
如何透過數(shù)據(jù)分析,結(jié)構(gòu)化地解決問題
麥肯錫的三條核心工作原則提出:“以假設(shè)為前提”“以事實(shí)為依據(jù)”,并通過“完全的結(jié)構(gòu)化”方法進(jìn)行驗(yàn)證。在這個(gè)解決問題的閉環(huán)中,我們可以通過驗(yàn)證,判斷假設(shè)的問題架構(gòu)是否合理,是否與環(huán)境相吻合。如不吻合,我們便要調(diào)整假設(shè),并重新驗(yàn)證,直到看清問題本質(zhì)為止。
分析數(shù)據(jù) 建立假設(shè)
針對(duì)行業(yè)、企業(yè)數(shù)據(jù),以分析框架為基礎(chǔ),思考之后整理出來的資料,就是我們所說的“假設(shè)”。如果在假設(shè)中,某行業(yè)成長趨勢處于發(fā)展的下行通道,應(yīng)考慮適當(dāng)減少該行業(yè)的新增投資。而“行業(yè)下行通道”其實(shí)也是一個(gè)假設(shè),如果想采取減少投資的策略,就必須驗(yàn)證假設(shè)的真實(shí)性,這需要我們更進(jìn)一步地搜集、分析證據(jù)。
比如,某電力工程公司面臨的問題是市場占有率太低,因此希望得以提升。很多員工認(rèn)為:市場占有率低的原因是品牌知名度不夠高或價(jià)格太高,導(dǎo)致項(xiàng)目難以獲取??墒聦?shí)真的是這樣嗎?
通過行業(yè)分析,我們發(fā)現(xiàn)該工程公司的業(yè)務(wù)主要以項(xiàng)目投標(biāo)的形式獲得。因此,市場占有率可以通過參與投標(biāo)率和中標(biāo)率相乘獲得,即市場占有率=參與投標(biāo)率*中標(biāo)率。
如果想提升市場占有率,可從提升參與投標(biāo)率和中標(biāo)率兩個(gè)方向努力。目前,該公司的參與投標(biāo)率為50%,中標(biāo)率為10%,因此市場占有率為5%,看到上面的數(shù)字,相信大家從直覺上會(huì)認(rèn)為需要提升中標(biāo)率是解決問題的關(guān)鍵之一,即解決此問題時(shí)所建立的假設(shè)。
直覺判斷只是依據(jù)兩個(gè)數(shù)字的絕對(duì)值以及邊際效益的概念,而更重要的是看數(shù)字相對(duì)值。這個(gè)問題中的相對(duì)值是指與行業(yè)平均水平做比較,10%的中標(biāo)率雖然很低,但如果行業(yè)的平均值是6%,這對(duì)于公司來說,想要提升這一數(shù)值便存在難度。由此可見,行業(yè)分析和比較的過程,也就是搜集證據(jù)驗(yàn)證假設(shè)的過程。
搜集證據(jù) 明確目標(biāo)
搜集證據(jù)是為了驗(yàn)證假設(shè)的真實(shí)性,所以在搜集證據(jù)時(shí),絕不能簡單地隨波逐流,要有的放矢。
搜集證據(jù)的第一步是明確目標(biāo)。一旦開始一項(xiàng)工作,首先要清楚地知道其目的和背景,理解整體狀況,從而提高效率,否則就會(huì)犯方向性錯(cuò)誤。另外,需要明確信息的來源,這樣才能提高工作效率。證據(jù)搜集的具體方法包括:訪談、問卷、調(diào)用企業(yè)內(nèi)部系統(tǒng)數(shù)據(jù)、查看地區(qū)經(jīng)濟(jì)數(shù)據(jù)及網(wǎng)絡(luò)搜索。
在上一段提到的案例中,某電力工程公司首先要獲得全行業(yè)的數(shù)據(jù),如行業(yè)參與投標(biāo)率以及中標(biāo)率的平均水平,由此推算出哪一項(xiàng)具有提升的空間。同時(shí),對(duì)公司內(nèi)部的數(shù)據(jù)進(jìn)行調(diào)研,找到每一個(gè)項(xiàng)目組的中標(biāo)率、中標(biāo)項(xiàng)目特點(diǎn)及中標(biāo)優(yōu)勢,包含價(jià)格優(yōu)勢、關(guān)系優(yōu)勢、技術(shù)優(yōu)勢、服務(wù)優(yōu)勢、品牌優(yōu)勢。最后,匯總每一個(gè)地區(qū)與每一個(gè)項(xiàng)目組的數(shù)據(jù)即可。
分析證據(jù)的兩種方法:分類與圖表化
通常情境下,我們可以通過分類對(duì)比和證據(jù)圖表化兩種方式來更有效地分析證據(jù)。
分類對(duì)比 分析證據(jù)
最近,網(wǎng)上有一篇文章提到:女性的基因里隱藏著分析大數(shù)據(jù)的潛力。實(shí)際上,女性未必會(huì)計(jì)算大數(shù)據(jù),但都是證據(jù)分析的高手,擅長長期追蹤一些看似不重要的數(shù)據(jù),形成自己的“基準(zhǔn)線”和“模式”,一旦這些數(shù)據(jù)點(diǎn)的模式顯示出不同于她所熟悉的基準(zhǔn)線,便表示情況反常。
