详解麦肯锡方法:结构化分析问题的技术
很多同学都好奇,那些高大上的咨询公司背后,有没有什么神奇方法。也有同学买了《金字塔原理》,可这本书看起来颇为晦涩。很多同学看完了,就记得开篇的:食品分成单奶、水果、蔬菜三类。然而这个玩意和数据分析有啥关系?到底该如何进行结构化问题分析?
整本书很长长长,今天挑重点,用最通俗的语言给大家分享一下。实际上,结构化分析,并非只有“分析”一步。而是包含了梳理问题、分析问题、解决问题三个步骤。所谓“好的问题是成功解答的四分之三”,正是此道。
第一步:梳理问题
梳理问题的时候,最大的忌讳,就是:提问人说啥,回答者傻乎乎记啥。很有可能对方只提及了问题某一方面,漏掉了一些信息。想要系统化梳理,可以用SCQA方法。
SCQA,即: S:Situation 情景 C:Complication 冲突
Q:Question 问题
A:Answer 答案
进一步,又可以分作:
1、现状
2、困扰
3、非期望结果(R1)
4、期望结果(R2)
5、R1和R2的差异,产生冲突(C)
通过梳理,把问题放置在一起具体场景里,就能看清楚:
到底有没有问题?
到底是多大的问题?
解决到啥程度算结束?
举个简单的例子,一个完整的问题描述,如下所示。相比之下,我们最常听到的:“为啥DAU又双叒降了?”就是一个典型的三无问题。
然而,很多公司的数据分析,就是从这种不清楚的问题开始,然后把宝贵的时间消耗在无休止的排查,最后发现:
“这是正常波动”
“埋点动了,没人上报”
“推送系统bug了,没人上报”
甚至分析ppt还没写完,指标就涨回去了……
╮(╯▽╰)╭
因此梳理问题的第一步,就是确保S和C足够清晰。现实工作中常见问题是:
有现状,无困扰
无现状,有困扰
有困扰,无预测
有预测,无期望
(如下图)
总之,问题描述丢三落四,也难怪做分析的时候无法形成假设,找不到评价标准了。这一点大家切记切记。
第二步:分析问题
在开展分析的时候,最重要的区分是:是否有初始假设!有假设和无假设,完全是两个思路。
在无假设的时候,就像大海捞针,并不知道问题的根源,也不知道能怎么解决问题。此时想解决问题,只有用:标杆分析法。
1、树立标杆:行业内标杆是谁?
2、分解标杆:标杆是怎么做的?
3、对照标杆:参照标杆,我司差距在哪里?
4、形成方案:如果条件足够,直接抄标杆做法。如条件不够,参照标杆的思路。
5、评估方案:如果可行,设监控指标,投入执行;如不可行,更换标杆。
这套方法,是最适合分析人员解决问题的方法。因为分析人员强在分析,弱在执行。如果能找到合适的标杆直接复制,就节省了分析人员学习业务的过程,那是最合适不过的了。
这种方法的缺点也很明显:缓慢、笨重、经验主义。很有可能分析人员总结了半天,自以为收货满满,结果在业务看来,这都是“常识”“我早知道了”。并且,不是所有的问题都能找到标杆,也不见标杆都管用。
所以,一般情况下都更推荐有假设的方法。
1、提出假设:对问题来源/解决方案提出假设
2、分类假设:构建分析问题的逻辑树,把假设归类
3、验证假设:利用数据/实验,验证假设真伪
4、得出结论:撇除证伪假设,聚焦能论证的问题
5、形成方案:针对已论证的问题
这种方法能避开业务已知的情况,直插重点。并且,站在分析的角度,证伪比证真更容易,因此能更快形成分析结论。
当然,这种方法也有缺点,就是需要业务对问题有足够的认识,能提出假设。同时,需要分析人员,有足够强的逻辑能力,梳理假设。因为业务直接扔给你的假设,很有可能是自相矛盾,混乱不堪的……(如下图)
此时需要用MECE分析法,把问题逻辑梳理清楚。之前已有类似分享,有兴趣的戳:{MECE分析法}
第三步:解决问题
分析完毕之后,可以着手解决问题。注意!并非所有时候,业务部门都是束手无策的,有可能他们已有应对预案。因此想解决问题,首先要知道业务部门的工作状态。
这里有四种基本状态:
1、完全不知道怎么办?
2、有ABC方案,不知道选哪一个?
3、有A方案,但是不确定行不行?
4、有A方案,确定不行!还能有什么方案!
这四种状态下,解决问题的思路是不同的。
显然,最难搞的是状态1,完全没想法,只能先找想法。此时可以把分析阶段整理好的思路用上:
1、不带假设情况下,看标杆是怎么做的,尝试复制标杆做法
2、带假设情况下,先把假设指向的问题来源解决掉,再看问题还存在不
第二难解决的是状态4。知道XX方案不行,也算是半个答案,起码它缩小了探索方案的范围,知道哪些方案是明确不行的。此时操作和应对状态1是一样的,用标杆分析法或者MECE分析法。探索解决方案
第三难解决的是状态3。在已有方案情况下,检查2点:
1、方案本身可行性(时间、成本、质量)
2、方案是否能解决问题(预测结果)
其中,方案本身可行性检查较为简单,熟悉业务的话可以很快确认清楚。预测方案是否能解决问题,有2个基本方法:要么,看历史数据,如果历史上有类似项目,可以把当时的效果拿来做参照。要么,做测试,先测试一下,看看效果是否达预期,再大规模推广。经过分析如果方案可行,能解决问题,直接上就完事了。如果不行的话,再退回到状态4,探索其他方案。
状态2是最容易解决的,已有三个方案,直接比较三个方案的可行性与预计效果即可。
当然,很有可能探索方案的过程不是一帆风顺的,而是一个:发现线索-验证-失败-再发现的循环,因此上述分析过程,可能会循环往复,开展多轮,直到结果让人满意为止(如下图)。
小结
长期以来,人们对分析工作有深深地误解,以为做分析的都是身穿道袍、脚踏祥云、仙风鹤骨的神仙,无需别人多言,只要掐指一算就能得出答案……似乎会分析的人是不需要做具体工作,不需要了解细节的。
恰恰相反!正儿八经的分析工作,恰恰是建立在非常细节的梳理问题,非常细致的梳理假设,非常详细的拆解标杆的基础之上的。
工作做得越细,收集的真实信息越多,越容易接近真相。工作做得如此之细,以至于不懂行的人会问“至于吗?有必要吗?我看差不多啦!”而很多优质的分析,正是建立在拒绝“差不多啦”之上的。
做分析的本质是建筑工,要一砖一瓦的打地基,不是算命师傅,切记切记。
然而在今天,还有另一个趋势,就是把算法当做神仙法器,总觉得只要输入几个简单的数据,法力无边的算法就能得出超牛逼的商业洞察……好吧。感兴趣的话,本篇集齐60在看,下一篇,我们来分享,算法到底是怎么在商业领域发挥作用的,敬请期待哦。
原创精选: