上一篇講了『麥肯錫最強問題解決法』一書中有關『問題分解』的內容,這一篇要談『問題分析』的部分,這邊再複習一下書中所列出的『七步驟』:『定義問題』,『分解』,『排序』,『計畫』,『分析』,『統合』,『溝通』。
中文書名:『麥肯錫最強問題解決法』
作者:『Charles Conn』『Robert McLean』
英文書名:『Bulletproof Problem Solving: The One Skill That Change Everything』
在前面的文章有提到邏輯樹的樹枝需要排序與篩選,但既然要排序,就需要一些數值與標準,捷思法(Heuristics)是用來分析的捷徑,幫助我們評估問題的各種元素的大小與份量,再對元素的影響槓桿加以排序,以研判進一步分析的有效路徑。
就我的理解,捷思法可以當成一些從以前的經驗法則或統計結果整理出來的一種模式,一種規則,某種特定類型的問題,或許也遵循同一個模式或規則,所以先用這個規則來驗證自己的假設或梳理問題,加速問題的分析進程。使用捷思法勾勒出問題槓桿的規模與方向後,就可以挑選重要的元素,繼續更深入的分析。
以下列出幾項常用的捷思法:
1. 『奧坎剃刀法則(Occam's Razor)』:假如對於問題我們有好幾個假說,應該要使用最簡單的那一個。因為越複雜的假說,可能會基於許多條件上,每個條件都不是必發生,也就是說,條件越多,假說發生的機率就越小。最簡單的假說,包含條件最少,發生機率最高,所以可以優先考慮最簡單的假說。
2. 『80/20法則』:又稱『帕雷托法則(Pareto Principle)』,這是很常見提升效率的方法,在此處目的是把你的分析工作,聚焦在最重要的前20%部分。
3. 『72法則』:這是估計複利的快速方法,舉例來說,若股票年化報酬率5%,約14年(72/5=14.4)後會翻倍。
4. 『S曲線』:S曲線展示一項新產品或一個新市場銷售量的常見型態,下圖是S曲線的示意圖。舉例來說,1995年有網際網路的美國人還不到10%,到了2014年比例就到達87%。
5. 『類比推論』:假如遇到一個以前見過的特定結構問題,那就可以直接套用以前的解法。若是參考到正確的範本會很有用,但有些新的問題或是環境變遷,不見得有範本可以參考。
6. 『量級分析(order of magnitude analysis)』:估計各種槓桿的大小,來為團隊的工作排序。定量調整一點點組成要素,例如10%,估計看看個別組成要素對整體影響有多大。其實在為邏輯樹要素進行排序與精簡的『剔除分析』,最好就該是量級分析。
以下是與機率統計有關的捷思法:
1. 『期望值』:期望值是事件發生的機率乘上事件結果的數值。期望值是很實用的排序工具,也可以根據期望值,在不確定的環境中決定是否下注。舉例來說,新創公司成為10億美元獨角獸的機率雖然只有1.28%,但10億乘上1.28%也有1280萬美元,藉此就可以評估是否該投資。不過使用期望值時,要小心機率分布裡中位數與平均數是否相差過大。
2. 『貝氏思維(Bayesian thinkings)』:其實就是條件機率,即在A事件發生的條件下,B事件發生的機率。舉例來說,陰天條件之下(事前機率)將下雨的機率,對比晴天條件下雨的機率高上許多。當認為問題中有條件機率在作祟時,往往使用貝氏思維。
3. 『成本分布(distribution of outcome)』:先調查出相關數據的統計數據與機率分布,對問題分析有幫助,例如計算平均數,標準差,眾數,是否為常態分配或鐘型分配。但仍要小心低機率發生的黑天鵝事件。
以下是與財務分析有關的捷思法:
1. 『損益平衡點』:計算營收能支應現金成本的銷售量,公司要生存下來就是獲利,這應該是顯而易見需要想辦法分析的問題。
2. 『邊際分析』:延續前面『損益平衡點』的計算,某產品生產第n個,第n+1個,到第n+2個或許成本是不一樣的,這概念就是邊際成本。商業決策需要精算各方面的資訊,個體經濟學可以學到更詳細的邊際分析。
用詢問5W1H(誰,什麼,何處,何時,如何,為何)的方式來描述問題的面貌,也是能快速聚焦解決問題的高效方法。有時候單純一點的問題,可以用三個問題就能得到出粗略的解答。下圖是醫院如何對心臟病發作病患進行分類的例子,透過血壓,心跳,年齡三個問題,就可以識別病患的風險,排定急診時的優先順序:
『魚骨圖』也是基於疑問導向的解決問題方法,透過對於不同成分詢問許多個『為什麼』,來探究問題根本的原因。
常見的魚骨圖會分成六大部分:
以下用魚骨圖的方法來簡單的使用範例:咖啡店的顧客投訴咖啡太冷,原因是什麼?分析如下:
有些問題分析比較單純,透過捷思法,簡單的數學運算,或是透過網路上資料就可以初步驗證假設是否成立。但也有可遇到狀況比較的特殊,當遇到需要強力的量化解方的複雜問題時,就需要從強大的武器庫挑選適合的工具來分析問題。
但在使用強力工具分析前,仍需要做初步的分析與問題拆解,精修對問題結構的思考以及要檢驗的假說。舉個例,我們都知道要有好的問題,才能得到正確的答案,拿籠統模糊的問題問ChatGPT,也只會得到籠統的說法。而且強力工具會耗費更多成本,所以需要把強力工具用在刀口上。
