作者介绍

@西索

知乎:郑小柒是西索啊

资深数据分析专家

故事很多,余生慢慢分享

“数据人创作者联盟” 成员

#1 我认为一个好的分析报告应该要的结构

一份好的数据分析报告(怎么写好一份数据分析报告)(1)

#2所有的分析报告都有一个大前提 --- 了解报告的受众

知道他们是谁,喜欢什么样的风格,怎样的叙事过程,才好判断报告的载体和形态。

是用excel,还是用word,或者PPT和key note ?

是喜欢鲜艳的对比色,还是稳重的商务色 ?

是总分,还是总分总,还是总分分 ?

是喜欢开门见山,还是喜欢先扬后抑 ?

是希望逻辑严整,还是喜欢单点突破按照模块去拆解?

是喜欢专业的词汇,还是通俗易懂的大白话?

根据受众的数据理解能力,去判断用哪种图表进行呈现,做合适的解读。

——如何了解?

在日常对接的琐碎数据需求过程中,带入以下几个层面的理解:

① 需求的业务方是谁,他们为什么需要这些数据,怎么用这些数据(看 or 读);

② 通过周期性的需求对接,在哪些业务团队内可以拥有话语权,在哪些场景下可以拥有数据的驱动决策权;

③ 摸清一个企业的组织架构,哪些高层会真正用数据,看数据的习惯和偏好。

#3 汇报的9大要素

1)背景

脱离了业务背景的分析过程,很容易被质疑,站不住脚。

为什么要做这件事情?谁的需求?做完这个事情之后能干什么?资源分配如何?

2)目标

可以把目标拆解成为几个阶段,本期的目的是什么,之后的计划是什么。

因为在实际业务过程中,分析的过程往往是循循渐进的,不可能一次性的就把一个问题剖析的特别清楚,分阶段分步骤的完成某一个事情。

3)重要结论

按照写议论文的方式,总分总,是最常见的结构,总的部分,就是结论了。通过哪些数据去抽象成为问题、异常、趋势,站在业务侧的角度进行具象,形成典型的案例,凝练语言和话术。

结论前置的好处,是帮助读/看报告的人节省时间,快速聚焦到结论事项上。

如果本身的话语权足够大的话,还能减少决策链路,直接进行策略抉择,少了很多环节。

举个例子:通过对各省用户在客服部门的诉求信息分析,发现湖南和吉林两省的用户体量大(x),新用户的占比高(x%),在平台入驻、协议签订、商品发布几个环节的问题量,高于平台平均水准x%。

原因:经过对数据的拆解,在两省的培训材料少、知识库覆盖面比较低,语料素材匹配度不高;

策略:建议培训部门加强对知识库、语料的建设,并针对两省用户的问题,制定相应的策略;

价值:通过对知识体系的完善,能够减少客服人员在基础问题上的人力投入,加快问题响应解决率,从而提升用户的使用满意度。

4) 问题vs论点vs论据

大部分情况下,一般的数据分析到这里就结束了,因为是总分的关系,只需要暴露问题,至于问题的解决,是依赖于其他的团队,或者部门的领导去拍板。

针对前面的结论,对每一项分开进行阐述,支撑起重要结论的论点分别是什么,以及对应的论据。

在这个环节过程里面,所需要组织的内容就是一套标准的数据分析过程,即:

数据采集-数据处理-数据统计-数据可视化-数据结果

需要强调的是,在整个分析的过程里面,最好能够提前明确好统计的核心指标和维度。

看待问题的视角有很多,所以需要提前定下来一个框架,从主视角、第二视角去对指标进行剖析。

分析的方法,就不在报告层面上展开了,会在另外一个部分里面体现。

5)小结

熟悉业务多一点的分析师,会看的更远一些,从业务的视角尝试进行数据解读,即根因分析,先定义异常,然后去解释异常,再之后去阐述异常。

针对重要结论中的其他次要结果进行归纳。如果说重要结论是给老板看的,那小结的部分是给中高层的管理者看的,他们必须要明白数据的构成,前后的逻辑关系,以及数据之间的勾稽关系。

值得说的一个点在于,不管通过数据分析得出来的结果如何,都会对应一套说辞。如果数据呈现的结果是趋好的,那为什么好,在哪些层面上做的比较好,为什么?

