考核标准|闯过八关，做一份出色的数据分析报告基础设施|gpu|nvidia|ai|vmware|it|开

编辑导语：无论是运营还是产品经理们面对数据分析报告的时候，常常手足无措，不知道如何下手。该怎么将资金所做的“好”直接地表达欲呈现出来，让他人明白？作者分享了完成一份数据分析报告需要闯过的八关，我们一起来看看。

文章插图

为什么运营要亲自写数据分析报告？
为什么产品经理抓着数据报告改来改去？

相当多的情况是：这帮人不是真想分析问题，而是变着法地证明自己做得好！而恰恰这一个“好”字，难倒了无数人。因为真想让数据分析师说一声“好”，至少得闯过八大关卡。
第一关：有个标准！在数据分析中，一个基本原则是：数字本身不表明好坏，数字+标准才表明好坏。举个简单的例子：运营开展一个拉新活动，通过活动页面注册了10000个用户。
这个10000用户并不能说明好坏，只有说：我们计划通过页面注册5000个，实际注册10000个，才能说明好坏。
这一步看似简单，可已经能难倒很多人了。比如：

运营做活动，提升哪个指标，从多少提升到多少，自己说不清楚，一张嘴就是：“反正就是提升呀，我看别人都这么做。”
产品做改版，改进方向、改进程度、影响指标通通不清楚，张嘴就是“老板让这么改，我就这么改咯。”

这种情况，事后再抓住数据分析问：“分析下到底好不好”，铁定分析不出来。
第二关：标准得事前定听起来很搞笑，标准不都是事前定的吗？现实很残忍：相当多的人，事先不定目标，事后跑来：“通过人工智能大数据，先计算出最科学的，最合理的，最权威的，自然增长是多少，剩下的不就是我带来的了……”
然后你会发现，他们心目中最科学的，最合理的，最权威的自然增长率永远是负数，这样无论如何都能证明他们的工作成效显著，力挽狂澜。
第三关：标准事后不能改听起来又很搞笑，标准改来改去还叫标准吗？现实又是很残忍的，相当多的人看到考核指标不涨，第一件想起来的事就是改标准，还美其名曰：“通过人工智能大数据，计算出标准定高了多少，给一个最科学的，最合理的，最权威的修正值……”
对这种情况就一个字回复：呸！
第四关：标准是可量化的这个问题相对小众，因为大部分销售/运营/产品的指标都是可量化的。但是还是有少部分喜欢浑水摸鱼的人，在2021年了，还把满意度/体验指数/NPS/ROS这些上世纪90年代的古董搬出来糊弄人。
这些基于外部的、调研的、小样本抽样的结果，根本无法解释某个活动/产品/功能对内部指标的影响。
因此碰到这种人，直接不予理会，要求其关联到一个可以采集完整数据的内部指标。
第五关：标准要分级别这个问题相当普遍。原则上，通过业务行动，直接促成的结果，才能算结果。和业务行动没有关联的就不能算。
比如：

拉新活动，要考核的结果，应该是从活动页面的注册人数。
促销活动，要考核的结果，应该是促销商品的销售情况。
产品改版，要考核的结果，应该是哪个页面/流程改了，就考核这一个页面/流程。

BUT！很多人喜欢把非直接促成的也写进来。比如活动期间，业绩大盘整体都在涨，丫就写上“活动带动了大盘上涨”。比如页面改版了，产品整体活跃率提升，丫就写上“页面改版带动产品整体上涨”。
特别是在，这些人负责的活动/页面表现平平的时候，就尤其喜欢拿大盘上涨来说事。更讨厌的是，这些人在吹完牛逼以后会加一句：“请用人工智能大数据，精准分析出来，到底DAU涨了100万，有几万是我这个页面涨的……”
有没有一个活动，一次改版带动大盘的情况？有！就是类似双十一，这种全公司全力以赴的大活动，和全新改版这种大改版。普通的小型活动、局部改版根本扯不上什么“带动大盘”“交叉因素”“深远影响”。
因此考核标准要分级别。建议：

公司级大型活动，才会重点盯大盘
部门级，针对全体人的小型活动，关注活动自身小目标
部门级，针对部分人的精准活动，直接上参照组，做ABtest

这是解决事后扯皮的终极策略。
注意：闯过了前五关，我们就得到了一个有节操的考核标准，只要有个考核标准，那么我们就能得出一个“很好”的结论，开头提的问题已经解决了80%。
但是这个结论，仍然可能被人推翻，他们会说：“这是应试教育的结果，其实结果没那么好！”想要顶住这种攻击，还得再过三关。