有洞见数据分析报告怎么写

① 数据分析报告怎样写

数据分析报告的写法：明确分析目的、拆解橡皮指标发现问题、给出结论、结合业务，给出建议和方案、撰写分析报告。

一、明确分析目的

分析报告架构要清晰，参考经典的金字塔结构，结论先行，先重要后次要。以上统下的顺序也符合数据分析过喊冲程中拆解指标的顺序，更容易帮助读者理解你的分析思路。

② 如何撰写一份优秀的数据分析报告

相信数据分析报告对各位一定都不陌生，数据分析用来发现并解决问题，最终都需要以“分析报告”的方式呈现出来。把过程展示出来，把结果最终呈现给大家，只有大家都认同，决策才会得到顺利的执行。
一份优质的数据分析报告，一般有以下四个方面来考察：
1.易读性：优质的报告要有易读性，条理清晰，简单明了，通俗易懂。
2.逻辑性：报告中要具有逻辑性，问题分析和解决的逻辑。辑性强的分析报告也容易说服他人。
3.严谨：在细节处理方面一定要仔细，名词术语一定要前后统一。
4.突出重点：结合企业内部环境、区分重点，抓住痛点。
说完了数据分析报告的要求，接下来老司机教大家撰写你的数据分析报告
1.确定报告框架
先确定分析报告的框架，这个框架跟盖房子一样，只有清晰的好规划整个报告的主题，结构才能让阅读者一目了然，架构清晰。同时要找准论点，论据，这样在进行数据分析以及报告撰写时，才能更好的把控全局。
整份报告的框架结构主要由：标题页、目录页、分析背景和项目说明、分析思路页、结论建议页、分析主体页、附录页构成。
2.数据源的获取
数据源是数据分析的基础，很多分析报告在进行数据的挖掘收集时，缺乏科学依据性，逻辑性差，保证正确全面的数据源很重要。
数据源分为两种：
第一手数据：主要指可直接获取的数据。
第二手数据：指经过加工整理后得到的数据。
3.数据处理
处理的目的：从大量的、杂乱无章、难以理解的数据中抽取并推导出对解决问题有价值、有意义的数据，这个时候就要用到excel了。首先要对数据进行一次大清洗！将多余重复的数据筛选清除，将缺失数据补充完整，将错误数据纠正或删除。
4.数据分析
①结论明确精简：
结论要基于数据说话，严谨、专业。每个分析都有结论，而且结论—定要明确，分析结论不要太多要精，—个分析对应—个最重要的结论就好了，分析就是发现问题，只要发现重大的问题就达到目的了，精简的结论也容易让阅者接受，减少重要阅者的阅读心理门槛。
②严谨的推导过程：
分析结论—定要基于严谨的数据分析推理过程，切忌有猜测性的结论，主观的东西会没有说服力。
③有实际应用性：
报告要客观公正，发现问题并提出解决方案。你既然在了解产品并在了解的基础上做了深入的分析，你可能比别人都更清楚地发现了问题及问题产生的原因，那么在这个基础之上基于你的知识和了解，做出的建议和结论想必也会更有意义。
④不要回避“不良结论”：
发现问题是数据分析师的价值所在，发现产品问题，在产品缺陷和问题造成重大失误前解决它就是你分析的价值所在了。
5.可视化展示
分析要用数据说话，选用生动的图表等来展示报告的分析结果， 在形象直观的同时能更好的展示结论。
优质的数据分析报告就是这么炼成的，是不是SO EASY！快给自己的分析报告评个分吧！

③ 一份完整的数据分析报告

一份完整的数据分析报告

一份完整的数据分析报告。现代社会属于大数据时代，而数据分析报告是非常重要的，一份完整的数据分析报告并不好写。接下来就由我带大家详细的了解下一份完整的数据分析报告的相关内容。

