并不是每个图表都能准确地代表其背后的数据. 注意这些线索，以便进一步调查.
检查轴和标签后再做结论. 缺失图表, 不准确的, 或者，选择性标签可能会给人留下关于其背后数据的误导性印象. 例如, 如果坐标轴的标记不一致，或者从看似任意的数字开始，可能会曲解图表试图说明的效果.
注意过于复杂的图表或可视化. 通常被称为“垃圾图表”,不必要的视觉元素，比如额外的插图, 图标, 视觉效果, 或者其他装饰——可能会误导或分散人们对更相关信息的注意力. 例如, 3-D饼状图经常被误导，因为创造三维效果所必需的观察角度:看起来最接近观察者的切片在视觉上可能比看起来更远的统计上更大的切片大.
寻找上下文. 一个单一的, 孤立的数据点，比如中位数价格, 百分比增加, 或者计数——可能缺乏上下文来解释它是趋势的一部分还是异常值. 在从孤立的数字中得出结论之前，要寻找更多的数据来将其置于适当的背景中. 例如, 统计数据的急剧增加可能预示着一种新趋势的开始，也可能是季节效应的一部分, 如果你有前几年同期的数据，这一点会很明显吗.