不少同学做完作业会发现，代码能跑、图表齐全，评语却是“结论站不住”。问题通常不在工具，而在论证链条断了。一次数据分析作业本质上是一条推理链：业务问题—可检验命题—指标口径—数据与方法—结论—建议。链条上任何一环缺少证据，后面的结论都会显得悬空。
第一个断点在问题定义。把“用户流失严重”这类判断，改写成可以检验的命题，比如“某渠道新用户在注册后七天内未产生第二次访问的比例，高于其他渠道”。命题里要说清对象、时间范围、比较基准和判断标准，否则读者无法判断你说的是不是事实。写完命题后先问自己：什么样的数据会推翻它？
第二个断点在指标口径。同名指标在不同表格里算法不同，是作业中最常见的扣分点。分母是全部用户还是活跃用户，时间窗是自然周还是滚动七天，去重按账号还是按设备，都应在表注或附录里写明。凡出现“增长”“偏低”这类判断，都要给出参照物：和谁比、比哪段时间。
第三个断点在方法与假设。描述性统计只能说明分布与关联，不能直接推出因果。若样本来自某次问卷或某个平台，就要交代可能的选择偏差；缺失值的处理方式、异常值的取舍理由，也应写清楚。主动写出局限不是示弱，而是让结论的适用边界变得明确。
第四个断点在结论与建议的对应。每条建议最好能指回具体图表或检验结果，避免“加强运营”“提升体验”这类无法验证的说法。可执行的动作通常包含对象、时机和衡量方式，例如针对哪类用户、在什么环节、用什么指标观察变化。
提交前可用一份自查清单：命题是否可被数据推翻，口径是否全局唯一，每张图是否只支撑一个句子，是否写了局限与反例，附录能否让他人复现。课堂汇报时先说结论再说证据，把推导过程留给提问环节，听众更容易跟上你的论证链条。