登录|注册|帮助中心|联系我们

导航
首页 综合百科 生活常识 数码科技 明星名人 传统文化 互联网 健康 影视 美食 教育 旅游 汽车 职场 时尚 运动 游戏 家电 地理 房产 金融 节日 服饰 乐器 歌曲 动物 植物
当前位置:首页 > 教育

分析报告格式(如何做一套有效的数据分析报告)

发布时间:2022年12月26日责任编辑:林大生标签:如何数据格式

分析报告格式(如何做一套有效的数据分析报告)

一、什么算具体问题

很多同学在提问的时候,喜欢用这种问法:

    类型1:老师,有没有互联网行业的分析思路

    类型2:老师,有没有用户画像分析思路

    类型3:老师,有没有归因分析的思路

    那么,这三种算不算具体问题呢。

    不算!

    随便问几个问题:

      谁要看这个分析?

      他看了能干啥事?

      到底是什么业务的分析?

      这个业务到底有没有数据?

      现有的数据是否足够用XX方法?

      什么都不知道。当然不能算是具体问题了。所谓:量体裁衣、看菜下饭。如果从源头上,分析的问题都不够具体,那也就无法确认:到底分析结果能不能让人满意。最后输出结果的时候就是拆盲盒,要么稀里糊涂过关,要么莫名其妙被批。

      一个具体的问题,至少包括下述三个层面:

        人:谁需要这个分析?

        事:业务场景是什么?

        数:数据有多少、质量如何?


        二、谁需要做分析

        相当多场景下, 数据分析是做给别人看的。领导/同事/客户/公众都有可能。想要做出来的分析符合需求,就得知道对方想要什么。

        识别分析对象,要看五个方面:

        身份:指的是听分析的人是什么部门的。部门决定了需求人所关注的工作流程、工作KPI以及对应的工作情况。了解了部门基本能初步判断需求人的关注点。

        等级:部门领导、组长、小兵关注点肯定有区别。了解了等级差异,能更好地追踪到真正的需求发起人,避免被一个听风就是雨的下属搞得团团转!

        技术能力:到底对数字化、数据采集、数据分析了解多少。实际上,在数据分析领域的头号问题,就是:不懂数据的领导/同事对数据模型日益增长的幻想,与基础数据采集、基本业务流程数字化建设落后之间的矛盾。如果发现对方懂得少,趁早停止吹牛逼,扔掉复杂的方法。否则吹得越大,摔得越惨。

        分析动机:有相当多的人,做分析不是想了解真实情况,而是为了达成自己的目的。想借机邀功的,想甩锅的,想争取资源的。因此,弄清楚提需求的人到底屁股坐在哪里,非常重要。否则不管怎么做,他都不收货。

        基础认知:到底他对业务现状,在数据上的表现,了解多少。实际工作中,相当多的人没有基础认知,遇到事凭着心情、媒体报道、领导只言片语、顾客投诉等等碎片化、感性的信息下判断。一开始判断就是错的,给出来的分析需求肯定是错的。

        在工作中,很多同学觉得很委屈:

          “为什么总说我不深入”

          “为什么波动这么点还要纠结”

          “为什么总是分析结果总改来改去”

          归根到底,都是没有整明白人的问题。面对客观、理性、有逻辑的人,可以一板一眼地分析;面对主观、感性、不讲理的人,就得用非常手段。单靠书本上教的代码或者共识,可应不了他们。


          三、业务场景是什么

          所谓业务场景,是:达成一个业务目标的所有业务动作的合集。业务场景也分宏观、中观、微观(如下图):

          中观的部门分工与跟人员角色是一致的。因此在实际沟通汇总,先定了需求人,再结合其部门、职责分析问题场景,就很容易。对于在甲方上班的同学尤其如此,知道对方的部门和职位,就大概能判断对方的场景是啥。

          对于陈老师这种乙方公司的,就得很细心地了解情况,从对方的行业、商业模式、部门分工、业务流程、系统流程,一点点去梳理,避免因为名字不同,导致的理解误差。

          在这里很多同学会偷懒,经常说:老师,我是互联网/传统行业,你告诉我互联网/传统行业的通用知识就好了。

          这种大而全的通识,根本就不存在。就拿医疗行业举例子,陈老师接触的客户里,以下风马牛不相及的所有人,都管自己叫:健康产业。大家看完,觉得这帮人能不能共识一个健康行业的通用标准出来……

          (如下图)

