如果连支撑假设的具体数据都拿不出来，那这样的假设很可能只是随意编造的说法，基本可以直接推翻了。但如果实际情况确实如对方所说，比如员工确实加了大量班，那么按照"情有可原"的原则，我们就能得出结论："加班情况确实严重，建议及时提醒即可"，这样也能还当事人一个清白。
单纯罗列数据可不行！
关键是要给出切实可行的解决方案！
很多从事数据分析的同学都曾被领导或同事这样质疑过。那么究竟该怎么做才能让人信服呢？陈老师今天给大家带来一道经典练习题。
问题场景：公司里，某位同学的考勤情况如下图所示：
图片
该同学辩解说："加班那么晚，第二天迟到很正常啊！""大家都迟到，为什么只抓着我一个人？""那天突然下暴雨，我也是没办法！""都是各种意外情况！"
领导回应："我看就是你工作态度有问题！别找其他借口！"
两人争执不休！此时，该如何进行客观分析？
一、不可落地的建议
是不是有同学是这样写的：
本月共有22个工作日，迟到11天，迟到率50%；迟到最多的是第二周，共迟到4天，迟到率80%；迟到最少的是第三周，共迟到1天，迟到率20%；迟到天数过多，建议降低；周一迟到太多，建议周一不迟到
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！这只是把图表内容又重复了一遍，完全没有回应大家真正关心的问题，所谓的"建议降低"也只是一句空话。
在考勤争议中，核心问题在于：到底是真的遇到意外情况，情有可原？还是工作态度有问题？只有正面解答这个问题，才能得到令人信服的答案。显然，仅靠现有数据是不够的，我们需要先列出验证假设的思路，再补充相关数据，从而全面回答这个问题。
二、破题的思路
提出假设→寻找证据→验证真伪→得出结论，这是解决问题的基础顺序。用数据分析解决业务问题，一定是从粗到细、逐步深入的过程。
比如简单的一条理由："我家离公司很远，所以很容易迟到"。我们可以提炼出假设：家到公司距离是否真的过远。而验证这个假设，并不需要复杂的数据，只要在高德地图输入起点/终点，就能看到：
距离多远，坐地铁需要多久，车费多少钱，通勤需要多长时间
一些简单的分析结论就呼之欲出了（如下图）。
图片
用数据解题就是这么清晰明了，不需要争吵，一切用事实说话。当然，当假设很多的时候，可以安排验证的先后顺序。比如，我们可以先把"情有可原"类假设列清楚，例如：
假设1：前一天加班影响 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验证。比如：
假设1：前一天加班 → 抽取前一天上下班打卡时间，看是否真有加班 假设2：当天所有人都迟到 → 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/暴雪预警信息
如果连验证假设的基础数据都找不到，说明这个假设很可能是随口编的，直接就能推翻了。如果发现实际情况确实符合，比如员工真的加了很长时间班，符合"情有可原"的条件，那么就能输出："确实加班过多，建议提醒即可"的结论，还当事人一个清白。
三、从简单到深入
有时，简单验证几条假设，可能还不足以全面说明问题。比如"前一天加班"这个假设，既可能是因为个人能力不足/工作效率低，也有可能是整体工作任务繁重。所以，还可以进一步做细化假设：
假设1.1：整个部门工作量都很大 假设1.2：整个部门工作量不大，但个人承担太多 假设1.3：个人承担不多，但能力不行，做得慢
进一步验证这三条细分假设，这样就能把分析从粗到细，逐步深入。最后形成一个完整的答题思路。看到这里，同学们可以重新调整下自己的答案哦，我们继续看后续讲解
四、整体思路
把多个分析假设按合理顺序组合好，就可以得到如下图所示的逻辑树。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、分配工作过多等客观影响因素，这样的顺序可以有效避免员工被冤枉（如下图）。
图片
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次迟到中，有8次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，那么就能坐实他是被冤枉的。如果发现，11次迟到里只有2次是真加班，其余9次都是没加班且自己没打车，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。
有了以上铺垫，推导建议就能有理有据了，而且非常具体（如下图）：
图片
五、回到现实工作
当然，上边只是一个小例子，但是清晰地反映了现实工作中的问题：业务部门往往本位主义思考，喜欢说："这是大环境问题""这是意外情况""我已经很努力了"；数据部门则容易陷入数字游戏，过于关注环比同比，不会针对假设找证据，不会细化假设，导致分析流于表面。
