01結構規範及寫作
報告常用結構：
1. 架構清晰、主次分明
資料分析報告要有一個清晰的架構，層次分明能降低閱讀成本，有助于資訊的傳達。雖然不同類型的分析報告有其适用的呈現方式，但總的來說作為議論文的一種，大部分的分析報告還是适用總-分-(總) 的結構。
推薦學習金字塔原理，中心思想明确，結論先行，以上統下，歸類分組，邏輯遞進。行文結構先重要後次要，先全局後細節，先結論後原因，先結果後過程。對于不太重要的内容點到即止，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，資料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，給出明确的答案和清晰的結論；相反，結論或主題太多會讓人不知所雲，不知道要表達什麼。
分析結論一定要基于緊密嚴謹的資料分析推導過程，盡量不要有猜測性的結論，太主觀的結論就會失去說服力，一個連自己都沒有把握的結論千萬不要在報告裡誤導别人。
但實際中，部分合理的猜測找不到直覺可行的驗證，在給出猜測性結論的時候，一定是基于合理的、有部分驗證依據前提下，謹慎地給出結論，并且說明是猜測。如果在條件允許的前提下可以通過調研/回訪的方式進行論證。
不回避 “不良結論” 。在資料準确、推導合理的基礎上，發現産品或業務問題并直擊痛點，這其實是資料分析的一大價值所在。
3. 結合實際業務、建議合理
基于分析結論，要有針對性的建議或者提出詳細解決方案，那麼如何寫建議呢？
首先，要搞清給誰提建議。不同的目标對象所處的位置不同，看問題的角度就不一樣，比如高層更關注方向，分析報告需要提供業務的深度洞察和指出潛在機會點，中層及員工關注具體政策，基于分析結論能通過哪些具體措施去改善現狀。
其次，要合業務實際情況提建議。雖然建議是以資料分析為基礎提出的，但僅從資料的角度去考慮就容易受到局限、甚至走入脫離業務忽略行業環境的誤區，造成建議提了不如不提的結果。是以提出建議，一定要基于對業務的深刻了解和對實際情況的充分考慮。
再進一步，如果可以給出這個建議實施後的收益，下單轉化提升多少、交易提升多少、能節省多少成本等，把價值點直接傳遞給閱讀對象。
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-疫情背後的網際網路發展趨勢報告》：
Tips：嘗試站在讀者的角度去寫分析報告，内容通俗易懂，用語規範謹慎。如果彙報對象不是該領域的專家，就要避免使用太多晦澀難懂的詞句，同時報告中使用的名詞術語一定要規範，要與既定的标準（如公司名額規範）以及業内公認的術語一緻。
02資料使用及圖表
資料分析往往是80%的資料處理，20%的分析。大部分時候，收集和處理資料确實會占據很多時間，最後才在正确資料的基礎上做分析，既然一切都是為了找到正确的結論，那麼保證資料準确就顯得格外重要，否則一切努力都是誤導别人。
1. 分析需要基于可靠的資料源
用于鑒别資訊/資料的可靠性，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。
- 示例：最常見就是把跑出來的資料和報表資料核對校驗。
- 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、關聯性的資訊進行對比。
- 示例：某平台的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，那就是錯誤資料了。
- 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：比如某平台的銷售客單價2000左右，總銷售額1億左右；計算得出當日交易使用者數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，為錯誤的資料。
Tips：以上都是常用的方法論，最核心是足夠了解業務，對關鍵名額資料情況了然于心，那麼對資料準确性的判斷水到渠成。對此，建議是每日觀測核心業務的資料情況，并分析波動原因，培養業務了解力和資料敏感度。
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覺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适從。
讓圖表五髒俱全，一張圖必須包含完整的元素，才能讓閱讀者一目了然。标題、圖例、機關、腳注、資料來源這些圖表元素就好比圖表的五髒六腑。
要注意的條條框框。
- 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，隻選對的，不選複雜的。
- 第四，一句話标題。
常見的圖表類型選擇：
圖表使用Tips：
- 柱形圖：同一資料序列使用相同的顔色。不使用傾斜的标簽，縱坐标軸一般刻度從0開始。一般來說，柱形圖最好添加資料标簽，如果添加了資料标簽，可以删除縱坐标刻度線和網格線。
- 條形圖：同一資料序列使用相同的顔色。不使用傾斜的标簽，最好添加資料标簽，盡量讓資料由大到小排列，友善閱讀。
- 餅圖：餅圖使用場景相對少，如需使用，注意以下事項：把資料從12點鐘的位置開始排列，最重要的成分緊靠12點鐘的位置。資料項不要太多，保持在6項以内，不使用爆炸式的餅圖分離。不過可以将某一片的扇區分離出來，前提是你希望強調這片扇區。餅圖不使用圖例。不使用3D效果。當扇區使用顔色填充時，推薦使用白色的邊框線，具有較好的切割感。
03常見資料分析誤區
“用資料說話”，已經成為一種流行語。
在很多人的心裡，資料就代表着科學，科學就意味着真相。“資料不會騙人”，也成了說服别人時常用的口頭禅，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，導緻測試結果不能反映實驗結果。或者在進行資料對比時，兩個名額沒有可比性。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），導緻實驗無法得出結論。
2. 樣本謬誤
統計學的基礎理論基石之一就是大數定律，隻有當資料量達到一定程度後，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。或者将不重要的限定條件去掉，增加樣本數。
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，在應用更新期間，衡量登入使用者數、交易使用者數等名額，來判斷使用者對新版本的喜歡是否優于老版本。聽上去非常合理，但這裡實際就隐藏了選擇性偏見，因為新版本釋出時，第一批更新上來的使用者往往就是最活躍的使用者，往往這批使用者的名額較好，但不代表新版本更好。
這種資料的破壞性比較大，可能得出錯誤的結論。通常我們會采用資料校驗的手段，屏蔽掉校驗失敗的資料。同時，在分析具體業務時，也要針對特定業務，對所使用的資料進行合理性限定，過濾掉異常離群值，來確定擁有比較好的資料品質。
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。其實可能隻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，而去河裡遊泳的人也顯著增多。
4. 辛普森悖論
簡單來說，就是在兩個相差較多的分組資料相加時，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：某個産品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%。但實際類似産品或者使用者行為決定頁面的轉化率就隻有這麼高，得出一個錯誤的結論。
标準至關重要，資料+标準=判斷。有了判斷才能深入分析。通過分組對比找标準（象限法、多元法、二八法、對比法），有标準通過分析對比，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。是以，我們在進行資料分析時，一定要格外小心，錯誤的資料，披上科學的外衣，就很難分辨了。