结构规范及写作
数据使用及图表
同类对比：与口径相同或相近，但来源不同的信息进行对比。 示例：最常见就是把跑出来的数据和报表数据核对校验。
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。
相关对比：通过与具有相关性、关联性的信息进行对比。 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。
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。
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，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，只选对的，不选复杂的。 第四，一句话标题。
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。 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。 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。 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。
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。
常见数据分析误区
“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。
1. 控制变量谬误
在做A/B测试时没有控制好变量，导致测试结果不能反映实验结果。或者在进行数据对比时，两个指标没有可比性。举个例子，为测试不同营销时间点对下的转化的影响，但A实验使用短信营销、B实验使用电话营销，未控制变量（营销方式），导致实验无法得出结论。
2. 样本谬误
样本量不够
统计学的基础理论基石之一就是大数定律，只有当数据量达到一定程度后，才能反映出特定的规律。如果出现样本量极少的情况，建议把时间线拉长，获得足量的样本。或者将不重要的限定条件去掉，增加样本数。
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。
举个例子，在应用升级期间，衡量登录用户数、交易用户数等指标，来判断用户对新版本的喜欢是否优于老版本。听上去非常合理，但这里实际就隐藏了选择性偏见，因为新版本发布时，第一批升级上来的用户往往就是最活跃的用户，往往这批用户的指标较好，但不代表新版本更好。
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. 因果相关谬误
会误把相关当因果，忽略中介变量。比如，有人发现雪糕的销量和河溪溺死的儿童数量呈明显相关，就下令削减雪糕销量。其实可能只是因为这两者都是发生在天气炎热的夏天。天气炎热，购买雪糕的人就越多，而去河里游泳的人也显著增多。
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。
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。
统计学规律和理论不会错，犯错的是使用它的人。因此，我们在进行数据分析时，一定要格外小心，错误的数据，披上科学的外衣，就很难分辨了。
