分析报告格式(如何制作有效的数据分析报告)
第一，具体是什么问题？许多学生在提问时喜欢用这种方法:
(资料图片仅供参考)
类型一:老师，你对互联网行业有什么分析思路吗？
类型二:老师，你对分析用户画像有什么想法吗？
类型三:老师，你对归因分析有什么想法吗？
那么，这三个是具体问题吗？
不要！
就问几个问题:
谁想看这个分析？
他看到了能怎么办？
是什么样的商业分析？
这个业务有数据吗？
XX法现有数据够用吗？
我什么都不知道。当然不是具体问题。所谓:量身定做，看盘吃饭。如果从源头上分析的问题不够具体，就无法确认分析结果是否令人满意。最后结果输出的时候，盲盒打开，要么稀里糊涂，要么莫名其妙的被批。
一个具体的问题至少包括以下三个方面:
人:谁需要这个分析？
业务场景是什么？
数字:数据的数量和质量如何？
第二，谁需要做分析？在相当多的场景下，数据分析是给别人看的。领导/同事/客户/大众都有可能。要想做出符合自己需求的分析，就得知道对方想要什么。
确定分析对象取决于五个方面:
身份:指的是听分析的人属于什么部门。部门确定需求者关注的工作流程、工作KPI以及对应的工作情况。明白部门基本可以判断需求者的顾虑。
年级:部门负责人、小组长、士兵的关注点肯定是有区别的。知道了级别差异，就能更好的追踪到真正的需求发起者，避免被一个听风雨的下属迷惑！
技术能力:你对数字化、数据采集和数据分析了解多少？事实上，数据分析领域的头号问题是不了解数据的领导/同事对数据模型越来越多的幻想与基础数据采集和基础业务流程数字化的落后建设之间的矛盾。如果发现对方知之甚少，就不要再吹牛了，尽快扔掉复杂的方法。否则打击越大，摔得越惨。
动机:有相当一部分人做分析不是为了了解真实情况，而是为了达到自己的目的。想借机邀功的，想甩锅的，想争资源的。所以，弄清楚求助的人是坐在自己屁股的什么地方，是非常重要的。否则，无论他做什么，他都不会接受货物。
认知:他对目前的业务情况和数据的表现了解多少？在实践中，相当一部分人没有基本的认知，根据情绪、媒体报道、领导的话、客户投诉等碎片化、情绪化的信息来判断事情。判断从一开始就是错的，给出的分析要求肯定是错的。
在工作中，许多学生感到委屈:
“为什么总说我不深入？”
“为什么要纠结这种波动？”
“为什么你总是改变分析结果？”
归根结底都是不懂人。面对客观、理性、有逻辑的人，你可以就事论事地分析；面对主观、感性、不讲道理的人，你不得不使用极端的手段。你不能仅仅通过书本上教授的准则或共识来回答它们。
3.业务场景是什么？所谓业务场景，就是为了实现一个业务目标的所有业务动作的集合。业务场景也分为宏观、中观和微观(如下图):
视图中的分工与人员的角色是一致的。所以在实践中很容易沟通总结，先确定需求方，再结合其部门和职责分析问题场景。对于在甲方工作的同学来说更是如此，了解对方的部门和职位，大概就能判断出对方的场景。
对于乙方的公司陈老师，你要非常仔细的了解情况，从对方的行业、商业模式、分工、业务流程、制度流程等方面一点一点的梳理，避免因名称不同而产生误会。
这里很多同学会很懒，经常说，老师，我是互联网/传统行业的。就说说互联网/传统行业的常识吧。
这种大而全的常识根本不存在。以医疗行业为例。在陈老师接触的客户中，以下都是互不相干的自称健康行业的人。看完之后，你觉得这些人能不能就一个健康行业的通用标准达成一致...
