调研报告数据来源

经常有人跟我说，自己想拿数据练练手，却完全找不到合适的免费数据源。后来就开始有意识地搜集各种数据网站，这么多年过去了也搜集了不少，今天就给大家分享一下我的宝藏数据网站们。行业数据网站1、Mob研究院介绍：Mob研究院是一家专注于行业现状与趋势研究的机构，涉及20+行业领域，深入挖掘与分析行业现状及变化趋势，输出专业数据报告，并提供定制化研究报告的服务。评价：。是我见过的数据报告研究机构当中最为清流的，在各个新媒体平台上风势很大，做的内容也比较有意思，专业性也比较高，可信度也是比较高的；推荐指数：★★★★网站界面：2、艾瑞咨询介绍：艾瑞咨询是解决商业决策问题的专业第三方机构，经常发布一些不同行业的数据和产品报告，比如医疗、生产制造、内容营销、教育、零售、B2B、物流、体育、房产、互联网、云服务、文化娱乐等行业。评价：这个网站中的报告数据还是比较有可信度，而且是免费的。3、豆丁介绍：豆丁报告网为中国企业提供各行业的行业分析报告、行业研究报告、市场调查报告、行业调研报告、市场研究分析报告等产品和服务。评价：这个网站大多数的报告都能看，但是想要获得参考性比较大的报告数据，就需要付费；另外这个网站也比较老了，很多服务都不是很到位。推荐指数：★★★4、QUEST MOBILE介绍：QuestMobile拥有多条数据服务产品线，服务内容覆盖数据统计、数据分析、数据挖掘、营运精分、用户增长，核心产品包括Truth系列、Growth系列，也是国内为数不多可覆盖APP全生命周期数据研究的公司评价：个人非常喜欢的一个数据报告网站，十分专业而且几乎涵盖各个行业，而且它所提供的数据样本与分析，已经成为多所高校及国家机构科研项目数据来源，也是国内一家数据登入国家学术核心期刊的移动互联网大数据研究公司。推荐指数：★★★★★5、199IT介绍：中文互联网数据研究资讯中心是一个专注于互联网数据研究、互联网数据调研、IT数据分析、互联网咨询机构数据、互联网权威机构。评价：缺点是只有互联网行业的数据，并且适合一些企业进行数据报告研究，对于个人的话价值不大，性价比比较低；分析数据来源1、中国统计信息网评价：网站有全国各级政府各年度的国民经济和社会发展统计信息，数据还是非常权威的。支持根据行业、年代、城市来查找数据报告。其中部分数据是免费的，部分数据是需要充值才能获得。2、国家统计网评价：各种民生相关的统计数据，所有数据都是免费，而且这个网站的友情链接里还有很多其他地方的数据以及国外数据。此外，网站还附有一些统计的行业标准以及数据的生产过程。整体还是非常实用的。3、中国产业信息网评价：网站有各个行业的数据，并且全是免费的。但是经过我的查看，部分行业数据2018年后就没有更新过了。若是对数据的新鲜度有要求的话，查找数据的时候要看清数据上传时间。5、阿里天池评价：作为国内互联网龙头阿里巴巴旗下的大数据竞赛网站，提供了很多比赛数据集可以练手，说不定还能顺手拿个奖，赚点奖金。网站的数据分类是官方数据和公共数据，可以根据需求选择数据种类进行分析。

当前企业信息化迈入大数据阶段，数据量的爆发式增长和数据问题的暴露让越来越多的企业将目光转向数据分析与商业智能（即BI），期待从数据金矿中采炼更多，向数据驱动决策转型。然而知易行难，企业数字化转型绝非一蹴而就，数据分析和BI带给企业的也不仅仅只有机遇和收益，还有各种问题和挑战。因此，企业数字化转型过程可谓是几家欢喜几家愁，数据成为生产力的道路也并非一帆风顺。那么我国企业的数据应用现状究竟如何，企业因何而喜又为何而忧？针对上述疑问，帆软数据应用研究院对2019帆软第二届数据生产力大赛的参赛企业进行了调研，形成本次调研报告。我们从价值定位、工作状态、专业能力和价值体现四个方面入手，对参赛企业的数据应用现状和获奖企业的优势进行了详细分析。主要结论：绝大多数企业对数据分析和BI项目较为重视，并且取得了一定的应用成果，但是在领导层的应用普及还不够，数据应用成熟度仍有待提升；在企业投入、定位等要素固定的情况下，人的因素在很大程度上决定了企业数据分析和BI项目应用效果的好坏。 一、数据应用现状我们从价值定位、工作状态、专业能力和价值体现四个方面来分析参赛企业的数据应用现状。其中，价值体现即为最终的应用效果，其他三个方面可以视为影响应用效果的因素。1. 价值定位价值定位聚焦于企业对IT部门的定位以及企业资源倾的斜程度等方面。（1）企业的技术运维工作主要由IT部门支撑。尽管目前BI市场已经在向业务人员自助分析发展，但是大部分企业的技术运维工作仍然由IT部门来支撑。如图1所示，超过66%的被调研企业将IT部门定位为技术运维，并且能以IT手段增强企业的业务管理和运作能力，从而支撑企业业务；30%左右的企业认为IT部门与业务部门是合作伙伴关系，IT技术能够帮助实现业务发展和新业务开拓；仅3.49%的企业将IT部门定位为产品运维，主要的技术性工作交由IT厂商来完成。企业对IT部门的定位（2）大部分企业比较重视数据分析和BI项目，投入了较为充足的预算。在国家宏观政策的支持以及信息技术的快速发展下，绝大多数企业对BI前景持看好的态度，对数据分析和BI项目有较高的重视程度。调研数据显示，将近75%的被调研企业在数据分析和BI项目上有着不小的投入，如图2所示。其中超25%的企业其领导非常重视数据分析和BI项目，给予了充足的预算；近一半的企业表示部分高管很重视视数据分析和BI项目，预算较为充足。也有约20%的企业表示高层的重视程度不够，投入的预算有限。