這個(gè)能力看似很神奇,其實(shí)只要遵循一定的分析方法就可以做到。最初,女性會(huì)搜集很多看似毫無關(guān)聯(lián)的數(shù)據(jù),將其分類后找到規(guī)律,專業(yè)地說即通過統(tǒng)計(jì),找到分類數(shù)據(jù)中的基準(zhǔn),再對(duì)比數(shù)據(jù)與基準(zhǔn)的不同點(diǎn)得到結(jié)論。
在電力工程公司的案例中,我們將公司內(nèi)部所有的數(shù)據(jù)進(jìn)行對(duì)比,如果發(fā)現(xiàn)各類項(xiàng)目并沒有明顯的差異,但有些項(xiàng)目組的中標(biāo)率很高(比如30%),就表明這并不是公司總體技術(shù)和品牌的問題,也不是項(xiàng)目選擇的問題。但如果只有一個(gè)項(xiàng)目組中標(biāo)率高,就有可能是特例,需再分析該項(xiàng)目組的價(jià)格優(yōu)勢和關(guān)系優(yōu)勢。分析數(shù)據(jù)之后,還需要分別對(duì)中標(biāo)率高和中標(biāo)率不太理想的項(xiàng)目組進(jìn)行訪談,找到中標(biāo)的核心優(yōu)勢及共通方法。通過對(duì)比,驗(yàn)證出中標(biāo)的核心優(yōu)勢和共通方法在怎樣的情況下更容易被推廣。
在這個(gè)項(xiàng)目中,我們通過分析找到了問題的關(guān)鍵:投標(biāo)書中,技術(shù)方案的描述以及講標(biāo)中的呈現(xiàn)能力是決定項(xiàng)目成敗的核心。事實(shí)證明,加強(qiáng)對(duì)這兩方面的培訓(xùn)便能取得更好的成效。
證據(jù)圖表化 助力問題分析
人們往往會(huì)對(duì)通過視覺獲取的信息產(chǎn)生記憶,圖表恰好能在短時(shí)間內(nèi)傳播大量的信息,使呈現(xiàn)結(jié)果一目了然。證據(jù)圖表化的目的并不僅僅是提高理解度,其最終目的是解決問題。繪制圖表有助于促進(jìn)分析,理解所發(fā)生的情況,從而找出本質(zhì)問題。
在進(jìn)行證據(jù)分析時(shí),銷售額、銷售成本價(jià)、邊際利潤、利潤這些種類繁多的數(shù)字常常會(huì)讓人摸不著頭腦,而實(shí)現(xiàn)了圖表化后,便可一目了然,讓人過目不忘。
年份 | 銷售額(億元) | 完成率 |
2015 | 101 | 88% |
2014 | 105 | 98% |
2013 | 102 | 102% |
2012 | 98 | 97% |
2011 | 95 | 94% |
2010 | 91 | 100% |
證據(jù)分析時(shí)的圖表化
搭建金字塔 實(shí)現(xiàn)結(jié)構(gòu)化驗(yàn)證
無論是用五分鐘闡述問題,還是細(xì)致論述問題的推導(dǎo)過程,每種方法背后的依據(jù)都是金字塔結(jié)構(gòu),在金字塔的每一層級(jí)中,都呈現(xiàn)出獨(dú)立的結(jié)論和主張。完成問題金字塔結(jié)構(gòu)搭建時(shí),遵循以下5個(gè)步驟會(huì)更有效率。
第一步 收集證據(jù)并分析之后,將推導(dǎo)出的結(jié)論與主張列舉在一張紙上。
第二步 將紙上的結(jié)論、主張根據(jù)主題的類似性做出分類。
第三步 將同一類型的結(jié)論、主張按順序排列。
第四步 通過因果關(guān)系分析,找出上下層級(jí),搭建金字塔。
同屬一類的結(jié)論之間通常存在因果關(guān)系,在整理時(shí),首先需找到因果關(guān)系對(duì)應(yīng),再將作為原因的結(jié)論放在下面,作為結(jié)果的結(jié)論放在上面,以此搭建金字塔的縱向結(jié)構(gòu)。然后,把在同一層級(jí)中的結(jié)論按邏輯順序進(jìn)行排列,例如:某些項(xiàng)目屬并列關(guān)系,則根據(jù)時(shí)間(過去、現(xiàn)在、未來)、數(shù)字大?。I業(yè)額大小等)、地區(qū)(從北到南)、重要性(戰(zhàn)略、流程)等排序,進(jìn)行橫向結(jié)構(gòu)展開。
第五步 重復(fù)以上步驟,直到所有的結(jié)論都出現(xiàn)在金字塔結(jié)構(gòu)中為止。
