数据分析思维之:结构化思维

2021-07-14

问题来了,用什么结构建立起这样的逻辑大厦呢?有没有固定的模板可以学习?

本篇就讲解一下数据分析思维中另一个底层思维:结构化思维。

结构化分析的主要工具之一是逻辑树。这是麦肯锡公司的咨询顾问分析问题时最常使用的工具。

逻辑树有三种类型,分别是:问题树、假设树、是否树。

问题树也有翻译成议题树的。网上搜索逻辑树一般会默认是问题树,往往忽略了后两种。

这三种逻辑树结构类似,但是有不同的使用前提,合理的使用它们,对于我们分析问题和制定解决方案能起到事半功倍的效果。

01 问题树

当对问题不了解 ,或者需要对问题进行全面的分解以确保不遗漏任何一个方面时,可以使用问题树。即:在解决问题的初始阶段使用问题树。

问题树的结构如下:

MECE原则

问题的同一层级必须遵循MECE原则。

MECE(MutuallyExclusive,CollectivelyExhaustive)的意思是“相互独立,完全穷尽”,发音是me see。

在思考问题的过程中,我们需要将问题进行分解,每一层级的问题与问题之间没有重复、交叉、相关性,就是“相互独立”,而每一层级中务必不出现遗漏,就是“完全穷尽”。

这个原理比较容易理解,不多说。

如何建立问题树

建立问题树有两种方式,一种是自上而下,一种是自下而上。

自上而下做分解

比如我们要完成100万元的业绩,可以从哪些方面入手呢?

因为销售的最终目标是客户,所以我们可以将客户分类,对不同的客户群体采用不同的营销方式。

根据MECE原则,客户无非是三种。

陌生的新用户

正在跟进的用户

已经购买的老用户

因此,我们可以在逻辑树的第一层,划分这样三个类别。

根据业务常识,销售额=流量×转化率×客单价。所以我们在三个群体下分别有三种策略。

根据上述的策略,再往每一个子分类中添加具体的对策。

这样经过一层层的演绎推理,最终形成了一个问题树。我们将一个大问题拆解成了一个个可执行的小问题。

其中,第一层的分类最重要,它决定了你整个结构的整体功能。

不过这个分解方式没有标准答案,你在运用的过程中,得根据实际问题,找到对问题的解决最直接有效的切分方式,比如:

侧重于分而治之的,可以按空间维度进行分类:新客户、跟进中客户、老客户;或者业务A、业务B、业务C;

侧重于进度把控的,可以按时间维度进行分类:第一个月、第二个月、第三个月;

侧重于战略聚焦的,可以按重要程度进行分类:机构客户、普通客户;

侧重于目标达成的,可以按演绎逻辑进行分类:流量、转化率、客单价、复购率。

资深分析师相比新手分析师,最大的区别就在于能够找到更好的分类维度。这种差距是业务思维上的差别,我将在之后的文章再详细解读,本文不做深入。

自下而上做聚合

自上而下演绎法的好处是效率高,可以很快速地就把问题结构化。

可是,这种方式有个前提,就是你得对问题的解决方法有深刻的理解,能够快速找到恰当的分解角度,或者大脑中已经有了现成的结构可以直接使用,比如:销售额=流量×转化率×客单价。

如果没有现成的结构,或者找不到分解的角度怎么办?你可以尝试使用“归纳法”自下而上地提炼结构。具体怎么做?

第一步:收集信息。在这一步,我们把所有收集到的信息,都一条一条地罗列出来。

第二步:分类。在这个环节中,我们要按信息的属性、特点进行归类,确保在同一组的信息都属于同一个范畴。

第三步:概括总结。在这个环节中,我们要根据每个分类的特点,给每个分类写一个具备总结功能的标题。

举个例子:

比如想要销售额提升一倍,怎么办呢?

如果你没有对业务的整体认知,那么可以召集团队成员,一起开个头脑风暴会议,大家一起想一想有什么方法。

经过激烈的头脑风暴会议,大家列举出了很多的想法:

约客户吃饭

请客户喝咖啡

陌生拜访

公众号合作

电商合作

老客户回访

挖掘新用户

线下活动。。。

这些信息杂乱无序,我们进入第二步分类,用归纳法把类型相同的信息分成一类。

比如电商合作、公众号合作、线下活动属于渠道类,请客户吃饭、请客户喝咖啡等属于沟通类。

陌生拜访又属于挖掘新用户下面的一种方式。

然后是第三步概括总结。

渠道类里,电商和公众号属于线上渠道,线下活动属于线下渠道。

经过这样的梳理分类逐渐清晰。然后再根据每个分类下的情况,删除重复的内容,增加缺少的内容。

比如用户类型里有挖掘新用户、老客户回访,因此需要增加一个跟进中用户。

但到了这一步还没有完,我们依然要遵循MECE原则。

这样的分类,有渠道、有沟通方式,还有用户类型。用户类型明显和前天类型不是同一个维度的内容。所以我们可以选择把用户类型放到上一层。

最终通过自下而上,构建了一个和之前类似的逻辑树。

自上而下和自下而上,到底哪种方法比较好?要看不同的的情况。

自上而下适合我们的目标特别明确的时候。比如你参加竞聘,这时你的目标就非常明确,一定是从上往下搭建结构会更好。

自下而上适合我们没有目标的时候,比如年底写工作总结的时候,一开始往往不知道怎么归类。那就把一月至十二月所有的事情列出来,然后按照你的工作内容进行分类,之后再将每个类别概括出一个结构,最后再将这些结论往上概括出一个总结论来,便完成了金字塔结构的搭建。

但是,在实际工作中,不太可能只用一种方法就把结构建完,一定是两种方法同时使用。

假设树

当你对问题已经有了较为充足的了解时,可以用假设树分析问题。

假设树是针对问题提出了某种假设的解决方案,需要验证假设是否成立时的使用方法。换句话说,假设树用于验证假设。

假设树的结构如下:

对于某种假设方案,只有当所有论点都支持该方案时,该假设方案可以得到验证,否则会被推翻。对于每一个论点同样可以进行分解,直至分解到可以被基本假设证实或证伪。

假如需要针对X公司制定“提高销量”的方案,我们在了解了公司各方面的情况之后,觉得该公司可能可以通过研发新品来获得销量提升,遂绕过问题树的方法,直接提出“X公司应该研发新产品”这一假设。

为了验证假设是否成立,则可以构建如下假设树。

只要我们将第三层次的7个论点进行验证,就可以证明“X公司应该研发新产品”这一假设是否合理。

这种方式实际上就是对问题先做演绎或者归纳,列举出前提或者是论据,然后用数据验证这个推理是否正确。

假设树这种分析方式相比问题树效率更高。

假设树针对问题所提出的假设,不用将问题的所有方面都考虑到,只要能够验证假设合理或者不合理即可,这是其与问题树最大的不同,加快解决问题的进程。

不过还是那个问题,怎么建立假设?

一个问题究竟如何提出正确的假设?在看到让X公司“提升销量”的问题时,为什么要提出“X应该研发新产品这样一个假设”,而不是“增加销售渠道”?

这个问题依然还是业务思维的范畴。

是否树

是否树相比假设树还要更简单。

是否树的主要形式是:先提出一个问题,然后对这一问题进行是否判断,分析的结果只能是“是”或者“否”;

然后接着进行下一轮判断分析,继续得出分析结果“是”或者“否”。是否树的结构如下:

在使用是否树进行分析前,对一些结果应已有标准方案。如果答案为“是”,就可以应用实现准备好的标准方案。如果答案为“否”,那就需要再进行下一轮的判断分析,对具体情况进行具体分析,根据结果确定解决方案。

比如,以下是分析产品战略的一个简单的是否树:

通过图中的分析,根据不同的结果,就能够确认最终合适的方案是哪一个。

三种树的使用场景

最后,说一下三种逻辑树的区别和其适用的场景进行简单的分析。

问题的初始阶段,尚不明确具体情况,需要对问题进行全盘分析时,使用问题树;

对问题已经有一定了解了,并且有了一种假设方案,对假设方案进行验证,使用假设树;

对问题不仅足够了解,且针对一些结果已经有了标准方案,需要在方案中进行选择时,使用假设树。

使用逻辑树有以下优点:

1)通过“树干”和“树枝”的搭建,找出问题的所有相关项,以此确保问题获得完整的解决;

2)通过问题与问题的关联,识别哪些是必须的,哪些是证明前提假设的重点;

3)个人使用时能帮助理清思路,将大问题分解为利于操作和解决的小问题;

4)团队使用时,能将大问题分解为小问题再落实到个人,避免责任不清。

总结

以上这些方法看起来平平无奇,似乎都是我们生活中部分觉知和使用的。麦肯锡最厉害的地方在于,把我们习以为常、自动化思维的做法,经过提炼和梳理,形成系统化的方法论。

严格执行这些方法论,可以消除不确定性,让结果稳定、可靠、可达预期。即使是一个刚毕业的大学生,按照方法论分析的结果也不会差到哪里去。

以上是解决问题的基本思维结构,很多的分析模型都是建立在这几个结构之上。

比如矩阵模型,实际上就是通过2×2的矩阵列举出MECE的四种情况,算是问题树的另一种表现形式。

为什么我不一上来就直接写矩阵分析、漏斗分析这类分析工具。因为如果不把这些更底层的东西说出来,很多人不懂得什么时候用什么工具,也不懂得工具如何变通。

前一篇的逻辑思维是建立结构化思维的基础,本篇的结构化思维是后续更复杂分析的基础。

工具是思维的延伸,不改变思维,就算掌握了正确的工具也未必能得出正确的结果。