勇敢烏龜 | 作者
知乎專欄 | 來源
在處理了數據以後就要開始進行報告的撰寫，寫報告會涉及到幾個部分的工作，這裏分別進行介紹一下：
1. 報告結構
一篇數據分析報告的結構是十分重要的，一個好的結構能夠將他人帶入到你的報告中，讓他人更好的明白你的意圖，減少信息傳遞之間的丟失，同時你的思維也主要展現在結構上，這就意味着在寫數據分析報告前，一定要想清楚數據分析報告的結構，當然這裏說的報告結構即包括整個報告的結構，也包括每一個章節的結構，這裏就放到一起說了
總 - 分 - 總
（多用在整體結構）
我們在讀一本書的時候，打開目錄，會發現整部書的結構一般包括：
前言
第一篇
第二篇
……
第n篇
結尾
這就是典型的總 - 分 - 總結構，是最常見的結構，如果是對一個專題進行分析，用這種形式是非常好的，舉個例子：
某電商App近一個月內的銷售額出現下滑，讓你針對這個問題進行一次專題分析：
① 分析思路
拿到這個問題，我們很容易想到的是，銷售額出現下滑出現的原因有兩個，一個是付費用戶數減少了，另一個是付費用戶的人均付費金額減少了，這兩個原因屬於並列的原因，不存在遞進關係，也就是說付費用戶數減少了與人均付費金額減少並不存在因果關係，沒有什麼相關性，因此需要對兩個原因共同分析，最後輸出結論和提升建議，分析完以後，會發現總 - 分 - 總結構很適合這樣的分析，所以列出以下提綱
② 問題描述
銷售額近一個月下降多少？絕對值、環比、同比數據
原因假設：付費用戶下降/人均付費金額下降
· 付費用戶數下降分析：
a. 付費用戶數降幅是多少？絕對值，環比，同比數據
b. 定位下降人羣：是整體下降還是某一羣體用戶數下降
這裏就涉及到用戶分羣，用戶分羣的方法有很多，涉及到用戶價值的分羣常見的就是RFM模型，將分完羣的用戶進行數據對比，看看上個月付費用戶的結構佔比跟本月有什麼不同，當然用戶分羣的方法也不止這一個，還有按照會員等級分羣（主要用會員等級進行用戶分羣），按照活躍程度（新用戶/留存用戶/迴流用戶），按照消費習慣（一般用戶表裏面都會有用戶的標籤，標識這個用戶的消費習慣，表示這個用戶更喜歡購買哪一類的商品），不管用什麼分羣方法，都需要縱向對比，也就是這個月和上個月付費人羣的對比
A. 原因分析
如果是付費用戶整體下降（這種是大家都不想看到的現象，欣慰大盤數據的驅動需要投入大量的資源，也有可能是自然波動），考慮可能的原因主要有：用戶整體流失，比如用戶流失到竟對；或者本月有什麼特殊情況，影響到了整體的用戶活躍；或者是從活動維度去觀察，是不是活動的力度減小，影響了用戶付費的慾望
如果是某一個用戶羣體下降：考慮的原因可能有商品品類的影響，是不是某一類商品在平臺沒有上架，或者某一類商品漲價；或者這一類用戶受到了哪些影響，一般可以從屬性和行爲角度去分析
B. 提出策略
針對分析出的原因提出可落地的策略（策略一定要落地，要具體，比如如果你提出一條策略是：提升新註冊用戶數，那麼等於沒說，老闆多數會diss你，但是你如果說，通過減少註冊時填寫的非必要字段，如年齡/職業，來簡化註冊流程，挺升註冊轉化率，進而提升新註冊用戶數，那感覺是不一樣的）
· 人均付費金額下降分析：
a. 人均付費金額的降幅是多少？
b. 絕對值，環比，同比數據
A. 定位原因
人均付費金額下降可能的原因主要有：訂單數量下降；每個訂單包含的商品數的下降/某一個品類購買數下降
B. 提出策略
針對分析出的原因提出可落地的策略
③ 總結問題
a. 明確造成銷售額下降的原因到底是什麼（定性以後，記得一定要量化，不量化會被diss）
b. 提出有針對性的建議
c. 如何預防再次發生
遞進
（可用於整體結構和章節內部結構）
這種結構適合對一個問題進行探索，就像上一個例子中，我們針對每一個可能原因進行分析的時候，就是採用的這種分析方法，這種分析結構特別適合對一個小問題進行深入的探索分析，層層遞進，深挖原因，這裏在舉一個例子：
某一個App的新註冊用戶數環比上個月減少，需要你做一個深入的分析，找到原因，提供改進策略
分析思路
新註冊用戶數的的影響因素是一個典型的漏斗結構，也是一個典型的單向性用戶旅程，畫一張圖就能說明白
如圖所示，影響註冊用戶數的原因全部標註在漏斗裏面，但是註冊全流程這個漏斗只能看個大概流失，所以我們會對某一步進行細化，這張圖上，我們對用戶從啓動到註冊成功進行細化，細化到用戶行爲，這樣能夠提出一些產品上的改進意見，這個時候，如果想要提升新註冊用戶數，只需要針對每一步流失原因進行分析，找到提升策略就可以了，基本上是所見即所得的分析
比如：我們想對提交註冊信息到註冊成功這一步進行優化，那麼首先我們要找到用戶註冊失敗的原因有什麼，一般有：
用戶已註冊
密碼格式不合規
系統錯誤
未勾選《隱私協議》
在提出建議的時候，只要針對以上原因提出具體改進意見就可以了
並列結構
（多用於整體結構）
