估计每个做数据or想做数据的同学，都看过类似的说法：
数据分析报告分为六步：
明确目的和思路
数据准备
数据处理
数据分析
数据可视化
结论与建议
01 数据分析报告的认知
数据分析六步会给我们形成一种错觉：这6个东西是按1-6的顺序，且工作量是一样的。实际上，真实企业工作中，他们的关系应该是：
本文篇幅有限，不讲基础建设，先聚焦讨论：如何从数据中发现真正企业关心的问题，做有价值的报告。
02 报告才是本质
数据分析报告，本质是报告。所谓报告者，就有人说，有人听，于是形成两种基本的报告模式：
在做报告时，第一步，确认本次报告是什么模式，包括：
我们是要主动说，还是回复问题
我们要对谁说/回答谁的问题
我们要说的是什么问题
很多同学连这点基本工作都做不到，只是机械、麻木、对着模板，把数据填一遍。然后写下：“本月环比上涨2%”几个大字。这种日常报告就是空耗体力，不如直接建个dashboard，大家都可以看。
03 我说你听型报告的写法
我说你听型报告，看起来最简单，可想做好，要满足两个条件：
我说的得是个“问题”；
我说的某部分，别人不知道。
这两点看似简单，实则麻烦。比如下图：
很多数据分析师就只会写：
月均GMV 720
最大值1000
最小值500
中间值700
胆肥的，还会写一句：
连续4个月下跌
5月环比下跌17%
然而有时候下跌不代表问题，很有可能业务的趋势就是长这样的（如下图）：
这种情况，叫无固定标准下判断。无明确KPI、指标要求、领导命令情况下。做出“有问题”的判断，需要综合考虑发展趋势、增长动力、行业环境等多方因素。在提笔写报告前，实际上已经需要做大量复杂的分析了。
有固定标准下判断，会相对容易点。比如本月KPI是550，实际做了500，那本月是有问题的。但是很有可能这是业务的战术安排，如下图。所以即使有固定标准，还得了解业务战术、业务策略，才好下正确的判断。
做出判断仅仅是第一步。
第二步“说别人不知道的”难度更大。指标不达标，对数据分析师只是一个数字，业务部门对问题是很敏感的。
这个时候需要做的，就是了解：到底业务掌握多少。这里大家已知的，只是一个结果。至于为什么有这个结果，以后会咋样，这就是可以分析的机会。
这里实际上已经把问题引入深入了。从表面的：“指标没达标”变成了“我该做什么才能扭转局面”，又变成了“这里有个更深的问题你没有注意到”，这些才是真正有价值的、深入的、需要专业分析的地方。
所谓业务策略，核心就是轻重缓急，进退取舍。涉及精确计算，应对不确定的，才是数据分析的真正价值。如果业绩指标都像汽车速度表一样，一脚油门就提高，一脚刹车就降低，还需要分析啥。
小结，我说你听型报告，正确写作姿势是：
明确受众部门
明确受众部门关键KPI指标
了解指标过往趋势，找判断标准
判断指标是否有问题
（如无）不做提示，结束
（如有）提示问题，了解业务关注点/行动计划
针对行动计划，提示尚不为业务了解的问题
04 你问我答型报告写法
高质量的问题，带来高质量的答案；低质量的问题，把分析带沟里。提问是否清晰准确，是职场的核心能力之一。专门讲内容太多，这里聚焦数据分析问题，大家记得这五个基本问题（如下图）。
注意，只有经过专业训练的人，才能用这五句描述问题。大部分人都是混合在一起吐出来的。比如领导说：“最近转化率下降了，我怀疑是低质量用户太多，看看是不是最近的促活活动搞的”，这里看似是一个问题，可拆解一下，其实隐藏了一堆问题：
数据分析的价值，正是剥丝抽茧，层层深入，去伪存真。越简单的逻辑才越容易验证，因此在回答问题的时候，拆解复杂问题为简单问题，层层验证是非常非常重要的。
这里要特别注意，业务上的很多问题，不是数据分析直接解决的，需要专业的业务能力。作为辅助，我们需要把这些业务问题，转化为可操作的数据分析。
所以在接收问题的时候，要清晰的区分：到底业务上需要的是什么。他们缺少的是数据还是一个具体执行计划。在我们可做的范围内，提供专业意见，才有好效果。
小结，你问我答型报告，正确写作姿势是：
收集问题
梳理、拆分问题
（针对原因、预测）了解业务假设
（针对综合评估）了解领导意图
对拆分出的二级、三级子问题，逐一验证
讲二级、三级结论收拢，归纳总结论
呈报结果。
05 报告的6大要素
综上所述，一份完整的数据分析报告涵盖6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。
4、 问题vs论点vs论据
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。
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。
5、报告小结
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。
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
资深一些的分析师，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。
06 注意事项
1、分析结论要明确，要精，要有逻辑
如果没有明确的结论那分析就不叫分析了，也失去了意义，因为我们是要去寻找或者印证一个结论才会去做分析的，所以千万不要忘本舍果。
如果可以的话一个分析一个最重要的结论就好了，很多时候分析就是发现问题，如果一个分析能发现一个重大问题，就达到目的了，不要事事求多，宁要仙桃一口，不要烂杏一筐，精简的结论也容易让阅读者接受，减少重要阅读者（通常是事务繁多的领导，没有太多时间看那么多）的阅读心理门槛，如果别人看到问题太多，结论太繁，读不下去，一百个结论也等于零。
不要有猜测性的结论，太主观的东西会没有说服力，如果一个结论连自己都没有肯定的把握就不要拿出来误导别人了。
2、数据分析报告尽量图表化，风格统一
用图表代替大量堆砌的数字会有助于人们更形象更直观地看清楚问题和结论，当然，图表也不要太多，过多的图表一样会让人无所适从。
数据分析报告本身是一个很严肃的东西，跟样式、美观程度也有一定关系，不是说做的花销，而是基本的美观度要保证，风格要统一。
例如一些常识性的配色：餐饮类（暖色调，例如橘色、红色、黄色）；国际贸易类（蓝色、灰色、雾蓝色、灰绿色等）；社会人文类（按照感情颜色进行配色，例如较严峻的社会问题，要用灰色、深蓝；较喜庆的，使用红色、绿色、黄色；具体可按需搭配对比色和互补色等）。
3、好的分析一定要基于可靠的数据源，同时具有可读性
其实很多时候收集数据会占据更多的时间，包括规划定义数据、协调数据上报、让开发人员提取正确的数据或者建立良好的数据体系平台，最后才在收集的正确数据基础上做分析，既然一切都是为了找到正确的结论，那么就要保证收集到的数据的正确性， 否则一切都将变成为了误导别人的努力。
除此之外，每个人都有自己的阅读习惯和思维方式，写东西总会按照自己的思维逻辑来写，别人不一定了解，要知道阅读者往往只会花10分钟以内的时间来阅读，所以要考虑你的报告阅读者是谁？他们最关心什么？必须站在读者的角度去写分析报告。
07 总结
其实做报告的过程，就是把大量的分析方法总结归纳的过程，报告是数据分析的最后一步。只有做好了各种具体的分析，才能写出优质的报告。因此，优质的报告绝不是按模板抄出来的。
认真思考：我要说什么？我说的针对什么问题？我说清楚了没有，才是做出好报告的正确方法。
文章来源：公众号不止数据分析
|
