|
在工作和生活中，我们经常遇到各种各样的问题需要去分析和解决。 对于公司来讲，比如：
对于个人来说，比如：
这些问题五花八门，很伤脑筋。而且其中有些问题非常重要，一旦决策失误，将对个人或企业造成长久的影响。 那么，应该如何分析和解决这些问题？ 著名战略咨询公司麦肯锡有一套分析和解决问题的逻辑思考法。麦肯锡依靠这套系统的逻辑思考法帮助众多500强企业分析和解决各种经营和战略问题。 麦肯锡的逻辑思考法是什么样子的呢？ 简单地说，就是把一个大问题，通过层层拆解成小问题。你只要把每个小问题解决了，大问题自然就迎刃而解。
我们来看一个例子。 比如，你最近手头有点紧张，你想“每月怎么样多存点钱”？我们试着用麦肯锡逻辑思考法拆解一下。
要想每月多存点钱，无非两条路，一是开源，增加收入；二是节流，减少支出。 这样的话，“怎样才能每月多存点钱？”就拆分成了两个子问题，一是“怎样增加收入”，二是“怎样减少支出”。 那么，“如何增加收入呢”？你目前的收入主要来源于两块，一块是“工资收入”，另一块是“投资收入”。因此“如何增加收入”这个一级子问题就拆分成了“增加投资收入”和“增加工资收入”两个二级子问题。 拆分到这里还不算完，因为“增加投资收入”仅仅是一个行动方向，并不具备操作性，因此必须继续拆分。 你的投资收入来自于三块，一是买卖股票，二是房产投资，三是投资开店（你和几个朋友合伙投资了一家连锁餐饮店）。因此，“增加投资收入”可以往下继续拆分成“投资股票”、“投资房产”和“投资开店”。 另外，子问题“增加工资收入”也可以拆分，要如何增加工资收入呢？一是“向老板要求升职”，因为升职一般和加薪连在一起的，升了职工资收入自然会增加，；二是“向老板要求加薪”；三是“在外面兼职”，增加兼职收入。 这样的话，我们把“增加收入”这个子问题拆解完了。 同样道理，“减少支出”也可按“增加收入”一样的逻辑进行拆解。 通过这样逻辑性地层层向下拆解，像剥洋葱一样，将一个大问题拆解成一个个可以解决的小问题，最后只要把这些小问题一个个解决，你的大问题自然就可以解决了。 这就是麦肯锡分析和解决问题的逻辑思考法。 了解了逻辑思考法，那么在具体操作运用当中我们要注意些什么呢？ 下面让我们来了解一下运用麦肯锡逻辑思考法分析和解决问题的四大原则。 一、MECE法则MECE法则是逻辑思考法最核心的原则，也是拆分问题的核心要求。 MECE（Mutually Exclusive，Collectively Exhaustive）的意思是“相互独立，完全穷尽”。 在拆解问题时，我们要确保每一层级的问题相互之间没有重复、没有交叉，就是“相互独立”（即MECE原则中的ME）；同时，每一层级中务必不出现遗漏，就是“完全穷尽”（即MECE原则中的CE）。 MECE法则的目的是“消除遗漏、避免重复”。 举个例子，某企业员工从外部购入新产品所需要使用的液晶屏，调查了数家供应商后向上司汇报。 “我认为A公司的液晶屏比较好（结论），因为A公司的液晶画面很漂亮（理由1）；同时,从耐用性测试结果来看，A公司也优于其他公司（理由2）；最后，从电力损耗方面来看，也满足本公司技术要求（理由3）。”
听了员工汇报，上司问：“A公司液晶屏性能方面没有问题，那么其他条件也没有问题吗？” 因为员工上述的理由都是关于液晶屏“性能”方面的内容，对于上司来说，除了关注产品的性能外，还会关注“产品价格”、“交货”以及“公司信誉”等等方面。 因此，为了防止遗漏问题，需要掌握“MECE法则”，在没有遗漏、没有重复的状态下进行思考。 比如：“我认为A公司的液晶屏比较好（结论），因为A公司的液晶屏的性能（画面、耐用性、电力损耗等）比较优秀（理由1）；价格也与我们提出的价格匹配（理由2）；关于交货期，下单3天后送达，因此没有问题（理由3）；我确认过A公司的信誉、工厂和财务状况，都OK（理由4）”。
