麥肯錫分析問題的五步法：界定問題、設計分析內容、收集數據、解釋結果、彙報結果。
這篇文章並沒有什麼現成的方法論可以拿來就用，而是梳理了一下各種分析方法之間的脈絡關係，讓你對分析一個問題的步驟有一個更全局的理解。
數據分析不是盯著數據想思路
很多人人覺得，數據分析就是把數據提取出來，然後對著這些數據“找規律”、“找異常”。所以很多人就會盯著一個數據想問題，我見過很多人都是這樣做業務分析的。
他們思考的大概的心理過程是這樣的：
1. 這個數據為什麼是這樣？
2. 會不會是因為這種情況？
3. 其他維度數據不支持這個結論。
4. 回到第二步。
5. 一旦所有情況都不支持，回到第一步換一個維度繼續思考。
這種分析方法其實就是不斷提出假設，然後再不斷證明假設的過程。
這種方法當然也會有成功的分析案例，不過因為我們不可能將所有的情況都考慮到，所以那些成功的案例往往帶有一種靈光乍現的戲劇性和偶然性，很難複製。
所以當他們下一次再分析其他問題時，會發現之前的案例似乎沒什麼幫助。每次的分析都要重新開始，期待下一次的靈光乍現。
那麼這類數據分析究竟如何組織思路呢？
過去分析也依賴數據
絕大部分學科在教學的時候都會講到這門學科的歷史，這有助於我們更好地掌握知識。要想找出數據分析的思路，我們也可以從數據分析的歷史講起。
今天存在的數據有 90％都是在過去幾年中創建的，數據分析的快速崛起也就是近幾年時間。在大數據時代之前，人們在沒有“數據”的時候是怎麼分析問題的呢？
麥肯錫公司是世界知名的資訊公司，它的主要業務就是版主別人分析和解決問題。並且有非常多和麥肯錫有關的分析問題、解決問題的方法論數據出版，是我們非常好的研究對象。
比如《麥肯錫意識》中就提到了麥肯錫公司在分析問題時會經歷以下五個步驟：
- 界定問題
- 設計分析內容
- 收集數據
- 解釋結果
- 彙報結果
因為之後我們還會提到麥肯錫的其他一些方法，這邊就暫時稱這個分析法為麥肯錫五步法。
五步法每一步要解決的問題是：
- 界定問題：利用適當的結構框架將問題簡化細分成子問題。
- 設計分析內容：找到為了解決上一步驟的子問題需要進行的工作。比如列出證實或證偽必須進行的分析，及它們的優先順序。列出分析所需要的數據等。
- 收集數據：依靠內部報告、行業報告、客戶訪談等收集信息。
- 解釋結果：用直觀的方式展現分析結果，比如圖表化、故事化。
- 彙報結果：將分析結果整理成簡單易懂的結構進行彙報。
這個思路並不複雜，並且看起來和我們現在進行數據分析的思路看起來差不多，那為什麼數據分析這兩年突然就火起來了？
主要是因為近幾年數據的採集便利性和準確性得到了大幅度的提升，使得可分析的問題變得更多更細。
在過去，數據的收集工作非常麻煩，很多領域的數據都是空白的。分析師一般只能通過問卷調查、客戶訪談等方式獲取數據。這樣的數據採集方式效率很低。
1936年，美國當時非常有影響力的刊物《文學文摘》做了一個樣本巨大的調查統計，他調查了1000萬人，想要提前預測美國大選的結果。要知道當時美國有選舉資格的人也只有4000萬人而已，這在當時是一個巨大的工程。
《文學文摘》動用了900多人做這件事，最後收回240萬份有效問卷。
在今天，要想收集到240萬條數據，10個人的團隊就足夠了。
而且在過去，數據的有效性無法得到保證。
比如《文學文摘》的那次美國大選的調查統計，首先用戶群體的選擇就無法做到隨機分佈。他們選取的用戶是汽車登記信息、各種俱樂部會員的地址，以及美國電話黃頁。這些能獲取到聯繫方式的調查對象都是富裕階層的人群，底層人民根本接觸不到，這樣的樣本的結構和實際的選民結構自然就很不同。
而且問卷的一個很大的問題就是能夠收回來的問卷往往是帶有情緒的意見，一些特定群體的聲音被放大了。還有其他得到問題，比如“成見現象”等等，這類數據收集時的常見問題我將會在第七章詳細介紹。