企业对数据分析和BI项目的预算投入2. 工作状态工作状态层面主要涉及到企业业务部门和IT部门的工作与配合，包括数据分析和BI项目的驱动来源、业务部门的数据需求、业务部门与IT部门的配合方式及效果等。（1）企业的数据分析和BI项目主要由业务部门驱动。从理论上来说，BI建设的需求最先应该是来源于管理层和业务部门，因为数据分析和BI的目的就在于将数据转化为知识，为企业提供业务决策支持。实际的调研结果也证实了这一点。如图3所示，在被调研企业中，数据分析和BI项目由管理层驱动和由业务部门驱动的企业合计占比近70%，其中由业务部门驱动的企业最多，占比37.21%；其次是管理层驱动，占比32.56%。由IT部门自我驱动的企业占比最低，为25.58%。因此，大部分被调研企业BI项目的建设方向和策略都是来源于业务决策的需求，部分企业的领导对数据分析和BI项目比较重视，能够主动推进项目的建设。数据分析和BI项目的建设方向与策略来源（2）绝大多数企业的业务部门存在较多的数据需求，其中又以业务取数需求居多。大数据时代背景下企业的数据需求激增，而企业之所以应用BI，无外乎是因为现有的信息系统无法满足其业务部门的数据需求，形成供不应求的局面。如图4，调研结果显示，超过95%的被调研企业，其业务部门拥有大量的数据需求，其中以业务取数需求和深度业务分析需求为主，合计占比约达75.8%；报表需求仅占19.77%。仅有4.65%的企业只存在少量的数据需求，其业务部门几乎不提数据需求。这也表明越来越多的企业希望能从数据中获取知识，洞察业务见解。业务部门的数据需求（3）IT部门主导仍是企业业务部门与IT部门最主要的配合方式。当前企业的数据分析和BI项目建设仍然以IT部门为主导。在被调研企业中，采用IT完全主导和IT强主导这两种配合方式的企业合计占比近78%，如图5所示。这一结果从某种意义上也体现出了当前的BI市场现状，目前自助式BI分析并未完全成熟，IT部门仍然需要从技术层面，来实现业务部门的大部分报表和分析需求。一旦未来几年自助式BI分析发展成熟，大部分企业的数据分析和BI项目建设将开始向业务主导的方式迅速倾斜。而且值得注意的是，个别企业已经实现了智能自助，即IT人员建设底层的数据仓库，数据处理和BI分析均由业务人员通过BI工具实现。企业业务部门与IT部门的配合方式（4）企业业务部门与IT部门的配合效果较好。对于IT主导的配合方式，目前来看最终的配合效果也很不错。图6显示，将近84%的被调研企业认为IT与业务配合的较好，其中24.42%的企业更是可以用“如鱼得水”来形容IT与业务的配合关系。当然，也有约16%的企业不满业务与IT的配合，认为IT与业务部门之间存在一定的误会甚至是质疑。企业业务部门与IT部门的配合效果3. 专业能力专业能力主要体现在企业数据分析和BI项目的支撑团队上，团队的规模、开发能力，以及能力短板等是较为关键的衡量指标。（1）大部分企业的数据分析和BI团队规模较小，不够成熟。总体上来看，目前企业用以支撑数据分析和BI项目的团队仍然不够成熟。图7中的调研结果显示，仅有20%左右的被调研企业拥有5人以上的成熟数据团队，能够有力地支撑数据分析和BI项目；超过半数的被调研企业以3~5人的团队来支撑数据分析和BI项目，20%左右的企业其数据分析和BI项目建设团队仅为2人及以下；甚至有近7%的企业没有专门的建设支撑团队，采用的是个别员工兼职的方式。企业数据分析和BI项目支撑团队的规模（2）团队成员的开发能力整体处于中等偏上水平。从图8中的调研数据来看，被调研企业数据分析和BI项目团队的成员都具备基本的开发能力。超过半数的被调研企业表示其团队成员有一定的开发经验，常规的报表开发不是问题；26.74%的被调研企业认为其团队成员具备从数据底层到前端可视化的完善能力体系；更有9.3%的被调研企业的数据团队成员是既懂业务又懂技术的高手。当然，也有部分企业的团队成员仅会一些简单的操作，开发能力不能很好地满足项目需求。团队成员的开发能力（3）业务理解能力是团队成员最大的能力短板。针对团队成员能力短板的分析结果再一次证明了前文关于团队成员开发能力的结论，即团队中既懂业务又懂技术的高手并不多。如图9所示，41.86%的被调研企业认为数据分析和BI项目团队成员的最大短板在于搭建企业各业务模块分析体系的能力。这也是IT部门主导BI项目的一个缺点，企业的IT部门主要以技术运维为主，在业务方面则缺乏较深的理解。另外，有17.44%的企业认为数据分析和BI项目团队成员在数据分析思维、方法和技巧上需要进一步提高，19.77%的企业不太认可团队成员的项目价值传播能力。团队成员的能力短板4. 价值体现最后是价值体现，也就是企业数据分析和BI项目取得的效果，主要体现在项目运行状况、应用普及率以及扩大价值的挑战等方面。（1）绝大多数企业的数据分析和BI取得了成功，运行状况良好。图10中的分析结果表明，从运行状况来看，被调研企业的数据分析和BI项目还是非常成功的，仅5.81%企业表示项目访问量较低，业务部门基本不会查看。绝大多数企业的项目访问量相对稳定或较高，甚至有8%左右的企业其数据分析和BI项目受到了全公司的关注，很好地支撑了领导层决策。已上线数据分析和BI项目的运行状况数据分析和BI项目在不同部门层级的应用普及率（2）数据分析和BI项目的整体应用普及率一般，在IT部门的应用最为深入，在领导层的普及率仍有待提升。当数据分析和BI项目在某一部门层级的应用普及率达到60%以上，我们就认为项目在该部门得到了较为深入的应用。