Excel商务数据分析与应用学习笔记||第二章设定分析目标

2.1 设定合理的分析目标

商务数据分析工作的第一个步骤设定分析目标。设定一个合理的分析目标之后，接下来要做的就是实现它；而那些在后续步骤中要完成的任务通常都有标准的技术解决方案和流程。如果目标不够清晰明确或者设定不合理，工作就会没有方向感，会因为重复和返工额外花费大量时间，还有可能根本得不到结果，或者即使得到结果，也很难得到在实践中应用的机会。

那么，数据分析师要如何判定一个分析目标是否合理呢？

1. 达成这个目标能够帮助业务人员明显提升现有的工作效率或效果，或者明确拓展业务边界。
2. 组织具备达成这个目标所需的资源，能够在合理的投入产出比下完成相关工作。这里所说的“资源”并不局限于分析工作必需的数据等，也包括实施数据解决方案所需的服务器，人力，时间等。
3. 这个分析工作的成果能够在实践中实施并看到效果，它可以被转化成业务决策和动作，并且执行这些决策和动作，并且执行这些决策的结果可以被记录下来形成数据，以衡量是否达到了目标

通过上面的标准可以发现，分析师想要设定好分析目标不但需要掌握数据科学的专业技术和理论知识，还要了解其所服务企业的竞争环境，运营概况，内外部的数据储备等情况。数据分析师只有将专业知识与这些具体的场景特点和资源限制结合在一起，才能找到通过数据驱动企业成长的最佳路径。这个工作较少涉及数据科学的专业技能，看似与专业工作关系不大，却是能够让分析师的专业工作获得最大限度产出与认可的基石。

得到一个合理的分析目标一般要经过图2.1所示的3个步骤。

1. 了解业务。所谓“知己知彼，百战不殆”分析师的工作也需要这样一个广泛调查摸底的阶段，它囊括行业，组织，数据应用的3个层面的工作，通常分析师在新进入一个行业或企业后，需要对这些情况进行一次详尽的调研；接下来在后续一段比较长的时期（可能是数月或数年，时间长短会因行业发展有所不同）内就可以持续利用这些内容。当然，也要注意随时根据新近掌握的信息补充和更新自己的知识结构。
2. 评价优先级。在完成第一个步骤之后，分析师通常会整理出非常多可以用数据解决的问题，公司各部门也可能会在交流的过程中提出各种问题，并希望能够得到分析师的帮助，但所有问题不可能同时得到解决，而且解决每个问题为业务带来的好处也是不同的，所以分析师要给问题排定解决的优先级。判断一个问题是否需要优先处理，要从数据专业的角度评价她是否应当做，根据现有的资源储备判断是否能够完成，还要考虑解决这个问题是否会给业务带来明显的改进，并进而为分析师（团队）赢得认可。如果在几个维度上都得到肯定的安安，这个问题就值得优先解决。
3. 明确分析目标。图2.1中列出了明确分析目标所包含的内容：不但要说明白做什么事情，要解决什么问题，还要说明按什么标准交付什么成果，怎么衡量这项工作的效果。

在设定分析目标的3个步骤中，前两个步骤是前期准备工作，在一段时间内，其内容通常是不会大变，无须在每个分析项目开始前都进行一次；最后一个步骤在每次开始商务数据分析项目都需要进行，分析师要根据问题和背景详细定义出具体的分析目标。

2.2 设定目标的前期工作：了解业务与评价优先级

2.2.1 了解业务

了解业务是数据分析工作的基础和开端，也是分析师（团队）作出明智决策必不可少的基础。企业的发展目标，业务的具体运营方式，执行中遇到的种种具体问题，环境和资源上的限制，都有可能成为数据分析工作的重要目标或重要影响因素。即使是专业能力非常强，从业经验非常丰富的专业人才，在不了解业务的情况也难以作出真正有影响力的工作。

如图2.1所示，数据分析师在这个环节需要对行业，组织，数据应用这3个方面对情况做充分的了解。并在此基础上从收集到的业务信息中提炼各种待解决的问题。这些通过了解业务而被发掘出来的问题就是了解业务阶段的输出成果，也是为下一个环节“评价优先级”输入的素材。下面从行业，组织，数据应用这3个方面逐一展开阐述。