          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套各种模式,商业模式、产品类型、部门分工三个是必须了解的。如果讨论具体一个产品功能/营销活动这些细节,则要细化到三大流程里去讨论。生搬硬套,只会落得一句:你这分析根本不符合我们实际。

          当然,也没必要神话细节,认为每个场景都独一无二,叫嚣:“你没有在这一行干50年,赚1个亿,你就没资格做分析”。在业务场景的宏观、中观、微观的每个层级上,同一层级,同一类型,是有很多相似之处的。

          比如:l都是B2B+冷链供应的场景,医药和生鲜就很像

            都是B2B+电话销售的场景,卖广告还是卖招聘差异不大

            都是B2C+分销销售的场景,保险和微商又有多大区别

            具体到某一个层级+某一类型场景后,相似点多,很多分析经验就能套用。这种感受,在乙方的同学会比较深刻,特别是像陈老师这种老乙方,见多了各种场面,灵感自然源源不断。

            业务场景,和数据采集形式,数据丰富程度,数据质量直接相关。业务场景,也和分析思路直接相关,落实到业务场景里,才能抓住真正业务问题,提出有价值的建议。


            四、数据质量如何确认

            数据分析最怕什么,答:没数据。而数据的多少,是直接由业务场景的数字化程度决定的。数字化程度低,没有数据,就是没法分析。

            这一点在B2B类业务中尤其明显!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)

            有系统支持和对应的管理流程,任何行业都能做到像互联网行业一样的分析!

            但实际上,常常是这个鸟样

            所以,B2B类业务的同学说:老师,为什么我分析不深入?答:因为你没数据呀。甚至数字化程度低到,连客户标签库都没有。只有一个未经处理的,汉字组成的客户企业名+签约订单。这要是能分析出个子丑寅卯来就见鬼了。

            类似的情况在B2C业务里也很常见。比如用的是淘系、抖音的后台,看不到明细数据;比如自建的商城埋点不够(特别是仓促上的活动页),总之没有米,肯定煮不了饭。

            基础数据采集仅仅是第一步,数据质量还受到业务方动作的影响。原本没有数据的流程,只要业务方肯做,就能一定程度采集上来数据。因此只要有机会,数据部门应该全力以赴推动业务流程数字化,把短板补上。

            原本正常的指标,业务方做个动作就能把形态扭曲,因此不了解业务方做出的动作,不考虑业务影响,是无法做出准确分析的。经常是做完了以后落得一句:我早知道了。

            综上,这里要确认的数据质量,不仅仅指的是数据库的脏数据,而是从源头上有下面三者一起努力,才能做到:有数可用,有米下锅。后边的分析才能做得深入,精确。

              业务流程中,有多少数据被采集

              业务流程中,有多少数据被操控,怎么控制的

              业务流程中,有多少潜在数据,能被捞回来

              以上,我们只是简单分享了一下:具体问题到底咋个具体法,就拖了这么长的篇幅。实际上,制约很多同学做出深入分析的原因,就是简简单单的:见识太少了。连别人在做什么都不知道,怎么分析呢?

              而相当多分析类书籍或者文章,要么只是在理论层面坐而论道,要么试图用一个大而全的概念去归纳宇宙万物,整什么:核心逻辑、底层思维,最后试图用几个很简单的词(什么对比思维、分解思维)解释万事万物。这种东西看多了,只会越来越虚化,更没法具体问题、具体分析了。

              我总结的数据源可分类三类:

              (1)一方数据:用户事实数据

              例如用户在某金融机构购买的理财产品,时间,哪个出单口,姓名,电话等,或者运营数据,例如某互联金融app,用户操作行为数据

              (2)二方数据:其实这部分叫做广告投放数据

              例如,广告展示量,活动页点击量,广告来源等。也有公司将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此数据和人群数据整合构建自己dmp这样的公司一般宣称为第三方公司,三方数据

              (3)三方数据:行业数据,也叫公开数据

              例如行协的数据,或者互联网行为数据,例如某互联网公司用户在此网站的行为数据,或者嵌入sdk的app后我们能采集到的安装活跃列表,以及可采集到线下数据。

                打通:其实就是利用关键点的采集整合一二三方数据。例如我们可以通过手机号将一方和三方数据整合,或者利用cookie,或者imei号等将二方、三方数据整合。但是由于现在监管制度对手机号敏感数据的控制,以及互联网和移动端数据的跨平台打通技术难点,我们现实的匹配率很低,例如一方和三方的数据匹配达到20%其实就算比较不错的情况,当然运营商数据除外。