根据调研数据，66.74%的被调研企业至少在领导层、业务管理层、业务执行层、IT部门中的某一部门层级得到了较深的应用，因此整体来看，项目的应用普及率只能算是合格。另外，如图11所示，一个非常明显的趋势是应用普及率随着领导层-业务管理层-业务执行层-IT部门的顺序上升。大部分被调研企业的数据分析和BI项目在IT部门应用得比较深；仅36.05%的被调研企业，其数据分析和BI项目在领导层得到了较深的应用。也就是说，越偏向于执行层级，数据分析和BI项目的应用普及率就越高。结合前面的结论，虽然管理层级对企业的数据分析和BI项目较为重视，但是最终能普及到他们的应用却仍然不够。而如何让企业的管理层更好地应用BI，发挥出BI的最大价值——决策支持，是企业接下来需要重点思考的问题。（3）企业的数据应用成熟度集中在业务洞察阶段，整体处于中等水平。如图12所示，被调研企业的数据应用成熟度表明，大部分已上线BI的企业处于“数据间接产生价值”的阶段，即通过数据来驱动企业决策和运营。其中，超过半数企业的数据应用处于业务洞察阶段，他们通常使用统计分析、预测分析以及数据挖掘技术，来提示重大、相关的业绩改善建议；31.4%的企业仍处于业务监测阶段，他们通常应用传统的DW和报表方式，监测现有企业业务的运行状况。值得注意的是，虽然整体上来看，企业数据应用成熟度并不高，但是也有近12.8%的企业处于“数据直接产生价值”的阶段，他们往往通过业务重塑发现新的商业模式，产生新的盈利手段，而且这一比例较去年是有所提高的。按照这一趋势，未来会有更多的企业进入业务重塑和数据盈利阶段，数据将真正成为企业的生产力。企业数据应用成熟度（4）企业在进一步扩大BI产出价值上存在不小的挑战。面对当前数据分析和BI项目的应用效果，企业要想进一步扩大BI项目的产出价值，需要克服不少困难。图13中的词云图表明，被调研企业认为最大的四项挑战分别是数据人才的培养、数据的整合与治理、与管理层及业务部门的配合、以及IT部门自身的能力提升。具体地，被这四个问题困扰的企业均超过50%。另外，衡量数据分析的价值产出、公司重视程度或预算投入这两项挑战也占据了较大的比例，占比均超出40%。另外，有20.93%的被调研企业在数据分析工具的选择上存在困扰，而BI工具选型的确是项目成功与否的关键一环。还有13.95%的被调研企业认为，项目风险的控制也是BI价值产出的一道阻碍，风险控制不善将会给企业带来非常大的损失。企业扩大BI价值产出存在的挑战二、获奖企业优势在前文中，我们对参赛企业数据应用的整体情况进行了分析，包括各项影响因素和应用效果，但是我们依然无法判断出哪些因素对应用效果有较大的影响。因此，我们将数据生产力大赛的获奖企业筛选出来，对他们的优势进行了进一步的分析，得出以下结论。1. 获奖企业的数据应用效果优于未获奖企业从价值体现，也就是最终应用效果的角度来看，获奖企业的数据应用效果要明显优于未获奖企业。这一结论也从证明了帆软数据生产力大赛的专业性和公平性。（1）获奖企业的数据应用普及率明显优于未获奖企业调研数据显示，获奖企业的数据分析和BI项目的整体应用普及率达到了78.26%，明显高于所有企业综合得到的数据66.74%。并且如图14所示，除了领导层应用普及率的企业占比类似，获奖企业的数据分析和BI项目在其他部门层级的应用普及率均高于未获奖企业。尤其是在业务管理层，应用较深的获奖企业占比达到了56.52%。这一结果表明数据分析和BI项目在获奖企业的管理层级中也得到了较为深入的应用。获奖企业的数据应用普及率获奖企业的数据应用成熟度（2）获奖企业的数据应用成熟度要高于未获奖企业从数据应用成熟度来看，获奖企业的表现也比未获奖企业要好。具体表现在处于业务监测阶段的企业占比有所下降，从整体的31.4%减少到了21.74%，如图15所示。如果将未获奖企业筛选出来，数据差将会更大。相应地，处于业务洞察以上阶段的企业占比则有所增加。2. 影响企业数据应用效果的主要因素在于人通过对获奖企业的价值定位，工作状态和专业能力三个方面的影响因素进行分析，我们发现获奖企业与未获奖企业的主要区别体现在人的层面，包括工作状态方面的部门配合效果、专业能力方面的团队规模和成员开发能力。（1）获奖企业的团队配合效果要明显优于未获奖企业图16中的调研数据表明，获奖企业中，业务部门与IT部门配合效果一般的企业减少了很多，所以最终配合效果在顺畅以上的企业占比高达91.3%，较整体情况有了不小的提升。获奖企业的业务部门与IT部门配合效果（2）获奖企业数据团队的专业能力要高于未获奖企业调研结果显示，不论是团队规模还是团队成员的开发能力，获奖企业的表现均高于未获奖企业。在团队规模上，获奖企业不存在个别同事兼职运维的情况，5人以上成熟数据团队的企业占比也有小幅的提升，如图17所示；在团队成员的开发能力上，仅会简单操作的企业占比从整体的12.79%下降到了4.35%，相应地，数据团队拥有完善能力体系成员的企业占比、拥有高手成员的企业占比均有所提高，如图18所示。获奖企业数据分析和BI项目支撑团队的规模获奖企业团队成员的开发能力三、结语BI已经成为企业精细化运营不可获缺的一部分，其价值无需多言。除了资源投入、基础设施等要素，数字化转型同样离不开人的支持。图13中的结果表明绝大多数企业已经意识到了这一点，这也为企业后续的项目实施提供了指导方向。数据人才的培养、团队配合效果的改善将是企业在下一阶段的行动关键。期待BI在越来越多的企业中发挥价值，让数据成为真正的生产力。

