思考与分析问题时可用的框架
66 法则
所谓的“66 法则”是指一种观察事物的方法。当我们观察某种事物时,需要从“谁/什么?” 、 “有多少?” 、 “在哪里?” 、 “什么时候?” 、 “怎么样?”和“为什么?”6 个角度理解。准确回答这 6 个问题,说明我们真正将一个事物观察到位了,而只有将一个问题观察透彻了,才能开始准确地分析问题。
SQVID 原则
“SQVID” 这么个高大上的名字又指什么呢?它其实是 “简单/精细 (simple/specific) ” “定性 / 量 化 ( qualitative/quantization ) ” “ 愿 景 / 执 行 ( vision/validate ) ” “ 个 别 / 对 比(individual/compare) ” 、 “变化/现状(delta/status) ” 。SQVID 实质上是指导我们在用 66 法则观察完问题后,如何将每个问题都分析清楚,并采用可视化的方式表现出来。在 SQVID 中,每组相对的概念都需要在遇到具体问题时进行选择。
麦肯锡的“七步成诗”
第 1 步:清晰地陈述要解决的问题
首先,问题是具体存在的
如何分辨一个问题是具体的还是笼统的?
第一种角度是看有没有量化指标的反应
第二种角度是看提问人是少数的还是多数的
第三种角度是看该问题能否转化成某种可验证的假设
其次,问题需要可执行。清晰的问题必须是能通过某些方式解决的。
第 2 步:使用逻辑树来分解问题
在构建逻辑树时,我们遵循 MECE 原则(Mutually Exclusive C ollectively E xhaustive) ,即完全独立和穷尽。
逻辑树可以分为两类
一类是分解陈述型, 即把大的问题分成小的部分,每个小部分都能影响整体,但仍然是一个较为复杂的问题,有继续细分的可能。
另一类是推论型,或者称为提问型,当问题分解得足够细时,大问题就转化为一系列“是”和“否”可以回答的问题。当答案明确在“是”或者“否”上以后,陈述型的问题又能重新开始循环。
经常出现的两种迷失的情况: (1)细分到具体的问题后,发现都不再是自己职责范围内的事情,逻辑树过程成为了自我推脱责任的过程。 (2)觉得具体的细分问题与主问题失去了联系,或者说它的改变会受到多重因素的影响,不确定做了之后能够影响主问题。
第 3 步:淘汰非关键的问题
所谓 20/80 法则就是,找到那些数量上只占 20%,影响力却是 80%的重点问题。
问一下自己“不做会不会死?”
构筑“紧急—重要矩阵” ,将细分问题归纳到四个象限中
第 4 步:制定详细的工作计划
经历了陈述问题、 分解问题和筛选问题后, 我们都有了清晰的事务型目标, 由此形成 “to do list”就可以了。需要强调的是,每个“to do”都必须有负责人和截止时间。
第 5 步:进行关键分析
关键分析包含了定性分析与定量分析。定性分析,我们对答案的精度要求较低,只要得到正向的或负向的结果即可, 但这个环节极其考验逻辑思维能力。 定量分析就是数据分析大展拳脚的地方了。
第 6 步:综合分析结果,建立论证
我们要寻找到一条逻辑主线,将各个分散的结论和信息进行组合。
第一种结论的组织形式是“累加型” ,形如“Y=A+B+C+D” 。
第二种形式称为“传导型” ,形如“A>B>C>D,A>D”
第三种形式是“金字塔形” 。主要结论由子论点构成,子论点又由更小的论点支撑,最小的论点的构成形式是不同的,也许是“累加型” ,也许是“传导型” ,也许是其他。
第四种形式是“是非选择型” 。它采用了是和否的层层递进的关系。
第 7 步:写一个精彩的故事来打动决策者
数据化运营的思维方式
信度与效度思维
所谓信度,是指一个数据或指标自身的可靠程度,包括准确性和稳定性。
所谓效度,是指一个数据或指标的生成,需贴合它所要衡量的事物,即指标的变化能够代表该事物的变化。
平衡思维
在数据分析的过程中,需要经常寻找事情间的平衡关系,且平衡关系往往是关乎企业运转的大问题,如市场的供需关系,薪资与效率关系,工作时长与错误率的关系等。
分类思维
客户分群、产品归类、市场分级、绩效评价等许多事情都需要有分类的思维。
关键点在于,分类后的事物需要在核心关键指标上能拉开距离!也就是说,分类后的结果必须是显著的。如图 4-59 所示,横轴和纵轴往往是你运营中关注的核心指标(当然不限于二维) ,而你能看到分类后的对象分布不是随机的,而是有显著的集群的倾向。
矩阵思维
管道/漏斗思维
以作者的经验, 漏斗的环节不该超过 5 个, 且漏斗中各环节的百分比数值、量级不要超过 100 倍(漏斗第一个环节从 100%开始,到最后一个环节的转化率数值不要低于 1%) 。若超过了这两个数值标准,建议分为多个漏斗进行观察。
相关思维
远近度思维
确定好核心问题后,分析其他业务问题与该核心问题的远近程度,由近及远,有计划地分配自己的精力。
逻辑树思维
逻辑树引申到算法领域就是决策树。有个关键点是何时做出决策(判断) 。当进行分叉时,往往会选择差别最大的一个维度进行拆分,若差别不够大,则这个枝芽就不再细分。能够产生显著差别的节点会被保留,并继续细分,直到分不出差别为止。经过这个过程,我们就能找出影响指标变化的因素。
时间序列思维
时间序列的思维有三个关键点:一是距今越近的时间点,越要重视(在图 4-65 中用颜色的深浅度表示,越近期发生的事,越有可能再次发生) ;二是要做同比(用箭头指示,指标往往存在某些周期性, 需要在周期中的同一阶段进行对比才有意义) ; 三是异常值出现时,必须重视(比如出现了历史最低值或历史最高值,建议在时间序列作图时,添加平均值线和平均值加减一倍或两倍标准差线,便于观察异常值) 。
时间序列思维有一个子概念不得不提,就是“生命周期”的概念。用户、产品、人事等无不有生命周期存在。衡量清楚生命周期,就能方便地确定一些“阈值”问题,使产品和运营的节奏更明确。
队列分析(Cohort Analysis)思维
作者的理解是按一定的规则,在某些维度上将观察对象切片,组成一个观察样本,然后观察这个样本的某些指标随着时间的演进而产生的变化。 目前使用得最多的场景就是留存分析。
循环/闭环思维
千万不要用一个漏斗来衡量一个循环
测试/对比思维
指数化思维
指数化思维是指将衡量一个问题的多个因素分别量化后,组合成一个综合指数(降维)来持续追踪。
指数化的好处非常明显,一是减少了指标,使得管理者精力更集中;二是指数化的指标往往提高了数据的信度和效度;三是指数能长期使用且便于理解。
指数的设计是门大学问,这里简单提三个关键点:一是要遵循独立和穷尽(MECE)的原则;二是要注意各指标的单位,尽量做标准化来消除单位的影响;三是权重和要等于 1。
极端化思维
反向思维