在數據分析中，無論數據收集的過程多么科學，處理多精細、分析方法多么高深，如果不能將它們有效地組織和展現出來、對業務賦能，那么數據分析的價值就無法體現。今天看到了這篇來自趣店技術團隊分享的文章，分享給大家一起學習，建議讀完全文。

一、結構規范及寫作

報告常用結構：

?

1. 架構清晰、主次分明

數據分析報告要有一個清晰的架構，層次分明能降低閱讀成本，有助于信息的傳達。雖然不同類型的分析報告有其適用的呈現方式，但總的來說作為議論文的一種，大部分的分析報告還是適用總-分-(總) 的結構。

?

推薦學習金字塔原理，中心思想明確，結論先行，以上統下，歸類分組，邏輯遞進。行文結構先重要后次要，先全局后細節，先結論后原因，先結果后過程。對于不太重要的內容點到即止，舍棄細枝末節與主題不相關的東西。

2. 核心結論先行、有邏輯有依據

結論求精不求多。大部分情況下，數據分析是為了發現問題，一份分析報告如果能有一個最重要的結論就已經達到目的。精簡的結論能降低閱讀者的閱讀門檻，相反太繁瑣、有問題的結論100個=0。報告要圍繞分析的背景和目的以及要解決的問題，給出明確的答案和清晰的結論；相反，結論或主題太多會讓人不知所云，不知道要表達什么。

上面講了報告的寫作原則，舉個例子，參考艾瑞網，《留存與未來-疫情背后的互聯網發展趨勢報告》：

?

二、數據使用及圖表

數據分析往往是80%的數據處理，20%的分析。大部分時候，收集和處理數據確實會占據很多時間，最后才在正確數據的基礎上做分析，既然一切都是為了找到正確的結論，那么保證數據準確就顯得格外重要，否則一切努力都是誤導別人。

1. 分析需要基于可靠的數據源

用于鑒別信息/數據的可靠性，主要有四種方法：同類對比、狹義/廣義比對、相關對比和演繹歸謬。

同類對比：與口徑相同或相近，但來源不同的信息進行對比。

示例：最常見的就是把跑出來的數據和報表數據核對校驗。

?

狹義/廣義對比：通過與更廣義（被包含）或更狹義（包含）的信息進行對比。

示例：3C品類銷售額與商城總銷售額比較，3C的銷售額更高顯然是錯誤的，因為商城總銷售額包含3C銷售額；某些頁面/頻道的UV與APP總UV比較也類似。?

?

相關對比：通過與具有相關性、關聯性的信息進行對比。

示例：某平臺的Dn留存率，對于同一個基準日期來說，D60留存率一定低于D30留存率的，如果出現大于的情況，那就是錯誤數據了。

?

演繹歸謬：通過對現有證據的深入演繹，推導出結果，判斷結果是否合理。

示例：比如某平臺的銷售客單價2000左右，總銷售額1億左右；計算得出當日交易用戶數10萬，通過乘以客單價，得到當天銷售額2億，顯然與業務體量不符，為錯誤的數據。

2. 盡量圖表化，提高可讀性

用圖表代替大量堆砌的數字，有助于閱讀者更形象直觀地看清楚問題和結論，當然，圖表也不要太多，過多的圖表一樣會讓人無所適從。

讓圖表五臟俱全，一張圖必須包含完整的元素，才能讓閱讀者一目了然。標題、圖例、單位、腳注、資料來源這些圖表元素就好比圖表的五臟六腑。

要注意的條條框框。

• 首先，避免生出無意義的圖表。決定做不做圖的唯一標準就是能否幫助你有效地表達信息。
• 第二，不要把圖表撐破。最好一張圖表反映一個觀點，突出重點，讓讀者迅速捕捉到核心思想。
• 第三，只選對的，不選復雜的。
• 第四，一句話標題。

常見的圖表類型選擇：

?

3、警惕圖表說謊

虛張聲勢的增長：人們喜歡研究一條線的發展趨勢，例如股市、房價、銷售額的增長趨勢，有時候為了吸引讀者故意夸大變化趨勢，如圖1通過截斷數軸夸大增長速度，從正常數軸的圖2看到增長是緩慢的。

?

3D效果的偽裝：3D圖形容易造成視覺偏差，如圖1有3D效果，看上去 A->B->C->D->E依次遞增，實際是D>E，要格外小心圖表的偽裝。

?

三、常見數據分析誤區

“用數據說話”，已經成為一種流行語。

在很多人的心里，數據就代表著科學，科學就意味著真相。“數據不會騙人”，也成了說服別人時常用的口頭禪，事實果真如此嗎？讓我們來談談那些常見的誤區。

1. 控制變量謬誤

在做A/B測試時沒有控制好變量，導致測試結果不能反映實驗結果。或者在進行數據對比時，兩個指標沒有可比性。舉個例子，為測試不同營銷時間點對下的轉化的影響，但A實驗使用短信營銷、B實驗使用電話營銷，未控制變量（營銷方式），導致實驗無法得出結論。

2. 樣本謬誤

（1）樣本量不夠

統計學的基礎理論基石之一就是大數定律，只有當數據量達到一定程度后，才能反映出特定的規律。如果出現樣本量極少的情況，建議把時間線拉長，獲得足量的樣本。或者將不重要的限定條件去掉，增加樣本數。

（2）存在選擇性偏見或者幸存者偏見

統計學的另一大理論基石是中心極限定理。簡單描述就是，總體樣本中，任意一個群體樣本的平均值，都會圍繞在這個群體的整體平均值周圍。

舉個例子，在應用升級期間，衡量登錄用戶數、交易用戶數等指標，來判斷用戶對新版本的喜歡是否優于老版本。聽上去非常合理，但這里實際就隱藏了選擇性偏見，因為新版本發布時，第一批升級上來的用戶往往就是最活躍的用戶，往往這批用戶的指標較好，但不代表新版本更好。

（3）混入臟數據

這種數據的破壞性比較大，可能得出錯誤的結論。通常我們會采用數據校驗的手段，屏蔽掉校驗失敗的數據。同時，在分析具體業務時，也要針對特定業務，對所使用的數據進行合理性限定，過濾掉異常離群值，來確保擁有比較好的數據質量。

3. 因果相關謬誤

會誤把相關當因果，忽略中介變量。比如，有人發現雪糕的銷量和河溪溺死的兒童數量呈明顯相關，就下令削減雪糕銷量。其實可能只是因為這兩者都是發生在天氣炎熱的夏天。天氣炎熱，購買雪糕的人就越多，而去河里游泳的人也顯著增多。

4. 辛普森悖論

簡單來說，就是在兩個相差較多的分組數據相加時，在分組比較中都占優勢的一方，會在總評中反而是失勢的一方。

?

5. 個人認知謬誤

主觀臆斷、經驗當事實、個體當整體、特征當全貌、眼見當事實。

舉個主觀臆斷的例子：某個產品A頁面到B頁面的轉化率30%，直接判斷為很低，推導出可以提高到75%。但實際類似產品或者用戶行為決定頁面的轉化率就只有這么高，得出一個錯誤的結論。

標準至關重要，數據+標準=判斷。有了判斷才能深入分析。通過分組對比找標準（象限法、多維法、二八法、對比法），有標準通過分析對比，找到“好/壞”的點。

統計學規律和理論不會錯，犯錯的是使用它的人。因此，我們在進行數據分析時，一定要格外小心，錯誤的數據，披上科學的外衣，就很難分辨了。

總結

以上是生活随笔為你收集整理的可视化+数据+图表，报告规范这么写才能升职的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。