今天妇女节，必须赞美女同胞们的魅力和能力。那么我们从3份调研报告的数据入手，分析一下为什么在投资和存钱方面，女性要比男性靠谱！3月4日，中国普惠金融研究院发布了《中国女性金融健康正在加速发展》，从调研报告数据来看，参与调研的女性拥有比男性更多的存款，平均存款金额约比男性多7%。其中有76%的已婚女性，掌管着家庭的“财政大权”！有人喜欢吐槽，买买买是上帝赋予女人独有的败家天性。但从数据来看，事实情况是：喜欢买买买的女性，却比看似“什么都不买”的男性，拥有更多存款！这是不是意味着，女性可能比男性更擅长管理资产！不仅善于管钱，在“赚钱”方面女性表现得也要略好于男性。《中国美好生活大调查2020-2021》数据显示，在投资方面，女性投资盈利比例略高于男性。男性一般更偏爱股票、基金等更激进的投资方式。女性一般偏爱保险、银行理财等稳健、低风险的投资方式，投资比例明显高于男性。从整体数据来看，男性投资亏损比例要高于女性，女性投资盈利和不赔不赚的比例高于男性。有些金融分析机构认为，在管理财务和理财投资方面，女性拥有比男性更健康、更乐观的心态，面对负债时，也有更强的抗压能力。由于偏好稳健，从长期来看，让女性的投资收益要高于男性。不仅擅长管钱，更擅长赚钱，女性果然比男性更适合掌管家庭财政大权！我们可以得出这样的结论：别玩股票、别玩心跳，老老实实稳健理财，收益已可以超过很多人了！投资和存钱方面惜败的男同胞，在借钱方面，是女同胞的2.6倍！某金融机构发布《2019年借贷青年生活图景报告》，根据该机构的贷款数据显示，通过App、生活号、微信端等渠道申请贷款的男、女性别比例分别为3：1、2.3：1、2.6：1，平均比例约为2.6:1。也就是说，男性借款人数量是女性的2.6倍，每100个借款人中，有73位是男性。那么，这么多男性同胞的贷款钱都花到哪儿去了呢？从苏宁金融研究院发布的数据来看，80后、90后平均贷款分别为15.25万元、7.09万元，其中近半是房贷。（图片来源：苏宁金融）除此之外，因为还存在大量难以统计详细数据的民间借贷，真实贷款金额，或许比统计出来的数据还要高很多。从3分数据报告来看，稳健的投资心态，让女性的投资收益高于男性，同时看起来喜欢买买买的女性，存下了比男性更多的存款。所以，“家里的钱，要由老婆管”，还是很有道理的！那么，你家里的财政大权，由谁掌管呢？最后，【签个条】祝各位女同胞们节日快乐，健康美丽！

市场：“最近新出了个产品，销量不太好，哪些渠道推广更有效？调研一下。”产品：“这个功能用户有没有需要，调研一下。”人事：“最近员工离职太多，哪些人最爱离职，员工满意度怎么样？调研一下。”......用户调研、市场调研、员工调研，完成一个调研看似是件十分困难的事情，但不同种类的调研报告的格式和写法都有一些共同点。这次，我们来跟大家分享下如何完成一份调研报告，以及如何利用SPSSAU来提高分析、写作的效率。本文主要介绍以问卷方式进行数据收集的调研报告。01.什么是调研报告说起调研，很多人第一时间就会想到填问卷、写报告、做统计图、做ppt汇报。简单来说，调研就是通过各种调研方式系统的收集资料并对调研数据进行深入分析，最终产出报告给出一些总结结论或者建议。02.如何完成一份调研报告Step1. 明确目标，提炼关键词俗话说得好：“万事开头难”，写调研报告也是这样。往往写上标题，然后就完全不知道该如何继续......在撰写调研报告前，我们首先应该再次明确本次调研的目标是什么。比如，要制定的是一个人事方面的员工满意度调研，同时要了解什么特征的员工更爱离职。那么这次的调研可以概括为两个关键词：员工满意度、离职倾向。以“大学生理财情况调研”为例，本次调研目的分为大学生理财认知、理财现状、理财偏好三个方面。也就是通过研究要回答下面这些问题：大学生对理财知识了解多少？大学生中理财人数占比有多大？大学生对理财产品的选择有什么偏好？......大学生理财情况调研问卷 确定目标这点是非常重要的，它就像是议论文中的论点。想要写出一篇好文章，一定是要有一个明确的论点，内容紧扣主题。Step2. 梳理逻辑，搭建报告框架无论是在设计问卷、分析数据或者撰写报告阶段，了解研究的逻辑结构都是重中之重的核心问题。调研问卷设置的问题顺序，不一定是书写报告的理想顺序。可能为了照顾被调研者阅读习惯，调整了问题顺序。或是为了防止作弊，调换答题顺序。所以，分析前有必要重新梳理报告顺序。还是以上面的《大学生理财情况调研报告》为例，上面已经确定了三个关键词：理财认知、理财现状、理财偏好。但在问卷中，这些问题是散落在问卷中的不同部分里的。因此，我们要重新看一下，把每个问题归类。从上表中可以看到，Q1是筛选题，用来筛选样本；Q2-Q5是样本背景信息题目；Q6-Q8是理财认知题目；Q9-Q11是理财现状题目；Q12-Q19是理财偏好题目。在基本结构确定后还可以进一步细分，比如是否考虑差异分析：不同背景（性别、专业等）的大学生对理财认知、理财现状、理财偏好的是否有区别？或者影响关系：影响大学生购买理财产品的因素有哪些？最终把这些问题梳理成一个框架。核心始终围绕着研究主题以及三个关键词。框架与最后成型的实际报告会有一些差别。不过没有关系，我们可以在之后分析的过程中一点点调整修改。总之，先把框架搭好。不仅为了方便后面写报告的时候更有条理，同时也避免后面重复分析、少分析了某部分的情况出现。Step3. 进行具体分析这部分我们可以使用SPSSAU进行分析，提高工作效率。