1. 了解行业

行业情况包括组织所处行业的宏观环境，行业内的竞争情况以及可能影响行业发展的其他因素。研究行业情况的思路框架可以参考哈佛大学迈克尔·波特的“五力模型”。如图2.2所示，这个模型从企业面临的社会/经济/政治环境，行业对上下游的一类，行业内的竞争情况和替代性竞争者等几个方面列出了企业研究行业所需关注的问题。

波特五力模型在企业管理的研究与实践中享有盛誉，是商学院和众多管理类教材必备的内容。但是也有评论者认为，这个模型的主要价值在于它提供一个清晰的理论框架，将各种影响企业环境的因素进行分类；但并不是一种可以实际操作的战略工具，原因之一在于有很多行业相关数据并不可得。这个理由在波特五力模型刚刚面世的时候确有其实际意义，但是随着互联网的普及和数据并不记录技术的进步，模型中涉及的很多数据正在变得越来越可得到，越来越容易得到。

在图2.2中，上方的“新进入者”部分主要研究行业的进入壁垒，其中政府决策部分涉及的数据内容相对较少，一般表现为法律法规等文本；其他如规模经济，资本要求，销售渠道，成本优势等因素及其变动情况，都可通过企业记录的进销存数据和行业公开发布的资料（如上市公司财报等）得到或推断出来。左侧的“供应商”部分主要研究供应商作为生产资源提供者的话语权大小。随着越来越多的行业和和企业互联网化，企业可以在线上采集到很多行业产品的价格，成本。品质。口碑等方面的信息，可将它们与出纳痛的招投标信息等结合进行研究。右侧的“买方”部分从买方的议价能力和价格敏感性两个方面研究买方对企业决策的影响力。买方的客户属性和购买行为数据可以从企业内部的进销数据中获得，他们对品牌和产品的认知态度，建议等可以通过客服系统的投诉咨询记录和用户调研来获取。中间的“行业竞争者”部分主要监控同行竞品的动态和行业发展的趋势，上市公司的财报，电商平台的成交与评价、媒体发布的行业新闻和相关热搜。竞品投放的广告等，都能提供非常重要的数据，下方的“替代品”是指可以替代现有产品的非同行产品（如智能手机替代非智能手机，MP3，数码相机等产品），这类替代性创新事件很少出现，与数据的关系相对较小。

综上，在当前的数据环境下，了解行业情况时，面临的重要挑战在于这项工作会涉及各种数据源（如企业内部的进销存和投诉咨询数据，客户调研数据，互联网等免费发布的数据等）、各种数据类型（在传统的结构化数据之外，还有越来越多文本，图片，音频等非结构化数据）。处理这些内容，数据分析师除了需要掌握解决相关问题的思路和框架（如波特五力模型），还需要了解尽可能丰富的数据来源，并且具备整合不同数据资源，处理各种类型数据的能力。

2. 了解组织

了解行业部分负责厘清组织所面临的外部情况，帮助组织做到“知彼”；了解组织的主要目标原则是要做到“知己”，分析师（团队）通过盘点组织内部的关键问题，可以有序规划数据分析工作的进展。可以从职能和层级两个维度了解组织。

每个组织都包含多种职能分工，只有各个职能协同并进才能实现战略目标。同时，处于不同层级的人员会关注不同粒度的问题；高管负责设定方向，保证关键资源到位，中层负责根据战略制定行动方案，确保行动方案得以执行，一线员工负责完成各项具体工作，与不同职能和层级的人员合作时，要注意根据这个职能的核心利益、这个层级所关注的问题粒度来合理设定工作目标的范围。

因此，数据分析师了解组织情况时至少完成如下几个方面的工作：1. 组织结构及其战略目标；2. 战略目标分解到各个职能后的具体要求；3 各项关键业务操作的实现流程和方法。梳理好这些情况，可以帮助分析师判断各职能分工中的短板所在，以及某一个分工中影响工作效率和效果的关键环节。也有一种典型的情况是，在有些处于数字化转型早期的组织中，这些内容中的一些模块或者整体数据框架尚未就绪。在这类场景中，分析师（团队）通常应该先在梳理业务的过程中，与各个职能和层级一起将衡量工作业绩的结果指标，衡量达成业绩过程中各关键节点绩效的过程指标设计出来，并想方设法让这些指标进入企业的日常工作流程。