(如下图所示)
所以在梳理业务场景的时候，不要试图用一个大而全的概念去设定各种模型。商业模式，产品类型，各部门分工都要了解。如果我们讨论特定产品功能/营销活动的细节，我们应该将其细化为三个主要流程。如果你生搬硬套，最后只会一句话:你的分析根本不符合我们的实际。
当然也不需要神话般的细节，以为每一个场景都是独一无二的，大喊“如果你没有在这一行干了50年，赚了1亿，你就没有资格做分析”。业务场景的宏观、中观、微观层面有很多相似之处，同一个层面，同一个类型。
比如L就是B2B+冷链供应的场景，医药和生鲜很像。
是B2B+电话销售场景。卖广告和招聘区别不大。
这是一个B2C+分销和销售场景。保险和微信业务有什么区别
具体到某一关+某一类场景，有很多相似之处，很多分析经验都可以套用。这种感觉在乙方返乡中是深藏不露的，尤其是像陈老师这样的老乙方，见多识广，灵感自然源源不断。
业务场景直接关系到数据采集形式、数据丰富程度和数据质量。业务场景也与分析思路直接相关。只有执行它们，我们才能抓住真正的业务问题，并提出有价值的建议。
四。如何确认数据质量？
数据分析你最怕什么？答:没有数据。数据量的多少直接决定于业务场景的数字化程度。数字化程度低，没有数据，就没有分析。
这一点在B2B业务中尤为明显！以B2B+业务员跟单销售为例，理论上跟单流程可以形成一个完整的转化漏斗(如下图)。
有了系统支持和相应的管理流程，任何行业都可以做和互联网行业一样的分析！
但事实上，它经常像这只鸟一样。
所以B2B业务的同学说，老师，我为什么不深入分析一下？答:因为你没有数据。甚至数字化程度低到没有客户标签库。只有一个未处理的汉字客户企业名称+已签字订单。这要是能分析出来，那就见鬼了。
类似的情况在B2C业务中也很常见。比如用淘和Tik Tok的后台，看不到详细数据；比如自建商场没有足够的地方埋(尤其是匆忙的活动页面)。简而言之，没有米，就不能做饭。
基础数据收集只是第一步，数据质量还受到业务方行动的影响。只要业务方愿意做没有原始数据的流程，就可以在一定程度上收集数据。所以，只要有机会，数据部门就要全力以赴，推动业务流程数字化，弥补短板。
原本正常的指标，业务方一个动作就能扭曲形状，所以在不知道业务方做出的动作，不考虑业务影响的情况下，无法做出准确的分析。我经常会说，“我就知道。”
综上所述，这里要确认的数据质量不仅仅是指数据库中的脏数据，只有在源头通过以下三个因素的共同努力才能达到:有足够的可用数据，有足够的饭可以煮。只有分析完了，才能做的深入准确。
业务流程中收集了多少数据？
在业务流程中，操纵了多少数据，又是如何控制的？
在业务流程中可以检索到多少潜在数据？
以上，我们只是简单分享了一下:一个具体问题到底怎么解决，拖了这么长时间。其实制约很多同学做深入分析的原因很简单:知识太少。你甚至不知道别人在做什么。怎么能分析呢？
但是，相当多的分析书籍或文章，要么坐在理论层面上大谈特谈，要么试图用一个大而全的概念来概括宇宙万物:核心逻辑，底层思维，最后试图用几句很简单的话(什么比较思维，分解思维)来解释一切。这种东西看多了，只会越来越模糊，无法做出具体的问题和分析。
我总结的数据源可以分为三类:
(1)一方数据:用户事实数据
比如用户在金融机构购买的理财产品，时间，哪个网点，姓名，电话等。、或运营数据，如互联金融app、用户运营行为数据。
(2)两方数据:其实这部分叫广告数据。
比如广告展示、活动页面点击、广告来源等。有些公司还把这部分数据作为第三方数据，因为有些广告监测公司会利用这些数据和人群数据来整合构建自己的dmp。这类公司一般称为第三方公司，第三方数据。
(3)三方数据:行业数据，也称公共数据。
比如关联数据，或者互联网行为数据，比如某互联网公司的用户在这个网站上的行为数据，或者我们嵌入sdk app后可以收集的活跃安装列表，可以收集的离线数据。