数据处理数据处理是一个非常重要的环节，第一次分析的人很容易忽略这部分。在数据收集完成后可以使用SPSSAU无效样本和异常值两个功能对数据无效性进行处理。无效样本：SPSSAU提供两种设置：一种是完全相同数字超过一定比例时设置成无效样本。不认真填写者通常为了方便会选择相同的答案，一般以量表题选择相同数字超过70%作为标准。另一种是缺失一定比例设为无效样本。异常值：如果存在缺失数据或在异常值的判断标准上，可设置数字为null，即异常值处理。还是以《大学生理财情况问卷》为例，问卷中包含多种题型：筛选题、单选题、多选题、量表题、跳转题等。以非量表题居多，可以检查下有无缺填比例高的问卷。同时留意题型，最好先在大纲中先标记上每部分对应的题号、题型。像筛选题、跳转题，分析前要筛选出样本，否则后面很难检查出问题来。筛选样本比如第一题：是否在校大学生。本次的调研对象是大学生群体，如果本身填问卷的人就不是大学生，那么肯定就不在研究范围内。因此在做所有分析之前，应该先筛选样本，并且后续分析也要以筛选后的结果为准。方法选择这个问卷中多是非量表题，常用的统计方法有：频数分析、描述分析、卡方分析、二元logit回归等。我们按照提纲依次进行分析即可。按住Shift可一次性拖入多个题目，实现同时分析多项结果。数据格式同时重点注意下表格格式，专业的调研报告（和论文一样）对格式有着严格的要求。建议统一修改表格格式，避免有遗漏。涉及重点数据，比如占比非常高的选项，可以用不同颜色标出。也可以适当添加图表的使用。一图胜万言，多用图表来呈现所想表达的内容，更有直观性。SPSSAU图表Step4. 撰写报告正式撰写报告的时候可以一部分一部分的完成。通常是先描述分析结果，然后结合结果和背景信息进行总结。如果内容较多，建议在每部分最后添加一小节作为总结部分，同时可以针对结论给出建议或解决方案等。最后别忘了添加附录。通常将调查问卷、统计结果等作为附件内容。方便读者查询。在企业中，最后多以PPT的形式进行汇报。如果前面的框架梳理的很清晰，这里就方便很多了。每页PPT里最好不要放入太多内容，一页PPT里汇报一个研究问题+重点数据结果即可。尽量多以图表形式展示。今天的分享就到这里。实际上不只是调研报告，论文、项目分析、社会调查等都可以运用以上的方法进行拆解、梳理和分析。

众所周知，调研报告是用事实说话，因此材料的使用就比其他文体显得更加重要。一般来说，由于进行过广泛深入的调查，调研报告写作时堆在面前的材料是比较多的，关键是如何筛选、如何合理使用。达晋编译认为，筛选材料应把握以下三条原则：一是真实性。调研报告所反映的内容必须是经过调查了解到的情况，决不能是道听途说、东拼西凑的东西。在调研报告中，不仅主要人物和事实要真实，就是事件的时间、地点、过程及各种细节也要真实，不能有半点浮夸和虚假。调研报告中一些结论，也必须来源于对具体事实的周密考察和分析研究，并以实际材料来说明观点，决不能靠主观臆断。没有把握的材料，哪怕再有诱惑力，也不要用。尤其是数据，一定不能错。二是典型性。光真实还不行，还要典型，能反映事物的本质。有时拿到的材料是真实的，但没有代表性，是个别现象，不能反映事物的主流和本质，甚至会使人以偏概全，以点代面，得出片面的、错误的结论。这样的材料也不能用。因此，要去掉一般化的，保留最有说服力的；去掉偶然性的，保留最能反映本质的。三是新颖性。要去掉陈旧的，保留新鲜的。在调研报告写作中，运用材料的基本要求是要坚持观点与材料的统一，观点统帅材料，材料说明观点。因此，要做好以下几个方面：一、要善于运用典型材料和概括性材料来说明观点。典型材料反映的是事物的深度，往往具有广泛的代表性和普遍意义，可以起到以小见大的效果。典型材料不仅能证明一个问题在实践中哪些是可行的或者是不可行的，也能证明一个观点是否能够确立。而且，典型性材料具有直观性、鲜明性，能给人以强烈的感受。可以用一个典型材料说明一个观点，也可以用几个典型材料强化一个观点。在用好典型性材料的同时，也要用好概括性材料。概括性材料是对基本情况或一般情况做概括说明或扼要交代，用于说明事物的广度，即范围、规模、效益，帮助读者把握整体概貌，能够从总体上阐述观点。在写作中，这两种材料常常并用。概括性材料放在段首，撮要式描述。典型性材料随后，大力印证，对概括性材料起强化和补充的作用。在运用典型材料时，还要注意贴切、自然，与观点结合紧密，水乳交融。二、要善于运用对比性材料说明观点。对比材料可以突出特点，鲜明地显示事物之间的差异。用对比方法说明观点，可以有多种形式，如用历史材料同现实材料对比、用先进地区的材料与落后地区的材料对比、用点上材料与面上的材料对比等。从材料的对比中，常常可以使调研报告的主题更加突出，观点更加鲜明，给人以更强烈、更深刻的印象。三、要善于运用统计数据来说明观点。数字材料表达方式简明，反映的内容却十分具体，容易说明问题。因此，往往是调研报告中最有说服力、最引人注意的内容。有的问题，有的观点，用很多议论也难以表述清楚，而用一个数字、一个百分比，就可以使人对事物的面貌和问题的实质一目了然。所以，恰当地、准确地运用数字，同样可以起到揭示事物本质和规律的作用，可以使调研报告更具科学性。调研报告中运用的数字，主要有绝对数、平均数、百分数、对比数等。对数字的运用，必须反复核对，准确可靠，要用得恰到好处。要从数字中分析情况，提出问题，阐明观点，不能毫无目的地堆砌数字，盲目堆砌数字不仅不能说明观点，还会把观点湮没在纷繁的数字当中。总之，写作调研报告，一定要注意材料的运用，一定要善于用事实说话，切忌空洞抽象的议论，只有观点，没有材料。反过来，也决不是材料堆得越多越好，能充分说明观点就行。事例堆砌得太多，就显得啰嗦、累赘。