在实际工作过程中，数据分析师了解组织情况可以从绘制组织结构图开始，并在途中的每个职能和层次上逐一标注其主要的工作目标，目前，遇到的关键问题等重要情况，而后，数据分析师（团队）需要把这些核心的工作目标和关键问题逐一对标为数据问题，建立合理的指标体系，以及时监控和发现业务问题，并设计专门的项目来解决一些关键环节上的重点和难点问题。

3. 了解数据应用情况

“巧妇难为无米之炊”，数据分析师最关键的生产资料是数据，在前期工作中也必然要了解数据的应用。这部分工作主要包括3个方面：了解业界成功的数据应用案例，了解组织当前的数据积累情况，了解组织当前的数据应用情况。以下分别对这3个方面的工作简单展开说明。

业界成功的数据应用案例包括了解与组织同行的竞争者当前的数据应用案例，还包括一些相近行业的数据应用成功案例。关注业界的成功案例能够帮助组织扩展其在数据方面的发展空间，充分利用已有的成果来提高自己的数据工作效能。当同行业整体尚未开始数据化时，相近行业的数据应用案例也可以帮助组织扩大在数据方面的发展空间。例如，不同制造行业的厂商虽然生产的具体商品不同，但企业生产中的进销存流转问题类似，流水线生产中的质控与效率问题也经常相互借鉴；而不同行业中面向终端消费者的企业大多非常重视用户的运营，各行业在收集用户信息，建立和应用用户画像问题上也多有可以相互参照之处。

如果说了解业界成果案例的意义在于“找标杆”，那么在了解组织自身的数据积累和应用情况时在“找自己”两者相结合，就可以规划处一条从自己当前的位置走到标杆处甚至超越标杆的合理路径。其中，首先要盘点清楚的是组织自身的数据积累情况，它又可以细分成几个方面：根据行业和组织的了解列出所需的数据，明确这些数据的来源；盘点企业当前已经具有的数据，包括这些数据的质量，积累时间，可用程度；规划数据改进计划，如新增哪些数据，处理哪些数据质量问题，如何提高数据存储和应用的效率等。

盘点完数据积累情况后，还要对企业当前的数据应用情况，它可以分为技术，产品和思维3个层面。在技术层面，数据生产系统的效率、稳定性等如何，是否需要改进？在产品层面，组织内部现有哪些数据产品可供使用，它们分别支持前述行业和组织调研中提炼出来的哪些问题，每个产品被使用的情况评价如何？在思维层面，组织内外的数据产品使用者是否认为数据或者数据产品是他们必要的资源，在使用数据方面的能力如何？

根据本节讲述的3个方面内容了解业务时，分析师会收集大量信息，相当于：“先把书读厚”；接下来，在评价问题优先级环节，还要按照“应做”与“可做”两个维度度i这些信息进行整理和提炼，进入“再把书读薄”的阶段。

2.2.2 评价优先级

了解过业务之后，数据分析师（团队）已经充分发掘了两类数据相关工作。

第一类是“应做”的工作；数据分析师（团队）从实现数据商业价值的角度出发认为应当完成的工作。例如，补充数据源，评估和改进数据质量，搭建和改进数据生产系统，建立和完善业务指标体系，进行某些专项分析等。了解行业和了解组织阶段的大部分工作，了解数据应用现状阶段中对于业界成功的案例的探索都是这个方向的重要成果。

第二类是“可做”的工作：基于组织现有的数据可以完成的工作，以及组织中各个职能和层级希望通过数据解决的问题。其中有些问题基于组织现有的资源，技术，人力等即可解决，有些还需要进一步加大投入才能得到解决。了解数据应用现阶段中关于组织当前的数据积累情况，组织当前的数据应用情况这两个部分明确了可供数据分析师（团队）使用的资源有哪些在开展工作中面临的限制是什么：了解组织阶段收集到的各职能和级别员工提出的数据需求则表达了组织对于数据分析（团队）产出的期待。

