营销图表：消除季节影响的同比增长分析
完整版PPT课件
目录
01 什么是季节性影响？
02 为何需要消除季节影响？
03 同比增长分析简介
04 核心方法：季节调整技术
05 实战案例：制作同比增长图表
06 总结与展望
01
什么是季节性影响？
SEASONALITY IMPACT ANALYSIS
季节性影响的定义与特征
定义
季节性影响是指时间序列数据中呈现的周期性、可预测的
波动，通常由气候、节假日、社会习俗等外部因素引起，
非数据内在趋势所致。
主要特征
周期性在固定的周期内重复出现，例如年度、季度、
月度或周度。
规律性波动模式具有很强的可预测性，可以通过历史
数据进行归纳和推断。
外部性由数据本身之外的因素驱动，如自然季节变化、
法定节假日、消费习惯等。
常见的季节性影响案例
零售业
节假日促销活动（如双十一、圣诞节）
会导致销售额在特定时间段内显著飙升。
旅游业
夏季和春节等长假期间是旅游旺季，游
客数量和旅游收入会大幅增长。
农业
农产品的产量和价格随季节波动，如夏
季水果大量上市，冬季蔬菜价格可能上
涨。
02
为何需要消除季节影响？
W H Y D O W E N E E D T O E L I M I N A T E S E A S O N A L E F F E C T S ?
季节波动带来的分析困境
掩盖真实趋势
剧烈波动掩盖长期走向，难以看清业务真实
发展状况。
误导决策判断
未调整数据易将淡季自然下滑误判为业务本
身的问题。
无法有效对比
不同季节间的数据直接比较无意义，无法得
出有效结论。
消除季节影响的核心价值
揭示真实趋势
剥离季节性波动后，我们可以清晰地看到数据背后的长期
增长或下降趋势，把握业务的真实发展脉络。
支持精准决策
基于去季节化的数据进行分析，能够帮助管理层做出更客
观、更精准的商业决策，避免被短期波动干扰。
实现跨期可比
使得不同时期的数据（如今年三月和去年三月）具有真正
的可比性，从而进行有效的同比分析。
提升预测准确性
基于更稳定、更能反映真实情况的数据进行预测，能够显
著提升预测模型的准确性和可靠性。
03
同比增长分析简介
Y E A R - O N - Y E A R G R O W T H A N A L Y S I S
同比增长的定义与计算公式
核心定义 (YoY)
将本期数据与上年同期数据进行比较，以反映事物发展的
长期趋势。其核心目的是消除季节性因素的影响，揭示业
务的真实增长情况。
计算示例
某公司2024年3月销售额100万元，2023年3月销售额80万
元。
增长率 = (100 - 80) / 80 × 100% =25%
表明销售额相比去年同期增长了25%。
计算公式
同比增长率 =
(本期数 - 上年同期数) / 上年同期数 ×
100%
关键要素拆解
分子：本期数 - 上年同期数 (增长的绝对量)
分母：上年同期数 (作为对比的基准)
Ὂ� 核心价值：剔除短期波动，聚焦长期趋势
同比 vs 环比：核心区别
同比 (YoY)
比较对象：本期与去年同期
核心目的：消除季节影响，反映长期趋势
主要特点：数据相对平稳，趋势清晰
适用场景：年度/长期业绩评估、趋势分析
环比 (MoM/QoQ)
比较对象：本期与上一个周期（上月/上季度）
核心目的：反映短期变化和波动
主要特点：数据波动较大，受季节影响明显
适用场景：短期业务监控、月度/季度变化跟踪
Ὂ� 总结：同比侧重长期趋势与季节性消除，环比侧重短期波动与变化监控，两者结合使用可全面评估业务。
04
核心方法：季节调整技术
CORE METHODOLOGY: SEASONAL ADJUSTMENT TECHNIQUES
常用的季节调整方法
X-13ARIMA-SEATS
国际通用标准方法，由美国人口普查
局开发。结合ARIMA模型与信号提取
技术，能精准处理移动假日（如春节）
