写一份好的数据分析报告的重要性不言而喻（只要我写的好，升职加薪、年终奖就少不了我）
大家都知道，数据分析报告的输出是整个业务分析过程的成果，是评定一条业务线的参考依据，既然这么重要那当然要写好它了。
以下图表由数据分析软件FineBI制作
FineBI商业智能软件 - 新一代自助大数据分析的BI工具www.finebi.com/?utm_source=media&utm_medium=zhihu
接下来我就分享我写数据分析报告的5个步骤，供大家学习参考。
**还是那句老话，在做任何事情之前，先想清楚做这件事的目的是什么。**写数据分析报告也是，如果一开始就没有明确清楚目的，盲目开始分析，最后的结果很可能就是，分析了半天却离目标越来越远。所以搞明白研究这个事情的目的，是开始数据分析的第一步。
在明确清楚我们的分析目的后，就要针对我们的分析目标进行指标拆解，通过拆解指标去发现问题。这么说有点虚，举个例子说明一下。
背景：某制造业公司到年底，需要进行销售线的业务复盘，因此需要检查各销售线人员的年度目标完成进度，并给出建议。同时，通过统计发现，今年公司的毛利率有所下降，需要数据分析师通过数据去找到影响毛利率下降的原因。
拆解流程：
①明确分析目标 ②确定问题 ③拆解问题 ④拆解指标&拓展纬度布局
第一步：明确分析目标
通过背景我们可以清楚知道，我们有两个目标需要去完成，这里我用导图的形式罗列出来
第二步：确定问题
在明确分析目标后，就需要确定为了达成该目标，提出围绕该目标需要解决的问题。可以使用思维脑图，写出在看到该目标后产生的问题。
第三步：拆解问题
在确定问题后，就需要找到能够数值化衡量这些问题的指标，以及它们的计算方式。
第四步：拓展维度
同样的我们给出的结论需要和分析目的紧密相连，比如：
需要注意的是，如果是判断业务的状况，需要确定一个判断标准：结论=数据+判断标准
在对数据进行拆解分析的过程中，我们已经可以察觉到一些数据异常。但是这些异常到底是好是坏，我们需要通过一个标准来确定。
比如说十月份销量数据下滑，我们可以增加比对去年的数据。如果去年也下滑了，说明是正常的月度下滑。如果去年没有下滑，那么说明今年下滑是个不正常现象，需要复盘解决。
如果数据不能驱动业务成长，那它毫无用处。
下了结论以后，再结合对业务的理解，就可以就分析结果提出建议，甚至给出方案：
以上准备工作完成，如何撰写一份分析报告增加它的可读性呢？
FineBI制作
在写数据分析报告之前，先要明确3个问题
1. 为什么要写数据报告？
2. 报告的受众群体是谁？
3. 如何提高数据质量？
先做好定位，报告呈现的信息才会更精准，对决策者来说也更有价值。
一、为什么要写数据报告？
数据报告是分析、思考和总结的呈现。我们写数据报告的目的是将自己的分析结果呈现给管理者或数据需求者，并给运营或管理人员提供可视的、合理的决策建议。
所以做报告、做数据报告、还是在做数据分析报告，这三种是完成不一样的内容。
很多人往往做的是：数据报告。最重要的特征是，一堆表格，一堆图的堆砌，恨不得把相关的内容都放上去，就怕PPT页数不够似的。
真正数据分析报告：既然是分析，一定是结果，也必须有结论，有观点。
所以一定要呈现结论，哪怕是错误的结论。**“结论是基于当前的数据，基于你做出的逻辑推理而得到的。”**没有结论的分析报告，不应该叫数据分析报告。
对于数据分析人员来说，敢基于数据下结论，也可以发现自己的不足，从而找到自己提升的机会点。
所以不要害怕下结论。害怕把结论弄错了，是很难写出高质量的分析报告。一个企业数据分析师的成长，也需要不断从错误中学习。
二、报告的受众群体是谁？
一定要关注一下你的报告受众是谁，不同受众对于报告的期望完全不一样的，高层关注方向，中层关注策略，员工关注执行。
