本文作者 | 经韬纬略智库
全文 8729 字
“切”问题是结构化分析问题的核心
在完成第一步“定义问题”之后，紧接着是对确认好的问题进行结构化分析（见图-1）。
图-1 第二步：结构化分析
“切”问题分为4种主要的方法：子目录列举法、公式法、流程法和逻辑框架法。不管是对名词还是对问题进行结构化拆分，遵循的原则都是MECE原则，并没有本质差别。
分析问题要小心逻辑陷阱
除了前文阐述的“切”分、MECE原则和各种单维或多维图谱，结构化分析还要求培养严谨的思维逻辑。
逻辑是结构化分析的必备基础，就算把问题“切”得再好，还是需要通顺而严谨的逻辑来连接。这里介绍几个关于逻辑的基础概念和常犯的一些逻辑错误。
一、归纳法与演绎法
当有部分事实依据时，我们习惯用推理得出初步结论。归纳法和演绎法就是推理的基本方法。
归纳法是从“个别”上升到“一般”的方法，即从个别事实中提炼、概括出一般的原理。演绎法是从“一般”到“个别”的方法，即从一般原理推理出个别具体的结论。
从定义中可看出，归纳法和演绎法是方向相反的两种逻辑推理方法，但两者又互相依赖、互相渗透、互相促进（见表-1）。归纳法通常是演绎法的基础，作为演绎法出发点的一般原理往往是通过归纳法得来的；演绎法是归纳法的前提，为归纳法提供理论指导和论证。
表-1 归纳法和演绎法的逻辑对比
例如：我们看到的第一只乌鸦是黑色的，看到第二只乌鸦也是黑色的，直到看到的第N只也是黑色的。后来发现，没有见过其他颜色的乌鸦。因此，我们总结：乌鸦都是黑色的。
这是归纳法。
古人云：“天下乌鸦一般黑。”学会了这条规则之后，有人说路上见到一只乌鸦，不用去看也可以推断这只乌鸦是黑色的。
这是演绎法。
归纳法不是严谨的科学逻辑，一般使用归纳法时面对的都是理解能力较强的听众，而且谈论的大多是公认的不太会产生异议的观点。在这种情况下，粗枝大叶的归纳法可以勉强过关。我们再讲一个与第二次世界大战有关的故事，因为“德国军队在法国诺曼底集结”“英国军队到了诺曼底的海峡对岸”“美国军队也到了诺曼底”，所以“诺曼底战役即将打响”。听众已经知道“诺曼底登陆”是第二次世界大战中的著名战役，也就认可了叙述中的归纳逻辑，不会产生强烈的反应。
归纳法容易产生明显的逻辑漏洞。在有限的资源情况下，我们永远无法查看所有可能的个例。选择性地或不成比例地罗列某种情形，归纳法就容易成为误导的工具。比如，某只股票在过去一年表现一直很不稳定，股价上涨的天数和下跌的天数基本持平，综合表现也很平庸。但是分析师完全可以选择性地罗列股价上升的时间节点，粉饰出股票上涨的趋势。类似的以偏概全、经不起推敲的逻辑在现实生活中并不鲜见。
然而，演绎法是自上而下的，也就是从公理推出个体的判断，比归纳法更加严谨和科学。演绎逻辑的基本公式包括以下几种（见图-2），可以用一个通俗的例子表示。
MP：如果是乌鸦，就都是黑色的。这只鸟是乌鸦，所以这只鸟是黑色的。
MT：如果是乌鸦，就都是黑色的。这只鸟不是黑色的，所以这只鸟不是乌鸦。
图-2 演绎逻辑经典公式
在以上两个基础模型上还有许多变化，比如命题演算分离规则MP就可增强成多重命题演算规则MMP。如图-3所示，在推演的链条上，MMP加了一环。还用乌鸦的例子，MMP就是，如果是乌鸦，就都是黑色的；如果是黑色的，都不吉利。所以，乌鸦不吉利。
图-3 多重命题演算规则MMP
这些都是符合逻辑的正确演绎法推理。不像归纳法本身就有出现纰漏的可能性，演绎法的错误不在于逻辑推理自身的漏洞，而往往出现在应用层面。具体示例如下。
典型的MP逻辑错误：如果是乌鸦，就都是黑色的。这只鸟是黑色的，所以它是乌鸦。
这个错误把MP逻辑公式的第二段Q和P的位置用反了。用成了以下的错误模型：如果P，就Q；是Q，因此P（正确的推理应该是“P，因此Q”）。
