第6講 以加法模型進行拆解
2024-09-26 12:11:08
作者： 日本顧彼思商學院
所謂分析，基本要做的是劃分、拆解。那麼，應該怎樣進行拆解呢？關鍵的是「切入點」和「拆解方法」。刀刃以什麼角度切入，這就是「切入點」；切開的截面如何劃分，這就是「拆解方法」。那麼應該怎麼切入、怎麼拆解呢？
昨天的銷售額是18萬日元，今天的銷售額是12萬日元，今天與昨天相比下降了6萬日元。為了查明下降6萬日元的原因，現準備將銷售額進行拆解。
目前來看可以按照商品和負責人進行拆解，所以按照不同商品、不同負責人對昨天和今天的銷售額進行了比較。
從不同商品的情況來看，商品Z的銷售額下降了6萬日元；從不同負責人來看，大家的銷售額都下降了2萬日元。因此，整體下降6萬日元的原因似乎是商品Z不好賣。接下來要確認「為什麼商品Z不好賣」。
如上述的情況，通過拆解數據，正在發生的情況就能顯現出來。即使知道銷售額下降了6萬日元，但從這個結果來思考原因的話，有各種可能性，無法集中到一個方向去思考。
可以從力所能及的範圍入手，首先拆解現象、補充更多細節，讓正在發生的情況看起來更清晰。在此基礎上，進一步思考為什麼發生了這些情況。
記住全網最快小説站𝒃𝒂𝒏𝒙𝒊𝒂𝒃𝒂.𝒄𝒐𝒎
關鍵點1. 找一個很可能有意義的切入點來進行拆解
關鍵點2. 思考是否需要以其他的切入點來進行拆解
1. 找一個很可能有意義的切入點來進行拆解
嘗試找一個拆解以後可能比較有意義的切入點，拆解獲取的數據。
在本次的例子中，可以按照商品類別以及負責人來進行拆解。因為各種商品的情況可能會有差異，所以按照商品來拆解有觀察的價值。另外，因為不同負責人之間可能會存在差異，所以按照負責人來拆解也有觀察的價值。
2. 思考是否需要以其他的切入點來進行拆解
本次我們按照商品類別和負責人進行了拆解，但我們也要再想想有沒有其他可能具有拆解價值的切入點。例如，或許可以按照時間段來拆解。
獲取數據以後，在力所能及的範圍內著手進行分析固然是必要的。但另一方面，我們所獲取的數據有可能只是碰巧呈現出那個狀態。為了不被偶然出現的現象牽著鼻子走，我們要經常思考有沒有其他需要考慮的角度，如果有的話，就要去收集更多的數據，並進行拆解。
練習題
如果最初得到的數據如下表所示，那麼應該如何分析呢？
解答
前面我們已經按照商品和負責人進行了拆解，下面我們考慮一下按時間段和氣溫來劃分。
首先，時間段是可以用於探討的切入點。然而，它跟商品、負責人的切入點不同，需要加以留意。按商品、負責人進行拆解的話，拆解的單位是在選擇切入點時就自動確定的。分商品看的話就是劃分為商品X、Y、Z，分負責人看的話就是劃分為負責人A、B、C，這在選擇切入點時就自動確定下來了。
而按照時間段來拆解的話，情況就有所不同了。如果調取收銀機的記錄，估計會如上表那樣，有詳細到小時和分鐘的信息，不過一開始就把單位細分到分鐘來進行拆解，應該沒有太大的意義。
因此，可以考慮按照10點後、11點後、12點後這樣以1小時為單位進行劃分；或者像10～12點、12～14點、14～16點、16～18點這樣稍微把間距拉開，以2小時為單位進行劃分；又或者大致分為10～14點，14～18點這兩個時段等。
換言之，要考慮應該以怎樣的寬幅進行拆解。大家要記住，有些切入點必須詳細考慮劃分單位。
接下來是氣溫。關於是否採用這個切入點的決定，會根據所售賣商品的不同而發生變化。要思考氣溫對商品的銷售情況是否會產生影響，再判斷是否以其為切入點進行拆解。
像本次的例子，數據拆解的切入點只有4個左右，那麼考慮到按氣溫拆解可能會讓數據顯現一些端倪，所以也可以嘗試。
但是，如果切入點增加到10個、20個的話，自然就沒辦法用所有的切入點進行拆解了。大家要有意識地從拆解後是否有意義的角度，對拆解的切入點進行取捨。