**1、高层关注是方向。**基于数据分析或者数据洞察中发现潜在机会点。因为他们要决定的是方向，基于方向投入相关资源，他们是用数据报告作为参考来做决策。
**2、中层关注策略制定。**基于数据可以制定什么样的策略。例如：如果用户流失下降，更关注流失用户特征是什么，从而制定对应策略。
**3、员工关注执行。**例如：针对什么样的用户发送什么样的优惠券，我根据数据结果来对应发券。
不管针对什么对象，有几点是共通的：
**1、数据好理解。**好的报告一定是有比较强的逻辑，报告中不会出现太多难以理解的概念，指标的定义也比较清晰，不会一个指标定义要人理解半天。所以大家喜欢的报告表现形式是以图为主，毕竟：“一图胜千言”
**2、直接告诉用户价值点。**报告可以帮助你解决什么问题？转化为很具体的数字；例如：可以提供你销售100万，提升10%，获取多少新用户，挽回多少会员；提升多少利润，降低多少费用。把价值直接传递给用户。
数据分析报告在完成的过程中，往往需要分析师主动找目标受众去当面沟通，听取意见以及协助落地。如果工作中认为只要把数据分析报告给出就结束了，这往往是没有什么结果，而且这样的数据分析师也很难写出高质量的报告 。
三、如何提高数据质量？
如果数据质量有问题，后面一切都是徒劳。不管你数据图表做的多漂亮，数据分析逻辑多么严谨，数据分析方法多好。
所以数据质量是生命线，一定要牢记。
在数据分析报告制作过程中，常出现数据质量可能有几个地方：
**1、数据来源有问题。**所以一定要核对你的数据来源，谁提供的，是如何产生的，是否有做过处理。
**2、指标定义逻辑。**数据分析过程中的指标定义是否正确，是否能满足你要分析的问题。
**3、数据提取处理。**在写SQL、python或者R等工具中处理过程中，一定要反复核对代码逻辑，看结果是否有明显异常。
4、在Excel加工的时候，更需要注意细节。可能在各种数据复制，图表制作的时候出现小问题，错行与列，少了一行之类的。
5、在PPT中一定要对数据口径说明。也许你做的都对的，但是到了用户不是按你定义来理解数据，按他自己理解，也会导致他对你的结论理解错误。
当今企业纷纷推动数字化转型，做一份好的数据分析报告，大到能否帮助企业做出正确的商业决策，小到能否说服老板获取业务资源的关键因素。因此做出一份高质量的数据分析报告是职场人必备的利器。那么究竟该如何做好一份数据分析报告呢？
条理清晰、逻辑缜密、可读性强，这三点就是数据分析报告的重中之重。
对于数据分析报告，先要有一个概念性的认识，按照报告陈述的思路，可分为四类：
描述类报告，通常是对业务数据的日常展现，比如上月的销售额是多少；平均每天的用户流失是多少，这种报告就像记叙文，描绘发生了什么事情，不求最深但求最全。
因果类报告，在描述类报告的基础上，多了一个为什么，通常是对某一现场出现的原因进行研究，比如老板发现这个月的销售额下滑明显，让你找出背后的原因。
预测类报告，通过对事实的现象和原因进行分析和判断，预测未来会发生什么。
咨询类报告，类似推理小说，像小马过河，投石问路，在得出分析结论的基础上给出有价值的建议，指导企业一路前行。
然后，确定你的报告到底是要给谁看的？？
这点看似是废话…但其实还是很重要的！
因为这决定了你报告的深度和广度，让你想清楚你需要用报告达到什么预期。
剥洋葱的思维，更适合问题的深度思考。
当看一个问题的时候不能看表面，越是容易得到的数据，越让你看不到真相，而你也因此常常被迷惑，要像剥洋葱一样一层一层剥开，去接近你要探索问题的本质，让真相慢慢浮出水面。
比方说，某一个公司的老板找你聊合作，我们的用户量有2000万，许多人这时很震惊，心里想：熬了这么久终于抱了个大腿，其实真的是大腿吗？