为了确保问题拆分时能够满足MECE法则，有一些拆解的方法。一般来说记住以下5种拆解方法就可以了。 1、二分法二分法就是把一个事物按照某一特性分成两部分，而且这两部分是符合MECE法则的。 比如，对人群的性别分类，可分成“男性”和“非男性”，因为一般意义上性别只有男和女两种（暂不考虑特殊情况），因此可以直接列为“男性”和“女性”。 此外还有国内和国外、自己和他人、已婚和未婚、工作和生活等。 延伸一下，也可以分成两个主要的和其他，就是“这个、那个和其他”。比如“美国、中国和其他国家”、“可口可乐、百事可乐和其他可乐”这样的分类。 其实，在日常生活和工作中，我们经常会使用到二分法，比如“质与量”。 “业务部小张的业务拓展工作做得很好。在质量方面，他保持了很高的客户满意度；在数量方面，他的销售额占了整个业务部门大约四成。” 2、要素分析法任何一个事物都由若干要素构成。 比如，人的身体可以分为头、四肢和躯干，进一步细分，四肢可以分为上肢和下肢，而下肢又包括大腿、小腿、膝盖和脚这几个部分。 再比如，一部手机主要包括屏幕、电池、主板、CPU（中央处理器）、GPU（图形处理器）等多个部分。 再比如，价值链分析中的“原材料加工厂、产品生产厂、物流商、经销商、零售商”也是一种构成要素。
3、流程分析法根据流程的顺序划分。 很多工作按照一定的时间顺序或流程顺序进行的，比如PDCA循环，企业中的各种业务流程和管理流程等等。 再比如，生活中你为近期的出游做规划，就可以按流程进行。 旅行第一步，就是确定行程，包括准确到哪里去旅游，游玩的项目和时间等等；第二步：做好旅行准备，包括订机票、酒店，请年休假等等；第三步就是出行与返程了。
4、算术公式运用一些简单的数学公式对问题进行拆解，直到不能拆或者该层级问题可以得到有效解决为止。 常见的公式有：利润=收入-费用；销售额=单价*数量，费用=固定费用+变动费用等等。 我们在开篇拆解了“如何每月多存点钱”，用的就是算式公式法，“存款=收入-支出”。 5、框架法如果每次都要重新思考MECE是很辛苦的，但是在商业工作中已经形成了许多经常会被用到的MECE框架。 框架是前人给我们留下的的宝贵智慧。如果用框架思考，基本上可以认为做到无遗漏、无重复了。比如： 3C：市场、客户Customer；竞争对手Competitor；公司自身Company QCD：品质Quality；价格（成本）Cost；交货期（投递）Delivery SWOT：优势Strength；劣势Weakness；机会Opportunity；威胁Threat PEST：政治要素Politics；经济要素Economics；社会文化要素Society；技术要素Technology。 比如，3C分析经常运用在行业分析中。 “公司应该投入到**行业（结论）。因为，预估今后该市场未来五年将维持20%的年增长率（市场、客户）；在竞争对手方面，占领市场份额最大的公司市场占有率也仅有12%，我们可以争取一下（竞争对手）；本公司的技术和渠道在这个市场会成为优势（公司）。” 二、用数据说话在分析问题时要使用数据说话，数据能够帮助我们精确地衡量现状、说明问题。 数据能给人最直观的感受，内容也更客观具体，不会出现模棱两可、模糊不清的情况，能够避免造成误解。 所以，数据一般情况下比模糊的文字描述更有效果。 下面是两所学校招生现场，家长在咨询学校的情况。 