                找寻规律:目标就是数据清理,从非结构化数据变成结构化数据,以便统计,数据探索,找寻规律,形成数据分析报告观点。本文将会在第三部分阐述。

                立即决策:将数据分析报告中的观点系统化或产品化,目前而言,大部分公司还是会依靠人工决策。

                为什么需要大数据分析?看上去大数据分析似乎按照这些步骤来,但是从第一步的数据源来说,其实已经反应了大数据的特点,就是杂乱无章,那么怎么从这些数据找寻规律,分析的内容和目标是否对应上,似乎就是我们需要大数据分析的理由

                现在,大数据的分析通常采用的数据报表来反映企业运营状况,同时,对于热点,人群分析,我们看到的统计值,目标核心都是用数据分析报告提炼的观点来指导运营,那么问题来了,怎么用数据分析来指导数据决策呢?


                数据分析的报告思路(本文从移动端的角度进行切入)

                基于我对数据分析的理解,我将数据报告会分成三大类:市场分析、运营分析、用户行为分析。


                市场分析

                由于市场分析一般而言是定性、定量分析,最近热播剧《我的前半生》贺函和唐晶的职业就是来去咨询公司的一般会以访谈、问卷调查来一份市场分析报告去告诉客户他们的市场占有量,消费者观点等。

                这里,我们以移动互联网数据的市场分析为例,通常来说,数据源是公开数据,或者在第三方数据。正如我们所讲,将sdk嵌入开发者应用,就可以收集到安装以及使用列表,那么开发者使用的sdk越多,我们能收集的数据源也越多,这样就可以形成安装app排名,使用app排名,这里面所说的覆盖率、活跃率也是这个意思,例如:即此款应用安装量、使用量在整体金融类的安装量、使用量占比。

                那么,这些市场分析的作用呢,一般而言,是对公司市场营销的总结,比如某金融公司kpi是为了获客,他们做了一系列营销,下个月排名我们可以查询到此款应用的安装量,是否较上个月上升呢? 那么我们的竞品表现呢,他们是不是也做了一些列的营销活动排名上升下降?我们都可以通过市场分析,竞品分析来观测,但是这部分的观点由于是市场数据,我们只能通过大量的搜寻官网活动,或者互联网广告推测营销来推测是否竞争对手排名上升和这些营销活动有关。

                同时,根据市场的走势图,我们能发现潜在的竞争对手,例如:我们能看出下图中的工商银行由于手机属于高覆盖高活跃组,即安装xxapp活跃人群也是最高的,因此,无疑xx银行是所有银行组潜在竞争对手。需要更加注意他们的市场策略


                运营分析

                移动互联网提出的方法论:3A3R,笔者之前在做咨询的时候,此方法论也可以将网站分析套用,总结来说3A3R就是:

                感知 → 获取 → 活跃 → 获取 → 营收 → 传播 → 感知

                这里需要注明下,运营分析只是一个公司的baseline,让产品经理,运营人员,市场人员根据自己本公司的数据参考做出合理的决定,同时,运营的数据只是参考或者叫警示,若要具体,需要特定细节的分析,例如是否app改版,怎么改?需要增加哪家渠道合作?

                (1)Awareness 感知

                根据广告投放数据进行分析,目的判断渠道广告页对app 或者网站引流情况,同时可以帮助广告主设计监测表格,以数字角度衡量广告投放效果

                但是,广告数据一般而言在广告监测公司手中,或者公开的使用工具上例如GA,我们需要依靠广告公司设计营销环节,例如活动页,加监测代码,或者在媒体,app应用商店加入代码便于监测广告表现,而往往这样的数据很难加载,一般是由应用商店,或者媒体提供,同时,以上数据,监测公司数据一般而言也不会提供给广告主,只是会提供统计值,这部分的分析我会在之后详细写出,欢迎大家关注我的运营号

                言归正传,我们看感知数据其实目的就是想衡量我们的大量的营销投放钱花的对不对,广告的展示量,点击量等是最好衡量一个公司的广告市场部门绩效,没有广告投放,就无法带来获客,因此钱花的值不值,能带来多少客人,才会有下一步 acquisition。

                (2)Acquisition 获客

                获客是第一步广告投放拓展,用户点击广告后到达应用商店或者着陆页后去下载app,访问网页后,登陆app后的数据是广告公司或者应用商店提供不了的数据,因此获客其实有两重目的。