按照剥洋葱的思维，我们来一探究竟。
（1）第一剥：看看到底有多少用户还活着？即，我们整体的活跃用户数有多少？
这个很重要，僵尸毕竟是僵尸，没有任何价值可言。
这里要注意活跃的定义，拿一款APP来讲，如何启动一次就算活跃的话，那数据水分还是很多的，比如很多app都是流氓自启的。
（2）第二剥：看看平台运营的持续性到底如何？即，日活跃、月活跃、季活跃的用户数大概是多少呢？
毕竟每个人对活跃理解的定义不一样，通过这个问题你大致能够了解这个平台用户回流的时间周期，留存等。
（3）第三剥：看平台用户是否与你的目标群体匹配？即，活跃的用户中男女比例如何？消费层级如何？年龄特征如何？
…
还可以继续剥下去，这样你才能更准确的理解对方的平台，当然要记住一点，要做数据真实性的验证。
那么剥洋葱更多是的是逐步往下，更适合针对某一个问题的深度分析，但分析报告还需要从整个背景和目的的各个角度去看待，所以这时候要采用拆分的思维。
例如我们把年底报告拆分成为什么分析、如何来分析、分析的过程、分析结论、将如何做？
再在每个拆分点上进一步采用剥洋葱的思维就能很少的进行梳理，从而确定分析框架，也可以接触MECE、PEST、AAARRR等成熟的方法论来进行拆分。
当我们做好数据分析后，如何在一页PPT展示自己的分析变的更加重要，许多分析师在这块不知所措，有时候是用户趋势图，有时候又是行业规模图，其实背后的分析逻辑可能很清晰，但你所展示的方式和布局老让别人觉得还是思路混乱。
一页PPT要描述一个核心，而这个核心验证的数据分析过程，最好的方式就是公式思维，这样你呈现出来的指标才能和此页的主题相呼相应，即使有人现场挑战你，你也会对答如流。
有这么一个故事：曾经有一个麦肯锡的人跳槽到了谷歌，给谷歌的一个广告部门做业务管理，负责这个部门提升广告业务的收入。
他入职的第一天就问了下属们一个问题，“我们这个部门的业务公式是什么？”他的下属们就都被问蒙了，他们想，“我们部门没有什么公式啊。”
后来，这个麦肯锡来的人通过和整个部门的人沟通，最终得出了他们部门的一个业务公式。
这个公式就是：广告收入=展现量×点击率×每个点击的价格
这样的话，这位麦肯锡的大咖把一个商业核心用这样一个公式写出来了，那么这个部门要的几件事情也就随之变的更加清晰。
请大家举一反三：
假如，如果你是一个陕西面馆的老板，你的公式是什么呢？
那老板开面馆的目的肯定是为了赚钱，也就是利润=营收-成本 ；营收=消费用户*客单价；消费用户=线上用户+线下用户。还可以继续用公式法分解下去，由上而下的分解是为了更好的实施营销策略，那要提高利润无非做到2点，提高营收，降低成本。
比如要提高营收，客单价变化不大的情况下，我应该侧重线上曝光、还是侧重商圈内的用户引流
消费用户体量稳定的话，通过满减、套餐（肉夹馍+凉皮+冰峰)、优惠券等。
而由下而上更多是为了评估，就是大家常见的面试题：如何预估一个早餐店的利润？如何预估中国的高收入群体？如何预估竞品的收入等。
这样无论你从预测还是分析问题角度来看，都会让自己的逻辑变的更加清晰，可以起到才辩无双的效果，因而让你的结论和支持变的更加紧密。
查理芒格说过一句话：不要做一个股票分析家，而是做一个商业分析家。
常看到一些报告，无论什么产品、什么业务，都是几大指标，注册用户数、活跃用户数、首次购、重复购，复购率、客单价等等，可笑的不是指标本身，而是拿业务不同的2个指标来对比，说自己多优秀！
拿大家熟悉的复购率说一说：
复购率即重复购买率，指消费者对该品牌产品或者服务的重复购买次数。
张三是卖大家电的，李四是卖蔬菜的，王五是卖玛莎拉蒂的。