一份完整的数据分析报告1

报告是项目的结果展示，是数据分析结果的有效承载形式。一份思路清晰，言简意赅地数据分析报告能直戳问题痛点，提高沟通效率，获得领导赏识。

对于数据分析报告，首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：

这四类报告由浅入深，分析难度递增，对企业决策的支持程度也递增，尤其是当企业面临某个决策难题时，分析工作要做得足够系统和深刻。

这四类报告我们可以做个比喻。

描述类报告类似记叙文，像个扫描仪一样描绘市场轮廓，不求最深但求最全。

因果类报告类似议论文，像打水井，集中一点，一直探到底。

预测类报告类似科幻小说，像个预言家，根据市场的过去推断市场的未来。

咨询类报告类似推理小说，像小马过河，投石问路，根据分析结论指导企业一路前行。

报告结构

撰写报告前先理清楚三个问题：

写什么内容？用什么结构？如何论述？

写什么内容由决策难题决定，是投资？战略？营销还是其他，相应的报告也就有了相应的内容。

好的报告要求重点突出、主次分明、层次清晰。报告要依附内容的分析以及领导或其他人的阅读习惯，但最重要的是遵循一定的结构化思维。

报告的常见构成

举个例子，比如我用PPT展示一个网民调查的报告

1、标题页： 标题页用于写报告题目，为了方便归档，日夜也应当注明，还有报告撰写者和其单位所在部门。

2、目录页： 目录页将报告的各模块呈现给读者，方便阅读和了解报告结构。

3、分析背景和项目说明： 用于阐述项目需求、分析目的、市场情况、以让读者了解项目的前因后果。项目说明用于注明假设、数据来源等。

4、分析思路页： 这是整个报告的灵魂，便于理解报告的逻辑思路。

5、结论建议页： 结论建议页放在主题前，主要是为了给高层看时，结论建议可大幅度节省时间，简明扼要。

6、分析主体页面： 这里就要搬上你的各种数据表，数据分析图。与表之间，图与图之间的联系如何阐述，反映出的问题如何表达，这些都是在做数据分析图表就要弄明白的。很多细心的领导及专门会针对你的数据分析以及结论来提问，因为现状和未来是他们最关心的。所以你的数据展示一定要体现你的分析思路。

我曾经就被怼过一次，原因是数据分析结果展示于思路脱节，导致领导一直个为什么，那个怎么来，这个数据缺乏依据等等。因为当初的分析报告只是在展示数据，分析不透彻，表之间切换太过生硬，至今记忆犹新。后来，在做数据分析时，我制作一个表，或者一个图，每个表或者图都对不同维度做了深入的数据分析表，领导一问为什么，我就点击进去展示给他看明细，这用的就是FineBI的联动钻取和螺旋式分析功能，在展示时也能实时分析(以往的文章有提过)。

7、附录页：附录页目的是透明分析过程，常防止受访者的基本资料。

报告的论述

一份好的报告，光有好的结构还不够，还要有好的论述，关于论述，有几个注意事项。

1、数据可靠，界定严谨

报告的数据来源一定要可靠。写一份报告，获取和整理数据往往会占据 6成以上的时间。要规划数据协调相关部门组织数据采集、搭建体系平台、导出处理数据，最后才是写报告，为了结论准确有效，你要保证数据的可靠性，否则一切都可能会变成误导决策的努力。

界定是指报告中要对数据的来源、计算、概念做说明。不同的界定，有不同的结论。比如什么是高端微波炉，不同的界定，得到的数据肯定是不同的。

2、概念一致，标准统一

一些名词的解释和定义，前后要一致，不要让人不知所云。

3、直观呈报，通俗易懂

我们写得报告还是金亮图标话，用生动的图表代替数字和文字的大量对切往往更形象直观地理解你的.分析和结论。

一份完整的数据分析报告2

1、你要一个故事

我自己有个想法，就是产品经理应该多学习相关领域的知识，比如学一些基础的设计规范、交互原则、营销知识，心理学知识，算法知识等等。除了一些明显的对工作的帮助，也能帮助自己扩展思路。其实做好报告，就应向咨询机构或者投资机构学习。

一个报告核心不是包含很多内容，让听众或者读者去花时间理解，核心是讲好一个简单的故事。咨询和投资机构做BP之前，会先花时间理清楚storyline。其实各种报告都应该这样，先理清楚你要讲的故事。

2、一个数据分析报告的框架

这里列出一个我个人比较喜欢的报告框架，可能针对不同的报告场景需要有所调整（比如删除部分步骤，或者增加部分细节）：

项目背景：简述项目相关背景，为什么做，目的是什么

项目进度：综述项目的整体进程，以及目前的情况

名词解释：关键性指标定义是什么，为什么这么定义

数据获取方法：如何取样，怎么获取到的数据，会有哪些问题

数据概览：重要指标的趋势，变化情况，重要拐点成因解释

数据拆分：根据需要拆分不同的维度，作为细节补充

结论汇总：汇总之前数据分析的主要结论，作为概览

后续改进：分析目前存在的问题，并给出解决改进防范

致谢

附件：详细数据

项目背景 & 项目进度

项目背景，需要简述项目相关背景，为什么做，目的是什么。项目进度，需要综述项目的整体进程，以及目前的情况。这两点其实没什么可说的，如果对象是项目成员，可以写简单一些，如果对象是对项目不了解的人，则需要多写 一些，但还是要尽量用最简单的话，跟别人讲明白。

名词解释 & 数据获取方法

名词解释：关键性指标定义是什么，为什么这么定义。这点是很多人忽略的，其实很多时候数据的误解都是因为对指标没有统一的定义。举例而言，点击率可以是点击次数/浏览次数，也可以是点击人数/浏览人数。人数可能按访问去重，也可能按天去重。如果没有清晰的解释，不同人理解不同，对整个数据的可读性就大打折扣。