前數據時代很多諮詢公司的書籍或者教學裡有大量篇幅告訴你怎麼和相關人員接觸和溝通、怎麼樣提問題、怎麼在電話裡獲取信息等等。要想掌握這些技能，你必須要有長時間的訓練。
我們現在談論的數據分析與過去最大的區別，在於我們獲取數據的難度大大降低，海量數據的獲取非常便捷。而且獲取數據的手段可以實現記錄用戶行為，確保了數據的全面性和真實性。這些優勢的出現解決了分析問題過程中“收集數據”階段的問題，讓繁瑣的數據收集工作變得高效。
而整個分析問題的思路實際上依然遵循著界定問題到彙報結果的過程，所以我們之後的數據分析依然會參考這條主線結構，對其進行一些互聯網行業下的改造。
不深入，不如不分析
有些人會說，這個五步法看起來沒什麼特別的，平平無奇嘛，我平時不也是這樣分析問題的嗎？
我首先發現日活躍用戶數一直上不去，這算是界定問題吧？
然後我把這個問題拆分成新用戶和老用戶，以及各自的留存率。這是設計分析步驟。
然後我看了一下各個維度的數據，發現是老用戶的留存率下降比較快，這是收集數據與解釋數據。
最後，我得出結論，要提高老用戶的留存率。
你看，我不就是完整按照這個五步法做的分析嗎？但是為什麼領導總是說我的分析還不夠呢？
沒錯，這樣的分析確實遵循了分析問題的步驟。界定問題，設計分析步驟，收集數據，解釋數據，彙報結果，這五個步驟一步都不缺，但總感覺分析出的結論有些蒼白，似乎還缺了點什麼。
最重要的原因是，這種分析還不夠深入，只描述了問題的現狀。這也是很多初級數據分析師在實際分析工作中常犯的錯誤。拆解問題、找出問題的細節只是更好地定義問題，對於問題的解決沒有太大的幫助。
如何深入分析我們放到後面再說，我們先看一下這樣做分析的後果。
不知道具體原因而進行後續優化行為，有時不僅無益，而且有害。
這就好像身體不舒服去醫院看病，醫生簡單地觀察了一下確定是發燒了。然後醫生不去深究發燒的病因是什麼，開了一些退燒藥就結束診斷。
這種生活中的例子可以幫助我們很容易這種做法的問題所在。
彼得聖吉在《第五項修煉》中提到類似的情況，他把問題的解決方案分為“根本解”和“症狀解”。
“症狀解”能迅速消除問題的症狀，但只有暫時的作用，甚至有加深問題的副作用，使問題更難得到根本解決。就像醫生給我們開退燒藥一樣，雖然短期內體溫正常了，身體感覺舒服了一點，但是問題的根源其實沒有解決。如果是小病，免疫系統可以自愈的，那麼運氣還算好最後可以恢復健康。但如果病症是不能自愈的，那麼這樣簡單粗暴的診斷方式會讓病人錯過最佳治療時間，小病最後成了大病，反而加深了問題的嚴重性。等到止痛藥已經不再能夠抑制疼痛的時候，疾病也已經發展到難以收拾的地步。
另一種解決方法是“根本解”，從名字就可以看出這是解決問題根本的方式。要想達成這樣的效果，我們處理問題時，要能夠透過問題表象的重重迷霧，抓住問題背後的根源。知道了問題的核心所在，再對它進行一些針對性的動作，往往能起到四兩撥千斤的效果。
要想找出根本解，醫生會繼續讓我們做各種各樣的檢查。這種檢查並不是為了再將問題細化下去，精確到究竟是發燒到幾度。這樣的細化問題對解決問題沒什麼太大的幫助。
醫生會做一些能夠確定真實的病因的檢查，到底是細菌感染還是病毒感染，抑或是其他病症？確定了是哪種病症，再針對具體的病因對症下藥，這才是治療的根本解。
回到我們之前分析日活躍用戶的問題，情況也是類似的。
APP的日活躍用戶數不高，我們分析的時候拆解了這個問題，發現主要是因為老用戶的留存率不高。這種做法就好像從“身體不舒服”中確定了“發燒”這個更細節的問題一樣。在沒有其他更多信息的情況下，要想治療很可能就會成為症狀解。
我們可能對這些人發送喚醒短信，或者開展“簽到送積分”活動等運營方式來提高老用戶的留存率。這類運營動作可以短期內提高APP的日活躍用戶數，但是沒有解決問題的根本。
留存率不高的根本原因可能是產品的體驗不好，或者缺少一項用戶非常需要的重要功能。一些雖然看到了喚醒短信重新回到APP，但是產品上的硬傷依然存在，這些用戶的核心需求還是沒有得到滿足。不多久，這些用戶又流失了。當你希望再次通過之前那些“成功”的運營手段喚醒他們時，他們已經對這類活動麻木了，成為了真正的流失用戶。
