一、我认为一个好的分析报告应该要的结构
二、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。
三、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。
四、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。
中科易研以十余年行业积累为基础，结合互联网大数据技术，秉承“数据、信息、知识、智慧”的方法论，坚持“用数据说话、用数据决策、用数据管理、用数据创新”的理念，以自主研发获得国家发明专利的易研问卷平台和易研大数据云平台为依托，专注于为教育科研机构、政府企事业单位提供基于数据采集、数据清洗、数据检索、数据管理、数据分析和可视化、数据资源整合等全流程数据服务，并为用户提供大数据云平台搭建服务。
原创文章，作者：分享大师，如若转载，请注明出处：https://ziliaobaba.com/10412.html
