怎样正确的做数据报告?

想要写好一份数据分析报告,看完这篇内容基本上能懂个90%,剩下的10%就靠自己实践啦!

1.想清楚你要写的数据报告属于什么类型;

2.了解数据分析报告的基本架构;

3.数据报告分析报告要注意的一些细节;

4.常见数据分析的几大误区;

一、数据分析报告分为哪几种类型?

由于数据分析报告的对象、内容、时间和方法等情况不同,因此存在不同形式的报告类型。我们常见的几种数据分析报告有专题分析报告、综合分析报告和日常数据通报等。

1、专题分析报告

专题分析报告是对社会经济现象的某一方面或某一个问题进行专门研究的一种数据分析报告,它的主要作用是为决策者制定某项政策、解决某个问题提供决策参考和依据。

单一性:专题分析不要求反映事务的全貌,主要针对某一方面或者某一问题进行分析,如用户流失分析、提升用户转化率等分析。

深入性:由于内容单一,重点突出,因此要集中精力解决主要的问题,包括对问题的具体描述,原因分析和提出可行的解决办法。这需要对公司业务有深入的认识,切忌泛泛而谈。

2、综合分析报告

综合分析报告是全面评价一个地区、单位、部门业务或其他方面发展情况的一种数据分析报告。比如世界人口发展报告、某企业运营分析报告等。

全面性:综合分析反映的对象,无论是一个地区、一个部门还是一个单位,都必须以这个地区、部门或者单位为分析总体,站在全局高度反映总体特征,做出总体评价。例如在分析一个公司的整体运营时,可以从常用的4P分析法,从产品、价格、渠道和促销这四个角度进行分析。

联系性:综合分析报告要把互相关联的一些现象、问题综合其他进行系统的分析。这种分析不是对全部资料的简单罗列,而是在系统地分析指标体系的基础上,考察现象之间的内部联系和外部联系。这种联系的重点是比例和平衡关系,分析研究他们的发展是否协调,是否适应。因此,从宏观角度反映指标之间关系的数据分析报告一般属于综合分析报告。

3、日常数据通报

日常数据通报是以定期数据分析报告为依据,反映计划执行情况,并分析其影响和原因的一种分析报告。它一般是按日、周、月、季等时间阶段定期进行的,因此也叫定期分析报告。它包含有下面3个特点。

进度性:由于日常数据通报主要反映计划的执行情况,因此必须把执行进度和时间的进展结合分析,观察比较两者是否一致,从而判断计划完成的好坏。为此,需要进行一些必要的计算,通过对一些绝对数(一定条件下总规模、总水平的综合指标,比如10天)和相对数(两个有联系的指标经过计算而得到的数据,比如6倍)指标来突出进度。

规范性:日常数据通报一般包括以下几个基本部分:反映计划执行的基本情况;分析完成和未完成的原因;总结计划执行中的成绩和经验,找出存在的问题;提出措施和建议。

时效性:由日常数据通报的性质和任务决定,它是时效性最强的一种分析报告。只有及时提供业务发展过程中的各种信息,才能帮助决策者掌握企业的最新动态,否则将怠误工作。

二、数据分析报告的基本架构

数据分析报告会有一定的结构,但是这种结构会根据公司业务、需求的变化而产生一定的调整。但是最经典的结构还是“总—分—总”结构。

以下是数据分析报告的组成部分:

怎样正确的做数据报告?-传播蛙

1. 架构清晰,主次分明

虽然不同类型的分析报告有其适用的呈现方式,但总的来说作为议论文的一种,大部分的分析报告还是适用总-分-(总) 的结构。

推荐学习金字塔原理,中心思想明确,结论先行,以上统下,归类分组,逻辑递进。行文结构先重要后次要,先全局后细节,先结论后原因,先结果后过程。

对于不太重要的内容点到即止,舍弃细枝末节与主题不相关的东西。

2. 核心结论先行,有逻辑有依据

结论求精不求多。

一份分析报告,如果能有一个最重要的结论就已经达到目的,相反太繁琐、有问题的结论100个=0,结论或主题太多会让人不知所云,不知道要表达什么。

分析结论一定要基于紧密严谨的数据分析推导过程,尽量不要有猜测性的结论,一个连自己都没有把握的结论千万不要在报告里误导别人。

如果给出猜测性结论时候,一定是基于合理的、有部分验证依据前提下,谨慎地给出结论,并且说明是猜测,如果在条件允许的前提下可以通过调研/回访的方式进行论证。

不回避 “不良结论” 。

在数据准确、推导合理的基础上,发现产品或业务问题并直击痛点,这其实是数据分析的一大价值所在。

3. 结合实际业务,建议合理

基于分析结论,要有针对性的建议或者提出详细解决方案。

首先,要搞清给谁提建议。

不同的目标对象所处的位置不同,看问题的角度就不一样。

比如高层更关注方向,分析报告需要提供业务的深度洞察和指出潜在机会点;中层及员工关注具体策略,基于分析结论能通过哪些具体措施去改善现状。

其次,要结合业务实际情况提建议。

虽然建议是以数据分析为基础提出的,但仅从数据的角度去考虑就容易受到局限,甚至走入脱离业务忽略行业环境的误区,造成建议提了不如不提的结果。

因此提出建议,一定要基于对业务的深刻了解和对实际情况的充分考虑。

再进一步,如果可以给出这个建议实施后的收益。如下单转化提升多少、交易提升多少、能节省多少成本等,把价值点直接传递给阅读对象。

Tips:尝试站在读者的角度去写分析报告,内容通俗易懂,用语规范谨慎。

如果汇报对象不是该领域的专家,就要避免使用太多晦涩难懂的词句,同时报告中使用的名词术语一定要规范,要与既定的标准(如公司指标规范)以及业内公认的术语一致。

三、数据报告分析报告要注意的一些细节

1、分析需要基于可靠的数据源

用于鉴别信息/数据的可靠性,主要有四种方法:同类对比、狭义/广义比对、相关对比和演绎归谬。

(1)同类对比:与口径相同或相近,但来源不同的信息进行对比。

示例:最常见就是把跑出来的数据和报表数据核对校验。

狭义/广义对比:通过与更广义(被包含)或更狭义(包含)的信息进行对比。

示例:3C品类销售额与商城总销售额比较,3C的销售额更高显然是错误的,因为商城总销售额包含3C销售额;某些页面/频道的UV与APP总UV比较也类似。

(2)相关对比:通过与具有相关性、关联性的信息进行对比。

示例:某平台的Dn留存率,对于同一个基准日期来说,D60留存率一定低于D30留存率的,如果出现大于的情况,那就是错误数据了。

(3)演绎归谬:通过对现有证据的深入演绎,推导出结果,判断结果是否合理。

示例:比如某平台的销售客单价2000左右,总销售额1亿左右;计算得出当日交易用户数10万,通过乘以客单价,得到当天销售额2亿,显然与业务体量不符,为错误的数据。

Tips:以上都是常用的方法论,最核心是足够了解业务,对关键指标数据情况了然于心,那么对数据准确性的判断水到渠成。

对此,建议是每日观测核心业务的数据情况,并分析波动原因,培养业务理解力和数据敏感度。

2、尽量图表化,提高可读性

用图表代替大量堆砌的数字,有助于阅读者更形象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。

让图表五脏俱全,一张图必须包含完整的元素,才能让阅读者一目了然。

标题、图例、单位、脚注、资料来源这些图表元素就好比图表的五脏六腑。

要注意的条条框框。

首先,避免生出无意义的图表。决定做不做图的唯一标准就是能否帮助你有效地表达信息。

第二,不要把图表撑破。最好一张图表反映一个观点,突出重点,让读者迅速捕捉到核心思想。

第三,只选对的,不选复杂的。

第四,一句话标题。

(1)虚张声势的增长

人们喜欢研究一条线的发展趋势,例如股市、房价、销售额的增长趋势。

有时候为了吸引读者故意夸大变化趋势。

(2)3D效果的伪装

3D图形容易造成视觉偏差。

四、 常见数据分析误区

“数据不会骗人”,也成了说服别人时常用的口头禅。事实果真如此吗?让我们来谈谈那些常见的误区。

1. 控制变量谬误

在做A/B测试时没有控制好变量,导致测试结果不能反映实验结果。

或者在进行数据对比时,两个指标没有可比性。

举个例子,为测试不同营销时间点对下的转化的影响,但A实验使用短信营销、B实验使用电话营销,未控制变量(营销方式),导致实验无法得出结论。

2. 样本谬误

(1)样本量不够

统计学的基础理论基石之一就是大数定律,只有当数据量达到一定程度后,才能反映出特定的规律。如果出现样本量极少的情况,建议把时间线拉长,获得足量的样本。

或者将不重要的限定条件去掉,增加样本数。

存在选择性偏见或者幸存者偏见

统计学的另一大理论基石是中心极限定理。

简单描述就是,总体样本中,任意一个群体样本的平均值,都会围绕在这个群体的整体平均值周围。举个例子,在应用升级期间,衡量登录用户数、交易用户数等指标,来判断用户对新版本的喜欢是否优于老版本。

听上去非常合理,但这里实际就隐藏了选择性偏见。

因为新版本发布时,第一批升级上来的用户往往就是最活跃的用户,往往这批用户的指标较好,但不代表新版本更好。

(2)混入脏数据

这种数据的破坏性比较大,可能得出错误的结论。

通常我们会采用数据校验的手段,屏蔽掉校验失败的数据。

同时,在分析具体业务时,也要针对特定业务,对所使用的数据进行合理性限定,过滤掉异常离群值,来确保拥有比较好的数据质量。

3. 因果相关谬误

会误把相关当因果,忽略中介变量。

比如,有人发现雪糕的销量和河溪溺死的儿童数量呈明显相关,就下令削减雪糕销量。

其实可能只是因为这两者都是发生在天气炎热的夏天。

天气炎热,购买雪糕的人就越多,而去河里游泳的人也显著增多。

4. 辛普森悖论

简单来说,就是在两个相差较多的分组数据相加时,在分组比较中都占优势的一方,会在总评中反而是失势的一方。

5. 个人认知谬误

主观臆断,经验当事实,个体当整体,特征当全貌,眼见当事实。

举个主观臆断的例子:

某个产品A页面到B页面的转化率30%,直接判断为很低,推导出可以提高到75%。

但实际类似产品或者用户行为决定页面的转化率就只有这么高,得出一个错误的结论。

标准至关重要,数据+标准=判断。

有了判断才能深入分析。

通过分组对比找标准(象限法、多维法、二八法、对比法)。

有标准通过分析对比,找到“好/坏”的点。

统计学规律和理论不会错,犯错的是使用它的人。

因此,我们在进行数据分析时,一定要格外小心,错误的数据,披上科学的外衣,就很难分辨了。

来源:运营的小事

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