那你能说复购率越高，你平台的忠诚度越高吗？显然不能，这里的产品分别是耐用品、消费品、奢侈品，如果抛开业务本身，你觉得复购率之间的对比有意义吗？
**在选取指标对比时，一定要清楚指标背后的业务含义到底是什么？**一定要多研究别人家的产品、财报，了解它，你才能读懂它，也才会慢慢建立自己的业务认知系统，这在一定程度上决定你报告洞察业务的深度，所谓的洞察其实就是指标衡量够不够狠、够不够准。
图表的使用也有自己的原则、分类、规范，图表不仅仅是数据的罗列，采用图表是为了让人看懂，但这仅仅不够，要成为让人快速高效的看懂，那么绘制一个好的图表也需要具备一定的能力，不是乱画。主要分三个方面：
1、图表选取的原则。决定我们报告图表形式的并不是拥有的数据是什么，而是我们想要表达的主题是什么。同样的数据，想要表达的主题不同，图表形式就不同。
图1表达是爽肤水和沐浴露两个品类在不同城市的销量排名，图2主要表达的是在相同城市在两个不同的品类的销量差异。
2、重点数据的标注。对于能够反映问题的重点数据一定要采用特殊的方式标注出来，可以采用不同的颜色或者文本框来辅助，描述一下这个数据背后的市场、营销举动，这个特别重要、而且很重要。
3、慎用巧用动态图。太多的信息展示容易让展示显得没有重要，一眼过去每个数据都在动，很难让对方抓住重点，不知道你要表达什么，即使要用动态图来提高B格，也一定要有条理性。
一份好的战斗来自一份好的情报，而一份好的情报重中之重在于你对数据的解读，这时再回到你报告的受众上，要明确受众人的职能和业务方向，通过你对数据的解读，让受众短时间内能够做出反应。
常用的几种方式：
对比类，同比、环比、与目标的差异、相对来看等等
趋势类，上升、平缓、回落等
结构类，主要是….、占有率高达等
但这些远远不够，以上更多是在描述数据的本身，这时候你要借助公式法、拆分、剥洋葱的逻辑来找出与业务相关的问题点到底在哪，应该如何做？
比如，市场占有率方面，ABC三家公司已占据90%的市场份额，其中A占据了60%
领导一看没什么感觉，这和他心里的预期感受差不多，只是你进行了量化而已，并没有传达领导想要的结果和解读。
那如何这么写呢？
市场占有率方面，ABC三家公司已占据90%的市场份额，其中A占据了60%
进一步分析得知，A公司的市场份额驱动主要来自：政策引导、市场投放、用户私域运营三个方面。对标发现，我们在用户私域运营方面的收入仅增长了X个百分点，而A在这方面的增长为XX%,是我们的X倍。
这样领导一看，就知道来年的重点了，不但发现了问题，而且还发现了主要问题，更重要的是你的分析让他找到了方向。
常常有人问我，数据分析用什么工具？
其实我在很多文章里面都提到过：Excel、BI、R、Python…具体看大家的需求
非要说哪一个好，其中BI工具个人觉得“老少皆宜”。
就拿我一直在用的FineBI来说，当你用FineBI的时候，你会发现他是完全按照数据分析的流程来设计的，先是数据准备，做一些基础的数据处理和模型准备；再到自助数据集，对拿到的数据进行过滤、增加计算指标、合并数据关联分析；然后数据分析挖掘，通过拖拽操作，以图表、表格的形式进行多维分析，发现有价值的出具结果；最后搭建数据驾驶舱，出数据报告。
为什么推荐这个工具呢？
自己近一年也在公司里开发一些数据产品。发现面向个人的产品很标准，就是按照一套模子做出来，迎合大部分人的大部分需求。可面向部门/企业应用的产品，有千奇百怪种状况，比方说性能，还有复杂流程的管控，数据流转那一套，都是大家很重视的。而这样做往往就有可能走定制化的路线。
后来我们就看有哪些在这方面做得比较好的工具，就遇上了FineBI。
数据分析工具有很多，但能上升到帮助管控企业数据，整合、分析、分发的BI工具，FineBI值得推荐。