等复杂日历效应。
政府统计首选 | 高精度
STL分解法
基于局部加权回归(Loess)的分解技术。
无需预设复杂模型，灵活性强，特别
适用于处理非线性趋势和不规则周期
的波动数据。
灵活易用 | 适合非线性
移动平均法
通过计算固定周期内的平均值来平滑
序列，直观且计算简单。主要用于消
除短期季节性波动，适合快速分析与
初步探索。
简单直观 | 快速分析
应用建议：根据数据复杂度选择：官方发布经济数据首选X-13ARIMA-SEATS；科研分析处理非线性趋势推荐STL；快速初步
分析可使用移动平均法。
X-13ARIMA-SEATS：国际通用标准
预处理 (RegARIMA)
检测与修正异常值，精准调整日历
效应与移动假日影响。
ARIMA模型拟合
自动识别最优模型参数，有效捕捉
数据中的长期趋势与循环成分。
季节成分估计
应用SEATS信号提取技术，从复
杂序列中精确分离出季节性波动。
迭代优化与验证
多次迭代剔除剩余季节因素，并通
过严格统计检验确保结果合理。
核心优势与应用价值
该方法以其严谨的统计学框架和强大的日历效应处理能力著称，能够有效应对春节等移动假日带来的数据扰动。
因此，它是各国政府机构进行官方统计和宏观经济数据分析的首选工具，确保了经济指标的准确性与国际可比
性。
05
实战案例：制作同比增长图表
HANDS-ON CASE STUDY: CREATING A YEAR-ON-YEAR GROWTH CHART
案例：某零售企业月度销售额分析
月度销售数据概览 (万元)
月份 2023年销售额 2024年销售额
1月 50 55
2月 45 52
3月 60 68
4月 55 62
5月 70 78
6月 80 90
7月 75 85
8月 65 72
9月 70 79
10月 85 95
11月 120 135
12月 100 110
数据准备关键要点
口径统一
确保所有数据统计标准一致，例如均为含税
销售额，避免数据偏差。
异常处理
仔细检查数据中的异常值（如突增突减）和
缺失值，并进行合理修正或剔除。
格式规整
将数据整理成行列清晰的表格格式，便于后
续导入工具进行可视化分析。
核心洞察：2024年各月销售额整体呈现增长趋势，特别是在11月（双十一）和12月（年终大促）表现尤为
突出，显示出市场促销活动对销售额的显著拉动作用。
步骤1：计算同比增长率
销售数据明细与增长率计算
月份 2023年销售额 2024年销售额 同比增长率
1月 50 55 %
2月 45 52 %
3月 60 68 %
... ... ... ...
12月 100 110 %
计算公式
增长率 = (本期数 - 上期数) / 上期数
执行结果
将计算出的同比增长率数据补充到原始数据
表中，形成包含趋势指标的完整分析数据集。
“数据清洗与计算是可视化分析的基石，确保每一步计算逻辑的准确性至关重要。”
步骤2：制作同比增长图表
组合图表设计逻辑
•柱状图：展示23/24年月度销售额绝对值，对比规模差异。
•折线图：展示同比增长率，反映增长趋势变化。
数据洞察与解读
• 2024年各月销售额普遍高于2023年，规模稳步扩大。
• 增长率2月达峰值%，全年保持正增长，业务健康。
关键结论：通过组合图的双轴展示，实现了“规模绝对值”与“增长趋势”的同步可视化，直观论证业务发展态势。
06
总结与展望
SUMMARY AND OUTLOOK
课程核心要点回顾
理解季节性影响
认识周期性、规律性和外部性特征，识别数据分析中的潜在干扰因素。
掌握同比分析方法
运用同比公式消除季节波动，还原数据真实的增长趋势。
了解季节调整技术
知晓X-13ARIMA-SEATS等专业工具，处理复杂的季节性数据场景。
制作专业图表
利用Excel等工具，将分析结果转化为直观、清晰的可视化图表。
感谢观看
Q & A
欢迎提问与交流