在按此步驟操作之后,需要進(jìn)行二次確認(rèn),可運(yùn)用自上而下提問回答的方式進(jìn)行補(bǔ)充,判斷思考的維度是否完整。同時(shí),在得出的因果關(guān)聯(lián)中,也要通過自下而上歸納總結(jié)的方法判斷結(jié)論是否具備充足的理由,且該理由是否可以歸納產(chǎn)生新的結(jié)論。
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
訓(xùn)練與驗(yàn)證損失驟升:機(jī)器學(xué)習(xí)訓(xùn)練中的異常診斷與解決方案 在機(jī)器學(xué)習(xí)模型訓(xùn)練過程中,“損失曲線” 是反映模型學(xué)習(xí)狀態(tài)的核心指 ...
2025-09-19解析 DataHub 與 Kafka:數(shù)據(jù)生態(tài)中兩類核心工具的差異與協(xié)同 在數(shù)字化轉(zhuǎn)型加速的今天,企業(yè)對(duì)數(shù)據(jù)的需求已從 “存儲(chǔ)” 轉(zhuǎn)向 “ ...
2025-09-19CDA 數(shù)據(jù)分析師:讓統(tǒng)計(jì)基本概念成為業(yè)務(wù)決策的底層邏輯 統(tǒng)計(jì)基本概念是商業(yè)數(shù)據(jù)分析的 “基礎(chǔ)語言”—— 從描述數(shù)據(jù)分布的 “均 ...
2025-09-19CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-19SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實(shí)戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認(rèn)知誤區(qū) 在 MySQL 數(shù)據(jù)庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動(dòng)態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價(jià)值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時(shí),“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計(jì)學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計(jì)劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計(jì)劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對(duì)象的 text 與 content:區(qū)別、場景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請(qǐng)求開發(fā)時(shí)(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價(jià)值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請(qǐng)求工具對(duì)比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請(qǐng)求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點(diǎn)數(shù)據(jù)的科學(xué)計(jì)數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長浮點(diǎn)數(shù)據(jù)時(shí)的科學(xué)計(jì)數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價(jià)值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營問題、提升執(zhí)行效率的核心手段,其價(jià)值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計(jì)” 與 “用戶體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營銷案例:數(shù)據(jù)驅(qū)動(dòng)下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當(dāng)下,精準(zhǔn)營銷成為企業(yè)突圍的核心方 ...
2025-09-11