A 学校的招生现场： 老师回答：“我们学校是省重点高中，有雄厚的力量、严谨的校风和良好的学习环境。今年我们计划招收150名新生，要求学习能力强，成绩优异……” B 学校的招生现场： 老师回答：“我们学校今年的毕业生中共有512人参加高考，考上专本科院校的有480人。其中有48人考入清华大学，36人考入北京大学；此外，我们学校有300名资深教职员工，其中有183人被评为全国优秀教师；我们学校还有先进的教学设施…………” 对比上面两所学校老师的回答，显然B学校老师更有说服力。 为什么？因为他应用了该学校升学率的具体数据。 越是具体的数据，就越是最有力的证据。 但是，需要注意的是，用数据说话，在说话之前，先要审核数据的真实性！ 必须确保使用的数据是经过査证的数据，必须是真实有效的。 我们以数据作为决策依据时，要擦亮自己的眼睛，预防辨别出数据中时常出现的数据陷阱。 常见的数据陷阱有：放大有利数据、样本偏差、基数问题、数据口径问题、数据可视化陷阱、相关性与因果、数据样本不足、信息不完整等等。 我们举两个例子，看看常见的数据陷阱是如何误导我们的。 1、放大有利数据放大有利数据指的是在报告数据时，选择性地呈现某些结果，而忽略其他结果。
只看上图，我们可以得出结论：公司销售额稳中有升，形势一片大好。 但是，如果我们看今年所有月份的数据，结果与我们之前的结论会完全相反：销售额随着月份的变化一直在走低。
结论出现逆转的原因是因为一开始的图只放了4-6月销售额有上升的时间段，放大了有利数据，用短期波动代替长期效应，给我们造成了错觉。 放大有利数据的误导性来自于信息的不完整性或不平衡性。为了避免选择性报告的问题，我们应该全面、客观地呈现数据，或者使用可信的数据来源。 2、样本偏差大家应该都听过一个段子：在过年返乡的列车上，记者向着车厢问道：买到票的朋友，请把手举起来！ 刹那间，车厢里的乘客都将手举了起来。 记者激动地播报，说：从这里可以看出，群众们乘车难的问题已得到解决，每个人都有火车票！ 这里其实是犯了样本偏差的错误，从一个有限的样本中推断总体特征时，样本可能不具有代表性，导致对总体的错误认识。 这种情况下，数据的陷阱来自于样本的选择或采集方法。解决这个问题的方法之一是使用随机抽样来确保样本的代表性。 在这里，我们只简单举了两个小例子说明数据陷阱。 毋庸置疑，统计数据对于我们的各类决策有着重要的参考意义，但是前提条件是我们寻找参照的统计数据要有意义，不能存在一些统计污染在其中。 但在现实中，许多统计机构却在真实与谎言的灰色地带上走钢丝，导致诸多统计数据没有参考意义。 因此，我们擦亮眼睛，学会识破统计数据中的一些常见陷阱，避免被人带入沟里。 三、洞见优于表象“表象”指的是我们看到的纷繁无序的各种事件和信息。 而“洞见”指的是通过分析表象，我们所发现的事物背后的趋势或规律。 作为管理者，我们的职责是从纷杂的表象中寻求并提炼洞见，得出结论。 我们看个例子：  上表是进驻某地区的主要外资企业，里面是一些基础、零散的信息。 怎样从这些零散的信息中得出你的洞见呢？ 通过分析，从这些信息中，你可能会得出如下结论：
当我们在分析数据和信息时，应该不断地追问，“该如何解读这些信息？”“从这些信息中你能得出什么结论”？ 因为单纯数据或信息的罗列是没有意义的，它无法给你提供行动的指导。 重要的是结论，是你的洞见，是信息背后的趋势和规律。只有趋势和规律才是指导你未来行动方案的指南。 再举个例子： 你所在公司是一家生产意大利面酱的食品公司。你的三家竞争对手A、B、C公司的现状如下。
