上一节课的逻辑推理能力能够让你从零散的信息中提炼出结论，不过这种能力只能解决简单问题。简单问题就像是学生时代的计算题，这类题目明确告诉你要做什么，你只需要套用方法解答就行，放到工作中便是“预测销量”“现状描述”等这些简单的问题。

但学生时代有一种很讨厌的考题，那就是简答题。简答题问得很不明确，没办法直接套用现成的方法，类似于“文章表达了作者怎样的思想感情？”现在好不容易毕业了，做了数据分析，结果发现数据分析每天的工作居然就是做简答题！

比如，数据分析经常面对“如何提升日活跃人数”这样的问题，这类问题跟简答题一样，没有标准的解法。

新手分析师在做这个简答题的时候，会这么说：

“要分析如何提升日活跃用户数，我觉得可以分析一下外部渠道拉新的效果，提升新用户数。还有分析一下如何提升日活中老用户的留存率。对了，我们的拉新落地页很久没改了，可以看下怎么优化。还有一些流失用户可以召回。”

这个回答的每一个观点都和提升日活跃用户数有关，但是这些方向之间有什么关联？哪些是重要的方向？还有哪些问题没考虑到？这时候逻辑推理能力就不是特别管用了，因为逻辑推理能力可以确保得出的结论是正确的，但是问题是你要从哪些方面解答这个问题呢？

这就需要到了结构化和系统思维。

结构化思维

结构化思维，简单来说就是思考问题的时候，分析的思路要有一个结构，不能想到哪分析到哪。

结构化思维的常用思维工具是逻辑树，逻辑树分这三种。

• 议题树：把大问题拆解成一个个的小问题

• 假设树：假设一种方案，然后去验证假设

• 是否树：提出一个判断题，根据问题的答案进入下一个问题或得出结论

我们分析一个具体问题的时候，要得出最后的结论基本上用的都是这三种结构。我们一个个来看。

议题树：拆解问题

简单理解议题树就是把问题拆解成子问题，子问题又拆解成更小的问题。这样的拆解结构看起来就像是一棵树的树干，不断地伸展和分叉。

还是以“如何提升日活跃人数”这个问题作为案例，看看如何用议题树组织分析思路。

第一步，搜集想法。 之前新人分析师给出了一些想法，我们一条一条地罗列出来。

“要分析如何提升日活跃用户数，我觉得可以分析一下外部渠道拉新的效果，提升新用户数。还有分析一下如何提升日活中老用户的留存率。对了，我们的拉新落地页很久没改了，可以看下怎么优化。还有一些流失用户可以召回。”

这段话中，有这样几个信息。

• 外部渠道拉新，提升新用户数

• 提升老用户留存率

• 拉新落地页优化

• 流失用户召回

第二步，分类。 我们要把各种想法进行归类，确保在同一组的信息放在同一个议题里。

之前收集的想法里，用户类型方面有新用户、老用户和流失用户。新用户的策略有渠道拉新，老用户方面要提升留存率，流失用户要做召回运营。

经过分类，我们得到这样一个议题树。

第三步，归纳汇总。 上一步得出的议题树是不完整的，我们要根据每个分类的特点，补齐缺失的内容。

比如新用户这个议题，除了渠道拉新之外，应该还有新的拉新方式带来的流量、应用商店自然流量等。而渠道拉新，除了拉新落地页的优化，还有优质渠道的开拓，现有渠道的资源分配优化等。

经过归纳汇总，就得到了这样一个议题树，之后就可以顺着这个逻辑依次展开分析。

如果你对业务已经比较了解，那么就不用像上面这么麻烦。你可以直接从上到下拆解问题，一层一层地向下拆，最后也能得到和上面的议题树类似的结构。

当然，拆分的逻辑每个人可能都不一样。比如新用户我们在案例里是按照拉新的流程做拆分，如果这个产品不同渠道新用户的特征差异非常大，换成按照渠道拆分的方式也是可以的。这样的拆分逻辑就变成了先区分不同渠道，然后再分析不同渠道的拉新流程。

拆分问题这件事本身不难，难的是按什么维度拆。资深分析师相比新手分析师，最大的区别就在于能不能快速找到好的分类维度。这种差距跟业务理解和经验有关，很难速成。我将在模块二的第 10 讲，告诉你如何更好地拆解问题。

MECE 原则

在构建决策树的过程中，我们要尽量遵循 MECE 原则，翻译成中文就是相互独立，完全穷尽。

相互独立是指议题树每一层级的问题与问题之间没有重复。比如现在的手机阵营不是苹果就是安卓。如果你把手机分成 iPhone、安卓手机和小米手机，那就有重复，因为小米手机属于安卓手机。
完全穷尽是指议题树的每一层级中务必不出现遗漏。比如手机分为 iPhone、小米手机、华为手机，就不完整，因为还有很多的安卓机没有统计进来。

