京公网安备 11010802034615号
经营许可证编号:京B2-20210330
编译 | secretplanet
来源 | blogs.hbr.org
为一个受过专业培训的数据工作者,我是早先加入贝尔实验室网络性能组的人员之一。此后的一两年左右,我开始了数据汇报。我的第一次大型数据汇报是在AT&T(美国电话电报公司)总部。在提前做了充分的准备和细致的演练的情况下,我前去赴会。
我的展示糟糕至极,没有给人留下任何好印象。那时的我年轻气盛,将责任归咎于他人,甚至包括听取汇报的观众。我说:“这里的部门经理甚至看不懂一张饼图。”
一位听取过众多类似汇报的资深人士对我的表现大跌眼镜,他对我如是说,“当然看不懂,汤姆,他们不需要看懂,让他们明白数据的含义是你的工作。”
那是我在展示数据的第一个经验。一个数据分析汇报工作者面临一项艰难的任务,即让他人明白并相信数据的含义,并且要照顾到听众的专业背景,以易于听众理解的方式展示汇报数据。最好的方式就是将数据划分层次,并配上通俗易懂的解释说明。正如爱德华·塔夫特所建议的,<用生动有力的方式讲解数据>标记轴线,不要曲解数据的含义,同时将非相关信息图表减至最少。
基本的图表分析汇报可以以这样的方式开始,“这是我们的数据质量项目报告,它以时间为序,虽然有听众对这些图表再熟悉不过,但也请确保我们的进度一致。如大家所见,这份汇报是关于客户数据质量的。X轴是时间轴,每个点代表一个月,Y轴是数据分数,与每个点的月份恰好对应。我们以此来衡量精度。这是一个较高的标准,对此我一会儿将详述。”之后便是为听众解释如何读懂展示的图表。“绿线代表实际结果,蓝线是我们设定的目标值,红线代表限度,在我进一步解释汇报这些数值前,大家对如何读这张图表是否还有疑问?”
记录下你将要给听众详述的部分之前,确保已经给听众解释清楚了如何读图的基本信息,这样听众就可以专注于所见的图表,并专心听你的数据汇报了。
关于这些,要讲的有很多,譬如如何开始项目、开展项目的原因,围绕客户需求条款的乐趣和挑战所在;客户需求的衡量标准,包括Y轴度量选择的逻辑;项目改进;如何确立限度,即红线的本质含义;为听众点明你所进行的每一个环境的意义影响……
听众不同,需求不同,汇报人的阐释要尽可能简明扼要。比如,技术团队希望搞清楚选择度量的细节和制作图标的软件;高层领导想要明白扩展数据对于整个机构的意义。汇报对于每个听众是一样的,但却听众的需求却各有侧重。
要清楚很多人对于数据分析,数据库和统计数据是持怀疑态度的,(你可能会想到那句有名的谚语:“世界上有三种谎言,即谎言,该死的谎言和统计数据。”)不管这样的怀疑是否有道理,它确实使得机构运行好创意的脚步放慢甚至终止。作为一名数据汇报者,肩负着让听众信任数据的神圣使命。汇报人一定要做到:
1、汇报尽可能准确、直白,特别是在汇报成果不利的情况下,更应如此。此外,如果数据结果显得有点不太明智,一定要简单地陈述事实。
2、如果展示的是一张综合性图表,对于重要信息的遗漏就等于是在说最糟糕的谎言。
3、提供适当的背景介绍,如数据来源,为确保数据真实有效所做的工作。(如果对此所做之事甚少,一定要言简意赅地说明“数据来源不明,可能会影响到结果”)
4、总结数据分析,包括汇报结果的不足之处和替代说明。
陈述自己的观点无可厚非(通常也是合理的),但一定要将自己的观点和事实分开。不论分析有多到位,总有言过其实的地方,直觉会混淆事实。要清楚两者之间的界限。
现在更进一步关注听众需求。成功的汇报案例大多是以让听众明白幻灯片展示内容为基础。听众在观阅连续播放的幻灯片时,可能无法从你的汇报中有所收获,所以你必须考虑到他们的需求。早先在贝尔实验室时,我曾听说“听众读表的平均时间在15秒,不要让他们花费13秒去搞懂如何读图。尽可能多地在可以标记的地方加上注释,能让图表替你说话更好。”
根据此想法,进行两个步骤。第一,在幻灯片说明页提供如何读图的解释。第二,如下图所示为图表注解。注释当然不可能取代汇报,它们只是为听众提供相关信息。
对于大多数听众来说,即便是为微小的洞察做出长篇大论的分析也在所不惜。因此,手边的一张切中问题要害并能引导后续步骤的出色图表要胜过万千无用的图。找到这样出色的图,以此来展示,数据就是力量。
只要你有值得分享的见解和结论,我所建议的方法并不难于实践。领导们,甚至是那些对数据持怀疑态度的人们,迫切期待改善提升部门和公司的方法。作为一名汇报人,你的工作就是以最简明的方式发掘并满足他们的需求。
end
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27