由於真正的需求被拖延太久，日活躍用戶數的問題已經相當嚴重，這時可能連根本解都已經沒辦法挽救整個局勢的惡化。
這樣可怕的局面，起因只是因為一次分析的不徹底導致的。所以僅僅描述業務現狀，細化問題這樣的分析方向不能給業務帶來真正的改善，甚至帶來更多更大的問題。
多問幾個為什麼
這類分析缺少的是對根本原因的深入分析，他們看似找到了問題的原因，但實際上這只是一個問題的結果。換句話說，他們找到的答案看起來像是回答了“為什麼？”，但實際上只是更好地回答“發生了什麼？”
比如前面提到的例子，他們在分析日活躍用戶數比較低的原因時，最後找到的答案是“老用戶的留存率不夠高”。因此他們決定針對老用戶其進行一些運營。可是在不清楚為什麼老用戶留存率不高的情況下，對他們開展運營動作不可能對症下藥，投入產出比自然就會比較低。
所以接下去，我們要問“為什麼？”。尤其在面對複雜的業務問題時，一個為什麼還不夠，我們要多問幾個為什麼。
有一個著名的分析方法——“5why分析法”。這種方法的含義是面對所有的業務問題都需要問五個為什麼，不過這裡的五是虛指，有時候可能要十幾個為什麼才能找到答案，而有時又只要兩三個為什麼就可以找到答案。
這裡舉一個著名的例子來說明這種分析的方法：
上世紀80年代，美國華盛頓廣場有名的傑弗遜紀念館，因年深日久，牆面出現裂紋。
為能保護好這幢大廈，專家進行了研討。最初大家認為損害建築物表面的元凶是侵蝕的酸雨。但進一步研究發現，牆面侵蝕最直接的原因是每天沖洗牆壁所含的清潔劑對建築物有酸蝕作用。以下這段對話，幫助直接找到問題的關鍵點，便於從源頭解決問題。
問：為什麼傑弗遜紀念館受酸雨影響比別的建築物更嚴重？
答：因為清潔工經常使用清洗劑進行全面清洗。
問：為什麼要經常清洗牆壁？
答：因為牆壁上有著大量的鳥糞。
問：為什麼會有那麼多鳥糞？
答：因為大廈周圍生活著很多燕子。
問：為什麼會有那麼多燕子？
答：因為牆上有很多燕子愛吃的蜘蛛。
問：為什麼會有那麼多蜘蛛？
答：因為飛蟲在這裡繁殖特別快。
問：為什麼飛蟲在這裡繁殖特別快？
答：因為大量的飛蟲被黃昏的燈光吸引。
由於發現解決的辦法很簡單，只要在天黑前關上整個大廈的窗簾。此前專家們設計的一套複雜而又詳細的維護方案也就沒有必要實施了。
這個案例中，傑弗遜紀念館的牆面有問題，具體問題是牆壁出現裂紋，這是將問題細化。就像是從“身體不舒服”到“發燒”一樣，它把問題從一個較大的問題縮小到一個較小的問題上。
接下來的步驟便是問”為什麼“，為什麼牆面出現裂紋？通過一連串的為什麼，問題的根源從清洗劑到鳥類，從鳥類到蜘蛛，從蜘蛛到蟲子，最後從蟲子到燈光。最終找到了高效的解決方案。
但5why分析法有個問題，就是不知道問到第幾個為什麼時可以算是“最終的答案”。
有些人會在找到了燕子的問題後結束。那麼對策就是破壞大廈周圍的鳥巢，驅趕這些燕子。這需要花費大量的人力和時間，而且不可能附近所有的燕子。
有些人會在找到了蜘蛛的問題後結束，對策是找殺蟲公司進行定期的消殺。這是一筆額外的開支，而且消殺的殘留藥液還會影響人的健康。
有些人會在找到了蟲子的問題後結束，這已經很接近最終的答案了，但依然可能治標不治本。比如在大廈周圍裝滿殺蟲燈，或者噴灑驅蟲的藥水等等。
有些人找到了案例中最後燈光的問題，那麼黃昏後關上窗簾就可以解決。
結束了嗎？
只要你想問，還可以一直問下去。
黃昏時候為什麼要開燈？答案是因為下班時間比較晚。
那麼為什麼下班時間晚？因為……
只要你想問，這個問題最終甚至可以追溯到宇宙的起源。
雖然我們很可能不知道提問到哪一步才是最終的結果，但是至少問的為什麼越多，可選擇的方案就越多，找出最高效方案的機會也就越大。在這個案例中關窗簾是一個非常高效的解決方案，所以可以在這一個問題結束。