人工智能(AI)起源于上世纪50年代,在此后的半个多世纪中,历经了“逻辑推理”、“知识工程”的两起两落。目前,随着智能算力与数据瓶颈得以解决,在AlphaGo战胜围棋世界冠军的震撼中,“人工智能+”逐渐与各行业深度融合、走向繁荣。从全球产业发展来看,人工智能是第四次科技革命的主要技术之一,也是全球竞争的主战场,关系着国家发展前途和命运。历史上每一次科技革命,通过技术突破、激起创新热潮,从而推进生产力变革与社会进步,人工智能的技术本质、未来效果同样如此。面对这一历史机遇,世界上主要发达国家和经济体,都加强了对人工智能的战略安排:美国、英国注重人工智能的基础研究,日本、德国偏向人工智能的行业应用。我国则提出,“现阶段的投资需求潜力仍然巨大,要发挥投资关键作用,加快5G商用步伐,加强人工智能、物联网等新型基础设施建设”,人工智能上升到国家发展战略高度。未来随着5G、基础数据等新基建深入,人工智能应用必将爆发新动能。从人工智能产业链的构成来看,主要包括基础/硬件、数据、算法/平台/软件、应用等四层。其中,基础/硬件、数据、算法/平台/软件分别对应了人工智能的“算力、数据、模型”三要素。很多时候不容易区分人工智能与大数据之间的关系:大数据产业是人工智能产业的初级阶段,人工智能产业是大数据产业的升级及蜕变。大数据和人工智能产业关系与区别基础/硬件层包括GPU、DSP、FPGA、ASIC以及类脑等人工智能芯片,以及云计算、5G等相关的内容,是人工智能的计算能力支撑。目前在芯片领域,国外发展较早、积累较多,以NVIDIA、Intel、谷歌、IBM等为代表的芯片厂商具有技术上的领先优势。国内起步稍晚、市场需求强劲,以寒武纪、地平线、中星微等为代表的企业正在快速发展和突破,尽快实现进口替代。AI芯片对比　数据层则结合不同技术研究需求,为各行业提供数据(集)的设计、采集、标注等资源及服务,是形成算法模型和人工智能的基础。目前,全球数据的快速增长催生数据产业蓬勃发展,IDC预测到2020年全球将总共拥有35ZB数据量,但是也存在采集汇聚困难、数据生产技术水平和效率不高、数据集不成体系、公共数据资源及服务缺乏等不足。未来,人工智能多模态非结构数据量大、种类复杂化;多模数据组合标注等需求将进一步突出,数据生产将更加智能,流程化、效率将大幅提高。以数据堂等为代表的企业,重视智能算法模型研发、智能数据工厂建设,具备多行业数据需求研究规划、大规模数据众包采集、大容量数据高效生产等能力,在未来的数据服务市场中将获得更多的青睐。人工智能重点领域与数据层关系对应表　　算法/平台/软件层包括了机器学习、强化学习、类脑学习等算法理论,以及开发平台,是人工智能的核心技术。目前主流的深度学习框架包括TensorFlow(谷歌)、MXNet(亚马逊)、Caffe/2+PyTorch(Facebook),百度Paddle Paddle以其易用性和支持工业级应用而逐步被国内用户接受。同时,百度、华为、阿里、腾讯、商汤、讯飞、旷视等国内巨头,面向不同应用领域打造开放平台,努力构建人工智能产业生态。人工智能基础应用技术架构　　应用层是人工智能走向市场的产品及解决方案,通过与各领域融合,对于改善传统环节流程、提高效率、提升效能、降低成本,甚至推动传统领域变革等方便,提供了巨大的推动作用。目前来看,其应用没有另有领域限制、其方案层出不穷。如百度阿波龙量产下线,提供了L4级量产园区自动驾驶解决方案,在雄安、厦门等多地开展实地运营里程超过10000公里;推想科技的医疗影像AI解决方案,为影像专业医生提供辅助阅片服务,已累计合作全球300+大型医院;科大讯飞基于智能语音识别技术,让机器能够“听懂”人类语言,在智慧教育、城市超脑、交通超脑等多行业提供应用,其中“交通超脑”试运行让示范区域内通行效率提升10%;新松智能家居服务机器人,不仅包含智能看护、亲情互动、家政服务等功能,还拥有强大的家庭卫士、环境感知、自主学习等黑科技……人工智能的起落,还未走远;人工智能的兴起,已悄然而来。人工智能做应用者,得用户;搭平台者,争生态。而善用数据者,才能成就优秀应用或平台。阅读并下载完整版《人工智能产业发展调研报告》全文,请登录数据堂官网查询。来源：东方网

来源：证券日报本报记者施露在现代化经济体系中，数据正扮演着举足轻重的角色。根据国家网信办2018年发布的《数字中国建设发展报告》显示，2018年我国数字经济规模已经达到了31.3万亿元，占GDP的比重达到34.8%。信息化改造提升传统动能的作用日益显现，数据资源成为驱动数字经济发展的核心要素。在此背景下，9月20日，《哈佛商业评论》联合华夏邓白氏发布《2019中国企业数字化转型及数据应用调研报告》（下称“报告”），展示了我国企业数字化转型及数据应用的现状及分析。报告称，国内企业数字化转型比重增高，但与理想水平还有一定的差距。报告显示，目前有不少国内企业已经开始了数字化转型的实质性工作。相当一部分已经捷足先登，并取得了阶段性成果。另有超过2成的企业已着手规划相关工作。总体而言，我国企业数字化转型的参与度普遍较高，可预见的进展令人印象深刻。中国企业的数字化转型整体尚处于起步阶段。受调查企业中，存在转型意识薄弱、资金投入不足等问题。