通常，严谨的商务逻辑推理是用归纳法生成假设，然后仔细科学地验证。只有假设验证成为公理，才能用演绎法来推导对具体个体的判断。
值得一提的是，有些文化重视归纳法，善于总结规律，然而，只有归纳法是远远不够的。只有反复验证并用实验科学的原则来证实，才能成为科学推理的坚实基础。
二、相关关系与因果关系
在逻辑推理中，人们常常混淆相关关系（correlation）与因果关系（causation），很多错误因此而生，这里详细讨论一下它们的定义、用途和局限性。
1.定义
某一事物不论是好的还是坏的，只要发生就一定会与某些人或物发生关系。这种关系包含不确定性，只要存在直接或间接的关联，就说明两个事物具有相关关系。从确定性来讲，因果关系比相关关系更明确。因果关系意指有某些事物发生作为起因就一定会有某些结果的发生。
相关关系起初是统计学上的一个概念，是指一个变量变化的同时，另一个变量也会随之发生变化，但不能确定一个变量变化是不是另一个变量变化的原因。比如刮风和下雨通常一起发生，两者有很强的相关性，但不能肯定是谁导致了谁，所以不确定两者是否存在因果关系。
2.相关关系在商业应用中贡献巨大
在大数据和AI无处不在的今天，数据科学家对相关关系有了全新的认识和发现，尤其最近几十年，相关关系成为大数据计算的核心算法之一，在市场营销等商业实践中备受追捧。
正如大数据先驱舍恩伯格所说：“知道人们为什么对这些信息（因果）感兴趣可能是有用的，但这个问题目前并不是很重要。但是，知道‘是什么’（相关性）却可以创造点击率。”大数据分析可以在完全不考虑因果关系的情况下，通过数据点的相关性和其他规律，精准地给出对下一个购买行为的预测分析。
人类大脑和计算机算法之间的人机大战的里程碑战役，发生在21世纪初美国亚马逊公司。如今，图书购买推荐已经成为电商营销必备的工具之一。然而，在2000年左右，亚马逊的图书销售依然十分依赖于辛勤的编辑人员的人工判断和推荐。当相关性数据预测分析的程序出现时，亚马逊公司决定让编辑团队和计算机程序做个并行的比拼。结果大出人们的预料，当时尚属初级且没有海量数据修正过的分析程序在半年内就“完胜”亚马逊公司信心满满的编辑团队。
另一个相关关系的经典案例是美国零售大户Target曾经利用消费者购买数据判断女性消费者的怀孕状态，并通过推送婴儿用品广告等方式进行精准市场营销。不巧的是，某次推荐的消费者是一位未成年女性，而她的父母并不知道她已经怀孕。她的父母在不知情的情况下愤怒地把Target公司告上法院，状告商家滥用市场营销的手段骚扰他们家未成年的女儿。当然，后来水落石出，家里未成年的女儿的确怀孕了，这个事件也成了大数据精准营销的极具戏剧性的公关样板。
对企业来说，相关关系大数据算法并不是什么高深莫测的高科技。以Target为例，商家会员卡系统记录了大部分消费者的购物数据并用这些数据分析消费者的购买习惯，通过系列相关性分析进行客户画像分析。如果发现女性消费者突然改变自己的消费习惯并开始新的消费行为，如购买无香的身体乳液，购买一系列如钙、镁和碘等维生素，购买育儿图书或杂志，或者注册了孩子的礼物名单等，商家内部客户管理系统（CRM）就会提升所谓“怀孕预测指数”。一旦指数达到设定标准，公司就会为此类消费者打上标签，并向这类消费者按不同孕期阶段进行促销，一次推送多达20多种孕期产品的介绍或样品。
随着5G时代的到来、物联网的普及、计算机运算速度的提升和成本的降低，相关关系在商业上应用的速度、普及率和准确率都会提升。商家不必纠结“因果”，仅用相关关系就可预测大部分市场营销的需求。比如，美国零售门店经理们只需要知道每逢超级碗（Super Bowl）橄榄球决赛的时候，啤酒和尿不湿会同时卖得好，到那时把这两种货品并列摆放在门口就能卖得更多；每当飓风来临之前，数据告诉我们美式甜饼总会热销，一定要把甜饼备足以保证销售。更多商家直接找来大数据专家用各种算法来挖掘数据，深度分析后更高效地预测消费者下一次购买的行为，立竿见影地提高销售量。
