麦肯锡教我的七个思维方法

来源：猫爷战略 

作者：猫爷先生

麦肯锡的人一般自带光环。因为能在麦肯锡工作的人，大多都是世界名校的高材生，或某企业高管等等。他们给人留下的印象就是特别聪明，仿佛什么难题到了他们手上都可以迎刃而解。

聪明，也是人们对他们的印象。

但这种“聪明”，更多是因为他们比普通人更熟练地运用几种高价值的「思维方式」。经过长期的咨询训练，分析框架已经成为他们的一种大脑本能。

其实，这些思维方式一点也不神秘，不管是不是做数据分析，都很实用也很容易理解。

下面给大家一一介绍：

第一种 

分类思维

在市场营销中，有一个非常重要的概念，叫Customer segmentation（顾客分层）。这其实就是分类思想。

由于年龄、收入与性别等因素的不同，人与人之间存在着不一样的生理需求与心理需求。而需求不一样的消费者组成了不同的细分市场。针对不同的细分市场，产品会有不同的定位。

所以，分类是精准营销的前提。

同时，分类思想对于个人管理也很有用。

其中有一个核心概念，叫作“人生角色”。指的是，每个人每时每刻在扮演着多个人生角色，如儿子、父亲、朋友、丈夫、社团领袖、企业高管等等。

为了成为尽职尽责的人，在制定周计划时就需要考虑每个角色的任务，缺一不可。唯有如此，在生活与工作之间才能取得平衡。

由此可见，分类思想能把复杂混乱的事情梳理出脉络，并逐个击破。

第二种 

矩阵思维

矩阵思维是分类思维的一个延伸。

学过统计学的都知道，数据类型能分成两种：Categorical variables与quantitative variables。后者有一个特点，能够被量化。

当你发现存在两个可量化的关键维度时，不妨分别设成X轴与Y轴。

作为集团战略部门，每天面对的任务有很多，但哪个才是值得我们花时间去解决的呢？这个问题就显得非常迫在眉睫了。但是不怕，因为有矩阵思维。

首先，我们对每个项目的“可行性”与“商业价值”进行一次评分。然后，把这两个维度分别设为X轴和Y轴。最好，所有项目就会自动地分布在了四个象限之中。

显而易见，你的重点就应该放在第一象限的项目中，尤其是颜色最深的右上方的那个项目，因为它的可行性最高，同时商业价值最大。

除了个人管理，还可以用来做市场分析。其中，最著名的莫过于波士顿管理咨询的产品矩阵模型了（BCG matrix）：

这不就是一个矩阵思维的体现吗，道理一毛一样的

所以，当你发现存在两个可量化的关键指标时，就可以试试做成一个矩阵，说不定你会有意外新发现哦。

第三种 

漏斗思维

最近，国内很流行一个来自硅谷的名词，叫“增长黑客”。这群人混迹各大互联网公司，是一个由来自产品、技术、设计等不同部门的人所组成的神秘兮兮的战略部门。

他们的主要任务，就是帮助公司业绩成倍地增长。在一些公司里，增长黑客是直接汇报给CEO的。可见他们的价值是非常巨大的。

但他们是怎么去实现这个高价值的呢？

没错，核心还是这个漏斗思维。

增长黑客那本书中非常核心的一个概念，叫AARRR模型。其实就是一个漏斗模型。

漏斗的每一层，都有一定的容量。漏斗越往下，容量越小。而层与层之间的比例，就是传说中的转化率。到了最底层，就是收入。

所以，要提高最终的收入，原理很简单，就是把每一层的容量都扩大，或者，把下钻的转化率给提高。作为增长黑客的你，首先要学会去用数据去判断，哪个地方的容量太小，或转化率太低，然后再去制定方案进行针对性提高。