每一個強力工具都是一門專業,在大學都是好幾學分的課程,不管是本文還是書中,當然沒辦法三言兩語就解釋清楚,所以這邊主要是解釋有哪些強力工具可用,還有可以拿來分析哪些類型的問題。這樣當問題拆解到需要專業人士幫忙時,會知道需要找資料分析師,經濟學統計學專家,或是機器學習領域的專家。
若是有品質優良的資料,並且是想理清問題發生原因的分析,通常需要靠統計學的分析方式來做進一步處理,例如迴歸分析等。然而,若是沒有好的資料,或許就需要看能否做實驗來驗證自己做的假說,例如A/B測試等。除了『往後』歸納出原因,有些問題是期望能『往前』做一定程度的預測,這部分通常是人工智慧與機器學習擅長的領域。若是預測需要事先預判競爭對手的招數或反應,就需要依靠賽局理論。下圖是挑選分析方法的決策樹:
以下是書中例舉的強力工具及其對應的案例分析:
1. 相關性與資料圖:倫敦的PM2.5熱點空氣污染的地理位置,與哮喘病患分佈地理位置有高度重疊。
2. 複迴歸分析:美國城市肥胖問題的原因,所得與教育水準對肥胖有顯著影響。
3. 自變數迴歸分析及其他統計學:投票時的偏見,分析種族對投票結果的影響。
4. 隨機對照實驗及A/B測試:美商藝電公司的促銷測試,測試貼與不貼促銷廣告,是否真的影響銷售量。
5. 貝氏統計推論:挑戰者號的太空梭災難原因分析,低溫條件下太空梭零件受損機率大幅提高。
6. 不確定性之下的模型預測:氣候變遷對美國國家層級的經濟影響,這種問題不能等真的全球氣溫升高才探索影響力,所以需要透過數據建立預測模型,用軟體來模擬可能影響。
7. 機器學習演算法:睡眠呼吸中止症分析,把大量病患資料作為輸入,訓練出預測用的模型。
8. 搜尋演算法優化:根據新資料將校車路線最適化。
9. 賽局理論模型與機率模擬:打網球的發球策略分析,根據對手正手拍反手拍還擊成功率的歷史資料,來判斷該瞄準的位置。
10. 分析型賽局理論模型:CSIRO智慧財產權捍衛官司的分析,根據可能的勝率,打官司的成本,對手可能採取的反應,能獲得的賠償數量,來決定是否要打官司。
解決問題是一個過程,若是問題很複雜,可能要好一段時間。當每天收集到新的資料,進行分析後,或許對問題的看法就會微調。在這個過程中,為了傳達目前對狀況,複雜性或洞見的最佳分析,以及在演進中的工作計畫及分析之間迭代後,我們可以理清一個目前對解方的最佳推測,這個推測在書中,被稱為『一日解答(one-day answers)』。更白話一點,就是每天整理最新狀況,看目前的資料能推論出什麼結果,當計劃推進到尾聲,這個每日推論的結果,自然會越來越接近最後的結論。
書中建構『一日解答』的方法,主要分為『情況--觀察/複雜度--解答』三個部分:
拿前面咖啡店客訴問題來舉例:
當問題分析的尾聲時,就需要整合分析結果,並向利害關係人說個好故事。書中用來陳述故事的視覺結構,是如上圖所謂的『金字塔結構』。金字塔結構的好處,就是主管或大老闆們通常時間都很寶貴,沒太多時間聽太長的故事,所以需要先說結論,也就是金字塔頂層。
金字塔頂部是引言或是問題的主陳述,通常是就是收斂到最後的『一日解答』內容,即『情況-觀察-解決』的陳述句。金字塔頂層以下,開始填入支持頂層的論證,根據解答產生的性質不同,通常有下圖兩種類型的金字塔,分別對應了演繹邏輯以及歸納邏輯。
至於簡報方式,重點是人是視覺的動物,多用圖表來說明,對聽眾吸收簡報內容很有幫助。有很多課程跟專書對簡報技巧有更深的介紹,書中也有推薦『Google必修的圖表簡報術』一書, 有機會會再撰文介紹,在這邊就不細談。
為了正確使用解決問題『七步驟』,書中在最後有以下十點忠告:
『麥肯錫最強問題解決法』書上還有兩個章節,提到有關如何解決更棘手,具有不確定性的狀況,像是分析退休金夠不夠用到離世之前等問題,有興趣的讀者可以再找書來看看。
我個人認為最好是找個生活或工作上的問題,拿『七步驟』來自行演練一下,就像學數學需要自己算過才會比較熟練一樣的意思。書中三十多個分析案例,也可以當作例題,各別整理起來,當遇到類似題時,可以比較看看分析問題的方式。
在『快樂實現自主富有』一書中有多次強調數學,經濟學,賽局理論的重要,在本書也能感受得到,若是有相關學科的基礎,看這本書會更加輕鬆。經濟學,統計學,機率論,賽局理論,乃至於機器學習,是支撐我們解決各種疑難問題的強大基礎。另外,收集資料是重要的能力,有足夠的資料才能漸漸看到問題的各種面向,大部分的分析工具沒有足夠且優質的資料也是枉然。
看完這本書以後,若是能把七步驟,靈活運用於生活中或工作中各種難題,不會遇到難題時愣住無法反應,或是少掉許多用直覺反應造成誤判的狀況,這也是我看想看這本書主要想學習到的內容。問題會難,有時候是因為跟毛線球一樣糾纏再一起過於複雜,『分而治之』把問題分解成好理解好處理的粒度,絕對是解決問題的好起手式。
希望本文能對想了解『麥肯錫最強問題解決法』這本書,以及想要有系統地解決問題的人能有些幫助,那就下一篇文再見。