数据获取方法：如何取样，怎么获取到的数据，会有哪些问题。原始数据往往有一些缺憾，要经过数据清洗剔除噪声，也需要部分假设进行数据补全。数据清洗和数据补全的方法需要跟汇报对象说明并且获得认可，让对方对于置信度有一个估计。

数据概览 & 数据拆分

数据概览，需要有重要指标的趋势，变化情况，重要拐点成因解释。

数据拆分，需要根据需要拆分不同的维度，作为细节补充。

这里基本上就是之前说的数据分析方法了。如果需要对方知道对比或者趋势，则使用图，如果需要对方知道具体数据，则使用表。表格对需要强调的数字要做明显标识。需要注意的点是：核心指标要少而关键，拆分指标要有意义且详细。同时如果是PPT的话，每页说明白一个结论或者解释清楚一个趋势足以。关键性结论要用一句话能说清楚。

结论汇总 & 后续改进

结论汇总，基本是对之前数据分析阶段的数据进行汇总，形成完整的结论。

后续改进，需要在数据分析的结论和问题的基础上，对后续的迭代和改进措施作出方向性的说明。这部分其实很多时候也是分析的根本目的。

致谢 & 附件

致谢是对项目组合相关协助部门的致谢，基本上对于项目组和相关协助部门而言，也希望自己的工作或者积极配合能看到有效的数据结果。在之后的合作中，也会更加融洽。

附件是需要附赠更多没有必要在数据报告中体现但是仍然有价值的数据。对于PPT而言，这部分也可以放在PPT致谢之后，与会同事有疑问，可以随时翻到最后解释。

3、总结

一个产品，如果你不能衡量它，你就不能了解它，自然而然，你就无法改进它。这是说数据。

而数据报告的意义也是类似，项目完成之后需要完整汇报，这样无论是对上汇报还是对团队而言，都是有重要意义。

突然想到一个事情。去年的时候做了一个内部数据平台，到了取名字的时候，我用了dice。为什么叫dice呢？

这得从物理说起（开启神棍模式）。物理学不断前行，之前人们认为物理学是决定论的，只要知道系统的初始值和足够细节，就能知道之后系统的演化路径。后来发现不是这样的，对于一个基本粒子而言，观测之前，粒子状态和位置是不可预测的。爱因斯坦说“上帝不会掷骰子”，然后后续的研究，更多的是支持上帝是掷骰子的。这也是dice的来源。

即使是上帝视角，也不可能知道提前知道数据的结果。那么作为产品经理而言，尊重数据结果，并分析形成结论，远比相信一些所谓的方法论的条条框框好得多。

一份完美的数据分析报告让你高人一筹

企业需要发展就需要得到更多信息，这些信息需要有专业能力的人才提供给企业，而这就是数据分析师，数据分析师要通过专业的手段获取信息，对信息做整合，分析信息，最终形成数据分析统计报告。

在数据分析师的全部工作流程中，数据分析统计报告作为工作的成果是对企业、以及项目的最终发展方向及目标的决策起到至关重要的依据。

在编写一份完整的数据分析报告前，这些数据报告给谁看，首先你要知道你的这份报告要突出那些点，在做一个数据分析之前领导所关心的哪些点，围绕着这些中心点，简单明了的进行编写数据报告。

数据报告不需要大批量的文字阐述，本身数据分析是围绕数据为核开展相应的工作，数据报告要突出的也是最终的统计结果，以数字的方式进行简单明了的阐述对比，报告中加入一些画像模型，柱线图、饼状图来表示占有份额等等最为突出，让阅览者可以很好的理解，很容易在你的这份报告中找到自己企业在市场的份额，这是作为一个优秀的数据分析师的基本功。

先展示自己在行业内的情况后还要分析当前整个市场的数据变化走势，通过对自身行业市场的大数据统计，找到市场发展新的切入点、客户们所关心的新问题、潜在客户的特征最终形成走势图为企业提供发展方向。

哪些点是我们不足的地方，哪些是我们需要开展的新业务等等，这些都会从行业数据大趋势发展中体现出来，从而为企业未来的发展决策提供参考依据，为企业领导提供新的信息点，帮助企业思考、创新、完善做出一份满意的答卷。

④ 实验数据分析报告怎么写

1、确定报告框架

先确定分析报告的主体架构，只有清晰的架构，才能规划好整个报告的主题，结构才能让阅读者一目了然。同时要找准论点、论据，这样能够体现出强大的逻辑性。

2、数据源的获取

数据源是数据分析的基础，很多分析报告在进行数据的挖掘收集时，缺乏科学依据性，逻辑性差，保证正确全面的数据源很重要。

3、数据处理

数据处理的目的：从大量的、杂乱无章的数据中抽取出对解决问题有价值、有意义的数据。将多余重复的数据筛选清除，将缺失数据补充完整，将错误数据纠正或删除。

4、数据分析

结论明确精简：结论要根据数据说话，力求结论做到严谨、专业。每个分析都有结论，而且结论—定要明确，分析结论不要太多要精，—个分析对应—个最重要的结论就好了，分析就是发现问题，只要发现重大的问题就达到目的了。

