中国统计网

登录

首页

分类浏览

专题

专栏作者

问答

线下活动

企业招聘

app下载

投稿

注册




快速掌握麦肯锡的分析思维
头像 秦路 数据分析
数据分析

本文是如何七周成为数据分析师的第七篇教程,如果想要了解写作初衷,可以先行阅读七周指南。温馨提示:如果您已经熟悉分析思维,大可不必再看这篇文章,或只挑选部分。


今天学习第三周内容:如何锻炼分析思维


很多人的分析思维都是欠缺的,可它又在数据分析过程中无比重要,甚至它不限于数据领域,在产品和运营工作中也能用到。


数据分析属于分析思维的一个子类,有专门的数据方法论。只有先养成正确的分析思维,才能使用好数据。前者是今天讲述的重点。


思维训练不同于Excel函数和技巧。既然是思维,它就倾向于思考的方式,Excel函数学会了就是学会,分析则不同。大多数人的思维方式都依赖于生活和经验做出直觉性的判断,最直观的体现是,在数据和业务分析中呈无头苍蝇状态,无从下手。


想要有好的分析思维,乃至成为本能,需要不断训练和练习。


什么是好的分析思维?


我觉得用两张在网络上流传甚广的图片就能代表。


1.jpg


左右两种分析思维的分水岭在于逻辑性。我们看一下代表两种思维的场景。


我们12月的销售额度下降,我想是因为年终的影响,我问了几个销售员,他们都说年终生意不太好做,各家都收紧了财务预算,谈下的几家费用也比以前有缩水。我对他们进行了电话拜访,厂家都说经济不景气,希望我们价格方面再放宽点。


我们12月的销售额度下降,低于去年同期和今年平均值,可以排除掉大环境的因素。其中A地区下降幅度最大,间接影响了整体销售额。通过调查发现,A地区的市场因为竞争对手涌入,进行了低价销售策略。除此之外,B地区的经济发展低于预期发展,企业缩减投入。


第一个分析思维是依赖经验和直觉的线性思维,第二个分析思维则注重逻辑推导,属于结构化的思维。两种思维往往会导致不同的结果。


如果没有刻意训练,很多人的思维方式都倾向第一种,以“我觉得我认为”展开。经验主义虽然重要,但不正确的使用也会约束和限制我们。


好的分析思维可以后天训练。虽然不同人的逻辑性有差异,分析水平也有高低,但都能通过不断的练习和借助工具获得弥补。我们今天学习麦肯锡总结出的一套思维原则,快速达到合格的水平。



金字塔原理


麦肯锡思维中很重要的一条原理叫做金字塔原理,它的核心是层次化思考、逻辑化思考、结构化思考。


有一本同名书《金字塔原理》,有兴趣可以阅读。除了思考外,还有表达、写作等内容。


什么是金字塔?任何一件事情都有一个中心论点,中心论点可以划分成3~7个分论点,分论点又可以由3~7个论据支撑。层层拓展,这个结构由上至下呈金字塔状。




看一下运营中典型的金字塔思维:


我们活跃用户数在下降(中心论点),主要原因是竞争加剧(分论点),其次原因是新用户减少(分论点),老用户流失加快(分论点)。其中竞争加剧是因为竞争对手ABC出现(论据),新用户减少是ASO排名下降(论据)和渠道投入疲软(论据)造成,老用户流失是因为产品欠佳(论据)。我建议……


这是合格运营的结构化思考。如果你把它换成一名初级运营的思考方式:


Boss,我发现我们最近的ASO排名下降了不少,渠道投入也减少,导致用户数少了不少。对了,最近产品表现也欠佳,有几家模仿我们的竞争对手出现,对我们造成了影响。这个影响应该会让我们减少一些用户。我建议……


这一种表达方式就是有什么说什么,想到哪就是哪,接听者的思维方式被无序地牵着鼻子走,让人抓狂。


结构化思考我建议利用纸或思维导图工具画出来。我说过,人是依赖经验思考的,擅长的是线性思维:因为-所以-最终,不擅长深度的结构思考。思维导图是一个非常好的工具,擅加利用,已经完成一半。


(图片来源于网络,以《金字塔原理》的思维导图笔记作为范例)