第四种

相关思维

几年前，“大数据”一下子火了。《大数据时代》提出了几个（当时）挺新颖的观点。其中有一个说大数据关注的不是因果关系，而是相关关系

这个表述虽然不准确，但至少反映了相关性是很重要的，尤其在数据种类与数理都非常丰富的情况下。

我们在媒体里常常看到这样的报道，“百分之多少的人会更倾向于做某件事”。举个例子，有专家发现，在经济低迷的时候，89%的女性更倾向于买口红。

结合数据的相关思维，够帮助我们找出事物之间隐性关系。

虽然事物有千千万万，但事物之间的相关关系常见的也不外乎这四种：

图片来源：猫爷

（a）正相关：X数量越多，Y数量越多

（b）负相关：X数量越多，Y数量越少

（c）不相关：X数量与Y数量无关

（d）非线性相关：某一范围内，X数量越多，Y数量越多；超过某一个拐点后，X数量越多，Y数量越少。

相关思维简单易懂，在商业中的用处很广泛。

打比方，现在你是你们公司的市场部经理，为了提高明年的销售业绩，你最近进行一次分析，哪个媒体广告需要减少投资，哪个媒体广告需要增加投资？

关于预算分配的问题，永远都让市场部头的人头疼。这种决策在过去是（现在很多时候也是）老板们拍脑袋想出来的。那有没有更加科学一点的办法呢？

试试用相关思维来翻译这个问题，那就是：销售额与哪个媒体广告的投放量存在正相关呢？

这个问题一下子就具体很多了，因为X与Y都是可以被很好量化的指标。只需要把过去几个月甚至几年的数据拉出来，Excel一算就可以知道了。

图片来源：网络

假设将横坐标的看作是产品销量（口红、粉底液、气垫、防晒霜等等），纵坐标看成是媒体投放渠道金额（微信、微博、爱奇艺、杂志等等）。那么，它们的两两之间的相关系数就会形成一张系数表。

蓝色表示两者相关关系比较强，红色表示比较弱。那么，哪个产品更应该加大哪个投放渠道的投放量就一目了然了。

当然，这只是一个打比方。一个严谨的投资决策肯定不能仅靠看一个维度或一张表就能解决的。但它给出了一个很不错的视角。

当你手头上拥有很多数据时，不妨来一次这样的数据探索（Data exploresure），说不定会有什么新奇发现哦。

第五种

决策树思维

决策树（Decision tree），相信这个概念对于所有学过机器学习的人都并不陌生，因为这是一种入门级的算法。几乎每个初学者第一个接触的机器学习算法都是决策树。

它很实用，也特别好理解，因为它跟人的思维过程很像。

它既可以当做一个体系化的分类思维，也可以当做一个流程图甚至是一个检查清单来使用。但不管你怎么用，决策树的框架都是不变的。

从顶端一点开始，它一层一层往下展开。每一层都有若干个支点，而每个支点会分解成多条支线。就像下图一样。

图片来源：网络

那它究竟怎么用呢？让我来举个简单的例子

假如有一天，你去参加非诚勿扰的相亲大会，由于你读过猫爷这篇文章，所以你打算在相亲节目中使用决策树。

你的决策树长这样：

图片来源：猫爷

如果对方年龄太大，你立马可以排除；在年龄合适的人里，你再看他长得怎么样，颜值爆表、每天看着他的脸都可以不用吃饭的，那就别问下去了，马上就在一起。如果长得还行，那就继续看看他的收入，以此类推。

由于决策树越接近顶端的因素，重要性越高。所以你对相亲对象的要求，按重要性来排序就是年龄>颜值>收入>性格。当然，这只是一个半开玩笑的举例，以便你理解。

决策树在商业环境中的用途也是相关广泛的。随便举个例子：

如果你现在是银行的信用卡主管，你会给一个申请者多少信用卡额度呢？这本身就是一个决策树模型能解决的问题。你要做的，就是找出决策树中重要的支点与支线，譬如是否高学历、是否高收入、是否在500强、是否有负债、是否已婚、是否有房产等等。当一个申请者落在好的分支里，那就获得高额度；落在差的分支里，就得到低额度。

第六种

闭环思维

闭环，不是指封闭，而是指循环。

在商业界，最著名的闭环应该当然是戴明环，又叫PDCA循环。

图片来源：网络

PDCA循环的起源，要追溯到20世纪20年代，有一位叫沃特的统计学家所发明，由戴明所改良与普及的，最终演变成了科学管理的一个非常重要的工具，帮助企业或组织持续性地改进质量，被广泛应用于新产品开发、供应商管理、人力资源管理以及各种项目管理之中。

Do是最基础的。哪怕一个从不动脑子的人，他也知道去做，就像富士康里的车间工人一样。

聪明一点的人，他就会做Plan。在行动之前，先分析目标是什么，用什么方式去实现最有效率，识别潜在的问题、障碍与风险等等。能做好这一步的人，已经超过了80%的朋友了。

还有没有更聪明的人呢？有，那就是会做Check的人。他们会去追踪与评估自己的行动是否已经达到了目标，有哪些差距，有哪些改进空间。他们有总结与反思的习惯。阶段性就会复盘一次，可能是每天，可能是每周，也可能是每个月，总结出成功的经验与失败的教训。如此勤奋思考的人，已经超过了95%的朋友。

那么，还有没有更加聪明的人呢？还真的有。那就是会做好Action的人。他们能够把经验教训都标准化成为下一次行动方案，让成功继续成功，让踩过的坑不再去踩。这就是最难的知行合一。