评价优先级环节就是要进一步详细梳理“应做”和“可做”之间的重合，根据完成这些工作所需投入的资源（投入）以及工作成果能够为业务带来的影响（产出），为自身和组织带来最大的收益。评价优先级是多重因素工作影响的结果，即使面临同样的业务情况，不同的团队和分析师也可能作出差异非常大的决策。

粗略地说，那些既“应做”又“可做”的工作任务可以列为最高优先级别，应即时着手解决。“可做”但不“应做”的问题需要进一步甄别：它们通常代表了组织工作中某个职能或层级的成员所面临的典型问题。其中有一些暂时还不能通过数据分析的方式解决，对此分析师可以将之记录未来待处理任务的清单中：也有一些并不是数据分析范畴内可解决的问题，数据分析师（团队）应当将之交给更适合解决问题的部门。同时，能够收集到这类问题一般也意味着组织内部对于数据的作用以及数据分析师（团队）指责范围还不够了解，数据分析师（团队）可以考虑以此为契机在组织内部培养和推广数据思维和基础的数据分析技能，帮助业务人员建立基本的数据素养，让他们可以自行用数据解决一些工作中的简单问题。这不但有利于促进数据团队与业务团队的合作关系，还可以让数据团队更加专注于核心的专业工作。对于“应做”但尚不“可做”的工作任务，数据团队与业务团队对它们重要性的认知差异比较大，这时数据分析师（团队）可能需要先与业务团队建立共识在推动执行。

像这样粗略地讲工作归类后，当然还需要进一步更详细的规划，这有赖于每个分析师（团队）所掌握的具体资源和所处的场景，但一般来说，在安排工作计划时可以参考3个原则。

1. 数据分析师（团队）在工作中应当注意持续提供可感知的产出。

这一原则的挂件是“持续”和“可感知”。数据分析师（团队）经常有很多重要而“大型”的工作，如搭建分析专用的数据系统，建立用户画像，系统优化某个产品的模型体系，建立和开发供组织内部使用的数据产品等。这些工作的特点是工作量很大，并且通常会和很多其他数据和业务系统发生互动，需要其他部门配合。处理这类“大型”工作，最好将之拆分成多个较小的子项目，在每个子项目完成后进行成果汇报和确认。

与一次性抛出一个“大成果”相比，将工作且分为多个阶段性成果并因此更高频地与相关利益方（业务部门，写作文的技术团队，掌握资源的高管甚至客户等）杰出的好处很明显：每次沟通时不需要对方理解大量的信息，成果更容易被接受：可以通过对方对成果的反馈及时发现问题并进行调整，避免浪费人力和错误解决问题的时机；保持持续曝光也会让相关利益方感知到数据分析师（团队）的进步，有利于提高它们对数据工作成果的参与感和认同感。

1. 数据分析师（团队）应当注重来自用户和实践的反馈

如前所述，数据分析师（团队）的工作是解决组织遇到的问题，一个理论上完美但实用性很差的工作成果在实践领域只会被约束之高阁，对于组织和数据分析师（团队）的长期成长都没有益处。要避免这种情况，数据分析师（团队）就要充分观察和倾听来自相关利益方的反馈，或者手机数据产品上线后用户的使用情况。前面提到的尽量把“大型”工作拆分成多个子项目，并及时与相关利益方沟通进展，收集反馈的工作方式，在这个阶段也非常适用：数据分析师（团队）可以把收集反馈的工作机制作为固定环节，贯穿于每个阶段性成果发布后的验收和评价中

1. 数据分析师（团队）安排工作计划应当兼顾解决问题的及时性和数据工作的系统性真正实现了数据化的组织一般都具有一套完备的数据收集，质检，加工生产，应用，业务反馈的闭环体系。虽然已经有很多企业在这个方面获得了非常成功的经验，但是细究这些方案，除了都会包含上几个模块之外，它们在具体实现层级上的表现可谓千差万别。这是因为，要组成一个真正对实现组织业务目标有帮助的数据系统，尤其是让它能够顺畅地被嵌入组织各部门和层级的日常工作，是一个规模庞大的系统性工程：既不存在一个完美的先验方案，又不能指望一些缺乏规划的零碎工作突然有一天自动整合为一个体系。优秀的数据分析师（团队）要能够将两者结合在一起，创建适合自己组织发展节奏的方案。