這種結構一般遇到的情況不多，常見的有對不同的校區進行經營分析/對不同品類的商品進行售賣分析，基本都是以描述型分析爲主，因爲分析的主體是並列關係，所以只需要每個主體就行單獨分析就好，基本採用的分析思路是一樣的
因果結構
（多用於章節內部結構）
這種結構一般用在覆盤分析報告中，覆盤是常見的數據分析報告類型之一，也是很多公司比較重視的一個報告。
比如雙十一覆盤/新手活動覆盤等等，以電商某一次大促覆盤爲例，這裏直接寫結構：
總體描述：
本次大促整體數據表現，整體活動節奏的介紹；銷售額是多少，同比提升多少；利潤情況；參與用戶有多少，同比提升多少；賣出商品有多少，同比提升多少；各個子活動的貢獻是多少
子活動1的效果分析
子活動1的簡介，作用，發力點
子活動1的貢獻是什麼，對於直接提升結果指標或者間接提升指標有哪些貢獻
子活動1的成本是什麼？投入產出比是多少？
子活動2的效果分析
子活動x的效果分析
最後彙總，提出優化建議
2. 分析方法
講完了整體結構，我們就該進入到具體分析的過程裏面，這裏的分析方法，主要想說說怎麼去針對不同的數據進行分析，也就是說怎麼通過數據看出問題，這裏介紹常用的5種分析方法，但是有一句話非常重要，想寫這節的最前面：數據分析師一定要懂業務，在分析之前最好能把問題定位個大概，再去撈數，再去分析，否則每天會沉浸在漫無目的取數中，我認爲一個數據分析師最重要的能力是要懂業務，從數據的角度看業務，才能驅動業務
對比分析
① 橫向對比
橫向對比就是把一個指標按照不同維度拆分，去對比不同維度的變化，舉個簡單的例子來說就是：
昨天的DAU增長了30%，那麼把DAU進行拆分，可以拆分成以下三種方式：
DAU=新註冊用戶數+留存用戶數+迴流用戶數
DAU=北京活躍用戶數+河北活躍用戶數+山東活躍用戶數+……
DAU=北京活躍用戶數+河北的活躍用戶數+……
=北京的新增用戶數+北京的留存用戶數+北京的迴流用戶數+河北的新增用戶數+河北的留存用戶數+河北的迴流用戶數+……
這裏留一個疑問，怎麼去選擇優先下鑽的維度？想明白以後分析的效率就會有很大提升
② 縱向對比
在進行完橫向對比以後，就要開始進行縱向對比，縱向對比主要是在時間維度上，還拿上一個例子來說，我們按照第一種方式進行橫向對比以後，就要縱向對比，見下表：
分佈分析
分佈分析一般是應用的場景比如用累計消費金額去分組/按照用戶一個月活躍天數去分組，這些場景都有兩個共性的特徵：
屬性值都是數值類型，或者日期類型
屬性值非常多，比如累計消費金額可能從1-90000中間任意一個數字，也就是屬性值非常多，沒辦法用每一個屬性值去單獨分析，因此需要分組
還是上圖說明：
③ 交叉分析
交叉分析一般指多維度交叉，或者不同指標之間的交叉
多維度交叉其實有點類似對比分析的第三類分類方法，這裏不在贅述了，還是那個圖，但是在實際分析中的作用其實很是強大，具體如何應用就需要大家舉一反三啦，仔細看看這張圖，可以換成哪些分析場景下的哪些場景的交叉分析：
不同指標交叉一般用在分析變化趨勢中，或者尋找相關因素的時候，上圖：
這樣既能看絕對值的變化，又能一目瞭然的看出變化趨勢，如果不同指標之間呈現一定的相關性，那就是相當完美了
④ 漏斗分析
漏斗分析模型比較好理解了，一般在行爲分析中常用到，直接上圖吧：
是不是有點眼熟？漏斗分析一般分析應用在分析用戶使用某項業務時，經過一系列步驟轉化的效果，因爲用戶會沿着產品設計的路徑到達最終目標事件，在分析每一步轉化的時候會用到這個模型
⑤ 矩陣分析
矩陣分析是一個不錯的分析模型，主要用在分類上面，常見的有用戶分類、產品分類等，比如像常見的RFM模型是一個三維矩陣，有八個象限，上兩個圖看看：
矩陣分析其實不難理解，但是涉及到一個比較關鍵的問題，就是臨界點怎麼選擇，通俗來說就是第一象限和第二象限的臨界值是多少，有的是0，有的不是0，舉個例子：
我想用活躍度和累計消費金額對1萬個用戶進行分羣，使用矩陣分析
我建好了這個二維矩陣，我第一件事就是先要確定原點的座標值，也就是說用戶的累計消費金額大於x，就會出現在第一/四象限，如果小於x，就會出現在第二/三象限，想確定這個值需要一定的方法，會用到一些分類算法，這個可以去網上查一些關於分類的教程，有很多，後續我會寫一盤文章來介紹分類，這裏就不細講了
以上就是數據分析最重要的兩個模塊，當然在實際操作中還有很多需要思考的地方，太細節的東西不太能夠面面俱到，這裏留給大家去思考的空間，比如：
數據分析報告怎麼講成一個故事，比如背景-現狀-原因-策略-預期結果-覆盤結果？
每一頁PPT怎麼排版會讓你的數據分析報告可讀性更高？
如果你的數據分析報告不採用上述的結構，還能用哪些結構？
怎麼讓你的數據分析報告顯得更高大上？
大家對數據報告的撰寫還有哪些經驗，可以留言交流哦~
- END -
本文爲轉載分享&推薦閱讀，若侵權請聯繫後臺刪除