3.因果关系需要严格而烦琐的验证
相对“相关关系”的认知，推导“因果关系”就复杂得多，需要相当的投入才能做到。
最简单的因果关系验证实验需要以下4种可能性矩阵来收集数据（见表-2）。
表-2 实验结果的四种不同组合
●原因出现，结果出现（a个案例）；
●原因出现，结果未出现（b个案例）；
●原因未出现，结果出现（c个案例）；
●原因未出现，结果未出现（d个案例）。
能严格地控制其他因素，即去掉混淆变量，并把这四套数据收集齐全已经是相当大的挑战了。但是要真正确认因果关系，还要用以下的数学公式来验证。
如果ΔP的值是零，则完全无相关性；如果ΔP的值是正数，则值越大（总实验次数为上限），因果关系越强；如果ΔP的值是负值，则说明此原因有抑制结果产生的功效。
可以试着套用几个数值来尝试应用这个公式。假设我们做了200次实验，其中100次有原因出现，这时有80次出现了期待的结果，20次没有出现。另外100次实验没有这种原因出现，有80次出现了期待的结果，20次没有出现。
现在套用公式：
在200个实验基数上，认定这个特定的原因与结果的出现并无因果关系。这也与观察预判相一致。大家不妨尝试不同的数字组合，观察ΔP的值的变化，并根据ΔP的值推算因果关系的强弱。
在现实生活中，人们面对的往往是更复杂、更难隔离原因因素的场景，比如球队是否赢球就有球队能力、球员动力和俱乐部资源等内部因素的差异，还有对手、天气、运气等外部和不可控因素。不管多么复杂的场景，思辨者都要意识到因果关系的严格要求，摒弃“人云亦云”的惯性思维，认真审视周边“约定俗成”的关于因果关系的定论，并尽可能地利用数据和逻辑得出自己的结论。
4.后知后觉的因果关系
在很多时候，因果关系是人们后知后觉，从不可逆的灾难性后果中发现的。渡渡鸟（见图-4）的灭绝和卡伐利亚树就是这样的例子。
图-4 渡渡鸟
渡渡鸟原产于毛里求斯，世界上最后一只渡渡鸟死于1681年。毛里求斯坐落在靠近非洲马达加斯加岛的印度洋上，岛上有一种名叫卡伐利亚树的植物。这种树是毛里求斯岛上一种高大的热带乔木，树高可达30米，树围4米多，是岛上特有的著名树种。渡渡鸟灭绝后，卡伐利亚树这一似乎与渡渡鸟毫不相关的物种也濒临灭绝，让人们忍不住思考其中的联系。
20世纪，美国动物学教授斯坦雷·坦布尔在岛上对卡伐利亚树做了几个月的深入研究之后，惊奇地发现：尽管这种树年年开花、结果，但竟没有一颗种子发芽，而且似乎已经有几百年没有发过芽了。坦布尔教授最终发现卡伐利亚树果核的发芽依赖于渡渡鸟的肠胃来磨薄果实坚实的外壳。因为渡渡鸟的灭绝，卡伐利亚树果实外壳再也不会被磨薄，导致其种子不会发芽，卡伐利亚树也因此近乎灭绝。
从逻辑上说，渡渡鸟的灭绝“导致”了卡伐利亚树的濒临灭绝，二者具有因果关系。如果人类当年放过渡渡鸟，或许现在就有机会挽救这种濒临灭绝的树木。
5. 因果关系与相关关系混为一谈的谬误
误把相关关系当作因果关系是一种常见的逻辑谬误。
在这里，我分享一个数据科学家们津津乐道的“鲨鱼爱草莓”的故事。据说，这个故事发生在美国佛罗里达州度假胜地的海滩上。这个海滩附近的水域每年都有鲨鱼出没，有时鲨鱼会攻击在海里游泳的人，对人造成程度不同的伤害。数据专家在整理当地鲨鱼攻击次数的数据时惊奇地发现了一个规律：在草莓味冰激凌卖得好的日子，鲨鱼的攻击案例也多了起来。数据一出，大家纷纷猜测其中的原因。有人大胆推测，或许是因为海里的鲨鱼喜欢吃草莓，所以吃了草莓味冰激凌的游泳者更容易受到攻击。