严谨的推导过程：分析结论—定要基于严谨的数据分析推理过程，不能有猜测性的结论，这是因为主观的东西会没有说服力。

有实际应用性：数据分析报告要客观公正，发现问题并提出解决方案。既然在了解产品并在了解的基础上做了深入的分析，才可能比别人都更清楚地发现了问题以及问题产生的原因，那么在这个基础之上根据自己的知识，做出的建议和结论，就能够让整个过程都十分的有意义。

5、可视化展示

分析数据的时候尽量要用数据说话，选用生动的图表等来展示报告的分析结果，才能够更加直观的展示结论。从而能得到一个更有说服力的结论。

⑤ 如何写数据分析报告

相信很多数据分析师在写数据分析报告的时候也会遇到一些困惑，因为我最近也在写一个报告，在这里就梳理一下如何写数据分析报告

数据分析报告是数据分析师常见的工具，写好一份数据分析报告，不但能够清楚描述问题，洞察数据并且提出一些有思考的举措，也很能反映出一个数据分析师的思维和用数据讲故事的能力，网上虽然也有很多关于写好数据分析报告的文章，但是大部分都是偏重于理论，具体实践的很少，我就在这里做一个汇总，希望能帮助一些朋友，以期抛砖引玉

--------分割线--------正式开始--------

一份好的数据分析报告离不开两部分：数据部分和分析部分。巧妇难为无米之炊，数据之于数据分析师就好像食材之于巧妇，数据的重要性可见一斑，分析部分是数据分析师将数据做成报告的最重要一步，是最体现一个数据分析师功底的部分，也是拉开差距的部分，下面就针对两部分分别进行阐述

一. 数据部分

数据部分最重要的就是数据质量，数据质量的好坏直接决定一份数据分析报告的好坏，如果报告中某一个数据被质疑，会直接影响这份数据分析报告的可信度，本章说一说跟数据有关的一些内容

1.数据的质量

1.1数据类型

数据类型比较好理解，就是数据以什么样的类型存储的，不同的数据类型有不同的使用方法，因此在处理数据之前，必须要先了解数据类型，常见的数据类型有（这里只说一些常见的数据类型）：

整数型

int ：用于存储整数，存储从-2的31次方到2的31次方之间的所有正负整数，每个INT类型的数据按4 个字节存储

bigint ：用于存储大整数，存储从-2的63次方到2的63次方之间的所有正负整数，每个BIGINT 类型的数据占用8个字节的存储空间

smallint ：用于存储小整数，存储从-2的15次方到2的15次方之间的所有正负整数。每个SMALLINT 类型的数据占用2 个字节的存储空间

浮点型

real ：存储的数据可精确到第7 位小数，其范围为从-3.40E -38 到3.40E +38。 每个REAL类型的数据占用4 个字节的存储空间

float ：存储的数据可精确到第15  位小数，其范围为从-1.79E -308 到1.79E +308。 每个FLOAT 类型的数据占用8 个字节的存储空间。  FLOAT数据类型可写为FLOAT[ n ]的形式。n 指定FLOAT 数据的精度。n 为1到15 之间的整数值。当n 取1 到7  时，实际上是定义了一个REAL 类型的数据，系统用4 个字节存储它；当n 取8 到15 时，系统认为其是FLOAT 类型，用8 个字节存储它

字符型

char ： 数据类型的定义形式为CHAR[ （n） ]，n 表示所有字符所占的存储空间，n  的取值为1 到8000， 即可容纳8000 个ANSI 字符。若不指定n 值，则系统默认值为1。  若输入数据的字符数小于n，则系统自动在其后添加空格来填满设定好的空间。若输入的数据过长，将会截掉其超出部分

nchar ： 它与CHAR 类型相似。不同的是NCHAR数据类型n 的取值为1 到4000。 因为NCHAR 类型采用UNICODE  标准字符集（CharacterSet）。 UNICODE 标准规定每个字符占用两个字节的存储空间，所以它比非UNICODE  标准的数据类型多占用一倍的存储空间。使用UNICODE  标准的好处是因其使用两个字节做存储单位，其一个存储单位的容纳量就大大增加了，可以将全世界的语言文字都囊括在内，在一个数据列中就可以同时出现中文、英文、法文、德文等，而不会出现编码冲突

varchar ：VARCHAR数据类型的定义形式为VARCHAR  [ （n） ]。 它与CHAR 类型相似，n 的取值也为1 到8000，  若输入的数据过长，将会截掉其超出部分。不同的是，VARCHAR数据类型具有变动长度的特性，因为VARCHAR数据类型的存储长度为实际数值长度，若输入数据的字符数小于n  ，则系统不会在其后添加空格来填满设定好的空间。一般情况下，由于CHAR 数据类型长度固定，因此它比VARCHAR 类型的处理速度快