下图可以很好地说明什么是“独立”，什么是“穷尽”。

MECE 原则看起来很简单，所以很多课程讲 MECE 不会太深入。但是你真的在业务中做过分析就知道，MECE 其实还是有一些坑的。

• 坑 1：拆解问题追求一步到位

很多同学拆分问题的时候恨不得一开始就把用户分成 20 组，一次性就把问题全部拆分完。这非常容易出错，因为人是很难处理超过七八个以上的类别的，拆到七八个的时候你就已经搞不清楚了。真正的 MECE 拆分，每一层拆分出的分支不会太多，一层三四个就够了。

• 坑 2：追求绝对的 MECE

就拿拆分用户的需求类型来说，你真的想不出用户究竟是什么样的奇葩。你知道 kindle（电子书产品） 用户最大的需求是什么吗？是看小说还是读历史？答案是 60% 的 Kindle 从来没有被打开过，也就是说大部分人的 Kindle 最终只是拿来盖泡面的！这个结论在分析之前很难考虑到。

再来，有些重复是难以避免的。比如我们根据不同业务部门拆分后续的工作，你会发现很难做到不重复，因为再完美的组织架构划分，也一定是有交集的。有一些工作运营部门可以做，产品部门也可以做。但是这种重复对分析结果影响并不大，所以没必要刻意追求绝对的 MECE。

假设树：验证假设

假设树就是提出一种假设，然后列举出支持这个假设的论点。只有当所有论点都满足时候，就认为假设成立，否则会被推翻。每一个论点同样可以进行分解，直至分解到可证伪的事实。

我们还是以“如何提升日活跃用户数”为例子。如果我们已经对业务比较了解，我们直接提出个假设方案：加强渠道投放获取新用户。

支撑这个假设的条件有两个。

• 条件 1：加强渠道投放可以带来新用户提升。

• 条件 2：渠道投放的投入产出比是正数。

然后我们再列举出可以支持上述条件成立的事实，比如加强渠道投放可以带来新用户，支持的理由可以是之前某次尝试的投放数据结果，可以是资源错配的现状（比如低质量渠道占用过多资源）。如果这些理由成立，那么就认为假设成立。如果不成立，就随时推翻假设，重新建立新的假设。

这个假设树得出的结论是证明“加强渠道投放获取新用户”这个方案是可行的，但是不能确定是最好的方案。但是假设树的好处是够快，在需要快速响应的业务环境下作用很大。

如果是一个为期 3 天的营销活动，第一天活动效果不好，我们用议题树完整地分析一遍花了 2 天时间，那等到结果出来的时候，黄花菜都凉了。用假设树的话可能半天就能找出一个可行方案，就算不是最佳方案但至少也是有效果的。

是否树：判断分支

最后还有一种结构化思维的工具是“是否树”。是否树的主要形式是：提出一个问题，然后对这一问题进行是否判断。

然后根据结果再进入下一个问题，再次判断是否，最终得出结果。

用是否树做分析要比假设树更快，因为假设树万一验证失败，要重新提出新的假设，而按照是否树进行分析，最终一定能得出结论。

不过是否树在业务数据分析中应用不多，因为业务问题一般来说非常复杂，随着时间的变化，总结了过去的经验对这次的问题未必有帮助，所以是否树一般很难直接用在业务分析上，比较适合解决数据 Bug 排查类问题。

最后用一个表归纳一下三种逻辑树的特点。

系统性思维

结构化思维可以帮助我们解决复杂问题，但有时候解决问题的方法不在问题当中，必须要跳出问题才能解决问题，这就需要系统性思维。

比如我遇到过这样的问题：

渠道拉新的投入产出比越来越低，我们需要明确如何优化渠道的资源投放，才能获得更好的拉新效果。

但是深入研究这个问题之后发现，这个问题的解决方法也许并不在于如何优化渠道，问题的关键在于如何提升用户的 LTV。LTV 是用户的生命周期价值的简称，意义是一个用户从第一次进入到最后流失，一共能带来多少收入。

为什么要分析这个看起来毫不相关的 LTV 呢？

之前提到分析问题就像建造一座大厦的例子，我们要站在城市的角度思考这个大厦在城市中的位置，对城市的影响，以及这些影响最终如何反过来影响自己。我们分析新用户渠道拉新的问题也是一样，不能只看到渠道拉新这一个方面，而是要站在公司整体的业务模式上去看待这个问题。渠道拉新影响了什么？这些影响又如何反过来影响渠道拉新？

思考后发现，这款产品的商业化做得比较失败，用户的人均价值不高，所以在渠道投放上，我们只能选择一些单价比较低，效果一般的渠道。而这些渠道的用户质量不高，付费转化率比正常用户低，拉低了本就不高的平均用户价值。