推导出来的结论很滑稽。鲨鱼不可能因为草莓味而攻击人类，但推理中的问题到底在哪儿呢？鲨鱼爱草莓的例子是典型的把相关关系误认为是因果关系的案例。真相是，天热的时候，沙滩上和海里的人比较多，而人多直接使草莓冰激凌的售卖量增多，鲨鱼袭击人类的案件也相应增多。草莓冰激凌的热卖与鲨鱼袭击案件增多虽然同时发生，但它们之间只具有相关关系，而不是因果关系，它们是由同一原因，也就是“天热”造成的。
在现实生活中，有很多因果关系和相关关系混淆的情形。美国著名的经济学家托马斯说过：“统计学教科书里教的第一件事就是相关关系而不是因果关系，但这个定律总是第一个被大家忘掉。”比如，我们出门见到喜鹊，然后捡到了100元，就会自然地把喜鹊和好运当作因果关系的连接。由于“确认偏误”[2]等认知误区，只要我们见到喜鹊并且发生任何好事都会强化对这种错误因果关系的确信，而往往忽略相反的事件。
在认知过程中，大脑会惯性地探究事件之间的关联，这是人类学习的本能，但大脑有时也会“想当然”地虚构因果关系。这也是前面提到的快速思考的一种体现。
比如下面的三个陈述：“小明的爸爸参加家长会”“老师迟到了”和“小明的爸爸很生气”。在我们脑海里会马上推出一个自己想象出来的因果关系：因为老师迟到，所以小明的爸爸很生气。其实，这些相关的事实并不一定存在因果关系。也许小明的爸爸是因为小明的成绩差而生气呢？
再比如，我心爱的棒球队芝加哥小熊队有个“被比利山羊诅咒”的传说（见图-5）。小熊队的粉丝普遍相信因为这个诅咒，球队几十年没有获得冠军。
图-5 比利山羊的诅咒
事情发生在1945年。芝加哥小熊队的一个铁杆粉丝——当地“比利山羊”酒馆的老板比利高价买了两张票去看美国职业棒球大联盟决赛：一张给自己，一张给心爱的宠物山羊墨菲。
在决赛第4场的时候，不知道从哪儿里冒出来一位较真的管理员，认定山羊的臭味会影响他人观看比赛，赛程进行到一半时，这位管理员责令保安把比利和他的宠物山羊墨菲赶出赛场。比利非常不满，嘀咕了一句“小熊队不会再赢”。凑巧的是，小熊队输掉了那场比赛。
赛后，比利不依不饶地发了封电报给球队老板说：“看看现在谁更臭！”意思是我的山羊墨菲再臭也没有你的球队臭。这封电报登上了报纸的头条。之后小熊队还真配合，几十年如一日地输球，每次失败，大家都认为是因为“比利山羊的诅咒”。这个“诅咒”居然持续了71年，直到2016年，芝加哥小熊队才获得了美国职业棒球大联盟的总冠军。
“比利山羊的诅咒”就是典型的因果关系谬误。即使没有被“诅咒”的球队也有很久没获得冠军的。比如克里夫兰印第安人队（Cleveland Indians）有65年没有获得冠军，德州游骑兵队（Texas Rangers）和休斯敦太空人队（Houston Astros）也有50多年没有获得冠军。但人们还是愿意相信诅咒的存在，可能因为它更有戏剧性、更生动、更有趣吧。
在心理学专著《因果幻觉》中，美国心理学家赫勒纳（Helena）指出：“就像视觉幻象一样，因果幻觉会在常见的情形下发生在任何人的身上。科学的思考方法是防止因果幻觉的最好途径，但科学的思考方法不是本能的反应，而是需要被教授的技能。”赫勒纳提到的“科学的思考方法”与结构化战略思维相辅相成，同属于慢速思考的理性思维。
在大数据时代，相关关系的确给我们提供了很多增加收益、降低成本的方法。但相关关系是相对不稳定且易变的，只有通过因果关系才能找到事件发生的真正诱因，人们才可能通过相应的举措助力或抑制诱因的产生，从而达到期盼的结果。
渡渡鸟的故事告诉我们，对因果关系的无知会带来不可逆的灾难。思辨者要认识到相关关系的功用，但又不只满足于短期的功能性获利，要努力探究纷繁复杂事件背后的因果关系。因为只有这样，才能清晰地认知并为引领这个VUCA时代做好准备。