时间和日期型

date ：‘2018-01-17’

time ：‘10:14:00’

timestamp ：‘2018-01-17 10:14:00.45’

以上就是常用的数据类型，如果有其他的数据类型没有说到，可以去网上搜一下，都比较好理解

1.2噪音数据

因为网上有非常多的关于噪音数据的解释，都非常专业，我就不在这里做过多的详细解释了，我们只探讨从sql取出数据的时候有一些异常值的处理办法：

null

一般跑过sql的朋友肯定会发现，在跑出来的数据中会有null的情况，这个时候需要对null进行替换，如果是计算用，就把null替换成0，这个步骤可以在sql里面完成，也可以在excel里面完成

极大值

极大值会影响数据的计算结果，一般会进行处理，要么替换成除极大值以外的最大值，要么直接弃用

作为分母的0

如果0作为分母，在excel里会出现#DIV/0,这个时候可以直接把结果替换，或者在sql里面直接进行替换，用case……when……就可以替换

1.3数据的口径

数据的口径很重要，根据经验看，大部分的数据出现问题是口径造成的，数据的口径一定要跟业务的口径一致，拿留存率举例：

留存率是周期比率型指标，一般在计算留存率的时候需要确定 留存周期 和 活跃判定的口径

留存周期：留存周期通俗来讲就是指用户在多长时间范围内活跃，并在下一个周期内仍然活跃，这里的多长时间就是指留存周期

活跃判定：指怎么判定一个用户活跃，可以是启动App，可以是登陆，也可以是完成了一次其他特定行为，这个主要依照业务需求而定

实际计算：

周留存率的计算

分子：本周活跃 且 上周也活跃的用户数

分母：上周活跃的用户数

2.可能会用到的工具

在处理数据的过程中可以用很多工具，在这里就介绍一些比较常见的工具，大家耳熟能详，学起来也不是特变难

2.1提取数据

mysql

hivesql

两者的查询语句有相似的地方也有不同的地方，主要看自己所在公司的数据存储情况

2.2数据处理

python：一般写个脚本做一些机械的操作（我目前是这么用），也可以用来做计算

mysql：在查询的时候可以进行处理

excel：数据量比较小的时候，可以在excel上简单处理

2.3数据可视化

python：可以用来做一些词云图

Tableau：可视化一些图表，可以和sql结合着用

excel：做一些简单的图表，实际上数据处理的好的话，一般用excel就足够了

二. 分析部分

在处理了数据以后就要开始进行报告的撰写，写报告会涉及到几个部分的工作，这里分别进行介绍一下：

1.报告结构

一篇数据分析报告的结构是十分重要的，一个好的结构能够将他人带入到你的报告中，让他人更好的明白你的意图，减少信息传递之间的丢失，同时你的思维也主要展现在结构上，这就意味着在写数据分析报告前，一定好想清楚数据分析报告的结构，当然这里说的报告结构即包括整个报告的结构，也包括每一个章节的结构，这里就放到一起说了

1.1 总 - 分 - 总（多用在整体结构）

我们在读一本书的时候，打开目录，会发现整部书的结构一般包括：

前言

第一篇

第二篇

……

第n篇

结尾

这就是典型的总 - 分 - 总结构，是最常见的结构，如果是对一个专题进行分析，用这种形式是非常好的，举个例子：

某电商App近一个月内的销售额出现下滑，让你针对这个问题进行一次专题分析

分析思路：拿到这个问题，我们很容易想到的是，销售额出现下滑出现的原因有两个，一个是付费用户数减少了，另一个是付费用户的人均付费金额减少了，这两个原因属于并列的原因，不存在递进关系，也就是说付费用户数减少了与人均付费金额减少并不存在因果关系，没有什么相关性，因此需要对两个原因共同分析，最后输出结论和提升建议，分析完以后，会发现总

- 分 - 总结构很适合这样的分析，所以列出以下提纲

问题描述

销售额近一个月下降多少？绝对值，环比，同比数据

原因假设：付费用户数下降/人均付费金额下降

付费用户数下降分析

付费用户数降幅是多少？绝对值，环比，同比数据

定位下降人群：是整体下降还是某一群体用户数下降

这里就涉及到用户分群，用户分群的方法有很多，涉及到用户价值的分群常见的就是RFM模型，将分完群的用户进行数据对比，看看上个月付费用户的结构占比跟本月有什么不同，当然用户分群的方法也不止这一个，还有按照会员等级分群（主要用会员等级进行用户分群），按照活跃程度（新用户/留存用户/回流用户），按照消费习惯（一般用户表里面都会有用户的标签，标识这个用户的消费习惯，表示这个用户更喜欢购买哪一类的商品），不管用什么分群方法，都需要纵向对比，也就是这个月和上个月付费人群的对比

