这个问题几乎每个季度都会冒出来。大促结束后，营销、运营、销售三方常常为此吵得不可开交，核心矛盾就三个：怎么算才合理、为什么算出来的结果这么低、以及这个数字到底能不能反映真实贡献。



要理解这场争论，先得搞清楚自然增长率到底是什么。

说白了，自然增长率想知道一件事：不加任何人工干预，业绩本身能涨多少。这个概念最早是品牌、营销、运营这些“叠buff”的部门提出的。他们的日常工作是在销售基础上增加各种附加值——优惠券、积分礼品、品牌包装、明星代言、功能宣传——让产品看起来更值得购买。既然花了资源，总得证明这些投入有效果。于是“自然增长率”就成了他们眼里的参照基准：，去掉这些buff之后，业绩应该是什么样？

有意思的是，这个概念提出后，销售部门也开始用了。不过用法完全不同：销售会计算自然增长率，然后抱怨外部环境太差、促销活动太蠢，拖累了自己的业绩。

听上去挺美好。只要把销量拆成自然和人工两部分，不就能算出答案吗？

理论上确实有三种常见方法。一种是按时间划分：非活动期间的数据视为自然增长，活动期间额外产生的部分是人工增长。另一种按人群划分：选取未参与活动的消费者作为对照组，他们的增长代表自然增长。还有一种按产品划分：未参与促销的产品线视为自然增长，参与促销的算人工增长。

方法一目了然，操作起来却是另外一回事。



非活动期的数据本身就充满噪音。消费者不会每天购物，下班时间、周末假期、深夜失眠都会影响购买决策。选最近一个月太随机，选三个月又可能涵盖其他干扰。团队之间经常为此争论不休。

零售、电商、游戏等行业几乎每天都有活动，根本找不到纯粹的非活动期来建立基准线。非活动期可能只有两次大促之间的短短几周，而那段时间本身还处于上一次活动的恢复阶段。这种情况下，时间划分法几乎失效。

商品之间的可比性也是问题。很难找到两款完全相同的商品进行对比。即使找到，商品本身的销售趋势也被人为操控着——好卖的要追单，难卖的要清仓。什么才算“自然”，本身就很难定义。

人群划分法面临更多现实障碍。618、双十一这样的大促覆盖几乎全部消费者，无法找出真正的对照组。非电商渠道、即时消费品如果对不同人群差异化定价，容易被质疑大数据杀熟，甚至引发监管问题。

即便找到了参照人群，分析结果也很难服气。购买行为受性别、年龄、购买历史、品牌忠诚度、促销敏感度等多重因素影响。稍微在抽样上动点手脚，就能让参照组的购买率显得很低，AB测试结果自然失效。

还有外部因素这个永远甩不掉的锅。宏观环境、天气变化、政策调整、竞品动作，任何一项都能成为业绩下滑的理由。“行业整体跌30%，我们只跌20%已经是胜利”——这种逻辑听起来很有道理，但仔细想想似乎什么也没证明。

追根究底，这些混乱争论的本质是两个大字：甩锅。

叠buff的部门想证明自己功不可没，直接产出的部门想证明是外部因素拖累了自己，监督的老板有自己的衡量标准。每个人都盯着自己的立场，数据不过是用来支撑预设结论的工具。

理论上有没有解决办法？有，但前提是把视角抬高到全局。

首先排除“外部因素”这个万能借口。判断是否真的受外部影响，可以看四点：行业整体是否同步下跌、跌幅是否相当、持续时间是否吻合、有无直接证据。只要不满足这四个条件，光看新闻报道和同行抱怨就下结论，显然不够严谨。

其次，对于直接产出业绩的部门，根本没必要讨论自然增长。达标就是达标，没达标就是没达标，纠结这个概念没有意义。

第三，叠buff部门如果要计算自然增长，得分情况对待。没有硬性指标的部门，和历史数据对比就好；有硬性指标但任务明确的，先确保完成任务再谈贡献；有硬性指标且背整体指标的，关注整体是否达标，细节不必斤斤计较；如果是分组营销类的工作，直接上AB测试，用数据说话。

最务实的做法其实是事先约定算法。不管用最近几周还是去年同期作为基准，项目启动前达成共识，执行后复盘反思。一开始没定清楚参照组，后面自然会冒出各种解释来圆谎。

然而现实永远是另一番景象。叠buff的运营想证明自己一手遮天，销售收入方只想抱怨支持不够，老板们各有各的算盘。自然增长率的争论注定持续下去。有时数据分析岗位归属运营管辖，运营老板需要数据来撑腰，这时候科学性、合理性都得往后站，先想办法把故事圆过去。



但作为数据分析师，必须清楚游戏规则。理解各方如何利用数据作为武器，才能在各种“圆故事”的过程中保持从容。

说到底，数据分析的终极难题从来不在计算本身，而在于如何让数据服务于不同立场——屁股决定脑袋，这才是所有争论的根源。