如何从3家公司的现状，获悉竞争对手动向呢？ 分析3家公司的现状，以下信息是明确的： 1、3家公司的目标客户、目标市场明确：如中老年人群、单身女性、市区客户。 2、3家公司向目标市场提供的产品特征鲜明：如特色风味、手工风味、高档食材。 3、3家公司的销售渠道集中：如超市、便利店、高档食材店。 根据分析，可以得到3家公司的4个共同点：目标客户、商品、渠道和获利。 你的分析结论可能是：“竞争对手通过特征鲜明的商品和销售方式，抓住细分客户，扩大销售额，提高收益。” 根据你的分析结论，你就可以根据竞争对手的动向拟定相应的策略。 洞见优于表象。你要能从纷繁复杂的信息中寻找出规律和趋势来。 你的洞见越深入，你比竞争对手看得更远，更透彻，你的经营决策也更能抓住事物的本质，你拟定的对策也就更有前瞻性。 四、以假设为前提假设是什么？假设是有依据的猜测。 “以假设为前提”指的是根据已有的有限数据和信息，依据你的经验和直觉，提出问题的解决方案，然后以该方案收集数据进行证实或证伪；如果收集的数据不能支持提出的方案，就及时调整方案，然后再次收集足够的数据进行验证，进而形成一个从假设到验证的循环，如此反复直至方案被证实。 大家对“假设”这个词有点陌生，但实际上“以假设为前提”并不是一个新事物。 我们大家从小到大经历过很多考试。 比如，在数学考试中，常常会有4个选项的单项选择题。 一般的解题方法是先看题目，然后计算出正确答案，再去4个选项中寻找对应选项勾选。这种解题思路被称为线性解决法。 但有时候，我们也会采取一些技巧，就是先选择其中一个答案，然后代入题目之中进行验算，如果验算正确，那么这个就是正确选项。 这就是“以假设为前提”：我们先假设一个正确答案，再验证真伪。 “大胆假设，仔细求证”是现代科学的原则。科学研究也常常采用提出一个假设，再通过验算或试验验证这个假设是否成立。 再比如，最近公司某个产品的销售额下降了，领导希望你能够分析出问题原因。 销售额下降的原因很多，比如有可能是竞争对手挤占了份额，或者产能不足，抑或渠道出了问题等等。 这时候，如果你用传统的线性思维去拆解问题，可能一下子很难抓住好的切入点。 这时候，你就可以充分调动过去的经验，结合公司现状提出假设：销售额下降主要是由竞争对手挤占份额导致的。 这时候你就可以把这一假设继续往下拆解，比如竞争对手是谁、竞争对手最近采取了哪些促销活动、客户对竞争对手的反应等。 这时候，你手中就有了初步的方案，相比于一开始的毫无头绪。现在快速抓住一个头绪，进一步拆解就容易很多。即使错了，再调整方案，也比漫无头绪强。 所以，假设很简单，就是现阶段最接近答案的答案。 当你拆解问题时，面临举棋不定或者没有思路的情况时，可以充分调用假设，先帮你找到思路，确定一个方向，大不了后面再换，免得像无头苍蝇一样乱碰乱撞。 日本的7-11便利店曾经针对其销售的饭团构建过一个假设：只要质优味佳，200日元的饭团也能畅销。 7-11便利店希望推出一款食材更好、更美味的饭团，相应也提升价格。 但当时大部分便利店饭团售价在100~130日元，所以这个想法遭到了质疑。因此，他们做了两组实验。 第一组是对照组，7-11便利店首先将现有的大部分饭团价格控制在100日元，这么做的结果是2~3个月内销售额约增长了20%。 第二组是实验组，7-11便利店制作了标价为200日元的高端饭团，结果当月的销售额增长远远超过了20%。 7-11便利店就是这样利用假设抓住了消费者的需求。 最后总结MECE法则、用数据说话、洞见优于表象、以假设为前提，你只需要将这四点牢记在心，并对其进行反复的锤炼，就可以将面临的各种事情拆分清楚，找到答案。 |
|
|