打通:其实就是利用关键点的集合，整合一、二、三方的数据。比如我们可以通过手机号码整合一方三方的数据，或者利用cookie或者imei号码整合两方三方的数据。但由于目前监管系统对手机号码敏感数据的管控，以及互联网和移动数据跨平台互通的技术难度，我们的实际匹配率很低。比如一方三方的数据匹配达到20%就是很好的情况，除了运营商的数据。
寻找规律:目标是清理数据，从非结构化数据到结构化数据，从而进行统计，挖掘数据，寻找规律，形成数据分析报告意见。本文将在第三部分进行阐述。
即时决策:将数据分析报告中的意见系统化或产品化。目前，大多数公司仍然依靠人工决策。
为什么需要大数据分析？大数据分析看似是按照这些步骤进行的，但从第一步的数据来源来看，其实体现了大数据的特点，那就是混乱。那么，如何从这些数据中找到规律，分析的内容和目标是否对应，似乎就是我们需要大数据分析的原因。
现在对大数据的分析，通常是用数据报表来反映企业的运营状况。同时，对于热点，人群分析，我们看到的统计值，目标的核心是用从数据分析报告中提取的观点来指导运营。那么问题来了，如何用数据分析来指导数据决策？
数据分析报告思路(本文从移动终端角度切入)基于我对数据分析的理解，我把数据报告分为三类:市场分析、运营分析、用户行为分析。
市场分析
一般来说，市场分析是定性和定量分析。最近热播剧《我的前半生》和《唐静的职业》的贺信是咨询公司的。一般他们会用访谈和问卷的方式，发一份市场分析报告，告诉客户自己的市场份额和消费者的看法。
这里我们以移动互联网数据的市场分析为例。一般来说，数据来源是公开数据或者第三方的数据。我们说过，当sdk嵌入到开发者的应用中时，可以收集安装和使用列表。然后，开发者使用的SDK越多，我们可以收集的数据源就越多，这样就可以形成安装类app和使用类app的排名。这里说的覆盖率和活跃率也是一个意思，比如:这个应用的安装量和使用量占整个金融品类的安装量和使用量。
然后，这些市场分析的作用一般是对公司营销的总结。比如某金融公司的kpi是为了获客，他们做了一系列的营销。我们可以在下个月的排名中找出这款应用的安装量。比上月高吗？我们的竞品性能怎么样？他们是不是也做了一些营销活动，排名上下？我们都可以通过市场分析和竞品分析来观察，但这部分的观点是市场数据，只能通过大量的官网搜索活动或互联网广告炒作营销来推测竞争对手排名上升是否与这些营销活动有关。
同时，根据市场的走势图，可以发现潜在的竞争对手。举个例子，我们可以看到下图中的工行，因为其手机属于高覆盖高活跃度群体，所以安装xxapp的活跃人数最高。因此，xx银行无疑是所有银行集团的潜在竞争对手。需要更加关注他们的营销策略。
业务分析
移动互联网提出的方法论:3A3R。我之前做咨询的时候，这个方法论也可以应用到网络分析上。综上所述，3A3R是:
感知→获取→活动→获取→收入→传播→感知
这里需要注意的是，运营分析只是一个公司的基准线，产品经理、运营人员、营销人员可以根据自己公司的数据做出合理的决策。同时，运行数据只是一个参考或警告。具体来说，具体细节需要分析，比如app是否改版，如何改版？需要哪个渠道合作？
(1)认知感知
根据广告投放的数据，目的是判断渠道广告页面对app或网站的引流，同时可以帮助广告主设计监测表格，从数字角度衡量广告投放效果。
但是广告数据一般在广告监测公司手里，或者在GA等公共工具上。我们需要依靠广告公司来设计营销链接，比如活动页面，添加监控代码，或者在媒体和应用商店中添加代码来监控广告效果。通常，这种数据很难加载，通常由应用商店或媒体提供。同时，上述数据和监测公司数据一般不提供给广告主，只提供统计值，这
言归正传，我们看看感知数据。其实目的是衡量我们大量的营销资金是否花对了。广告展示和点击量是衡量一家公司广告营销部门业绩的最佳尺度。没有广告，不能带来客户，所以花的钱不值。它能带来多少客户，下一次收购就发生了。