                  目的1:衡量第一步提供的数据是否准确,即是否渠道作弊

                  目的2:判断渠道是否好坏

                  目的3:判断营销活动是否有效

                  例如下图中,我们发现4成用户是搜索流量较上个月增加了6%,是不是我们需要增加和sem的合作呢?而在媒体引荐渠道中,我们通过渠道衡量客户转化率,点击-用户激活的,激活的注册转化,可否重点对某应用商店增加合作

                  下图是目的3的应用,来衡量三个月内的新增用户,活跃用户是否受活动营销、广告投放、版本更迭等影响。例如:7月28日的版本更迭,增加新用户的利器,那么产品经理需要分析下这个版本到底哪里的改变,让用户增长这么快,而8月份的营销活动会唤醒沉睡用户,反应考核运营人员的绩效,那么,是否我们在做促活时候可以借鉴8月的成功经验呢?而这个成功经验需要进一步做专题分析

                  (3)Activities 活跃

                  获客后,我们想看看我们的新增、活跃用户的表现情况,那么就到了第三步 活跃,其实就是为产品经理改版app或者页面提供数据支持

                  活跃分析可参考以下三个步骤:

                  第一:从页面浏览次数,独立访问人数,来圈定主要页面分析。

                  例如某款app首页是pv,uv最高,我们会重点分析首页。

                  第二:根据圈定页面,制作点击热力图,便于产品经理对后续页面改造提供数据支持,例如我们可以将点击量小的按钮在下次改版删除,对点击量大的重新排序

                  第三:根据圈定页面,制作点击热力图,便于产品经理对后续页面改造提供数据支持,例如我们可以将点击量小的按钮在下次改版删除,对点击量大的重新排序

                  (4)Retention留存分析& Revenue & Refer

                  这几个实际上在企业运用的并不多,这里简要说明下。

                  ① Retention

                  用户积累到一定数量后,我们想看下用户粘性,那么我们就来到retention,一般是衡量活动效果时候运用的比较多,来看此次活动过后,是否用户依旧会使用我们的app,但是由于金融app属性不会像游戏应用每天进行访问,因此Retention 在实际应用中不会太多,下面的例子是个展示,不做赘述

                  ② Revenue

                  这些留下来的客户给公司贡献多少现金呢?会看收入步骤, 一般公司不会将现金流数据放入在统计平台中,但是我们需要提出用户贡献的流水金额数据供我们使用,便于人群划分,例如下面简要分析:

                  Refer 传播:

                  最后,我们想让这些客户进行传播;核心是口碑营销,即用户自发的转发给其他用户链接,让他们下载app或者参与活动,因此传播的下一个环节又会转换营销,但是传播会受到很多限制,例如没有奖励机制的口碑传播,几乎转发量为0,同时,传播若要衡量比较困难,尤其在大量互联网用户基础上,这样会造成资源代码叠加,系统负担,因此一般企业也不会设计这样活动让营销人员参考


                  用户分析

                  若说大数据分析的核心,其实就是在于用户分析,正如我们前面所讲,用户分析的步骤流程如下:

                  即在力所能及的搜集数据范围内,打通数据,客户用户,精准营销。

                  第一,我们可以筛选的条件列表,我们可以通过应用条件,位置,标签条件将数据整合,整合的目的就是刻画客户,定出营销策略。

                  例如:我们想筛选金融客户(应用条件筛选),出现在五星级酒店(位置条件),且为母婴人群(标签)

                  但是需要注意的是,条件越多,用户轮廓越清晰,人群会越少。

                  第二,根据筛选的人群,我们将线上/线上统计化,或者建模多维度分析。

                  例如,我们根据筛选的人群,发现男性多于女性,苹果手机属性最高,常手机工具使用,那么我们可以将这部分目标人群用增加手机工具合作、或者和苹果合作获客或者促活。

                  第三,整合以上数据分析,形成人群画像。


                  结束语

                  这篇文章基于我多年数据分析的经验,总结的一体化数据分析框架,其实就是简单介绍下数据分析能分析能落地的几点。当然,这里面需要大量的数据清洗工作,以及对行业的认知,此篇只是从数据分析角度的概要,内容上的细化,其实可以单拿出来细细分析,尤其用户画像那章节。


其它知识推荐

溜溜百科知识网——分享日常生活学习工作各类知识。 垃圾信息处理邮箱 tousu589@163.com
icp备案号 闽ICP备14012035号-2 互联网安全管理备案 不良信息举报平台 Copyright 2023 www.6za.net All Rights Reserved