哪怕只問一個為什麼，只知道是清洗劑的問題，我們也至少知道一個解決的方向。不管解決的方法是否高效，至少要比不知道任何原因，只能對牆面裂紋進行修補要更好。
麥肯錫七步成詩法
回顧我們之前的一些結論：
五步法告訴我們一個單獨問題的分析步驟是怎樣的，以及數據在其中扮演什麼樣的角色。
5why分析法告訴我們一個複雜問題必須找出根本原因，在細化問題後一定要多問幾個為什麼。
兩者的結合也讓我們開始有了分步驟分析問題的思維雛形，先分析“發生了什麼”，再分析“為什麼”，每一個問題內部再用五步法進行分析。
本章最後一節，介紹一下麥肯錫分析問題的七步法，也有人叫他七步成詩法。
飯要一口一口吃，路要一步一步走。我把這個分析法放在這一章的最後，是因為這個分析法是前面幾個知識的結合體，是在一個更宏觀的角度提出的分析步驟。
先看一下七步成詩法的基本步驟：
- 界定問題:明確要解決的問題，
- 分解問題:將問題分解成議題
- 優先排序：去除不重要的議題，優先處理最重要的議題。
- 議題分析：制定詳細的工作計劃。
- 關鍵分析：分析重要議題。
- 歸納建議：彙總研究結果，建立論據。
- 交流溝通：將數據與論證聯繫起來，準備你的故事。
為什麼說這個七步法是之前的結合體呢？我們可以分析一下七步法的分析結構。
七步法的前三步界定問題，分解問題，優先排序，為的就是解決細化問題的具體步驟，是從“身體不舒服”到“發燒”的更詳細的操作路徑。其內部也是一個五步法，界定問題與五步法的第一步完全一樣，不用太多解釋。
後面的分解問題與優先排序實際上就是設計分析內容。在這裡七步法中省略了收集數據與解釋數據的表述，實際上在做分解問題和優先排序時必然會經過這兩個環節。比如你必須知道一些基礎數據，才能從分解出的問題中找出哪些議題可能更加重要，涉及的用戶群體更大或者提升空間更大。所以這兩個步驟應該對應的是五步法中的中間三步。
最後是彙報結果，因為七步法在這邊還沒有結束，所以這邊沒有寫上這個步驟。不過如果我們只完成七步法的前三步，自然會有一個分析結果。我們會得到一個已經被分結果的，帶有優先級順序的細分問題。所以我在圖中將這個步驟用虛線標記出來。
七步法中隨後的第四步與第五步是議題分析和關鍵分析。是用來找出問題的具體的原因，也就是找出回答“為什麼”的答案。這兩個步驟，我們也可以用五步法將其分解開。
首先，這兩步看起來沒頭沒尾，沒有界定問題的階段，也沒有彙報結果。之前的三步有開頭沒結尾。實際上我們很容易就能想到，前三步的結論就是這兩步的開頭，而這兩步的結果也是後面步驟的開頭。所以按照這個邏輯，七步法最後的兩步應該是沒頭有尾的結構。這個結論在後面也得到了驗證。
議題分析和關鍵分析對應的是五步法中的中間三步。通過這兩個步驟，可以找出問題的根本原因。
七步法的最後兩步，歸納建議和交流溝通是找出具體原因後的對應舉措。這個步驟缺少了界定問題的階段，也符合之前的猜想。
這一步其實也可以用五步法分析對應起來。
我們理清了人們在前數據時代是怎樣分析問題的，找出了基本的分析框架。
總的來說就是先把問題拆成幾個環環相扣的問題鏈，大體上分成三個步驟：怎麼了，為什麼，怎麼辦。然後每個問題內部，用五步法進行分析。最終完成整個分析，得出結論並解決問題。
我花這麼大篇幅梳理分析問題的各種方法，目的是為了讓大家理清各種方法之間的關係。我經常看到一些朋友看到一些好的方法就拿來用，沒有經過深入思考，不知道這種方法在整個知識體系內的位置，發揮什麼樣的作用。因此，這一篇文章雖然不能讓你馬上應用到業務中，但可以理清一些分析法的脈絡，讓知識更加體系化。
這個模型是一個比較通用的模型，可以用來解決大部分的問題。在互聯網環境下進行業務分析，我們還需要對這個模型進行一些改造，以方便我們進行分析時更加有效率。
具體的適合互聯網環境的整體分析思路，將會繼續更新，歡迎關注。
作者：三元方差，公眾號：三元方差（sanyuanfangcha）
本文由 @三元方差 原創發佈於人人都是產品經理。未經許可，禁止轉載。
題圖來自Unsplash，基於CC0協議