职场新人:怎么做结构化汇报?

简介: 文章介绍了结构化汇报的基本逻辑和四种常用逻辑框架,帮助读者提升职场技能。

来一个小思考题:假设你是一个项目团队Leader,在每周的早会上需要听取20多名成员的周工作总结,并在此基础上,对团队整体工作做出总结和点评。

员工A和B分别这样汇报:

汇报A:

“呃……我这周做了很多事,比如和客户沟通了几次,然后做了些文档整理,还有……哦,对,还有一次会议。我感觉工作挺多的,但好像没啥特别的结果,嗯,大概就这样吧。”

汇报B:

“这周我完成了三个关键任务:客户沟通:与两位重点客户进行了沟通,解决了他们关于产品功能的疑问,获得了初步好评。文档整理:整理了产品文档,为下周新员工培训做准备。团队会议:在周三的会议中,提出了项目流程优化建议并得到采纳。结果:通过这些任务,我提高了客户满意度,并为团队的工作效率提升做出了贡献。”

你更想听到哪种汇报?

  • A这种——没有重点,语句模糊,让你难以了解真实进展,需要花费额外时间去追问细节?
  • 还是B这种——条理清晰、内容简练,让你快速掌握进展、关键成果,并能够迅速做出决策和点评?

我猜大多数人都会选择B这种汇报,但在自己做汇报时,不自觉的,又跳回了A这种模式。这背后的原因很简单——你只是听了别人这样做汇报,觉得好厉害好优秀,但对这种汇报模式却没有基本的定义和认知。今天小编就带大家了解汇报A——结构化汇报的基本逻辑和实操要点。

一、结构化汇报的基本逻辑

结构化汇报是指在工作或学习场合中,通过清晰的逻辑和合理的顺序,使听众能够快速理解并记住关键内容。

核心原则:

  1. 清晰简洁:避免冗长,突出重点。
  2. 逻辑清楚:汇报有明确的层次和逻辑顺序。
  3. 数据支持:适当使用数据、事实或案例来支撑汇报内容。
  4. 目标明确:确保汇报内容围绕汇报目的展开。

基本逻辑:

1.明确目标

  • 是为了汇报进展、解决问题、还是提出建议?
  • 希望听众得到什么信息、作出什么决策?

关键点:聚焦目标,避免冗余。


2.构建清晰框架

通常可以采用经典的“金字塔原理”或其他逻辑框架,按照以下顺序展开:

(1)总分结构:

  • 先总后分:先给出结论,再阐述理由;
  • 层层递进:每一层都有清晰的分支,逻辑关系明确。

(2)三段式结构:

  • 开头:说明背景和目的;
  • 中间:详细阐述重点内容;
  • 结尾:总结关键点,给出行动建议或结论。

3.聚焦核心信息

  • 突出核心问题关键数据,避免过多细节;
  • 使用事实和数据支持结论;
  • 若涉及复杂内容,可用图表辅助说明。

4.逻辑性强,条理清晰

  • 因果关系:问题-原因-解决方案;
  • 时间顺序:按照事件发展的先后顺序;
  • 重要性顺序:由高到低陈述。

5.简洁表达

  • 语言简明扼要,避免冗长;
  • 每部分控制在2-3分钟内完成(根据具体情况调整)。

6.互动与预期管理

  • 预留时间回答听众可能的疑问;
  • 对听众关心的问题重点说明。

二、4种常用的结构化汇报逻辑框架

1.金字塔原理 (Pyramid Principle)

金字塔原理强调结论先行,逐层展开细节。适用于向管理层或客户进行简洁、有力的汇报;需要快速赢得支持的内部讨论或团队会议;商务谈判或销售场景;面试中的自我介绍或案例分析。

  • 结构
    • 结论:汇报的核心观点或总结。
    • 主论点:支持核心观点的几个主要论点。
    • 细分论据:支持每个主论点的细节、数据或案例。
  • 示例:
    • 结论:本季度的销售额增长了20%。
    • 主论点1:新市场开拓带来了额外收入。论据:开拓了3个新城市市场,销售额贡献为XX万元。
    • 主论点2:线上推广活动效果显著。论据:通过线上活动吸引了5000名新客户。

2.FAB 模型(Feature-Advantage-Benefit)

FBA模型是一种强调产品或服务价值的表达方法,特别适用于突出用户需求和利益的场景。例如:制作广告文案、产品宣传手册、社交媒体内容;回应客户疑问,解释产品如何满足他们的需求;与潜在投资者或合作伙伴的沟通等场景。

  • 结构
    • Feature(特点):产品或项目的特征是什么。
    • Advantage(优势):这一特征带来了什么优势。
    • Benefit(好处):它如何满足用户需求或解决问题。
  • 示例:
    • 特点:我们的软件支持实时数据同步。
    • 优势:可以跨设备无缝衔接工作。
    • 好处:团队可以更高效地协作,提升工作效率。

3.STAR 模型(
Situation-Task-Action-Result)

常用于汇报工作成果、案例分析或个人绩效。

  • 结构
    • Situation(情境):背景情况或问题。
    • Task(任务):需要完成的目标或任务。
    • Action(行动):采取的具体措施或步骤。
    • Result(结果):取得的成果或效果。
  • 示例
    • 情境:针对团队面临项目进度延迟的问题。
    • 任务:我们需要在两周内将项目进度追回。
    • 行动:我们调整了工作流程,增加每日进度跟踪,分配额外资源。
    • 结果:最终项目按时完成,客户满意度提高了15%。

4.5W2H 模型(What, Why, Who, When, Where, How, How much)