规避分析问题的误区
“切”也就是结构化分析，是思辨者至关重要的基本功。
在讨论初期，思辨者输入的只是讨论结构（逻辑树），公司管理者输入的则是专业知识、实践经验和其他相关信息。随着话题的深入和对公司业务了解的加强，我们可以提供更多框架之外的增值服务。同时，我们要意识到“切”的局限和常见误区，在实践中有意识地加以规避。
维度切分是把利器，用到极致可以直接分解、简化问题，然后再深“挖”，也就是沿着上一层每个支点再度切分，直至从更深层次、更全面地揭示问题的实质。然而，维度和眼睛的视角十分相似，当眼睛聚焦并看清楚局部细节的时候，其他的可视内容总会被弱化和虚化，甚至被隐藏。维度切分也是如此。因此，我们在应用时一定要意识到“切”存在盲区，并要通过更多维度的切分等方法努力减轻或避免盲区。
只靠单一维度切分而简单粗暴地推导出结论是十分危险的。
下面用几个实战的例子解释一下单一维度切分的局限性和多维度分析的必要性。
先了解一下切分中单一维度的局限性。以“切”名词为例。切“人”这个品类的时候，用性别维度可切分成“男人”和“女人”。性别维度是单一维度，如此切分，可以辨别数据中男女性别特征。可是如果只停留在性别维度，其他属性就被隐藏了，比如年龄、职业、地域等。如果在客户调研时，只采用性别单一维度，不管性别数据多么齐全和精准，推演出的商业举措都会受限于这个单一维度，导致调研结论以偏概全。其他的相关核心维度（如年龄和地域等）就无法从数据中看到。
如前所述，手机厂家V品牌的核心用户画像是“二三线城市年轻女性”的案例就是个很好的三维度细分组合的结果。而这种精准客户画像判断往往是基于多维度的数据打点、收集、分析和筛选而产生的。为了准确地提炼出这3个相关维度，V品牌的市场人员收集了十几个相关维度，如职业、收入水平等，并进行了细致的数据分析。
再举一个实战案例解释“切”中盲区的风险，同时也再次体系化地演示“切”的具体应用和在实战中的一些变通。
我曾应世界500强的一家医疗设备公司邀请到新加坡做公司亚太产品战略项目。客户当时准备将拳头产品——医疗设备和服务规模化销售到中国医院体系，请我协助制定进入中国市场的战略及落地规划。客户的主要负责人、亚太区的首席技术官（Chief Technology Officer，CTO），在项目开始时布置了一个小调研任务，要求我们4人的团队一周内调研并总结出中国医院正在发生的十大科技潮流。
“中国医院正在发生的十大科技潮流”这个问题很明确，问题内容也与我们要做的市场进入战略正相关。团队接到任务后马上开始头脑风暴。既然问题定义清楚，大家就全力聚焦“切”这个问题，旨在快速生成初步的调研思路，以便在团队飞出去做实地调研之前能与客户做初步的方向性的讨论并得到客户认可，而且团队也需要统一思路和调研方法来指引具体的实地调研。
“切”问题总要找个维度的抓手。讨论开始时，我们先把“切”医院的维度根据MECE原则穷尽了一下。用地域、规模、级别、所有制、业务范围等维度“切”了很多刀，比如一线vs二线城市医院、专科vs综合医院、三甲vs二乙医院等。但是，团队很快就发现这种子目录列举法切分的弊端：问题没有被深化。细分后的医院大多拥有相似的科技潮流，这就造成了切分并没有深化对问题的理解，也就是说没有分解出新的细节或带来洞见。
团队马上转变打法，用流程法拆解，更适合分解医院科技潮流的场景。团队从病患的视角分析病患与医院的关键触点，并为这种分析起了一个高大上的名字——“病患触点”（见图-6）。
图-6 “病患触点”流程
