数据分析的目的一般都是为了解决当前业务的问题，比如说“单量为什么增速放缓”、“用户为什么流失”、“预期下个季度销量会是多少”等等。

类似这样的问题，我们在呈现数据结论的时候，其实核心还是围绕问题的答案，按照一套具体的流程来进行数据结论的呈现会使得我们的结果展示更有条理和说服力。

在开始之前，先举一个简单的例子：

有一个地方，人们都不穿鞋子。公司有两个业务员分别去考察。考察完，A说：“这里的人都没有鞋子，是个重大潜力市场”。B说：“这里的人都不穿鞋子，没有市场”。

这里说明，不充分的数据事实可能会导向不同的结论，因此我们的分析应该要有更为充分的数据事实来支撑相关的观点。

比如说，可以从时间的维度来看，是不是那个地方的人之前穿鞋子而现在不穿了？或者从空间的维度来看，周边其他地方的人们，是不是也不穿鞋子，或者都穿鞋子？这些全方位的信息更有助于我们下判断。因此数据事实越丰富，我们可以写出越完善的数据结论。

本文主要想阐述的是数据结论呈现的流程方法，可以将写数据结论的层次分为三步，分别是给事实，给判断和给建议。在这里，我们先假设数据分析部分都做完了，并且已经有了相对明确的结论，讨论此时应该如何写数据结论。

如何写数据结论

给事实

在数据结论呈现的第一步，是阐明事实。有一部分事实是包含在需要解答的问题中的，比如说需要解释为什么7月份快递单量下降，那第一步应该是明确是否存在快递单量下降的情况，然后再分析原因和是否需要关注他。

这里在分析数据的时候，就需要立体化的数据，避免前面案例中得出因人而异的结论。因此这里的事实应该包含整个分析中对结果起作用的多方面的数据。比如说要解释用户数量的变化，可以参考历史数据对比，对用户分层分析的结果，竞品的情况等等，来形成一个当前这数据事实相对于我们的基准参考的变化标准。

这些事实都是分析结论得出的最原始依据，因此第一步将这些事实依据展示出来，会使得后续的判断和建议变得更为可靠。

举个例子：

在行业分析研报中，有一些日常的报告，基本上就只负责将关键指标数据展现出来，在本小结中我们以快递数据为例，看看日常是如何展现的。

这一部分主要多的还是给数据，原始数据来源为邮政局公布的1-7月快递数据。国家邮政局公布2023年1-7月邮政行业运行情况

假设我们需要回答的问题是，今年快递业务量增长情况如何，那么可以按照下面步骤来进行。

这部分我们的数据实时如下所示：

根据数据显示，2023年1-7月，快递业务量累计完成703.0亿件，同比增长15.5%。快递业务收入累计完成6495.3亿元，同比增长10.5%。具体到单月数据，7月份的快递业务量为107.7亿件，同比增长11.7%；快递业务收入为952.4亿元，同比增长6.0%。

从这个数据来看，7月份增长是放缓节奏的，那是不是有什么问题呢，如果我们给出历史数据作为对比，就比较明显了，每年6月的单量都高于七月，因为六月各大电商都会有大促动作。而前面几个月的高速增长可能跟去年前几个月基数较低有关。因此7月份相比之下并没有明显的增速回落现象。

所以我们在展示数据事实的时候，除了上面那些描述，最好能有下面这张图，将去年和今年的趋势都展示的比较清楚。

给判断

在有了数据事实作为支撑的情况下，接下来的结论就该是我们的判断了，这里预期就会给出前面需要解答的问题所对应的答案。当然，在同样的数据事实的情况下，不同的人给出的判断也会有差异，毕竟从数据事实推导到问题答案的过程可能会随着对业务理解不同而有所区别。

但一般来说，前面有提到，数据事实除了需要包含当前的数据，也需要较为全面的展示比如历史数据，对比数据，作为参考形成数据基线，在数据基线的基础上我们才能更好的说明当前的结果好坏与受到什么影响。

比如说，单量下降/用户数量下降，有可能是因为有节假日因素，可以参考往年对应假日的数据来说明，如果在一定范围内，有可能就是单纯节假日的影响，或许我们不需要为此而做什么改变。

在下判断时，比较确定和比较模糊的应该分别用以下表达方式：

1. 比较确定的情况：使用肯定或明确的语言来表达结论。例如，“根据数据分析的结果，可以得出结论 A 是正确的。”或者“实验结果表明，结论 B 是成立的。”
2. 比较模糊的情况：使用相对模糊的语言来表达结论，并提供足够的信息和证据来支持结论。例如，“根据数据分析的结果，我们可以推断出结论 C 可能存在，但需要进一步的验证。”或者“虽然实验结果显示结论 D 有一定的关联性，但还需要更多的数据来证实。”

需要注意的是，在下判断时，应该尽可能提供充分的数据和证据来支持结论，避免主观臆断和过度解读。同时，也需要注意语气的客观性和中立性，避免带有个人情感色彩或偏见。

先给一个定性的总体判断，再给论据（具体数值、比较基准）。拆解的子项如有与总体相反的结论，相对比较重要的，也可以在后边列出。

这里以上述的1-7月快递单量趋势数据，给出对当前数据的判断：

整体来看，7 月快递行业仍然保持了良好的发展态势，快递业务量已经连续 5 个月超过了百亿件，总体运行较为平稳。我们认为，7 月随着前期电商购物促销活动退出，业务量可能短期出现增速放缓，但我国消费需求的韧性仍然较大，后续快递行业预计仍将保持较高的增长趋势。

给建议

给建议这部分内容相比于判断，主观性更强，因此只能有一些大致的依据。具体到不同的业务，给出的建议需要有两个大方向，一个是可落地，需要有具体的实施办法，另一个是与业务的总体目标一致，解决方案要全局考虑，不能仅解决当前问题。

首先，如果数据事实和分析判断过程中，没有找到问题的根本原因，但找到了一些细分的影响因素，比如说单量增速的放缓是因为某些类目的销量出现下滑，则可以建议针对这些细分的因素进行建议。如果有时候找到了明确的原因，那么给建议的时候则可以针对具体的因素提出改变的方案。

深入挖掘更多数据，可解决更多问题

在统计局的网站中，除了快递总量的数据，还有分区域的数据，另外从各家上市的快递公司的公告中，也可以找到各自的经营数据。

如果我们想要了解这一个行业整体的发展的话，比如要分析的问题是“2023年各快递公司竞争格局变化情况”，我们需要更多的数据来支撑相关结论。

给数据：可以将各家公司的数据也找出来，作为我们的心得数据事实（表格数据仅供参考）：

给判断：2023年，申通在通达系中持续保持高速增长，圆通脱颖而出排名第二，韵达业务持续下滑。各家中低端快递单票收入也呈现下降趋势。顺丰凭借高端快递业务，单票收入实现增长。

总结

本文主要通过给事实，给判断和给建议三步的方式，展示了如何呈现数据结论，并且以快递数据为例，展示了一个简单的数据结论呈现流程。主要的关注点如下：

1. 数据事实是客观的，是我们展示结果的最基础内容。除了一个数据的状况，还应该分时间、空间等维度形成立体的数据参照系，便于我们给出更准确的结论。
2. 给出的判断是主观的，但是如果数据事实越丰富，给出的判断可以越准确，通过丰富数据事实，可以减少判断中的分歧。
3. 给建议并没有一个明确的框架，但具体到业务中，一般需要可落地并且与业务方向总体一致。