原因分析：

如果是付费用户整体下降（这种是大家都不想看到的现象，欣慰大盘数据的驱动需要投入大量的资源，也有可能是自然波动），考虑可能的原因主要有：用户整体流失，比如用户流失到竟对；或者本月有什么特殊情况，影响到了整体的用户活跃；或者是从活动维度去观察，是不是活动的力度减小，影响了用户付费的欲望

如果是某一个用户群体下降：考虑的原因可能有商品品类的影响，是不是某一类商品在平台没有上架，或者某一类商品涨价；或者这一类用户受到了哪些影响，一般可以从属性和行为角度去分析

提出策略：

针对分析出的原因提出可落地的策略（策略一定要落地，要具体，比如如果你提出一条策略是：提升新注册用户数，那么等于没说，老板多数会diss你，但是你如果说，通过减少注册时填写的非必要字段，如年龄/职业，来简化注册流程，挺升注册转化率，进而提升新注册用户数，那感觉是不一样的）

人均付费金额下降分析

人均付费金额的降幅是多少？绝对值，环比，同比数据

定位原因

人均付费金额下降可能的原因主要有：订单数量下降；每个订单包含的商品数的下降/某一个品类购买数下降

提出策略：针对分析出的原因提出可落地的策略

总结问题

明确造成销售额下降的原因到底是什么（定性以后，记得一定要量化，不量化会被diss）

提出有针对性的建议

如何预防再次发生

1.2 递进（可用于整体结构和章节内部结构）

这种结构适合对一个问题进行探索，就像上一个例子中，我们针对每一个可能原因进行分析的时候，就是采用的这种分析方法，这种分析结构特别适合对一个小问题进行深入的探索分析，层层递进，深挖原因，这里在举一个例子：

某一个App的新注册用户数环比上个月减少，需要你做一个深入的分析，找到原因，提供改进策略

分析思路：新注册用户数的的影响因素是一个典型的漏斗结构，也是一个典型的单向性用户旅程，画一张图就能说明白：

如图所示，影响注册用户数的原因全部标注在漏斗里面，但是注册全流程这个漏斗只能看个大概流失，所以我们会对某一步进行细化，这张图上，我们对用户从启动到注册成功进行细化，细化到用户行为，这样能够提出一些产品上的改进意见，这个时候，如果想要提升新注册用户数，只需要针对每一步流失原因进行分析，找到提升策略就可以了，基本上是所见即所得的分析

比如：我们想对提交注册信息到注册成功这一步进行优化，那么首先我们要找到用户注册失败的原因有什么，一般有：

用户已注册

密码格式不合规

系统错误

未勾选《隐私协议》

在提出建议的时候，只要针对以上原因提出具体改进意见就可以了

1.3并列结构（多用于整体结构）

这种结构一般遇到的情况不多，常见的有对不同的校区进行经营分析/对不同品类的商品进行售卖分析，基本都是以描述型分析为主，因为分析的主体是并列关系，所以只需要每个主体就行单独分析就好，基本采用的分析思路是一样的

1.4因果结构（多用于章节内部结构）

这种结构一般用在复盘分析报告中，复盘是常见的数据分析报告类型之一，也是很多公司比较重视的一个报告，比如双十一复盘/新手活动复盘等等， 以电商某一次大促复盘为例 ，这里直接写结构：

总体描述：

本次大促整体数据表现，整体活动节奏的介绍；销售额是多少，同比提升多少；利润情况；参与用户有多少，同比提升多少；卖出商品有多少，同比提升多少；各个子活动的贡献是多少

子活动1的效果分析

子活动1的简介，作用，发力点

子活动1的贡献是什么，对于直接提升结果指标或者间接提升指标有哪些贡献

子活动1的成本是什么？投入产出比是多少？

子活动2的效果分析

子活动x的效果分析

最后汇总，提出优化建议

2.分析方法

讲完了整体结构，我们就该进入到具体分析的过程里面，这里的分析方法，主要想说说怎么去针对不同的数据进行分析，也就是说怎么通过数据看出问题，这里介绍常用的5种分析方法，但是有一句话非常重要，想写这节的最前面： 数据分析师一定要懂业务，在分析之前最好能把问题定位个大概，再去捞数，再去分析，否则每天会沉浸在漫无目的取数中，我认为一个数据分析师最重要的能力是要懂业务，从数据的角度看业务，才能驱动业务