更低的人均价值，不得不让我们对获客成本的要求越来越低，于是不得不选用价格更低，质量更差的渠道，而更差的渠道带来了更低的用户价值。如此反复，形成了一个恶性循环。

在可预见的未来，获客成本的限制会继续降低，我们能选择的渠道会越来越少，这已经失去了可优化的空间。所以要解决渠道拉新的问题，答案并不在渠道本身，我们要跳出问题站在更宏观的角度来思考。

渠道拉新有成本，这个成本一般不能超过用户带来的 LTV，否则就是亏本的买卖。而这个业务目前的问题是 LTV 太低，限制了渠道拉新的可优化空间。不提升用户的 LTV，那么渠道拉新会越来越难做，所以真正的核心问题在于用户的 LTV。我们提升了用户的 LTV，那么整个问题迎刃而解了，这就是系统性思维的威力。

系统性思维思考的是事物和事物之间的联系和影响，一个事件改变，会影响其他的事件跟着改变，而且这种改变最后又会反过来影响最初的事件。

系统性思维，是成为高级数据分析师的必备思维。它可以让你站在更宏观的角度思考问题，找出问题的本质，重新定义问题。你能看到别人察觉不到的事物背后的关系，相比其他人你能提前地预知事物未来的发展，其他人也不再会认为你“不懂业务”，甚至还会向你咨询对业务的看法。

小结

我们平时遇到的很多分析问题，找不到好的分析方向，有可能是你思考的角度被问题本身限制住了。跳出问题，站在更大的视角思考全局，有时会起到意想不到的效果。通过这种视角找出问题的核心，然后用结构化思维构建分析思路，用逻辑推理验证思路，就是一个完整的分析过程。

至此，我们三种逻辑思维能力就全部介绍完毕了。我们再用这张图回顾一下这三种逻辑思维能力之间的关系。

留一个思考题，有这样一个故事。

在分析如何才能上班不迟到的问题时，小明将问题还拆解成很多小问题，比如早点起床、搬到离公司更近的地方、换更快的交通方式、争取弹性工作制等。这样的思考方式用到了什么思维方法？

后来，高人指点了小明，只要吃早饭，就能不迟到。

因为小明每天起得很晚，所以来不及吃早饭，所以中午会吃很多，于是晚饭吃不下，然后深夜肚子饿了吃夜宵，吃了夜宵睡不着，然后第二天就只能起得很晚，于是第二天来不及吃早饭，继续下一个循环。

所以只要吃了早饭，晚上就能早点睡，第二天就可以早点起床，就不会迟到了。

这个高人用的是什么思维方法？

下一节，我将讲解如何让你的分析更贴近业务，再会。

---

精选评论

**5685：

小明用的是议题树的结构化思维，将问题拆解成了一个个小问题。而高人用的是系统性思维，跳出了早起本身的问题，考虑到了一日三餐与睡觉之间的关系，站在更大的视角来思考问题，最后得出了问题的症结。

**龙：

读后感：结构化思维，是专注于问题本身，或者说是找到问题的内部矛盾，将大问题拆解为小问题，通过解决内部矛盾以期解决问题。系统性思维，是着眼于问题之外，将问题看做是系统的一部分，通过解决问题的外部矛盾，进而解决问题。有点上帝视角、降维打击的意思。两种思维不存在优劣之分，哪种解决问题的方式投入产出比更高，需要结合实际情况，验证了才知道。比如思考题中的案例，"吃早饭"未必对小明更奏效，他可能长期不吃早饭，而改掉这个坏习惯很难，相比之下选择搬的离公司更近对他来说更容易。

    编辑回复：

    赞！！

**仪：

小明是将如何解决上班不迟到问题拆分成若干个小问题，属于结构化思维，而高人跳出上班不迟到这个问题从小明身上找原因，属于系统性思维，并且结合演绎推理得出结论。

**恒：

前几天，一个很有系统性思维的整容医院院长跟我说，整容医院的普及带动市场繁荣，他的分析是这样的：第一点，整容医院的普及，让整容的成本降低，市场上充斥着大量的美女，因此，“美女”逐渐大众化，所以钓金龟婿这个行业变得不是那么吃香，导致一些有钱的老板把更多钱，投入到市场中，市场的钱多了；第二点，很多女性可以通过整容医院迅速变得漂亮，自己去当网红，吸引大批粉丝，网红经济得到促进；第三点，就第二点的基础上，一个美女聚集的地方，建设出更多的商业街，促进地方实体经济和旅游业的发展。第四点：围绕着整容行业的其他行业也会大幅度的提升，比如医疗行业，美容行业甚至服装业，都会有所增长。

**2253：

小明用的是结构化思维中的议题树。将一个问题拆解成了多个小问题。高人用的是系统化思维，跳出迟到这个问题本身，站在更宏观的角度分享这件事的关联影响，找出了问题的核心，重新定义问题找到了更根本的解决方案

    编辑回复：

    赞