结构化可以是三层,也可以拓展更多的分论点和层数。这一点大家想成我国语文教育中经典不衰的议论文作文模板:总-分-总结构(为什么作文要这样写,因为思路清晰,方便语文老师快速阅卷,用在思考是一样的道理)。金字塔思维则是总-分-再分。



MECE


金字塔原理有一个核心法则MECE,读作MeSee,全称Mutually Exclusive Collectively Exhaustive,中文意思是相互独立,完全穷尽。它指导我们如何搭建结构。


相互独立,说的是每个分论点彼此应该没有冲突和耦合,都属于独立的模块。完全穷尽,则是所有的分论点都被提出,不会有遗漏。这一点看上去容易,其实很难做到。


回到我们活跃数下降的例子,它提出了竞争加剧、新用户减少、老用户流失三个分论点。竞争加剧,竞争对手涌入,本来就意味着竞争对手会掠夺你的新用户,而ASO排名是非零和博弈,竞争对手上升你的排名就会下降,也造成新用户减少。两个分论点并不完全独立,违反了MECE法则。那么应该怎么分?


1.竞争对手出现:


竞争导致ASO排名下降


竞争对手掠夺了新用户


2.新增渠道疲软:


投入减少


3.老用户流失:


产品欠佳


如何划分分论点,我们可以用事物间的不同特性划分,它本质上也是一个分类问题,目的是找出事物(论点)之间的共性。



比如活跃下降可以从新老用户展开、可以从产品不同模块分析等等。分析思路不同,则分论点不同,核心依旧遵循MECE法则。当然很多分析结构已经有前人总结,属于套路,诸如运营的核心拉新促活留存。


结构强调的是穷尽,也就是越多越好,而随着分论点的增加,结构会更加复杂,不便于梳理和总结,所以分论点需要强调在3~7之间。


实际上我们很难真正做到穷尽,因为不了解的因素、隐藏的关键、信息不对称、经验等局限都会阻碍思维,做不到穷尽。如何找出尽可能多的分论点?这里列举我的心得,这不是麦肯锡方法。


你首先要找到一个万能公式。


绝大多数的商业项目、数据分析、业务讨论,都可以抽象成公式:


利润 = 销售额 - 成本;


销售额 = 购买人数 * 转化率 * 客单价;


购买人数 = 地区A购买人数+地区B购买人数+……


地区A购买人数 = 地区A新用户 + 地区A老用户;


此类公式均为小学难度,可很多分析项目就是能用公式化的思维和套路概括。因为项目本身是由三到四个核心因素决定,只要找到核心因素,就能将其组合。


接下来举一个具体问题:企业利润下降了,是什么原因?我们就能用公式分解出分论点。


是销售额下降了?还是成本上升?


如果是销售额下降,那么是购买人数少了?是客单价下降了?还是购买转化率降低?


以此类推,则能形成结构化的分析思路。


公式是一种思维框架,是一种经验导向的方法论,将你过去的经验总结和抽象,得到高度概括的因素。像利润这种都是再简单不过的商业理论,熟悉后就能快速使用。很多分析思维,在多年总结下,已经有成熟的解决方案。遇到问题,别急着画思维导图,不如先问问前辈和大牛们。经验会阻碍我们,经验也能帮助我们。


互联网行业的分析有点特殊,因为互联网的不确定性增加了。除了技术发展日新月异,用户需求不断改变,很多运营玩法也常常翻新。早几年标题党火爆,现在则注重内容价值的回归,曾经运营的核心是用户数,现在则是商业变现。这种快速变化导致分析思维也要有快速响应、学习和调整的能力。这方面,对互联网的分析是一种挑战。


对新人而言,很难一开始就掌握万能公式,但在具体的工作过程中,需要有意识的总结和提炼。另外分析中会有非量化的因素,比如团队士气、管理风格、员工忠诚度等。这是公式无法解决的缺点。



假设先行


MECE是思考活动的技术和艺术,首先得有一个思考作为开始。这是什么意思?因为金字塔是从上而下,需要有一个中心论点,也就是塔尖。


上文说过新人容易变无头苍蝇,就是缺少了一个塔尖、一个中心论点、一个下刀的地方。麦肯锡为了解决这个困扰,提出了假设先行的方法。


新人的缺点是什么?他们会以分析为乐,为分析而分析。试图找出一切关联、一切因素。如果我是新入行的产品经理,我会找出所有的竞品作分析,想产品的突破点在哪里。如果我是新入行的活动运营,我会试图分析所有的爆款活动,想一个完美的综合方案。可是结果真的能好吗?


