來源：趣店技術團隊
能不能寫一份優秀的分析報告，是衡量分析師的重要標準。
除了不同場景下特定的分析邏輯，怎麼把分析報告寫的更好，其實是有成體系方法論的。
今天給大家分享一篇關於資料分析報告規範的乾貨。
01 結構規範及寫作
報告常用結構：
1. 架構清晰、主次分明
資料分析報告要有一個清晰的架構，層次分明能降低閱讀成本，有助於資訊的傳達。雖然不同型別的分析報告有其適用的呈現方式，但總的來說作為議論文的一種，大部分的分析報告還是適用總-分-(總) 的結構。
推薦學習金字塔原理，中心思想明確，結論先行，以上統下，歸類分組，邏輯遞進。行文結構先重要後次要，先全域性後細節，先結論後原因，先結果後過程。對於不太重要的內容點到即止，捨棄細枝末節與主題不相關的東西。
2. 核心結論先行、有邏輯有依據
結論求精不求多。 大部分情況下，資料分析是為了發現問題，一份分析報告如果能有一個最重要的結論就已經達到目的。精簡的結論能降低閱讀者的閱讀門檻，相反太繁瑣、有問題的結論100個=0。報告要圍繞分析的背景和目的以及要解決的問題，給出明確的答案和清晰的結論；相反，結論或主題太多會讓人不知所云，不知道要表達什麼。
分析結論一定要基於緊密嚴謹的資料分析推導過程，儘量不要有猜測性的結論，太主觀的結論就會失去說服力，一個連自己都沒有把握的結論千萬不要在報告裡誤導別人。
但實際中，部分合理的猜測找不到直觀可行的驗證，在給出猜測性結論的時候，一定是基於合理的、有部分驗證依據前提下，謹慎地給出結論，並且說明是猜測。如果在條件允許的前提下可以透過調研/回訪的方式進行論證。
不迴避 “不良結論” 。 在資料準確、推導合理的基礎上，發現產品或業務問題並直擊痛點，這其實是資料分析的一大價值所在。
3. 結合實際業務、建議合理
基於分析結論，要有針對性的建議或者提出詳細解決方案，那麼如何寫建議呢？
首先，要搞清給誰提建議。 不同的目標物件所處的位置不同，看問題的角度就不一樣，比如高層更關注方向，分析報告需要提供業務的深度洞察和指出潛在機會點，中層及員工關注具體策略，基於分析結論能透過哪些具體措施去改善現狀。
其次，要結合業務實際情況提建議。 雖然建議是以資料分析為基礎提出的，但僅從資料的角度去考慮就容易受到侷限、甚至走入脫離業務忽略行業環境的誤區，造成建議提了不如不提的結果。因此提出建議，一定要基於對業務的深刻了解和對實際情況的充分考慮。
再進一步，如果可以給出這個建議實施後的收益，下單轉化提升多少、交易提升多少、能節省多少成本等，把價值點直接傳遞給閱讀物件。
Tips：嘗試站在讀者的角度去寫分析報告，內容通俗易懂，用語規範謹慎。 如果彙報物件不是該領域的專家，就要避免使用太多晦澀難懂的詞句，同時報告中使用的名詞術語一定要規範，要與既定的標準（如公司指標規範）以及業內公認的術語一致。02 資料使用及圖表
資料分析往往是80%的資料處理，20%的分析。大部分時候，收集和處理資料確實會佔據很多時間，最後才在正確資料的基礎上做分析，既然一切都是為了找到正確的結論，那麼保證資料準確就顯得格外重要，否則一切努力都是誤導別人。
1. 分析需要基於可靠的資料來源
用於鑑別資訊/資料的可靠性，主要有四種方法：同類對比、狹義/廣義比對、相關對比和演繹歸謬。
- 同類對比： 與口徑相同或相近，但來源不同的資訊進行對比。
- 示例： 最常見就是把跑出來的資料和報表資料核對校驗。
- 狹義/廣義對比： 透過與更廣義（被包含）或更狹義（包含）的資訊進行對比。
- 示例： 3C品類銷售額與商城總銷售額比較，3C的銷售額更高顯然是錯誤的，因為商城總銷售額包含3C銷售額；某些頁面/頻道的UV與APP總UV比較也類似。
- 相關對比： 透過與具有相關性、關聯性的資訊進行對比。
- 示例： 某平臺的Dn留存率，對於同一個基準日期來說，D60留存率一定低於D30留存率的，如果出現大於的情況，那就是錯誤資料了。
- 演繹歸謬： 透過對現有證據的深入演繹，推匯出結果，判斷結果是否合理。
- 示例： 比如某平臺的銷售客單價2000左右，總銷售額1億左右；計算得出當日交易使用者數10萬，透過乘以客單價，得到當天銷售額2億，顯然與業務體量不符，為錯誤的資料。
Tips： 以上都是常用的方法論，最核心是足夠了解業務，對關鍵指標資料情況瞭然於心，那麼對資料準確性的判斷水到渠成。對此，建議是每日觀測核心業務的資料情況，並分析波動原因，培養業務理解力和資料敏感度。
2. 儘量圖表化，提高可讀性
用圖表代替大量堆砌的數字，有助於閱讀者更形象直觀地看清楚問題和結論，當然，圖表也不要太多，過多的圖表一樣會讓人無所適從。
讓圖表五臟俱全，一張圖必須包含完整的元素，才能讓閱讀者一目瞭然。標題、圖例、單位、腳註、資料來源這些圖表元素就好比圖表的五臟六腑。
要注意的條條框框。
- 首先，避免生出無意義的圖表。 決定做不做圖的唯一標準就是能否幫助你有效地表達資訊。
- 第二，不要把圖表撐破。 最好一張圖表反映一個觀點，突出重點，讓讀者迅速捕捉到核心思想。
- 第三，只選對的，不選複雜的。
- 第四，一句話標題。
常見的圖表型別選擇：
圖表使用Tips：
折線圖： 選用的線型要相對粗些，線條一般不超過5條，不使用傾斜的標籤，縱座標軸一般刻度從0開始。預測值的線條線型改為虛線。
柱形圖： 同一資料序列使用相同的顏色。不使用傾斜的標籤，縱座標軸一般刻度從0開始。一般來說，柱形圖最好新增資料標籤，如果添加了資料標籤，可以刪除縱座標刻度線和網格線。
條形圖： 同一資料序列使用相同的顏色。不使用傾斜的標籤，最好新增資料標籤，儘量讓資料由大到小排列，方便閱讀。
餅圖： 餅圖使用場景相對少，如需使用，注意以下事項：把資料從12點鐘的位置開始排列，最重要的成分緊靠12點鐘的位置。資料項不要太多，保持在6項以內，不使用爆炸式的餅圖分離。不過可以將某一片的扇區分離出來，前提是你希望強調這片扇區。餅圖不使用圖例。不使用3D效果。當扇區使用顏色填充時，推薦使用白色的邊框線，具有較好的切割感。
警惕圖表說謊
虛張聲勢的增長： 人們喜歡研究一條線的發展趨勢，例如股市、房價、銷售額的增長趨勢，有時候為了吸引讀者故意誇大變化趨勢，如圖1透過截斷數軸誇大增長速度，從正常數軸的圖2看到增長是緩慢的。
3D效果的偽裝： 3D圖形容易造成視覺偏差，如圖1有3D效果，看上去 A->B->C->D->E依次遞增，實際是D>E，要格外小心圖表的偽裝。
03 常見資料分析誤區
“用資料說話”，已經成為一種流行語。
在很多人的心裡，資料就代表著科學，科學就意味著真相。“資料不會騙人”，也成了說服別人時常用的口頭禪，事實果真如此嗎？讓我們來談談那些常見的誤區。
1. 控制變數謬誤
在做A/B測試時沒有控制好變數，導致測試結果不能反映實驗結果。或者在進行資料對比時，兩個指標沒有可比性。舉個例子，為測試不同營銷時間點對下的轉化的影響，但A實驗使用簡訊營銷、B實驗使用電話營銷，未控制變數（營銷方式），導致實驗無法得出結論。
2. 樣本謬誤
樣本量不夠
統計學的基礎理論基石之一就是大數定律，只有當資料量達到一定程度後，才能反映出特定的規律。如果出現樣本量極少的情況，建議把時間線拉長，獲得足量的樣本。或者將不重要的限定條件去掉，增加樣本數。
存在選擇性偏見或者倖存者偏見
統計學的另一大理論基石是中心極限定理。簡單描述就是，總體樣本中，任意一個群體樣本的平均值，都會圍繞在這個群體的整體平均值周圍。
舉個例子，在應用升級期間，衡量登入使用者數、交易使用者數等指標，來判斷使用者對新版本的喜歡是否優於老版本。聽上去非常合理，但這裡實際就隱藏了選擇性偏見，因為新版本釋出時，第一批升級上來的使用者往往就是最活躍的使用者，往往這批使用者的指標較好，但不代表新版本更好。
混入髒資料
這種資料的破壞性比較大，可能得出錯誤的結論。通常我們會採用資料校驗的手段，遮蔽掉校驗失敗的資料。同時，在分析具體業務時，也要針對特定業務，對所使用的資料進行合理性限定，過濾掉異常離群值，來確保擁有比較好的資料質量。
3. 因果相關謬誤
會誤把相關當因果，忽略中介變數。比如，有人發現雪糕的銷量和河溪溺死的兒童數量呈明顯相關，就下令削減雪糕銷量。其實可能只是因為這兩者都是發生在天氣炎熱的夏天。天氣炎熱，購買雪糕的人就越多，而去河裡游泳的人也顯著增多。
4. 辛普森悖論
簡單來說，就是在兩個相差較多的分組資料相加時，在分組比較中都佔優勢的一方，會在總評中反而是失勢的一方。
5. 個人認知謬誤
主觀臆斷、經驗當事實、個體當整體、特徵當全貌、眼見當事實。
舉個主觀臆斷的例子：某個產品A頁面到B頁面的轉化率30%，直接判斷為很低，推匯出可以提高到75%。但實際類似產品或者使用者行為決定頁面的轉化率就只有這麼高，得出一個錯誤的結論。
標準至關重要，資料+標準=判斷。有了判斷才能深入分析。 透過分組對比找標準（象限法、多維法、二八法、對比法），有標準透過分析對比，找到“好/壞”的點。
統計學規律和理論不會錯，犯錯的是使用它的人。 因此，我們在進行資料分析時，一定要格外小心，錯誤的資料，披上科學的外衣，就很難分辨了。
文章連結：https://mp.weixin.qq.com/s/NhP4gcDtnfXq4naq4Ze9NQ
※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。各位也可以關注我的Facebook，按讚我的臉書並私訊「10」，送你十週入門數據分析電子書唷！期待你與我互動起來~
