
简单6步,用数据说服你的听众
在之前我提出数据视觉化可以成为大家说服听众的秘密武器。 我想提供一些可以让大家有效地和自己的团队分析数据的可行建议。
在我的职业生涯中, 我开过无数个“痛苦的”会议,聆听我的同事或者客户呈现分析数据。当我说“痛苦的”,不是因为他们没有努力准备或者缺乏独到的见解,而是呈现的手法可以更加有效, 从而体现他们的努力。
呈现数据是“最后的冲刺”,因为大家已经结束了“战斗”,心理上都有了完成感,而现在要做的只是分享成果。这些都是人之常情。觉的这项任务完成了, 这就是为什么很多人混乱地把幻灯片随便一弄就开始下一项任务了。现在我就来劝说你别这样做,花点时间和心思呈现你的数据。
如果你遵循接下来的六步,你的下一场和老板或者客户的会议不仅仅会更顺利, 你也更有可能达到你呈现数据的目的。
为了证明我的观点,我会举几个例子。
千万不要以统计图开始你的报告。 还有绝不要用仅仅电子表格或者数据报表成为你的报告的全部。
简单地装饰一下, 不仅可以更好地展示你的报告, 还可以让你报告在团队内部轻松地流通, 你的上司收到这份材料的时候也更想打开并看完它。
然后你开始进行报告。 首先, 花点时间告诉听众你都干了什么(用视觉化的方法更理想)。比如说你是不是刚刚对网站新的着陆页做了A/B测试(一种网站优化测试)? 很好,在你分享测试结果之前,给大家看看老的着陆页和新的着陆页截图。这样听众就知道你做了什么以及为什么做这种测试。
这样做的好处就是大家可以一上来就跟着你的思维,你也会收到更少的提问。 你的团队可能才完成这个项目但是可能他们记不起来全部的细节。你得帮帮他们!
举个例子,如果我的同事Krista Seiden要做一场报告关于重新设计谷歌商业APP网页, 那么她应该在展示数据之前先呈现旧的的网站是什么样子的。
有太多次我看到年轻的业务执行把所有的数据都放在一张幻灯片上(有的时候连图表都没有,只是一堆数字), 因为他们觉得要先把所有数据先摊出来,越多的数据看起来越专业,越正式,对吧? 错!
千万别在一张幻灯片上放超过一张图表,因为一下子呈现了太多信息, 没有人能理解所有内容,而且还让人眼花缭乱。让我们一边接收太多信息还要集中注意力听发言者太难了。
当你尝试一口气把所有事说出来,你其实什么也没讲。 下面就是个反面教材 (一页幻灯片上有4个柱形图,太多了):
更重要的是,别误导你的听众!下方那张柱形图不仅仅支离破碎而且“卖萌”地使用人形图标组成柱状图让人更加困惑。使用这种图标的人很容易给人一种不务正业的感觉,即使他们的出发点是很好的。
有些图看来连拯救的希望也没有…比如下面这张图,首先3D柱形图是避之不及的,因为它实在令人困惑;柱形图上面的图案是更是让人雾里看花。更别提这个图连标注都没有了!这个图能表达的意思只有千万别让制作这个图表的人做报告。哦对了,其实这是张在会议上真的被使用过的图, 我稍加修改了一下。
如果你想比较不同的收入流增长或者某行业顾客的喜好,你不需要任何高难度的技巧。做一个线性图,标注上标题,来源等各种信息就好。简单!高效!
通过观察下图,我们了解到在2017到2018年间,网上收费视频网站收入将可能超越票房。没有可能产生误解。
我们都有这样的经验:你做了一个不是很明了的图表,但是它是可以修改的。所以想清楚你想表达什么,去重新组合数据。
下图中,一个清晰可见的重点是在过去的10年里高达216%的互联网获取新闻的增长率。但是在左边的图却不能达到如此的效果。加粗你想要强调的内容,考虑标出改变的幅度不失为一个好选择。
(摘取自flowingdata)
比如说,不要单单展示这个月的进度趋势,附加对比去年的就可以让人很快理解趋势如何。
Google Analytics使这个技巧变得信手拈来。一条好看的折线图,向右有着上升的趋势,看起来不错,那么这到底是什么意思呢?这个数字意味着好事吗?我们不知道。可是跟上年度的情况一对比,我们就有了答案。
此外,不要仅仅展示一个这样的统计图。在此之上,加一些注解(比如变化的百分比), 就可以凸显你的观点,告诉听众你想让他们获取到什么样的信息。
记住, 你必须让你的幻灯片清晰明了到就算没有你在演讲,别人也能够仅仅凭着幻灯片了解到你想传递的信息。
分析理应不仅仅包括“发生了什么”,还应该有“为什么”。是否呈现出“这意味着什么”则是好和很好的分界线。一个让你更高效的小贴士:使用Google Analytics 的annotation这项功能, 就可以加上有趣的信息, 当你后来分享数据的时候就不用担心当时发生了什么。
你不用一一赘述每个KPI and 指数单位,尤其是那些对你的项目没有什么用的。 事实上对内容合理取舍,会使你的报告更精彩。太多数据不仅仅不能帮你表达观点,还会让听众失去注意力。
一场报告下来,每个人能吸收到的只有这么多,而且作为分析师和市场营销者,我们的的职责也是只分享至关重要的信息。提供一个附录不仅仅省了你很多麻烦,而且使人了解的更多。他们可以私下继续查看而不是浪费整组的时间。
接近尾声时,你已经报告完毕了你的项目、目标、结果和见解。你让大家都了解了并同意你的想法。(了解现实,耶!)
现在总结一下你将要怎样处理这些数据,以任务列表或者任务交付的形式。(比如说运行新的测试,让员工开始设计急需改造的网站,或者剔除掉购物平台上没有人买的产品。)
额外小贴士:在报告之前,复习你的幻灯片
熟能生巧,才能有好的报告。可能你不需要像准备演讲一样准备台词卡,但是你至少要简单排练下你要讲什么。
付出就会有回报, 排练一两遍不仅可以让你熟悉材料,还能让你进一步修改报告。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10