一般来说，数据分析师团队在指定工作计划时需要注意位置好几个方面的平凡：要重视数据收集，数据质量控制，数据仓库和中台建设等基础工作，也要注意持续向业务团队输出可感知和可使用的工作成果：要坚持数据科学工作的基本原则，也要尽量让工作成果对业务人员来说易理解、易使用、易获得；要关注业务团队和核心目标与利益，重视业务人员在日常工作中遇到的各种数据相关问题，也要通过合理的方式帮助业务团队提升理解和使用数据能力，通过“水涨船高”的方式来带动组织实现全面的数字化转型。

2.3 明确分析目标：将业务问题转化为数据问题

通过了解业务和评价问题的优先级两个步骤后，数据分析师（团队）已经大致明确了近期，中期，长期工作计划都包含哪些主要内容。接下来，就是明确每一项工具的具体目标。如图2.1所示，一个合格的工作目标要明确：做设么，按什么标准做，交付哪些成果，如何衡量效果。这个过程其实是在把那些用“业务语言”来描述的问题转化为“数据语言”来表达的专业性工作任务。

之所以要专门设置一个环节来进行这样的转化，是因为组织中大部分成员所使用的“业务语言”和分析师（团队）所擅长的“数据语言”之间并不存在简单的一一对应关系：很多不同的业务问题都可以使用同一种数据工具来解决，而随着某一个问题的不断发展，分析师需要使用多种不同的数据工具来处理它。例如，银行决定是否给一个带困申请人放贷和决定是否要联系某个客户推送新产品，这两个来自不同部门，业务表述完全不同的问题，都可以考虑通过逻辑回归等分类模型来解决。再如，分析师与负责管理全国销售渠道的业务人员合作，第一步可能需要先帮助对方及时发现销售业绩不理想的原因，更多地会使用可视化等描述性分析方法，进行一些指标看板类的数据产品化工作；随着合作深入，销售团队可能需要对未来的业绩作出预测，对销售激励政策作出调整，探索开拓新的市场，解决这些问题一般会涉及建立模型，甚至进行专家访谈和“二手研究”。显然，做好明确分析目标这一工作的关键在于，透过不同的业务问题表象，识别其背后在数据逻辑上的共性。

明确业务问题背后的数据逻辑后，接下来分析师（团队）还需要对这项工作的可行性进行一定的评估，通常包含数据和分析方法连哥哥方面的初步探索。

对数据的探索，目的是确认是否可以获得解决问题，实施之前设想的数据分析方法所必需的数据。例如，前面提及的银行贷款审批模型一般需要积累一批过往客户的贷款偿还情况、贷款信息（如额度和期限等）和客户信息（如收入和人口属性特征等）。“巧妇难为无米之炊”，没有恰当的数据，分析方法也无法得以实施。数据方面的可行性探索通常包含发现数据源、获取数据，验证数据，加工数据等工作。

对分析方法的探索则是根据场景需求和数据情况，选择合适的分析方法。分析方法可大致分为两类：探索数据基本特征的描述性分析与对问题进行定理描述的建模分析。描述性分析主要是利用图表等工具呈现数据数据的各种分布特征，发现数据之间的关联。建模分析则基于数据，通过各种数据模型定量地回答业务问题。很多学科和领域（如统计学，计算机，人工智能，生物工程等）都贡献了非常有力的模型工具，在实践领域中贡献了非常优秀的影响成果。

2.4 数据分析报告写作：背景介绍

写作数据分析报告是数据分析师基本职业能力之一。

2.4.1 数据分析报告概述

数据分析报告的主要使命是让专业的商务数据分析工作成果能够被非数据专业的人理解，接受和使用。它是各种数据产品分析师自主权最大，产出速度最快的一种，是分析师实现数据价值和形成自身影响力最重要的工具之一。