2.1 对比分析

横向对比

横向对比就是把一个指标按照不同维度拆分，去对比不同维度的变化，举个简单的例子来说就是：

昨天的DAU增长了30%，那么把DAU进行拆分，可以拆分成以下三种方式：

DAU=新注册用户数+留存用户数+回流用户数

DAU=北京活跃用户数+河北活跃用户数+山东活跃用户数+……

DAU=北京活跃用户数+河北的活跃用户数+……

                =北京的新增用户数+北京的留存用户数+北京的回流用户数+河北的新增用户数+河北的留存用户数+河北的回流用户数+……

这里留一个疑问，怎么去选择优先下钻的维度？想明白以后分析的效率就会有很大提升

纵向对比

在进行完横向对比以后，就要开始进行纵向对比，纵向对比主要是在时间维度上，还拿上一个例子来说，我们按照第一种方式进行横向对比以后，就要纵向对比，见下表：

2.2分布分析

分布分析一般是应用的场景比如用累计消费金额去分组/按照用户一个月活跃天数去分组，这些场景都有两个共性的特征：

属性值都是数值类型，或者日期类型

属性值非常多，比如累计消费金额可能从1-90000中间任意一个数字，也就是属性值非常多，没办法用每一个属性值去单独分析，因此需要分组

还是上图说明：

2.3交叉分析

交叉分析一般指多维度交叉，或者不同指标之间的交叉

多维度交叉其实有点类似对比分析的第三类分类方法，这里不在赘述了，还是那个图，但是在实际分析中的作用其实很是强大，具体如何应用就需要大家举一反三啦，仔细看看这张图，可以换成哪些分析场景下的哪些场景的交叉分析：

不同指标交叉一般用在分析变化趋势中，或者寻找相关因素的时候，上图：

这样既能看绝对值的变化，又能一目了然的看出变化趋势，如果不同指标之间呈现一定的相关性，那就是相当完美了

2.4漏斗分析

漏斗分析模型比较好理解了，一般在行为分析中常用到，直接上图吧：

是不是有点眼熟？漏斗分析一般分析应用在分析用户使用某项业务时，经过一系列步骤转化的效果，因为用户会沿着产品设计的路径到达最终目标事件，在分析每一步转化的时候会用到这个模型

2.5矩阵分析

矩阵分析是一个不错的分析模型，主要用在分类上面，常见的有用户分类、产品分类等，比如像常见的RFM模型是一个三维矩阵，有八个象限，上两个图看看：

矩阵分析其实不难理解，但是涉及到一个比较关键的问题，就是临界点怎么选择，通俗来说就是第一象限和第二象限的临界值是多少，有的是0，有的不是0，举个例子：

我想用活跃度和累计消费金额对1万个用户进行分群，使用矩阵分析

我建好了这个二维矩阵，我第一件事就是先要确定原点的坐标值，也就是说用户的累计消费金额大于x，就会出现在第一/四象限，如果小于x，就会出现在第二/三象限，想确定这个值需要一定的方法，会用到一些分类算法，这个可以去网上查一些关于分类的教程，有很多，后续我会写一盘文章来介绍分类，这里就不细讲了

以上就是数据分析最重要的两个模块，当然在实际操作中还有很多需要思考的地方，太细节的东西不太能够面面俱到，这里留给大家去思考的空间，比如：

数据分析报告怎么讲成一个故事，比如背景-现状-原因-策略-预期结果-复盘结果？

每一页PPT怎么排版会让你的数据分析报告可读性更高？

如果你的数据分析报告不采用上述的结构，还能用哪些结构？

怎么让你的数据分析报告显得更高大上？

可以留言交流哦

⑥ 数据分析报告怎么写 数据分析报告写法介绍

1、分析报告一般都要写一段导语,以此来说明这次情况分析的目的、对象、范围、经过情况、收获、基本经验等,这些方面应有侧重点,不必面面俱到。或侧重于情况分析的目的、时间、方法、对象、经过的说明,或侧重于主观情况,或侧重于收获、基本经验,或对领导所关注和情况分析所要迫切解决的问题作重点说明。如果是几个部门共同调查分析的。

2、还可在导语中写上参加调查分析的单位、人员等。总之,导语应文字精练,概括性强。应晌凳码按情况分析主旨来写,扣住中心内容,使读者对调查分析内容获得总体认识,或提出领导所关注和调查分析所要迫切解决的问题,引人注目,唤起读者重视。

3、主体是分析报告的主要部分,一般是写调查分析的主要情况、做法、经验或问题。如果内容多、篇幅长,最好把它分成若干部分,各加上一个小标题。

4、结尾的写法灵活多样,一般有以下几种：(1)自然结尾。如果主体部分已把观点阐述清楚,作出了明确结论,就不必再硬加一条尾巴。(2)总结性结尾。为加深读者的印象,深化主旨,概括前文,把调查分析后对事物的看法再一次强调,作出结论性的收尾。(3)启示性结尾。在写完主要事实和分析结论之后,如果还有些问题或情况需要指出,引起读者的宴哪思考和探讨,或为了展示事物发展的趋势,指出努力方向,就可以写一个富有启示性的结尾。(4)预测性结语。有的报告在提出调查分析情况和问题之后,又写出作者的预测,说明发展的趋向,指出可能引粗宴起的后果和影响。这是在更广阔的视野上来深化主题。