在已开展数字化转型的企业中，也普遍面临系统化建设滞后、数据管理水平及数据质量不高的困境。有超过80%的企业其数据以非结构化为主，超过90%的企业内部存在数据孤岛，约80%的企业不认可自身数据挖掘能力，同时仅有不到40%的企业采购第三方数据，多数企业没有对外寻求优质、合规的第三方数据供应商的意识。在对数字化转型表现出色的企业做深入分析后，报告进一步显示，在数字化转型方面表现优异的受调研企业，在数字化转型意识和战略上更为重视，资金投入也更大（是一般企业的两倍），从而使得它们在建立数字标准化、使用第三方数据、消除数据孤岛、对自身数据挖掘能力的评价，以及借助外部力量进行数据挖掘等方面，均明显好于总体企业平均水平。数据应用领先企业在数据方面的良好表现，强化、带动了数字化转型，同时帮助更好落地实现。（编辑孙倩）

调查研究是我们党的传家宝，是谋事之基、成事之道。在深入基层开展调查研究的基础上，实事求是地反映和分析客观事实，提出有针对性的政策建议，是党委办公厅(室)的一项重要工作。一篇好的基层调研报告，有助于领导机关了解基层情况、收集意见建议，也有助于领导科学决策、推动工作。一篇好的基层调研报告的基本要素什么样的基层调研报告才是一篇好的报告呢？立意要高。胸怀国之大者、心系民之关切，站在政治和全局高度，围绕党中央决策部署和地方中心工作，落到群众关心关注的热点难点问题上，访民情、听民意、解民忧、纾民困，把情况和问题反映上来。切口要小。城乡发展中值得研究和关注的问题不计其数，在一篇调研报告中不可能面面俱到，要抓住领导关注、群众反映强烈的重点问题，改革发展中的难点问题，或者新政策执行中遇到的新问题开展调研。情况要真。客观真实是调研报告的生命，必须坚持实事求是的科学态度和思想路线，深入了解实情，敢于讲真话，如实反映城乡发展的真实情况，讲成绩不夸大，讲问题不回避，杜绝掺水分、想当然、搞粉饰。内容要实。调研报告要充分、具体、翔实，做到见人、见事、见物、见数据、见对比，让人读了身临其境、产生共鸣。分析要透。对调研所得要进行认真甄别、深入分析，全面系统地梳理阐释，透过现象看本质，既要究其然也要究其所以然，触及问题根源、症结要害，从一定理论高度来提炼观点、总结规律、表达感悟。对策要准。调研报告的价值主要体现在对策建议上，要紧紧围绕调研中发现的问题，有针对性地提出科学合理、切实有效的解决办法，做到“语当其时，谏当其用”。基层调研报告写作的基本方法在经过深入扎实的实地调研、掌握充足的一手材料并进行系统梳理思考后，就可以着手起草报告了。当然，起草过程中如发现调研不充分、材料不够用，仍需及时搜集和补充。精心提炼观点。观点是否正确、鲜明，是报告成败的关键。在撰写报告时，必须深入思考、反复琢磨，常用的提炼观点的方法有：求同提炼法，即从不同案例反映的共同问题、众多群众表达的一致感受中提炼观点；对标提炼法，即对照中央要求提炼当地做法；比较提炼法，从与其他地区的横向对比或与本地区在时间线上的纵向对比中提炼观点等。就标题而言，作为观点的集中体现，可提炼规范式标题，如《关于×地农村文化建设现状的调研报告》；直述式标题，如《绿色发展理念在乡村振兴中的贯彻落实成效、问题及对策建议》；结论式标题，如《×地大数据产业助力疫情防控》；提问式标题，如《如何破解×地小微企业发展困局》；复式标题，如《燃气入户千家暖，烟尘消散万里晴——管窥×地“煤改气”现状》；等等。合理安排结构。报告的结构要做到逻辑严谨、层次清晰，一般可分为总分式、纵式、横式、纵横式4种。总分式是总论和分论相结合，如一篇《关于××县基层教育现状的调研报告》，先总述近几年的主要变化和特点，再从学前教育、义务教育、职业教育等几个方面分述。纵式结构是按事物产生、发展、变化的过程或者论证逻辑的先后顺序来写，各层次之间是递进、由浅入深的关系，如一篇《××区民营经济状况调研》，从民营经济规模逐步扩大、促进民营经济发展的主要措施、值得重视的一些问题、有关建议等一层层深入展开。横式结构是按照事物内在逻辑关系，把主体部分分为并列的几个层次来写，如一篇《×地乡村污染的治理措施》，从生活垃圾污染、畜禽养殖污染、农药化肥污染等多个角度依次呈现。纵横式结构则是将上述两种结构综合起来，如全文用纵式结构，文中各部分内部用横式结构，或者全文用横式结构，文中各部分内部用纵式结构，既条理清晰又步步深入。科学取舍材料。调研过程中获得的档案资料、图表数据、访谈记录等，都是报告的原始素材，但这些材料不可能也不必都写入报告，应科学取舍、粗中选精，不断加工筛选、优化提升。要选关联度高的，即与主题联系紧密的材料，使主题集中、鲜明、突出，否则不论材料多么生动也要忍痛割爱。要选典型性强的，即最能支持和佐证观点的材料，给读者留下深刻印象。要选新鲜度好的，即所调研地区的新情况、新事物、新思想、新经验、新数据、新典型、新问题等，避免陈词滥调、老生常谈。如一篇调研报告聚焦三农问题，选择小麦种植面积测量“从卷尺量地到卫星巡天”、村两委和村民活动站“从借地办公到筑巢引凤”、新农合“从试点医保到全面普及”3个事例，以小见大，较好地反映了农业发展、农村进步、农民幸福的深刻变迁。紧扣主题行文。提笔撰写调研报告之前，经过提炼观点、谋篇布局、取舍材料，思虑周全后方可落笔行文。调研报告文字不能过于华美绚丽，也不能过于平淡无奇，更不能官话套话连篇，而要结合调研主题、突出地方特色，多使用基层群众话语，做到既准确、鲜明，有一定的理论高度和逻辑深度，又生动朴实、深入浅出，让人看得懂、愿意看、看了有收获。千锤百炼修改。