数据分析师的工作是通过数据更快，更好地解决业务问题，如果想要验证自己提供的方案是否真的做到这一点，就需要业务人员配合完成落地实施的步骤。由于数据分析师和业务人员分属不同的专业领域，因此数据分析师必须能够将复杂，专业的数据过程过程简明，清晰地介绍出来。只有具备了这样的“科普”能力，才能让业务人员迅速理解其工作的意义，并对工作的合理性作出评估。所以，好的数据分析报告要做到“让报告的阅读者想写作者一些理解并认可某些来自数据的商业价值”，这就意味着它必然是“面向阅读者”来写作的。随着报告阅读者的知识背景，职务和层级，阅读听取报告的场景不同，报告内容也要有所调整。

以一个涉及销售团队绩效管理模式优化的数据分析项目为例，分析师在推进这个项目的过程中可能涉及以下需要利用数据分析报告进行沟通的典型场景。

1. 向销售团队负责任初步汇报研究成果，希望取得他/她的认可，在销售团队中试点执行这个方案。参加汇报会议的还有销售运营组负责人，大区销售负责人，销售运营专员，汇报时间为30分钟
2. 销售团队负责人基本认可方案的合理性，决定先从某个销售大区试行。分析师要和大区销售负责人，负责跟进销售业绩的销售运营专员一起制定优化方案，将优化方案细化为销售团队可执行的日常管理方案。
3. 方案运行一段时间后，对销售工作的推进起到了非常好的促进作用。销售团队负责任决定全面施行这个方案，需要公司高层的认可和支持。分析师要在一次高管例会上配合销售团队负责任一起解说方案及试运行期间的效果，汇报时间为15分钟。

在这3个场景中，数据分析师面对的报告阅读者不同，可发挥的时长不同，要安排的内容自然也不同：管理层一般投注在一个项目上的时间也比较有限，更重视方案的整体逻辑，实施方案的投入产出；执行层一般更重视方案的可执行性，对日常工作的影响，会追问各种与效果相关的细节内容。当然，这些不同类型的报告阅读者之间也有共性；无论来自哪一个层级或部门，他们都更习惯于用“业务语言”来思考和表达，过于专业的数据内容对他们来说很可能是短时间内无法破解的“黑盒”。

除了要注意根据“报告阅读者”和“场景”来安排数据分析报告内容外，写作数据分析报告还要注意以下问题：

首先，一篇完整的报告应当包含如下几个模块：

1. 背景介绍
   ：导出要解决的问题。通过介绍宏观环境，行业，竞品、组织自身等方面的情况，说明解决问题的必要性；详细界定待解决的商业问题。这是报告中“从业务中来”的部分，负责提出一个可以用数据解决的业务问题。
2. 数据说明：说明经使用那些数据来解决问题，对数据的来源，内容，主要特征做必要说明，帮助报告阅读者初步了解数据的基本情况。这部分内容可以帮助他们确认使用这些数据来解决上述业务问题是合理和可行的。
3. 数据分析与解读：围绕业务问题，系统展示描述性分析与建模分析的成果，结论；基于数据分析的结果推到对应的业务结论和行动方案，也就是所谓的让数据分析工作成果“到业务中去”
4. 商业应用与总结：回归到业务问题的角度，总结解决方案，概括陈述后续的行动计划，预估所需的资源支持，预计取得的成果等。

其次，写作数据分析报告也要注意篇幅和格式。以阅读为主要传播方式的阅读报告采用A4纸张，word默认页边距设置，宋体，小四号字，1.5倍行间，如果内容安排得到，则8～10页的篇幅足以解说清楚如何通过数据解决一个常见的商业问题。以汇报演示为主要传播方式的演示报告一般采用幻灯片方式写作。以20分钟的汇报时间为例，除封面，目录等内容外，可写作8～10页幻灯片，每页讲述1～2分钟。这样既可以比较充分地展开说明，又方便留下一些与听众互动的时间。

数据分析报告各部分的篇幅排布也要注意平衡。以阅读报告为例，背景介绍和数据说明可分别占据1～2页，商业应用与总结部分可占据1页左右，其余部分按排数据分析约解读；引用图表是要注意控制图吧大小，图表中的字号与正文字号比例不能失衡，除上述提及的问题外，报告的文字，图表等格式设置也有讲究。