上面的两个例子,很大可能,最终都停留在浅显的层次。因为没有方向,没有目标,也就无法深入。我们当中的大部分人都不善于批判自己的想法,缺少批判性思维。你连自己的想法都判断不了,怎么做出决策?


什么是假设先行?就是以假设作为思考的起点。我不需要做全局的思考,而是先问出一个问题,然后思考解决它:我这款产品的特点在A功能吗?这款产品对用户们很有吸引力吗?我的活动如何在朋友圈引发传播?怎么让用户在活动中更爽?


在做出假设后,引导思维去挖掘分论点,然后分析。比如我希望活动传播,我要考虑哪些人会传播,他们是因为利益引诱还是情感触动?传播的过程应该什么样,方便还是复杂?这样的分析思维,比堪堪想一个空中楼阁的完美方案靠谱多了。


不管问题形式是如何、是否还是能不能,只要作出了假设,就能用MECE原则画出金字塔结构。不要想着从无尽的业务和数据中找出规律,这叫大海捞针。这种根据问题作为中心论点形成的结构化思维,叫做问题树/逻辑树 Issue Tree。


可以通过搜索引擎图片查找Issue Tree或者问题树逻辑树,有很多案例,英文为佳。


(附图是维基百科中的IssueTree案例)


假设抽丝剥茧后的每一个论据都应该能用是或否回答。分析思维和数据分析不一样,数据分析追求数据的精确度,而分析思维不需要,只要能回答问题,是和否足够了。


假设会被否定或者拒绝,我认为产品对用户有吸引力,但是最后所有的论据,包括留存率、用户使用时长、功能使用率、用户评价都是否定,那么吸引力也就不成立,此时应该修改假设:产品的某一方面有问题,然后继续画新的问题树。


不要害怕修正错误的假设,不要寻找事实强撑错误的假设。



关键驱动因素


接下来谈剪枝。MECE虽然能画出详尽的结构,但不意味着我们要全部分析。维基百科案例中的IssueTree,有些分论点层层展开,有些分论点就嘎然而止。很多论点我们没有深入必要,需要对这部分论点论据舍弃,目的是找出关键驱动因素。


关键驱动因素是分析的核心,应该聚焦于这些因素,不然你会有数不完的因素要分析。如果一家企业成本的关键因素是地租、房租,那么就不应该深入分析办公用品成本,否则你分析出这个月公司厕纸成本上升了50%,是因为我们CEO吃坏肚子上了很多次厕所,你信不信被揍死?


麦肯锡有句名言:不要妄想烧干大海。就是指不要试图对所有因素分析,尤其在数据证明的过程,非常费苦功。


企业利润的关键驱动因素是利润和成本,用户吸引力的关键驱动因素是留存率。利润和成本还能再找出其中的细分关键因素,留存率也一样。这才是我们要的。


一旦找到关键驱动因素,可以基于此展开数据调研、取证、分析和结论,而不是对所有问题树开展。为什么需要围绕关键驱动因素?这里有一个新的核心法则,大名鼎鼎。


二八法则!


在任何一组东西中,最重要的只占其中一小部分,约20%,其余80%尽管是多数,却是次要的。80%的成绩,归功于20%的努力;市场上80%的产品可能是20%的企业生产的;20%的顾客可能给商家带来80%的利润……


既然如此,为何要分析无关紧要的因素?问题树也遵循这一法则,20%的分析过程将决定80%的分析结果。


不论你分析企业的利润、还是用户的活跃,只要抓住关键即可。因为一款内容产品,80%的内容一定由核心用户提供;一款电商产品,80%的GMV一定是少部分买买买用户下单。围绕核心关键因素展开的数据分析,是最有效果的。