還有年齡、性別等也可以作為切入點的備選項來考慮。但是，這些切入點與剛才的商品、負責人、時間段這些切入點有一些不同的意義。年齡、性別與商品、負責人、時間段這些切入點有什麼不同呢？
不同點在於，前者是顧客的信息，後者是賣方的信息。也就是說，以後者作為切入點的話，估計根據收銀機保存的信息就可以進行拆解了。但年齡、性別是顧客的信息，如果對購買者的情況沒有實時記錄，就無法用這些信息進行拆解。
拆解很重要，但大家要知道，有些情況需要主動去獲取用於拆解的信息。
最後，還有一點很重要，「拆解觀察」與「結果可以發現什麼」是不同的事情。人們總是忍不住去思考以怎樣的切入點進行拆解更好，但最終能否得到結果，不拆解的話是不知道的。
因此，不要想著去選擇一個能夠看到結果的「正確」的切入點，而要思考多個可能會看到結果的切入點，實際去進行拆解。
STEP UP！
你的目標是通過某所大學的入學考試，現在正苦惱於選擇預備學校。經過調查，得知以下信息。那麼，你會選擇哪所預備學校呢？
首先，比較一下理科的合格率。預備學校A理科的合格率是30%，預備學校B理科的合格率是20%。理科方面，預備學校A的合格率比較高。
其次，比較一下文科的合格率。預備學校A文科的合格率是60%，預備學校B文科的合格率是50%。文科方面，也是預備學校A的合格率更高。
我們知道，預備學校A在理科、文科方面的合格率都更高。那麼，我們把理科、文科合起來計算一下合格率。
預備學校A的考生人數是
理科160人＋文科40人=200人
合格人數是
理科48人＋文科24人=72人
所以整體的合格率是
72人÷200人=36%
預備學校B的考生人數是
理科20人＋文科80人=100人
合格人數是
理科4人＋文科40人=44人
所以整體的合格率是
44人÷100人=44%
雖然預備學校A理科、文科的合格率都更高，但預備學校B整體的合格率卻更高。
請再看看以下的情況。
預備學校C與預備學校D，從整體的合格率來看，預備學校C是40%，預備學校D是50%，預備學校D的合格率更高。
另一方面，我們分性別來看看。預備學校C的男考生人數是80人，男生合格人數是24人，所以男生的合格率是24÷80=30%。
預備學校C的女考生人數是20人，女生合格人數是16人，所以女生的合格率是16÷20=80%。
預備學校C整體的考生人數是男生80人＋女生20人=100人。
整體的合格人數是男生24人＋女生16人=40人。
要記得確認一下這與整體情況的數字是否相同。
同樣，預備學校D的情況也區分性別看看。
預備學校D的男考生人數是20人，男生合格人數是2人。所以男生的合格率是2÷20=10%。
預備學校D的女考生人數是80人，女生合格人數是48人。所以女生的合格率是48÷80=60%。
預備學校D的整體考生人數是男生20人＋女生80人=100人。整體的合格人數是男生2人＋女生48人=50人。
要記得確認一下這與整體情況的數字是否相同。
分性別來看的話：
預備學校C男生的合格率是30%，女生合格率是80%；
預備學校D男生的合格率是10%，女生合格率是60%。
不管是男生還是女生的合格率，都是預備學校C的合格率更高。
這是「辛普森悖論」的現象，關注整體與關注部分會得出不一樣的結果。
因此，雖然說拆解是基本做法，但要記得用加法來確認與整體情況是否相符；或者同時把握好整體的趨勢以及部分的趨勢，確認兩者之間是否存在差異。
小結
√ 嘗試尋找多個可能有意義的切入點來進行拆解
√ 目的是用可能性來進行評價，不是為了找到最好的切入點
√ 有些情況需要思考在哪裡進行拆解
√ 為了進行拆解，有些信息需要主動去獲取
√ 記住通過加法確認與整體情況是否相符以及觀察整體的情況