但实际中，部分合理的猜测找不到直观可行的验证，在给出猜测性结论的时候，一定是基于合理的、有部分验证依据前提下，谨慎地给出结论，并且说明是猜测。如果在条件允许的前提下可以通过调研/回访的方式进行论证。
1.3结合实际业务、建议合理
基于分析结论，要有针对性的建议或者提出详细解决方案，那么如何写建议呢？
再进一步，如果可以给出这个建议实施后的收益，下单转化提升多少、交易提升多少、能节省多少成本等，把价值点直接传递给阅读对象。
上面讲了报告的写作原则，举个例子，参考艾瑞网，《留存与未来-疫情背后的互联网发展趋势报告》
Tips：尝试站在读者的角度去写分析报告，内容通俗易懂，用语规范谨慎。如果汇报对象不是该领域的专家，就要避免使用太多晦涩难懂的词句，同时报告中使用的名词术语一定要规范，要与既定的标准（如公司指标规范）以及业内公认的术语一致。
Part2数据使用及图表
2.1分析需要基于可靠的数据源
2.1.1同类对比
示例：最常见就是把跑出来的数据和报表数据核对校验。
2.1.2狭义/广义对比
通过与更广义（被包含）或更狭义（包含）的信息进行对比。
示例：3C品类销售额与商城总销售额比较，3C的销售额更高显然是错误的，因为商城总销售额包含3C销售额；某些页面/频道的UV与APP总UV比较也类似。
示例：某平台的Dn留存率，对于同一个基准日期来说，D60留存率一定低于D30留存率的，如果出现大于的情况，那就是错误数据了。
2.1.4演绎归谬
通过对现有证据的深入演绎，推导出结果，判断结果是否合理。
示例：比如某平台的销售客单价2000左右，总销售额1亿左右；计算得出当日交易用户数10万，通过乘以客单价，得到当天销售额2亿，显然与业务体量不符，为错误的数据。
Tips：以上都是常用的方法论，最核心是足够了解业务，对关键指标数据情况了然于心，那么对数据准确性的判断水到渠成。对此，建议是每日观测核心业务的数据情况，并分析波动原因，培养业务理解力和数据敏感度。
2.2尽量图标化，提高可读性
用图表代替大量堆砌的数字，有助于阅读者更形象直观地看清楚问题和结论，当然，图表也不要太多，过多的图表一样会让人无所适从。
要注意的条条框框。首先，避免生出无意义的图表。决定做不做图的唯一标准就是能否帮助你有效地表达信息。第二点、不要把图表撑破。最好一张图表反映一个观点，突出重点，让读者迅速捕捉到核心思想。第三点、只选对的，不选复杂的。第四点、一句话标题。
常见的图表类型选择：
图表使用Tips：
2.2.1折线图
选用的线型要相对粗些，线条一般不超过5条，不使用倾斜的标签，纵坐标轴一般刻度从0开始。预测值的线条线型改为虚线。
2.2.2柱形图
同一数据序列使用相同的颜色。不使用倾斜的标签，纵坐标轴一般刻度从0开始。一般来说，柱形图最好添加数据标签，如果添加了数据标签，可以删除纵坐标刻度线和网格线。
2.2.3条形图
同一数据序列使用相同的颜色。不使用倾斜的标签，最好添加数据标签，尽量让数据由大到小排列，方便阅读。
2.2.4饼图
饼图使用场景相对少，如需使用，注意以下事项：把数据从12点钟的位置开始排列，最重要的成分紧靠12点钟的位置。数据项不要太多，保持在6项以内，不使用爆炸式的饼图分离。不过可以将某一片的扇区分离出来，前提是你希望强调这片扇区。饼图不使用图例。不使用3D效果。当扇区使用颜色填充时，推荐使用白色的边框线，具有较好的切割感。
2.2.5警惕图表说谎
虚张声势的增长
人们喜欢研究一条线的发展趋势，例如股市、房价、销售额的增长趋势，有时候为了吸引读者故意夸大变化趋势，如图1通过截断数轴夸大增长速度，从正常数轴的图2看到增长是缓慢的。
3D效果的伪装
3D图形容易造成视觉偏差，如图1有3D效果，看上去A->B->C->D->E依次递增，实际是D>E，要格外小心图表的伪装。
“用数据说话”，已经成为一种流行语。
在很多人的心里，数据就代表着科学，科学就意味着真相。“数据不会骗人”，也成了说服别人时常用的口头禅，事实果真如此吗？让我们来谈谈那些常见的误区。
3.1控制变量谬误
3.2样本谬误
3.2.1样本量不够
3.2.2存在选择性偏见或者幸存者偏见
统计学的另一大理论基石是中心极限定理。简单描述就是，总体样本中，任意一个群体样本的平均值，都会围绕在这个群体的整体平均值周围。
3.2.3混入脏数据
这种数据的破坏性比较大，可能得出错误的结论。通常我们会采用数据校验的手段，屏蔽掉校验失败的数据。同时，在分析具体业务时，也要针对特定业务，对所使用的数据进行合理性限定，过滤掉异常离群值，来确保拥有比较好的数据质量。
3.4辛普森悖论
简单来说，就是在两个相差较多的分组数据相加时，在分组比较中都占优势的一方，会在总评中反而是失势的一方。
3.5个人认知谬误
主观臆断、经验当事实、个体当整体、特征当全貌、眼见当事实。
举个主观臆断的例子：某个产品A页面到B页面的转化率30%，直接判断为很低，推导出可以提高到75%。但实际类似产品或者用户行为决定页面的转化率就只有这么高，得出一个错误的结论。标准至关重要，数据+标准=判断。有了判断才能深入分析。通过分组对比找标准（象限法、多维法、二八法、对比法），有标准通过分析对比，找到“好/坏”的点