既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Go语言开发知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
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。
一、概念性认识
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。
二、报告给谁看?
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。
三、报告核心框架的介绍:分析框架=剥洋葱+拆分
1、剥洋葱
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。
2、拆分
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。
四、每页核心指标展示的逻辑——公式思维
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。
五、指标对比的合理性——业务思维
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。
六、让图表传达更加直接
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。
七、报告的描述规范
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。
八、工具
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。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Go语言开发知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
[外链图片转存中…(img-kfC1ZwB9-1715547063840)]
[外链图片转存中…(img-gzvBREJi-1715547063841)]
[外链图片转存中…(img-LFPF4Pft-1715547063841)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Go语言开发知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新