最后，阅读版报告与演示版报告的内容安排方式和写作重点也有所不同。报告阅读者在观看演示报告时，可以从配套的汇报讲解中获得大量的细节信息，因此演示版报告的重点是提纲挈领地突出逻辑和核心的观点，数据素材，更像一个详细版的提纲。而阅读版报告一般没有这样的附加信息，因此除了观点和证据一定要非常清晰之外，也要完整地展现整个推理过程。数据分析师要熟练掌握写作这两种类型报告的方法。但阅读报告地分析师文字表达能力提出了更高的要求。

2.4.2 写作背景介绍

分析师完成如何设定分析工作目标之后，就具备了写作数据分析报告中背景介绍部分的必要信息。背景介绍部分的任务是导出要解决的问题，它主要负责讲清楚两个问题。

1. 是什么：清楚地界定好问题的标界。
2. 为什么：充分说明解决这个问题的必要性（不解决会导致的问题）和重要性（解决将带来的好处）

回答这两个问题一般来说并不会涉及深入的数据分析专业知识，但写好这个部分却是决定整个数据分析报告成败的关键。因为，如果这两个问题说得清楚到位，报告阅读者就能够清晰地了解阅读后续内容为其带来哪些商业利益。只要利益足够大，足够吸引人，即使阅读者有一定的门槛，阅读者也会愿意投入精力来阅读和理解。而这部分内容如果逻辑欢乐，文辞含混，那么后面描述专业工作的部分可能根本不会有被阅读的机会。从这个意义上来看，背景介绍部分通常是数据分析报告最难写作的部分：分析师要尽量暂时放下自己擅长的“数据语言”，转而使用“业务语言”那些做与这个问题相关工作的同事们日常描述工作问题时会说的话，这就像被要求使用外语写作，还要写得简洁流畅且富有文采一样。显然，要做好这个工作必然要以前期崇恩了解和梳理业务的工作为基础，这也从另一个侧面说明了了解业务的重要性。

除了文字表述外，分析师在写作背景介绍部分时还要考虑素材选取和推理逻辑，当然这几点对于数据分析报告的其他部分也同样重要。以一篇8～10页的数据分析报告为例，其中1～2页为背景介绍。在宋体，小四号字，1.5倍行间的设定下，每页字数还会进一步压缩，因此，背景介绍部分一般为1000～1500字。如果插入一些图表，则字数还会进一步被压缩。因此，在背景介绍部分引用图表需要非常谨慎，数量和所占篇幅都要受到严格控制。推理逻辑围绕单一主线循序渐进展开，避免多线穿插，回环等问题。以下列举一种按照4个自然段来循序渐进地展开的内容安排方式。

1. 描述外部相关信息：描述监督政策，竞争格局，用户偏好等方面的某些重要特征或者改变。点明组织受到这些外部因素的影响需要作出应对和改变。
2. 描述内部相关信息：描述问题字组织内部的具体表现形式，定位问题涉及的部门和和层级，描述问题的影响
3. 定义问题：基于上一个部门分描述的各种表象，抽象出其背后本质的商业问题。界定构造问题的边界，大致描述解决方案，定义要达成的目标。
4. 阐述必要性和重要性：简单回顾以往解决方案，说明其不适用于本次要解决问题的原因。简单展开说明如果问题得不到解决，在未来可能带来的潜在威胁，以及解决问题和将带来的收益。

由于每份报告要展示的问题属性不同，不一定每份报告的背景介绍都需要完整包含上述4个部分，但是基本都可以按照“描述现象——提炼本质和定义问题-阐述必要性和重要性”的脉络展开说明

最后，从行文风格方面给出两个建议：第一，写作时有一练习使用短句，尽量将一句话内使用的逗号，句号控制3个以内。短句阅读门槛低，有利于报告阅读者理解。分析师尝试用短句写报告的过程，也会促使他们更加系统地整理自己的表述逻辑，让他们的思考更加深入。第二，一切结论都应建立在确凿的证据与严格的推理之上，谨慎使用形容词，副词，切忌为了得到认可夸大其词，甚至试图误导报告阅读者。数据分析师工作的根本价值就是找到数据中不易为人所知的事实，并通过共享和传播来尝试验证和实现他们。如果不能“实事求是”地展示自己的工作成果，则无异于自毁根基。这两点建议不仅适用于背景介绍部分，还适用于全文。