适用于全面、细致地汇报项目或方案。

  • 结构
    • What(是什么):项目、任务或问题是什么?
    • Why(为什么):为什么要这样做?
    • Who(谁):涉及哪些人或团队?
    • When(何时):时间节点或进度如何?
    • Where(在哪里):实施地点或应用场景。
    • How(如何做):具体的做法或流程。
    • How much(多少费用/资源):涉及的成本、预算或资源投入。
  • 示例
    • What:实施新的客户管理系统。
    • Why:提升客户跟进效率。
    • Who:销售团队和IT部门。
    • When:下季度初上线。
    • Where:全国各分公司。
    • How:分阶段部署和培训。
    • How much:预算20万元。

除此之外,我们也要关注汇报的听众:

  1. 高层领导通常关注结论和结果
  2. 同事或团队可能更关注过程和细节

更重要的是,想要做好结构化汇报,需要你对自身或团队的工作保持清晰和有逻辑的认知。

可以用看板类工具(例如板栗.看板)做工作流的整理和安排,这样可以清晰记录自己的工作初心和要点,以及每一步重要动作,汇报或演讲的时候更自如。

STAR模型工作总结示例图(板栗.看板)


无论是书面报告还是口头汇报,结构化汇报都能帮助企业更好地展示工作成果、分析问题并提出解决方案。掌握结构化汇报的技巧,不仅能够提升个人的职业能力,还能为企业的发展提供有力的支持。

相关文章
|
6月前
|
数据采集 自然语言处理 调度
优化通义大模型推理性能:企业级场景下的延迟与成本削减策略
本文基于金融、电商、医疗等领域的实战经验,深入探讨通义千问等大模型的推理优化技术栈。从计算图优化、批处理策略、量化压缩到系统架构四个维度展开,结合Python代码示例与压力测试数据,提供企业级解决方案。针对延迟敏感、高吞吐及成本敏感场景,分析性能瓶颈并提出算子融合、动态批处理、混合精度量化等方法,同时设计分布式推理架构与冷启动优化策略。通过案例展示,如电商大促场景优化,实现峰值QPS提升6.5倍、P99延迟降低53%、月度成本下降62%。文章还提供优化实施路线图,助力企业分阶段落地技术方案。
761 5
|
数据采集 程序员 测试技术
程序员如何准备好一次高质量的汇报?
为什么掌握汇报能力很重要? 可能很多同学会说“我这种基层打工人不需要做年终述职了,跟周报一样写个书面总结就行了,至少现阶段跟我无关。” 当然,不少企业为了节省时间,对基层员工或基层管理者来说是不需要做述职汇报或者年终汇报的,仅提交书面形式的年终总结即可。 但实际情况是,无论是晋升述职、提案汇报,还是与客户售前交流、项目实施讲解,处处场景都要用到汇报技能,汇报是每一位职场人在成长的过程中都应该掌握的技能。 所以建议大家在日常工作中尽量珍惜每一次上台的机会,并从中积累汇报经验。
848 1
程序员如何准备好一次高质量的汇报?
|
10月前
|
人工智能 自然语言处理 机器人
一键部署开源DeepSeek并集成到钉钉
DeepSeek发布了两款先进AI模型V3和R1,分别适用于对话AI、内容生成及推理任务。由于官方API流量限制,阿里云推出了私有化部署方案,无需编写代码即可完成部署,并通过计算巢AppFlow集成到钉钉等渠道。用户可独享资源,避免服务不可用问题。部署步骤包括选择机器资源、配置安全组、创建应用与连接流,最终发布应用版本,实现稳定高效的AI服务。
853 4
一键部署开源DeepSeek并集成到钉钉
|
9月前
|
机器学习/深度学习 自然语言处理 TensorFlow
使用Python和DeepSeek进行联网搜索的实践指南
本文介绍如何使用Python和假设的高性能深度学习工具包DeepSeek进行联网搜索,并通过实际案例展示其应用过程。首先,准备环境并安装依赖库(如Python 3.x、pip、DeepSeek、requests和BeautifulSoup4)。接着,讲解了DeepSeek的功能及其在图像分类、实体识别等任务中的应用。通过联网搜索抓取数据并进行预处理后,使用TensorFlow和Keras构建和训练CNN模型。
846 3
|
12月前
|
敏捷开发 数据可视化 BI
从数据到决策:工作汇报中可视化图表的正确打开方式
本文介绍如何根据信息选择合适的图表类型,包括时间相关的甘特图、折线图、时间线图;数据对比的柱状图、饼图、堆叠图;状态跟踪的看板、燃尽图;关系分析的散点图、热力图。
461 3
从数据到决策:工作汇报中可视化图表的正确打开方式
|
机器学习/深度学习 JSON 算法
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
本文介绍了DeepLab V3在语义分割中的应用,包括数据集准备、模型训练、测试和评估,提供了代码和资源链接。
3100 0
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
|
设计模式 Android开发
44. 【Android教程】广播接收器:Broadcast Receiver
44. 【Android教程】广播接收器:Broadcast Receiver
582 2
|
机器学习/深度学习 数据采集 大数据
大数据技术下的企业智能决策支持系统
大数据技术下的企业智能决策支持系统
563 0
|
网络协议 C++ 调度
Boost.Asio的使用技巧
基本概念 Asio proactor I/O服务 work类 run() vs poll() stop() post() vs dispatch() buffer类 缓冲区管理 I/O对象 socket 信号处理 定时器 strand 参考 最近尝试使用了一下Boost.Asio,不知道是否因为各大公司都有自己相对成熟的网络库的缘故,网络上Asio相关的资料实在不多,而且很多翻来覆去就是那几个简单的示例,所以打算自己小结一下。
4466 0
|
存储 SQL 数据采集