报告完成后要反复修改，既要看逻辑是否清晰，结构是否匀称，次序是否合理，前后是否呼应，又要看内容是否完整，论证是否有力，表达是否得体，语句是否顺畅。写作中需要注意的几个问题在撰写基层调研报告过程中，还应注意以下问题。一是抓住主流。调研报告最忌一叶障目、不见泰山。我们不能因为一个贫困户的特殊困难而否定整村脱贫的成绩，也不能因为一条公路修得宽阔气派而忽视全县还有十几个村交通不畅。二是处理好敏感事项和个人隐私。调研过程中可能接触到一些敏感事项或者涉及个人隐私的内容，写作过程中要注意回避，以免造成不良影响。三是适当控制篇幅。调研报告宜开门见山、摆出材料、讲清观点、作出结论，做到短小精悍。四是结论应产生于调研之后。要杜绝未调研先下结论，不能背鞋找脚、先射箭再画靶。凭着主观臆造、凭空想象写出来的报告，难以令人信服，甚至会贻笑大方。五是注意时效性。调研报告所写的内容、所用的数据都是为了反映当前状况、提供决策参考，时过境迁便如明日黄花，失去参考价值，甚至误导决策，必须抓住时机、及时提交。(作者单位：中央办公厅人事局)(来源：“秘书工作”微信公众号 《秘书工作》2021年第1期)

1、超大规模数据中心● 超大规模数据中心将从2016年底的338个增长到2021年的628个。到2021年，它们将占所有已安装数据中心服务器的53％。● 到2021年，超大规模数据中心内的流量将翻两番。超大规模数据中心已占所有数据中心总流量的39％，到2021年将占55％。2、全球数据中心流量● 到2021年底，全球年度数据中心IP流量将达到20.6（ZB）（每月1.7 ZB），高于2016年每年6.8 ZB（每月568 EB [EB]）。● 全球数据中心IP流量将在未来5年内增长3倍。总体而言，从2016年到2021年，数据中心IP流量将以25％的复合年增长率（CAGR）增长。3、数据中心虚拟化和云计算增长● 到2021年，94％的工作负载和计算应用将由云数据中心处理; 6％将由传统数据中心处理。● 从2016年到2021年，整体数据中心工作负载和计算应用将增加一倍以上（2.3倍）; 然而，对于云，这些将在同一时期几乎增加三倍（2.7倍）。● 2016年云数据中心的工作负载和计算应用密度（即每个物理服务器的工作负载和计算应用）为8.8，到2021年将增长到13.2。相比之下，对于传统数据中心，工作负载和计算实例密度为2.4 2016年，到2021年将增长到3.8。4、公共云与私有云● 到2021年，73％的云工作负载和计算应用将位于公共云数据中心，高于2016年的58％（2016年至2021年的复合年增长率为27.5％）。● 到2021年，27％的云工作负载和计算应用将位于私有云数据中心，低于2016年的42％（从2016年到2021年的复合年增长率为11％）。5、全球云流量● 到2021年底，年度全球云IP流量将达到19.5 ZB（每月1.6 ZB），高于2016年每年6.0 ZB（每月499 EB）。● 未来5年全球云IP流量将增加三倍以上（3.3倍）。总体而言，从2016年到2021年，云IP流量将以27％的复合年增长率增长。● 到2021年，全球云IP流量将占数据中心总流量的95％。6、云服务交付模型● 到2021年，75％的云工作负载和计算应用将是软件即服务，高于2016年的71％。● 到2021年，16％的云工作负载和计算应用将是基础架构即服务，低于2016年的21％。● 到2021年，云计算总体工作量和计算应用中的9％将是平台即服务，高于2016年的8％。7、按应用程序处理工作量和计算应用● 到2021年，企业工作负载和计算应用将占总数据中心工作负载和计算应用的73％，低于2016年的76％。● 到2021年，消费者工作负载和计算实例将占总数据中心工作负载和计算应用的27％，而2016年为24％。● 在企业部门中，计算（到2021年为24％的企业工作负载和计算应用）和协作（到2021年为23％的企业工作负载和计算应用）是两个主要贡献者。● 在消费者群体中，视频流（截至2021年占34％的消费者工作负载和计算应用）和社交网络（2021年消费者工作负载和计算实例占25％）是两个主要贡献者。● 在企业领域，数据库/分析和物联网将成为增长最快的应用程序，2016年至2021年的复合年增长率为21％，或增长2.6倍。● 在消费者群体中，社交网络（2016年至2021年的复合年增长率为26％）和视频流（2016年至2021年的复合年增长率为24％）将成为增长最快的应用。8、数据中心存储● 到2021年，数据中心存储装机容量将从2016年的663 EB增长到2.6 ZB，增长近4倍。9、数据中心、大数据和物联网中的数据● 从全球来看，到2021年，存储在数据中心的数据将几乎增加五倍，到2021年达到1.3 ZB，比2016年的286 EB增长4.6倍（复合年增长率36％）。● 到2021年，大数据将达到403 EB，比2016年的25 EB增长近8倍。到2021年，仅大数据将占数据中心存储数据的30％，高于2016年的18％。● 存储在设备上的数据量将比存储在数据中心的数据高4.5倍，到2021年为5.9 ZB。● 在物联网的推动下，到2021年，任何设备创建（并且不一定存储）的数据总量将达到每年847 ZB，高于2016年每年218 ZB。图1 超大规模数据中心增长率图2 IP流量在数据中心的增长率图3 2021年数据流向分布及百分比本文内容来自：某白皮书