#1 我认为一个好的分析报告应该要的结构
#2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。
#3 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？
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
大部分情况下，分析报告到小结部分就结束了。到决策这个层，本质上来说已经超出了普通分析师的职责。因为策略本身，应该是数据归属管理部门该去干的事情，通过暴露出来的问题，判断每个问题对问题的影响程度，做不同的决策，数据部门本身不具备决策权。
资深一些的分析，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。
策略的制定过程，很大程度上是需要依赖于多团队协同的，所以这时候就需要去搞人际关系，寻找各个业务团队的切入点，这样才能拉到更多的资源支持。
人际关系的过程是一套腹黑管理学，也不在报告本身这个层面体现，后面会有单独的环节去介绍。
7）需求和资源
不可否认，这是绝大多数数据分析从业人员都会忽略的一个主体。
花了大量的时间，去做需求的沟通对接，反复的拆解需求，找准数据来源，做繁琐的清洗和处理，最后统计分析出核心的问题所在，汇报完就结束了。
这里只需要问几个问题：
① 如果要评论这份报告的意义，谁可以给你做后盾；
② 如果要评价这份报告的影响，哪些人可以来支撑它的合理性；
③ 如果要评估这份报告的价值，它应该值多少钱。
意义、影响、价值，这三个层面分别对应了做这份报告的背景，即谁是需求方。
报告的协同部门，即谁参与方，无论是确定数据来源的部门，还是核对数据口径的部门，或者是参与数据解读的部门，都是协同方，应该事先去做好沟通确认的工作，避免数据结果被质疑。
做报告所花的人力、精力，即从有想法开始、到策划框架、到数据采集、到报告发布，一共投入了多少人日，每个人一天大概多少钱，总体成本，就是这份报告的基础价值体现；再对数据的应用范围进行估值，大致上就是报告的全部量化产出了。
8）跟进计划表
做完汇报，常规来说，分析的事情就告一段落了，逐项的策略执行需要一段时间的沉淀。主动一点的人会去关注事后action的部分，谁在什么时间节点应该要交付什么内容，通过数据监控进行业务反馈。
做到这个部分，才是真正的数据闭环，虽然这个部分可能不是全权由自己负责，但是必须关注整个过程中，数据的流向，所做的策略，以及落地的方式。
9）价值评估
最后一层就是价值评估，前面说了报告本身的量化过程，这个部分的主要点在于数据本身的价值、分析的影响层面、策略的适用范围、跨部门协同过程建设、虚线团队管理等几个方面。
#4 写在最后
第一层【前言部分】1、背景 2、目标
第二层【分析内容】3、重要结论 4、问题vs论点vs论据 5、小结（合，分层级，为了使重要结论更清晰）
第三层【决策部分】6、策略
第四层【资源整合】7、需求和资源
第五层【数据管理】8、跟进计划表 9、价值评估
在报告主体之前，最好能明确报告的业务适用范围，内容中涉及到的指标，数据采集的渠道，抽取样本的时间，作为说明页，插入到内容之前。
