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?