⑦ 数据分析报告怎么写这5个步骤你必须知道

到年底，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，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。

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。

一、明确分析目的

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。

二、拆解指标发现问题

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

计算方式确定，就可通过分析组成这些计算公式的指标来探究影响其的原因，比如销售额=单价*数量，那么就可从单价、数量来分析销售额变动，以一个指标为定量，分析对比其他指标变化。

同时以计算公式结果为指标，拓展维度（比如地区、时间、品类等等）来探究不同维度下的指标差异。

三、 给出结论

同样的我们给出的结论需要和分析目的紧密相连，比如：

目的是了解业务的现状，那结论可以是：该业务有问题x关键指标，每个指标的数值是xxx，有什么样的异常；

目的是了解数据到什么情况算好，那结论可以是：某指标可以以 xxx 作为判断标准，原因是......；

目的是找出业务出现异常的原因，那结论可以是：经分析，有x各种原因，其中重点原因是...... ；

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。

四、结合业务，给出建议和方案

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：

建议是：能解决业务问题的行动方向，是若干个潜在可行的范畴。

方案是：制定一个具体行动计划，方案要满足 5w2h ，要有具体的执行人、完成时间等等要素。

五、撰写分析报告

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？

架构清晰：参考经典的金字塔结构，结论先行，以上，先重要后次要。以上统下的顺序也符合数据分析过程中拆解指标的顺序，更容易帮助读者理解你的分析思路；

报告图表化：用图表代替大量堆砌的数字会有助于人们更形象更直观地看清楚问题和结论，更容易做到有理有据；

FineBI制作

规范化：整篇文档的图表风格统一、名词统一；

⑧ 如何撰写一份优秀的数据分析报告

1、分析框架=剥洋葱+拆分

作为一个分析师，报告是重要的输出，就好比我们是产品经理的话，那这份分析报告就是你的产品，所以无论是从广度和深度来讲，你都要体现出你的思维来，这样广深结合，才能赢得别人认可和信任。

2、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。

3、指标对比的合理性——业务思维

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!

关于如何撰写一份优秀的数据分析报告的内容，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

⑨ 如何写好一份数据分析报告

很多人在开始制作PPT的时候，第一步都是先去网上找各种模版，找好模版好再按照模版内容开始套用数据。

但是，当你呈现你的报告时，读者其实更关注的是报告内容的价值点、是否对我有用、以及报告结论的数据真实性。

那么，一份好的分析报告里，应该具有哪些包含重要因素呢？

标题页主要由题目、制作来源、时间等维度组成。标题页需要写明报告的题目，题目要精简干练，根据版面要求在一两行内完成。

1）背景分析

提供背景分析是为了让读者对整个分析研究的背景有所了解，加深报告印象，也是为了论证报告的权威性，背景分析主要阐述一些报告内容的定义、诠释以及其他信息。

2）报告摘要/总结

一般报告型PPT内容较多，在报告前期，把重要内容进行一定的摘要或总结性话语标注，可以加强读者的浏览欲望。

制作目录的目的，快速帮助读者找到所需内容，目录一般会列出主要章节的名称，有些还会加上对应的页码。

对于重要的目录，还会写上一句对应的分析总结性语言。

对于分析型报告，一般的结构是从分析现状出发，以总结性/趋势结尾。

转场页就是目录下的子标题，子标题内容较多，可以选择在子标题下加上层级或描述性总结。

正文是分析报告最核心部分，它能系统的全面阐述数据分析的过程和结果。正文页的内容较为丰富，由一句话观点、子观点的内容解释、观点数据组成。

正文的观点，是需要进过严谨的论证，才能确定观点的合理性和真实性。掌握观点的文案也尤为关键。

总结了以下关键词，可以让观点变得更有说服力：

1）形容数据涨跌情况：

描述涨跌：上升/提升、增长、下降

加强动词：显着、剧烈、呈现、实现

描述名词：环比、缓慢

如：显着上升/下降、环比提升、剧烈下降...

2）形容市场情况： 饱和、渗透、扩张

如：市场饱和、进一步扩张

3）形容用户需求情况： 偏好、热爱、倾向、青睐、受欢迎、追求

如：90后偏好/倾向购买XXX，XX物品更受80后的欢迎/青睐...

4）加强动词 ：剧烈、逐步、突破、领先、突出、迅速、持续

结论是以数据分析后的结果展示，以综述性文字来进行说明。

例如，代表趋势性的结论可以采用以XX化的关键词进行进一步阐述，如常态化、精准化、系统化...

一份好的数据分析报告，是具有逻辑性的。写报告之前，要关注报告的读者是谁？读者最关心的是什么？用读者思维出发，站在读者的角度去撰写分析报告，才能让报告更有吸引力，使之愿意阅读。

————————————

备：以上图片来源为艾瑞网、企鹅智库、艾媒网、CBNData、极光大数据