“WHAT 型假设”
不过，对较大范围（包括多个要素）的数据，即使进行比较也很难找到差异。此时需要运用“四则运算”来分解数据，使其变得更为详细和具体。这就叫作“WHAT 型假设”（图 2-5）。
图 2-5 建立 WHAT 型假设
在此基础上，接下来需要关于“维度”的思路。分解数据之后，会得到某个指标或者变量（例如：客户忠诚度）。我们需要考虑从何种维度对该指标进行比较，才能找到问题的关键。在依赖数据之前先进行推测，也可以说是 WHAT 型假设的一部分。
这样一来，只要熟悉业务内容，人们就会想到“区域”“产品”“顾客年龄”等许多维度。从中优先挑选与问题联系最紧密，最能体现差异的维度进行比较，便可以找到问题的关键。例如从产品维度对保持率进行比较，可以发现产品 X 明显高于其他产品，这就是问题的关键。那么，想要找到问题的关键，需要对哪些指标进行比较呢？
很多事例按大小或比例对销售额、揽客人数等加以比较，此时必须注意原始数据的波动。因为，尤其是用平均值代表整体数据的大小时，数据波动的信息就会完全消失。
找到“问题的关键”所需的视点可以用图 2-6 的矩阵图来表示。这个矩阵图可以防止比较时遗漏重点问题。我们并不一定要机械地查看矩阵图内的所有项目。不过大家需要知道，不事先考虑好“为什么要计算这个指标”“希望由此了解什么”，而是漫无目的地“姑且”考察数据波动，就无法让数据分析有的放矢。
图 2-6 利用矩阵图整理比较的重点
接下来，分别对“大小或比例”和“波动”做详细介绍。