一、明确报告定位

报告就是向某一人群进行汇报，那么首先就要明确报告的对象，从报告对象的角度组织内容、结构，以及报告里各个模块的侧重点。

举例来说：

如果报告是面向公司领导层的，例如：公司业务线的例行汇报，或是向产品线leader汇报新产品或新版本的表现；这时候报告要突出的就是关键指标有没有达到预期，各个关键指标为什么是这个表现，需要通过拆解成细化的指标来简要说清楚问题出在哪里，或是优秀表现的原因是什么，最后总结团队下一步的改进计划。

如果是面向团队的业务同事的，那报告的侧重点就在于挖掘问题点，并提出改进方案或建议，要起到的是用数据驱（che）动（pi）团队的作用。

如果是对外公开的报告，则一般侧重的是结果和趋势，而不是过程。这一类就是咨询机构们公开发布的那些报告的范式了。

二、拆解核心指标，建立数据模型

明确了报告的定位之后，那么就可以结合报告定位和产品目标、活动运营目标等指标，对核心指标进行拆解，形成报告的数据模型。

例如：如果是电商类产品，并向领导汇报，那么可能核心指标就是GMV，GMV是用户数乘以客单价，那么我们一步步进行拆解就如下图所示：

需要指出的是：报告的核心指标和拆解是动态的，在产品的不同阶段，数据模型也需要进行调整。

例如：一个产品中前期阶段关注的可能是用户规模，到达一定用户规模之后，就需要开始重点关注用户价值了，而数据模型也就需要随之调整。

三、数据的整理和分析

1. 数据的获取

数据的来源比较多，需要根据不同指标的需要，选取稳定可靠的数据来源。

常见的数据来源包括：

• 公司自有数据统计系统；

• 第三方数据统计平台，例如：友盟、百度等；

• 第三方业务平台，例如：广告联盟等；

• 公开的数据源。

其中有很多数据是有多个来源的，例如：用户的基础数据一般公司自行统计和第三方平台都有，而对外合作的数据则是自行统计和第三方业务平台都有。

对于和钱有关的数据，例如：订单数、金额明细等，一般来说必须要有严格的对账系统来核对和平账。

但对于用户数据出现差异，一般需要对统计口径和统计方案进行分析，如果是统计手段层面造成的差异则可以忽略。

这里需要注意的是，如果一个数据来源出现大幅异常波动，往往可以借助另一个数据来源进行对比分析，如果两边是同方向、同幅度的波动，则要从业务角度去分析，如果两边差异很大，则很可能是数据统计源头出了问题。

2. 数据的整理、清洗

数据的整理和清洗主要是排除脏数据和统计异常的数据、对数据进行结构化处理等等，这里就不展开了。

3. 分析数据：重要的是思维

对于数据分析，思维比工具和手段重要，首先要明确想找到什么问题，再提出假说然后依据假说去排查，而不是在海量数据中无目的查找问题。

分析的步骤，我认为个家的总结已经非常到位，这里罗列如下，有兴趣的可以读下《数据分析能力的核心是思维》一文详细了解。

4. 分析数据的方法

拆解法：

对一个大问题拆分为更小粒度的指标，如果没有发现问题则继续往下拆解，直到发现问题所在为止，从而寻找到对应的解决方案。

BCG矩阵：

根据不同业务场景，选取两个坐标作为坐标轴，从而把业务或用户划分为不同的类型进行分析。

同比分析法：

将各个业务相同类型的数据放在一起比较。

用户分析：

用户分析包括了使用广度、使用深度、使用粘性等指标，这些指标一般是若干用户指标的组合，例如：使用广度就包含了总用户数和MAU等，使用深度就包含了使用时常、停留时间等。

分析数据的方法有很多种，需要根据报告定位和目标的需要适当选取。

一份产品月报的撰写

我这里以一份产品月报的撰写为例，供大家参考数据报告的撰写。

首先这是一份面向领导汇报的产品运营月报，因此需要突出核心指标的完成情况，以及拆解的二级、三级指标的情况，从而从上到下分析本月指标的完成情况。

其次，这是一个电商导购类的产品，因此在报告的第一项，就是依据产品特性，对数据指标进行拆解和建立数据模型，从而让读者一目了然知道报告的内容框架，以及各项数据的完成情况，之后才是逐步展开进行汇报，便于说清楚具体情况、问题点、改进计划。

指标拆解示例：

目前MAU量级数百万，因此产品阶段还侧重在用户增长，其次才是收入；

监控指标根据实际情况可以随时调整，以便说明问题。

数据总表示例：

拆解完数据指标，建立模型之后，就是要展示出重点的数据、形成数据总表，从而让报告的阅读者一目了然知道核心指标完成情况，以及哪些数据超出预期、哪些数据出现问题。

如下表所示，未达预期部分的目标完成度加黑，引导大家聚焦在问题的分析上：

核心指标示例：

指标的展示有以下几点需要注意：

图形样式需要根据报告的汇报侧重点来选取，例如展示体量变化可以用柱状图、展示趋势可以用折线图、展示不同业务同一指标的对比可以用簇状柱图等等；

一个表格最多展示一个主要数据和一个次要数据，例如：MAU+环比增长率；

数据情况的原因说明最好不超过2个，切忌罗列一堆原因，让阅读者找不到重点。

核心指标拆解分析：

如上例核心指标为MAU，则需要对当月活跃用户的构成进行分析，并可以顺便带出月留存率。

渠道分析示例：

这里以渠道新增分析示例，适合于对比多个同类数据的情况，例如同时查看免费渠道和付费渠道的新增用户情况。

且由于更关注免费自然流量新增，因此还可以再带上免费新增的增长折线便于解释说明。

由于重点是免费渠道，因此可以继续对免费渠道进行详细分析：

留存用户分析示例：

留存用户的分析，除了分析总留存人数之外，还常用如下的梯形表格分析动态时间周期内的留存率变化情况：

人均活跃天数示例：

人均活跃天数是考察用户活跃情况的重要指标，一般用折线图来展示变化趋势：

人均活跃天数同样可以根据业务需要，继续细化分析不同渠道、不同机型、不同操作系统等等的详细数据。

收入统计示例：

收入类型的统计，比较适合先用一个总表展示出整体的情况，然后再细分不同的收入指标，选择合适的图表进行展示：

总结

产品数据报告的撰写，首先要基于阅读者和产品核心指标的分析，对指标进行拆解和建模、确定整个报告的内容框架和侧重点，然后对数据进行整理、分析和制表，最后的工作才是对报告