在数据分析工作中，提出切实可行的建议是衡量分析价值的关键。然而，许多数据分析报告往往停留在数字层面，缺乏深度和实用性。本文通过一个生动的案例，深入探讨了如何从问题出发，通过假设验证、数据补充和逻辑树构建，最终提出能够落地的建议。

你不要光报数字！

要提出可行的建议！

很多做数据的同学都被领导、同事这么吆喝过。然而，到底怎样才能做到？

问题场景：公司里，某同学的考勤表如下图：

该同学：

“加班了，迟到很正常呀！”

“大家都迟到，为啥只抓我呀！”

“那突然下雨了，我也没办法呀！”

“就是各种意外呀！”

领导：“我看就是你态度有问题！不要扯其他的！”

两人激烈争吵！此时，该怎么分析？

一、不可落地的建议

有没有同学，是这么写的：

1. 本月共22个工作日，迟到11个工作日，迟到率50%
2. 迟到最多的是第二周，共迟到4天，迟到率80%
3. 迟到最少的是第三周，共迟到1天，迟到率20%
4. 迟到天数太多，建议搞低
5. 周一迟到太多，建议周一不迟到

是不是工作中，很多人的报告都长这样。

显然，这样的报告是不合格的！

这只是把图表又念了一遍，没有回应大家真正关心的问题，“要搞低”也是一句空话

在争吵中，业务的核心问题是：到底是真的意外情况，情有可原。还是态度问题。正面解决这个问题，才能得到满意的答案。显然，眼前的数据是不够的，我们要先列出验证假设的思路，再增补数据，从而全面解答问题。

二、破题的思路

列假设→找证据→验真伪→得结论，是解题的基础顺序。用数据分析业务问题，一定是从粗到细，逐步验证的过程

比如简单的一条：“我家离得很远，所以很容易迟到”。我们可以提炼出假设：家到公司是否真的很远。而验证假设，并不需要复杂的数据，只要在高德地图输入起点/重点，就能看到：

• 距离多远
• 坐地铁需要多久
• 坐车需要多少钱，需要多久

一些简单的分析结论，就呼之欲出了（如下图）

用数据解题，就是这么清爽，不需要争吵，按事实说话。当然，当假设很多的时候，可以有验证的先后顺序。比如，我们可以先把“情有可原”类假设列清楚，比如：

• 假设1：前一天加班
• 假设2：当天所有人都迟到
• 假设3：当天有极端恶劣天气

列出假设后，每一个假设逐一找证据。比如

• 假设1：前一天加班→抽前一天上班/下班时间，看是否加班
• 假设2：当前所有人都迟到→抽当天所有人打卡记录，看迟到比例
• 假设3：当天有极端恶劣天气→查当天是否有暴雨/下雪信息

如果连数据证据都没有，说明假设是随口编的，就能直接推翻了，如果发现真的情况都符合，比如人家真的加了很多班，缺数“情有可原”，那么就能输出：“确实加班太多，建议提醒即可”的结论，还人家清白

三、从简单到深入

有时后，简单验证几条假设，不足以全面说明问题。比如前一天加班，既可以因为个人能力不行/个人磨洋工，也有可能是整体工作任务多。所以，还可以进一步做细化假设：

• 假设1.1：全部门工作量都大
• 假设1.2：全部门工作量不够大，但个人承担太多
• 假设1.3：个人承担不多，但能力不行，做的慢

进一步验证三条细分假设，这样就能把分析从粗到细，逐渐深入。最后形成一个完成的答题思路。看到这里，同学们可以重新调整下自己的答案哦，再看后续讲解

四、整体思路

把多个分析假设，按顺序组合好，就可以得到如下图分析逻辑树。可以看到，这个分析逻辑树，是从“是否加班影响”出发的，优先排除集体加班、分配工作太多等客观影响。这样的顺序，可以有效避免员工被冤枉（如下图）

列好逻辑树以后，只需代入相关数据，就能找到重点，辨别真伪。比如发现该同事，11个迟到，有8个都是因为分配工作太多，个人承担工作量明显高于组内同事，那么就坐实了他是被冤枉的。如果发现，11个迟到，只有俩是真加班，其他9个都是没有加班且自己没打车，那说明态度可能真的有问题。数据指引我们，找到更接近真相的答案。

有了以上的铺垫，推导建议就能有理有据了，而且非常具体（如下图）：

五、回到现实工作

当然，上边只是一个简单的小例子，但是清晰地反映了现实中问题：

1. 业务部门往往处于本位主义思考，喜欢说：“这是大环境问题”“这是意外问题”“我已经很努力了”
2. 数据部门往往陷入数字游戏，过于关注计算同比环比，不会提假设，不会针对假设找证据，不会细化假设