是因为产品做了一部分改动,发了新的版本、优化了部分模块、改善了用户体验?还是因为运营做了一部分活动,强化了用户的感知。或者是因为市场环境发生了变化,促使了用户不得不去使用。

如果数据呈现的结果是不好的,那为什么不好,在哪些细节上可以体现出来,为什么?

是因为产品做了一部分改动,发了新的版本、模块改造、链路变化。还是因为运营做了一部分活动,但是活动的人群样本选错了。或者是因为市场环境发生了变化,用户的选择性更多了。

6)策略

大部分情况下,分析报告到小结部分就结束了。到决策这个层,本质上来说已经超出了普通分析师的职责。因为策略本身,应该是数据归属管理部门该去干的事情,通过暴露出来的问题,判断每个问题对问题的影响程度,做不同的决策,数据部门本身不具备决策权。

资深一些的分析,会根据自己对业务过程的理解,拟定各种差异化的策略,供业务团队去选择,增加解决问题的可能性,这个过程在企业里面的落地,就是数据驱动业务的过程。

针对分析过程中发现的问题,能够制定且落地的手段和方法。

策略的制定过程,很大程度上是需要依赖于多团队协同的,所以这时候就需要去搞人际关系,寻找各个业务团队的切入点,这样才能拉到更多的资源支持。

人际关系的过程是一套腹黑管理学,也不在报告本身这个层面体现,后面会有单独的环节去介绍。

7)需求和资源

不可否认,这是绝大多数数据分析从业人员都会忽略的一个主体。

花了大量的时间,去做需求的沟通对接,反复的拆解需求,找准数据来源,做繁琐的清洗和处理,最后统计分析出核心的问题所在,汇报完就结束了。

这里只需要问几个问题:

① 如果要评论这份报告的意义,谁可以给你做后盾;

② 如果要评价这份报告的影响,哪些人可以来支撑它的合理性;

③ 如果要评估这份报告的价值,它应该值多少钱。

意义、影响、价值,这三个层面分别对应了做这份报告的背景,即谁是需求方。

报告的协同部门,即谁参与方,无论是确定数据来源的部门,还是核对数据口径的部门,或者是参与数据解读的部门,都是协同方,应该事先去做好沟通确认的工作,避免数据结果被质疑。

做报告所花的人力、精力,即从有想法开始、到策划框架、到数据采集、到报告发布,一共投入了多少人日,每个人一天大概多少钱,总体成本,就是这份报告的基础价值体现;再对数据的应用范围进行估值,大致上就是报告的全部量化产出了。

8)跟进计划表

做完汇报,常规来说,分析的事情就告一段落了,逐项的策略执行需要一段时间的沉淀。主动一点的人会去关注事后action的部分,谁在什么时间节点应该要交付什么内容,通过数据监控进行业务反馈。

做到这个部分,才是真正的数据闭环,虽然这个部分可能不是全权由自己负责,但是必须关注整个过程中,数据的流向,所做的策略,以及落地的方式。

9)价值评估

最后一层就是价值评估,前面说了报告本身的量化过程,这个部分的主要点在于数据本身的价值、分析的影响层面、策略的适用范围、跨部门协同过程建设、虚线团队管理等几个方面。

#4 写在最后

第一层【前言部分】1、背景 2、目标

第二层【分析内容】3、重要结论 4、问题vs论点vs论据 5、小结(合,分层级,为了使重要结论更清晰)

第三层【决策部分】6、策略

第四层【资源整合】7、需求和资源

第五层【数据管理】8、跟进计划表 9、价值评估

在报告主体之前,最好能明确报告的业务适用范围,内容中涉及到的指标,数据采集的渠道,抽取样本的时间,作为说明页,插入到内容之前。

,