在"节前备货、节中停滞、节后恢复"这条曲线上所处的位置完全不同。你拿今年3月第一周和去年3月第一周比,很可能一个还在节后爬坡,一个已经进入正常经营节奏。

我现在的做法是放弃自然月对比,改成春节对齐:以除夕为第0天,往前推4周到往后推8周,做成一条逐周曲线,两年的曲线叠在一张图上看形状。形状对不对,比绝对数字有用得多。另外2月只有28天,看总量毫无意义,一律换成日均值再比。

几个最容易翻车的地方
- 促销节点位置漂移:三八节、清明、五一在不同年份落在不同的周,五一还经常跨到4月底,Q1和Q2的边界会被切得很乱
- 基数里藏着去年的特殊情况:去年3月如果搞过大促、上过新品、或者刚好赶上流感季,今年的同比就是假的
- 气温异常没被剔除:暖冬之后突然倒春寒,服装、空调、冷饮的销量会跟着气象曲线抖,不控制这个变量就分不清是运营有效还是天气帮忙
- 口径不统一:有人把春季算成3到5月,有人算成Q1,报告里不写清楚,跨部门对数能吵一下午

天气这条我吃过亏。前年做空调品类分析,三月中旬销量突然起量,团队归因成新投放素材起效。后来我把过去五年的日销量和日平均气温做了个简单回归,发现相关系数能到0.7以上,那波起量基本是连续一周25度以上的天气带来的。素材有没有用?有用,但没数据上看起来那么有用。现在我会把气象数据当成协变量放进去,至少在做归因的时候心里有数。
我自己的春季分析流程
先说结论:春季分析的核心不是算得更细,是把不可比的东西变得可比。我一般走这么几步。第一步,把所有自然月指标换成日均,总量类指标在2月天然吃亏。第二步,画春节对齐曲线,看两年的恢复斜率差多少。第三步,把已知的特殊事件(大促、新品、极端天气、疫情波动)在时间轴上标出来,标不出来的异常值单独拉出来问业务方。第四步,同比之外再看一个滚动8周的移动平均,趋势线比单点数字靠谱。第五步,报告里明确写清口径和剔除项,别怕啰嗦。
还有个小细节:清明和五一假期的出行数据会明显影响线下门店和本地生活类指标,做这类分析的时候,把节假日按"是否连休、连休几天"编码成变量,比单纯标个"节假日"有用。我见过一个团队把调休上班的周六当成普通工作日算人效,结果那一周的指标全废了。
说白了,春季数据难做,不是方法难,是干扰项太多。日历在动,天气在动,人的消费节奏也在动。你把这些动的东西先固定住,剩下的才是业务真正做出来的部分。至于那些一眼看上去漂亮得不真实的同比数字,我的建议是先怀疑一遍日历,再去汇报。