需要了解的方式方法到这里结束了,如果对麦肯锡其他方法感兴趣,可以业务时间再学习。


诚然,人的天性不适合结构化思维,有时候会因为压力、紧张、时间紧迫等因素忘记使用,我也偶尔犯错。可是要想有优秀的分析思维,还是需要通过不断的训练强化成本能。日常生活中处处皆可练习:这条道路的人流情况如何;那家汉堡店每天都赚多少钱……画出一百张思维导图,快则一个月,慢则半年,肯定长足进步。咨询相关的Case Book也有帮助。


现在我们来理一下分析思维的思路:


提出假设—MECE原则(万能公式)—结构化分析—找出关键驱动因素—数据分析


通过一道练习题回顾一下吧,这是以前针对实习生出的面试题:假设你是一位商业经理,现在有一家中型商场,我希望你对它的经营状况作出分析,你会从哪几个角度展开,列出你的框架。


既然是针对经营状况作分析,那么核心希望肯定是提高经营,先行假设就是如何提高经营状况。我们用MECE画出问题树。


先找到万能公式,上文提到过,绝大多数商业活动,都是利润和成本的平衡。


经营 = 利润-成本


我们可以通过提高利润,降低成本作为两个分论点展开。我们再考虑有哪些利润,无非是商场各类产品和服务的售卖。它又能拆解出几个公式。


利润 = 人流 * 转化率 * 客单价


不同的产品和服务各有不同,人流是固定的,而转化率因为商场的不同产品和服务会划分成ABC的差异。


利润 = 人流*(A转化率*A客单价+B转化率*B客单价……)


成本则考虑房租、资产折旧、人员工资等。是否需要考虑商场贩卖的产品成本?需要的,但是不应该放在这里,因为要遵循MECE原则的完全独立,利润中的客单价已经包含产品这类成本,所以应该归类到利润下。


再进行深度的结构划分,比如人流各楼层不同,一楼人气最旺,然后依次衰减,那么结构中能不能体现?还有其他分论点吗?都能想想。之后找出问题树的关键驱动因素,并且思考如何提高。


这是一道开放的分析思维题,答案并不固定。我也并不要求商业知识和商场管理知识多严谨,考察的是能否通过生活中随处可见的商场,通过自己思维去抽象出一套框架。


再来一道思考题,是网络上的淘宝数据分析师面试题


你是淘宝的数据分析师,现在需要你预估双十一的销量,你不能获得双十一当天和之前的所有数据。只能获得11月12日开始的数据,你应该如何预估?


欢迎大家思考,想做分析师的同学也能动笔练习。可以在底下留言,也可以发送给我思维导图的截图,后期会综合大家答案,给出相应解答(我也木有标准答案)。


下篇文章,将展开数据分析思维。


End.


作者:秦路 (中国统计网特邀认证作者)


本文为中国统计网原创文章,需要转载请联系中国统计网(小编微信:itongjilove),转载时请注明作者及出处,并保留本文链接。

我要评论
验证码
  • 0
暂无评论

关注公众号

中国统计网微信公众号

微信公众号:cntongji

今日热议

专栏作者

  • 数据海洋
    统计网特邀认证作者
    数据应用的实践者!
  • 傅一平
    统计网特邀认证作者
    浙江移动大数据中心 数据管理部经理 博士 毕业于浙江大学 10多年数据从业经验,专注于大数据采集、处理、建模、管理、变现及产业等研究
  • tommy
    统计网特邀认证作者
    数据落地应用探索者
  • 张溪梦
    统计网特邀认证作者
    GrowingIO创始人&CEO,前LinkedIn商务分析总监
  • 黄成明
    统计网特邀认证作者
    黄成明 ,零售数据分析研究者,拥有15年的销售及数据分析经验,历经美国强生公司、妮维雅公司、雅芳公司和鼎盛时期的诺基亚公司。目前是数据化管理的咨询顾问和培训师。他独立研发了基于周销售权重指数的零售管理模型,可以有效地进行目标管理、销售预测、客流预估、促销评估、销售预警等。
  • 桑文锋
    统计网特邀认证作者
    神策数据创始人 & CEO,出身于百度大数据部。
立即下载
版权所有: 统计网. Copyright © 2016 itongji.cn All Rights Reserved. 备案号:ICP备15042641号-3