这个闭环思维为什么重要？因为它指明了一条螺旋式上升的发展途径

图片来源：网络

这个思想理解并不难，但在生活与工作中用起来是不容易的。

第七种

逻辑链思维

逻辑链，是一个大杀器。

（一）

很遗憾的是，我们从小所接受的教育，其实一直缺乏对逻辑链进行系统性训练。

所以在讲逻辑链之前，先让我们回顾两个逻辑概念：归纳与演绎。因为并不是很多人都理解它们的意思。

图片来源：猫爷

下面举个生活场景来帮助你理解：

假设你看到猫爷在床上看书，在车站看书，甚至在厕所也在看书，那么你可能会得出结论：猫爷可能是一个爱看书的人，在哪里都会在看书。

如此这般，从个别事件得出一个具有普遍性意义的结论，这过程叫归纳推理。

再假设，你有天晚上打算跟猫爷去西餐厅约会，但已经听朋友说过了这人老爱迟到，所以你在约会前就开始猜测，这一次猫爷大概率也会迟到。

如此这般，从原来的结论，推广到某个别事件的过程，叫作演绎推理。

归纳与演绎，是两个互相联系的好朋友：归纳，特殊性是因，一般性是果；演绎，一般性是因，特殊性是果。

下面考考你：

谁最擅长归纳推理呢？

答案就是整天忙碌在实验室里的科学家。

他们通过一次又一次的控制变量的可重复试验，来归纳出一条又一条的普遍性规律。

再考考你：

谁最精通演绎推理呢？

没错，就是大名鼎鼎的福尔摩斯私家侦探了。

他能够经常通过许多蛛丝马迹来演绎反推出事情的来龙去脉。

（二）

下面要讲到的逻辑链，其实是演绎推理中的其中一种。

最简单的，或者说最经典的逻辑链，应该就是亚里士多德的三段论：

大前提—>小前提—>结论

用我自己的话来翻译，三段论可以变成更简洁的一种表达式：

图片来源：猫爷原创

这就是我理解中逻辑链的极简形态。

假设+因果

（三）

逻辑链有什么用处呢？

我认为至少有三个：

第一，提高信息获取的质量

在朋友圈里的文章，除了新闻资讯类的不说，剩下大多数都是发表观点类的论述文，从房地产分析到国际局势判断，从社会热点到电影影评，内容方方面面。但本质上看，都逃不出逻辑链。

有逻辑链思维的读者，他一边阅读文章就会一边审慎地自问：

• 这篇文章的结论是什么？（果）

• 作者是如何得出这个结论的，他有哪些证据支持？（因）
  

• 作者做出这个推理，隐含了哪些必要的前提？（假设）
  

你很可能会发现一个事实，大多文章都只是一味地给出结论，并没有同时给出明确充分的理由或证据，或者假设是有错误的。粗心的读者可能就会囫囵吞枣地接受了这类文章中那些经不起推敲的结论。这就是读死书的问题根源。

第二，提高思考的深度

通常，你会觉得什么样的人说话特别有深度呢？

是不是那种，他一说话，你就会有种茅塞顿开的感慨，甚至忍不住发出“Aha”的惊叹。

他们是怎么做到这种说话境界的呢？

答案非常简单，只是因为他们的逻辑链很长，比普通人都要长。

他们很擅长拓宽自己的逻辑链长度，最终可能已经形成一种思维习惯了。

逻辑链有两端，分别是因和果。

所以，逻辑链有两个方向，可以在因或果这两个方向上进行拓展。

（1）连问三个“为什么”

假设你明天回到公司，你向老板做工作汇报，说：老板，这个季度的总销售业绩环比下降了。

老板坐在电脑后，头也没抬，问你：为什么

你支支吾吾答不出，于是跑回去看数据表，然后又跑回来跟老板说：老板，虽然老客的销售额在略微上升，但是新客的销售额最近半年一直在下跌。

老板皱了皱眉，但还是没望你一眼，继续问：为什么新客在下跌

你挠挠头，又跑回去工位，翻出过去半年的资料。过了半天你又跑回去找老板，说：老板，最近半年我们在市场推广上的重心从视频广告转换到了社交媒体上了，而社交媒体中的用户，好像对我们的产品不感兴趣，使得新客人数下降了很多。

你老板开始有点微笑，饶有兴趣地抬起头，问：为什么他们对我们的产品不感兴趣呢？

这时候你早有准备，把用户画像和产品定位等等材料都拿出来，给出了一个完整的答案。你的老板满意地点了点头，说：很好，你总算摸到了问题根源了。

这只是一个方便你理解的小故事。

实际上，你完全可以不需要老板的反复提醒，而是通过多次自问“为什么”来拓宽逻辑链的前端，直达问题的根源。

你的逻辑链将会变成这样：