Сравнение бизнес-показателей месяц к месяцу часто приводит к ложным выводам из-за различий в календаре. Например, разница между 28-дневным февралем и 31-дневным мартом создает 11% роста без привлечения новых клиентов или изменения эффективности продаж.
Для корректной оценки динамики аналитики рекомендуют нормализовать данные, рассчитывая метрики на день или на рабочий день. Использование SQL-функций, таких как date_trunc и count(distinct order_date), позволяет учитывать разную длительность месяцев и исключать влияние пропусков в выгрузках.
При выраженной недельной сезонности рекомендуется применять скользящее среднее с окном в семь дней. Важно, чтобы размер окна был кратен периоду сезонности, иначе в данных появятся искусственные колебания. Для мониторинга свежих данных лучше использовать обычное среднее, а для анализа истории — центрированное.
Сравнение год к году считается более надежным, но требует проверки на сдвиги праздников и разовые события, такие как распродажи. Аналитикам следует учитывать количество рабочих дней в периодах, так как даже один дополнительный рабочий день в B2B-сегменте может обеспечить 4–5% разницы в итоговых показателях.
В отчетах необходимо указывать абсолютные значения рядом с процентами, чтобы избежать неверной интерпретации роста. Прежде чем списывать просадку на сезонность, стоит оценить, какую долю метрики она реально объясняет, сравнив текущие показатели с историческими данными за аналогичные периоды.