(2)客户的获取
获得客户是广告扩张的第一步。用户点击广告，然后去应用商店或登陆页面下载应用。访问网页后，登录app后的数据是广告公司或app store无法提供的数据，所以获客其实有两个目的。
1.目的:衡量第一步提供的数据是否准确，即渠道是否作弊。
2.来判断渠道的好坏。
3.目的:判断营销活动是否有效。
比如下图，我们发现40%的用户的搜索流量比上个月增长了6%。我们需要增加与sem的合作吗？在媒体推荐渠道，我们通过渠道衡量客户转化率，点击-用户激活，激活注册转化，能否重点增加与某应用商店的合作？
下图是目的3的应用，衡量新用户和活跃用户是否受到活动营销、广告、版本变化等的影响。三个月内。比如7月28日，改了版本，增加了新用户利器。然后产品经理需要分析这个版本到底有什么变化，让用户增长这么快，8月份的营销活动唤醒沉睡的用户，体现运营商的业绩。那么，在推广活动时，是否可以借鉴8月的成功经验呢？这一成功经验需要进一步的专题分析。
(3)活动活跃。
在接到客户后，我们希望看到我们的新增和活跃用户的表现，所以活跃是第三步，实际上是为产品经理修改app或页面提供数据支持。
主动分析可以参考以下三个步骤:
首先从页面浏览量和独立访客数来圈定主页面分析。
比如一个app的首页是PV，UV最高。我们将重点分析主页。
其次，根据圈出的页面，做一个点击热图，方便产品经理为后续的页面改造提供数据支持。比如我们可以在下一个版本中删除点击量小的按钮，对点击量大的按钮重新排序。
再次，根据圈出的页面，做一个点击热图，方便产品经理为后续的页面改造提供数据支持。比如我们可以在下一个版本中删除点击量小的按钮，对点击量大的按钮重新排序。
(4)保留率保留率分析&收入&参考
这些其实很多企业都用不上。下面简单解释一下。
①保留
用户积累到一定数量后，我们想看到用户粘性，所以来留存。一般我们更多的是在衡量活动效果的时候使用，看看用户在这个活动之后是否还会使用我们的app。但由于金融类app属性不会像游戏类应用一样每天都被访问，所以留存在实际应用中不会被使用太多。下面的例子是演示，这里就不赘述了。
②收入
这些剩余客户为公司贡献了多少现金？看收入步骤。一般公司不会把现金流数据放入统计平台，但是我们需要把用户贡献的流水量数据提出来供我们使用，方便人群划分。例如，下面简要分析一下:
参考传播:
最后，我们想让这些客户扩散；是最核心的口碑营销，即用户自发转发链接给其他用户，让他们下载app或者参与活动。所以营销会在下一步的传播中有所改变，但是传播会受到很多限制。比如没有奖励机制的口碑传播，转发量几乎为零。同时，通信测量困难，尤其是在大量互联网用户的基础上，会造成资源码的叠加，给系统带来负担。所以一般企业不会设计这样的活动给营销人员参考。
用户分析如果大数据分析的核心其实是用户分析，就像我们前面说的，用户分析的流程如下:
也就是在数据收集的范围内，打通数据，打通客户和用户，精准营销。
首先，我们可以筛选的条件列表，我们可以通过应用条件、位置和标签条件来整合数据。整合的目的是刻画客户，确定营销策略。
比如我们要筛选金融客户(应用条件筛选)，出现在五星级酒店(位置条件)，是妈妈和宝宝(标签)。
但需要注意的是，条件越多，用户轮廓越清晰，人群越小。
其次，根据选取的人群，我们会做线上/线上统计或者模型多维分析。
比如根据选取的人群，我们发现男性多于女性，苹果手机属性最高，经常使用手机工具。那么我们就可以利用这部分目标人群来增加手机工具的合作，或者和苹果合作来获客，或者推广生活。
第三，整合以上数据分析，形成人群画像。
结束语
本文根据我多年从事数据分析的经验，总结出一体化的数据分析框架，其实就是简单介绍一下数据分析可以分析的点。当然，这需要大量的数据清理和行业知识。本文只是从数据分析角度的总结，内容的提炼其实可以拿出来详细分析，尤其是关于用户画像的章节。