“病患触点”基本还原了病患患病后寻找医院开始到痊愈的主要流程。“病患触点”这个切法对比之前子目录列举法的优势十分明显：科技潮流的问题被更加深入地切分了，新细节信息在流程法的切分下纷纷显示了出来。在这个整体结构的每个流程节点，都可以更细致、更有针对性地讨论可能存在的科技潮流。比如，在挂号这个节点就可能有电子病历卡（EHR）、网上挂号、电子排号机等高科技应用，问诊环节也会有如医生移动端应用、远程医疗、电子病历、助诊系统等假设。
聪明的读者会质疑，说这个分法并没有遵循MECE原则，比如病患在治疗中“死亡”怎么办？病人“死亡”并没有被这个图谱覆盖。不得不承认，这个疑问是合理的，但这次切分的初衷是确认调研方法框架，因此采取80/20“抓大放小”原则对最常见主流程进行分解。“死亡”这类不常见分支流程可以留到下一阶段对框架进行充实和修订时再做斟酌。
因为时间压力很大，当时团队有“病患触点”框架在手就马上与客户公司的CTO就调研方向和结构框架进行沟通。在仔细听取了我们“病患触点”框架后，CTO先是客套地表示了对我们工作效率的肯定，然后压低声音抛出了那个重量级的词汇：但是。
CTO进一步解释说，除了医疗设备，公司还有个医院管理系统（Hospital Management System，HMS）应用软件产品也包含在这个项目范畴中，而在我们提出的“病患触点”框架里，这个医院管理系统是看不到的！原因在于这个HMS的用户只限于医院的内部员工和IT人员，从普通病患的视角根本接触不到这个系统。
仅用了一个特例，而且只需要一个特例，就全线击垮了“病患触点”逻辑的全面性。也就是说，我们的病患视角不能看到所有公司的解决方案，违背了MECE原则“穷尽所有可能”的要求。核心的问题在于病患视角限制了调研的覆盖面，从而导致了一个重要产品医院管理系统没有被包含在调研的范围内。
也就是说，实地调研在设计层面就是有瑕疵的。不管我们的团队多么努力，都永远不会问到关于HMS的问题。后果极其严重。所谓“病患触点”，本质上是一类特定人群的视角。如前所述，用性别“切”人类，把人类分成“男性”和“女性”两类却看不到职业、地域等维度，仅用病患的单个视角切分医院的流程就会限制观察的广度，在此单个视角的基础上遗漏就很容易发生。
了解到视角的局限性之后，团队马上开始第二轮头脑风暴。这次风暴有侧重地聚焦：除病患之外，医院还有哪些核心人群的视角必须予以重视。医院核心人群无非是医生、管理人员和CTO等。接着就用列举法把CTO和医生能看到的产品和服务罗列出来，医院管理系统就被包含在内了。当天，团队把从“病患”“医生”和“CTO”3个视角输出的调研结构再次呈现给客户的时候，客户肯定了框架的深度和广度，为下一步调研开了“绿灯”。
回顾一下这个医院科技的案例：项目刚开始的时候，团队只用“病患触点”单一流程来“切”问题，在“结构化分析”这一步就存在疏漏，如果不及时修正，后果就会很严重。这个“触点”专用名称听着的确酷炫，但从单一维度/视角“切”科技潮流永远无法真正覆盖所有相关医疗设备和系统。如果没有客户及时的反馈和我们在解决方案结构上的修正，那么不仅一周后的交付物不合格，还会造成时间等资源不可逆的浪费。
“选择比努力重要”，在项目初期制定调研方向的时候，也就是结构化分析问题的环节，一定要意识到并努力克服维度切分中的局限。
以上内容摘自《麦肯锡结构化战略思维》
《麦肯锡结构化战略思维》体系化地从思考、交流到实施全流程，介绍了结构化战略思维，拆解了其方法论，着重讲了“结构化思维4大原则”“新麦肯锡5步法”和“培养结构化战略思维需要养成的10个习惯”，同时把12个知识要点用图解的方式做了直观呈现，以帮助我们学习并掌握“自上而下”的结构化战略思维方式和方法，让我们在复杂、多变、模糊而不确定的时代冲破专业与经验的禁锢，以数字和逻辑为工具，自信地面对和分解任何问题与挑战，并能提出有创造性的解决方案，逐渐成长为解决问题的高手。
戳这里打包带走☞《麦肯锡结构化战略思维》