所谓分析，基本要做的是划分、拆解。那么，应该怎样进行拆解呢？关键的是“切入点”和“拆解方法”。刀刃以什么角度切入，这就是“切入点”；切开的截面如何划分，这就是“拆解方法”。那么应该怎么切入、怎么拆解呢？
昨天的销售额是18万日元，今天的销售额是12万日元，今天与昨天相比下降了6万日元。为了查明下降6万日元的原因，现准备将销售额进行拆解。
目前来看可以按照商品和负责人进行拆解，所以按照不同商品、不同负责人对昨天和今天的销售额进行了比较。
从不同商品的情况来看，商品Z的销售额下降了6万日元；从不同负责人来看，大家的销售额都下降了2万日元。因此，整体下降6万日元的原因似乎是商品Z不好卖。接下来要确认“为什么商品Z不好卖”。
如上述的情况，通过拆解数据，正在发生的情况就能显现出来。即使知道销售额下降了6万日元，但从这个结果来思考原因的话，有各种可能性，无法集中到一个方向去思考。
可以从力所能及的范围入手，首先拆解现象、补充更多细节，让正在发生的情况看起来更清晰。在此基础上，进一步思考为什么发生了这些情况。
关键点1. 找一个很可能有意义的切入点来进行拆解
关键点2. 思考是否需要以其他的切入点来进行拆解
1. 找一个很可能有意义的切入点来进行拆解
尝试找一个拆解以后可能比较有意义的切入点，拆解获取的数据。
在本次的例子中，可以按照商品类别以及负责人来进行拆解。因为各种商品的情况可能会有差异，所以按照商品来拆解有观察的价值。另外，因为不同负责人之间可能会存在差异，所以按照负责人来拆解也有观察的价值。
2. 思考是否需要以其他的切入点来进行拆解
本次我们按照商品类别和负责人进行了拆解，但我们也要再想想有没有其他可能具有拆解价值的切入点。例如，或许可以按照时间段来拆解。
获取数据以后，在力所能及的范围内着手进行分析固然是必要的。但另一方面，我们所获取的数据有可能只是碰巧呈现出那个状态。为了不被偶然出现的现象牵着鼻子走，我们要经常思考有没有其他需要考虑的角度，如果有的话，就要去收集更多的数据，并进行拆解。
练习题
如果最初得到的数据如下表所示，那么应该如何分析呢？
解答
前面我们已经按照商品和负责人进行了拆解，下面我们考虑一下按时间段和气温来划分。
首先，时间段是可以用于探讨的切入点。然而，它跟商品、负责人的切入点不同，需要加以留意。按商品、负责人进行拆解的话，拆解的单位是在选择切入点时就自动确定的。分商品看的话就是划分为商品X、Y、Z，分负责人看的话就是划分为负责人A、B、C，这在选择切入点时就自动确定下来了。
而按照时间段来拆解的话，情况就有所不同了。如果调取收银机的记录，估计会如上表那样，有详细到小时和分钟的信息，不过一开始就把单位细分到分钟来进行拆解，应该没有太大的意义。
因此，可以考虑按照10点后、11点后、12点后这样以1小时为单位进行划分；或者像10～12点、12～14点、14～16点、16～18点这样稍微把间距拉开，以2小时为单位进行划分；又或者大致分为10～14点，14～18点这两个时段等。
换言之，要考虑应该以怎样的宽幅进行拆解。大家要记住，有些切入点必须详细考虑划分单位。
接下来是气温。关于是否采用这个切入点的决定，会根据所售卖商品的不同而发生变化。要思考气温对商品的销售情况是否会产生影响，再判断是否以其为切入点进行拆解。
像本次的例子，数据拆解的切入点只有4个左右，那么考虑到按气温拆解可能会让数据显现一些端倪，所以也可以尝试。
但是，如果切入点增加到10个、20个的话，自然就没办法用所有的切入点进行拆解了。大家要有意识地从拆解后是否有意义的角度，对拆解的切入点进行取舍。
还有年龄、性别等也可以作为切入点的备选项来考虑。但是，这些切入点与刚才的商品、负责人、时间段这些切入点有一些不同的意义。年龄、性别与商品、负责人、时间段这些切入点有什么不同呢？
不同点在于，前者是顾客的信息，后者是卖方的信息。也就是说，以后者作为切入点的话，估计根据收银机保存的信息就可以进行拆解了。但年龄、性别是顾客的信息，如果对购买者的情况没有实时记录，就无法用这些信息进行拆解。
拆解很重要，但大家要知道，有些情况需要主动去获取用于拆解的信息。
最后，还有一点很重要，“拆解观察”与“结果可以发现什么”是不同的事情。人们总是忍不住去思考以怎样的切入点进行拆解更好，但最终能否得到结果，不拆解的话是不知道的。
因此，不要想着去选择一个能够看到结果的“正确”的切入点，而要思考多个可能会看到结果的切入点，实际去进行拆解。
STEP UP！
你的目标是通过某所大学的入学考试，现在正苦恼于选择预备学校。经过调查，得知以下信息。那么，你会选择哪所预备学校呢？
首先，比较一下理科的合格率。预备学校A理科的合格率是30%，预备学校B理科的合格率是20%。理科方面，预备学校A的合格率比较高。
其次，比较一下文科的合格率。预备学校A文科的合格率是60%，预备学校B文科的合格率是50%。文科方面，也是预备学校A的合格率更高。
我们知道，预备学校A在理科、文科方面的合格率都更高。那么，我们把理科、文科合起来计算一下合格率。
预备学校A的考生人数是
理科160人＋文科40人=200人
合格人数是
理科48人＋文科24人=72人
所以整体的合格率是
72人÷200人=36%
预备学校B的考生人数是
理科20人＋文科80人=100人
合格人数是
理科4人＋文科40人=44人
所以整体的合格率是
44人÷100人=44%
虽然预备学校A理科、文科的合格率都更高，但预备学校B整体的合格率却更高。
请再看看以下的情况。
预备学校C与预备学校D，从整体的合格率来看，预备学校C是40%，预备学校D是50%，预备学校D的合格率更高。
另一方面，我们分性别来看看。预备学校C的男考生人数是80人，男生合格人数是24人，所以男生的合格率是24÷80=30%。
预备学校C的女考生人数是20人，女生合格人数是16人，所以女生的合格率是16÷20=80%。
预备学校C整体的考生人数是男生80人＋女生20人=100人。
整体的合格人数是男生24人＋女生16人=40人。
要记得确认一下这与整体情况的数字是否相同。
同样，预备学校D的情况也区分性别看看。
预备学校D的男考生人数是20人，男生合格人数是2人。所以男生的合格率是2÷20=10%。
预备学校D的女考生人数是80人，女生合格人数是48人。所以女生的合格率是48÷80=60%。
预备学校D的整体考生人数是男生20人＋女生80人=100人。整体的合格人数是男生2人＋女生48人=50人。
要记得确认一下这与整体情况的数字是否相同。
分性别来看的话：
预备学校C男生的合格率是30%，女生合格率是80%；
预备学校D男生的合格率是10%，女生合格率是60%。
不管是男生还是女生的合格率，都是预备学校C的合格率更高。
这是“辛普森悖论”的现象，关注整体与关注部分会得出不一样的结果。
因此，虽然说拆解是基本做法，但要记得用加法来确认与整体情况是否相符；或者同时把握好整体的趋势以及部分的趋势，确认两者之间是否存在差异。
小结
√ 尝试寻找多个可能有意义的切入点来进行拆解
√ 目的是用可能性来进行评价，不是为了找到最好的切入点
√ 有些情况需要思考在哪里进行拆解
√ 为了进行拆解，有些信息需要主动去获取
√ 记住通过加法确认与整体情况是否相符以及观察整体的情况