数据分析师在日常工作中，对数据进行整理、分析提炼要点、并将分析过程与结果写成一份通俗易懂的报告是必不可少的，也是一个优秀运营、产品、人力、数据等职场人的必备技能，是支持决策的依托。
数据分析报告是完成数据分析的最后一步，但是，对有的人来说，这也是最薄弱的环节，没有写作思路，内容毫无头绪。
今天，小联就来给大家分享一套超级实用的数据分析报告思路提升指南。
1
确定报告结构
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，一定要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。
总-分-总
（多用在整体结构）
这就是典型的结构，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：
①分析思路
对于这个问题，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。
②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：付费用户下降/人均付费金额下降
付费用户数下降分析：
a.付费用户数降幅是多少？绝对值，环比，同比数据
b.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：
●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。
A.原因分析
如果是付费用户整体下降，考虑可能的原因主要有：用户整体流失，比如用户流失；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。
B.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，提升注册转化率，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：
a.人均付费金额的降幅是多少？
b.绝对值，环比，同比数据
A.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。
B.提出策略
针对分析出的原因提出可落地的策略。
③总结问题
a.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）
b.提出有针对性的建议
c.如何预防再次发生
2
确定分析方法
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，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。
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：
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-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：
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，又能一目了然地看出变化趋势，如果不同指标之间呈现一定的相关性，那就是相当完美了。
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。
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，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。
