
如何透过数据分析,结构化地解决问题
麦肯锡的三条核心工作原则提出:“以假设为前提”“以事实为依据”,并通过“完全的结构化”方法进行验证。在这个解决问题的闭环中,我们可以通过验证,判断假设的问题架构是否合理,是否与环境相吻合。如不吻合,我们便要调整假设,并重新验证,直到看清问题本质为止。
分析数据 建立假设
针对行业、企业数据,以分析框架为基础,思考之后整理出来的资料,就是我们所说的“假设”。如果在假设中,某行业成长趋势处于发展的下行通道,应考虑适当减少该行业的新增投资。而“行业下行通道”其实也是一个假设,如果想采取减少投资的策略,就必须验证假设的真实性,这需要我们更进一步地搜集、分析证据。
比如,某电力工程公司面临的问题是市场占有率太低,因此希望得以提升。很多员工认为:市场占有率低的原因是品牌知名度不够高或价格太高,导致项目难以获取。可事实真的是这样吗?
通过行业分析,我们发现该工程公司的业务主要以项目投标的形式获得。因此,市场占有率可以通过参与投标率和中标率相乘获得,即市场占有率=参与投标率*中标率。
如果想提升市场占有率,可从提升参与投标率和中标率两个方向努力。目前,该公司的参与投标率为50%,中标率为10%,因此市场占有率为5%,看到上面的数字,相信大家从直觉上会认为需要提升中标率是解决问题的关键之一,即解决此问题时所建立的假设。
直觉判断只是依据两个数字的绝对值以及边际效益的概念,而更重要的是看数字相对值。这个问题中的相对值是指与行业平均水平做比较,10%的中标率虽然很低,但如果行业的平均值是6%,这对于公司来说,想要提升这一数值便存在难度。由此可见,行业分析和比较的过程,也就是搜集证据验证假设的过程。
搜集证据 明确目标
搜集证据是为了验证假设的真实性,所以在搜集证据时,绝不能简单地随波逐流,要有的放矢。
搜集证据的第一步是明确目标。一旦开始一项工作,首先要清楚地知道其目的和背景,理解整体状况,从而提高效率,否则就会犯方向性错误。另外,需要明确信息的来源,这样才能提高工作效率。证据搜集的具体方法包括:访谈、问卷、调用企业内部系统数据、查看地区经济数据及网络搜索。
在上一段提到的案例中,某电力工程公司首先要获得全行业的数据,如行业参与投标率以及中标率的平均水平,由此推算出哪一项具有提升的空间。同时,对公司内部的数据进行调研,找到每一个项目组的中标率、中标项目特点及中标优势,包含价格优势、关系优势、技术优势、服务优势、品牌优势。最后,汇总每一个地区与每一个项目组的数据即可。
分析证据的两种方法:分类与图表化
通常情境下,我们可以通过分类对比和证据图表化两种方式来更有效地分析证据。
分类对比 分析证据
最近,网上有一篇文章提到:女性的基因里隐藏着分析大数据的潜力。实际上,女性未必会计算大数据,但都是证据分析的高手,擅长长期追踪一些看似不重要的数据,形成自己的“基准线”和“模式”,一旦这些数据点的模式显示出不同于她所熟悉的基准线,便表示情况反常。
这个能力看似很神奇,其实只要遵循一定的分析方法就可以做到。最初,女性会搜集很多看似毫无关联的数据,将其分类后找到规律,专业地说即通过统计,找到分类数据中的基准,再对比数据与基准的不同点得到结论。
在电力工程公司的案例中,我们将公司内部所有的数据进行对比,如果发现各类项目并没有明显的差异,但有些项目组的中标率很高(比如30%),就表明这并不是公司总体技术和品牌的问题,也不是项目选择的问题。但如果只有一个项目组中标率高,就有可能是特例,需再分析该项目组的价格优势和关系优势。分析数据之后,还需要分别对中标率高和中标率不太理想的项目组进行访谈,找到中标的核心优势及共通方法。通过对比,验证出中标的核心优势和共通方法在怎样的情况下更容易被推广。
在这个项目中,我们通过分析找到了问题的关键:投标书中,技术方案的描述以及讲标中的呈现能力是决定项目成败的核心。事实证明,加强对这两方面的培训便能取得更好的成效。
证据图表化 助力问题分析
人们往往会对通过视觉获取的信息产生记忆,图表恰好能在短时间内传播大量的信息,使呈现结果一目了然。证据图表化的目的并不仅仅是提高理解度,其最终目的是解决问题。绘制图表有助于促进分析,理解所发生的情况,从而找出本质问题。
在进行证据分析时,销售额、销售成本价、边际利润、利润这些种类繁多的数字常常会让人摸不着头脑,而实现了图表化后,便可一目了然,让人过目不忘。
年份 | 销售额(亿元) | 完成率 |
2015 | 101 | 88% |
2014 | 105 | 98% |
2013 | 102 | 102% |
2012 | 98 | 97% |
2011 | 95 | 94% |
2010 | 91 | 100% |
证据分析时的图表化
搭建金字塔 实现结构化验证
无论是用五分钟阐述问题,还是细致论述问题的推导过程,每种方法背后的依据都是金字塔结构,在金字塔的每一层级中,都呈现出独立的结论和主张。完成问题金字塔结构搭建时,遵循以下5个步骤会更有效率。
第一步 收集证据并分析之后,将推导出的结论与主张列举在一张纸上。
第二步 将纸上的结论、主张根据主题的类似性做出分类。
第三步 将同一类型的结论、主张按顺序排列。
第四步 通过因果关系分析,找出上下层级,搭建金字塔。
同属一类的结论之间通常存在因果关系,在整理时,首先需找到因果关系对应,再将作为原因的结论放在下面,作为结果的结论放在上面,以此搭建金字塔的纵向结构。然后,把在同一层级中的结论按逻辑顺序进行排列,例如:某些项目属并列关系,则根据时间(过去、现在、未来)、数字大小(营业额大小等)、地区(从北到南)、重要性(战略、流程)等排序,进行横向结构展开。
第五步 重复以上步骤,直到所有的结论都出现在金字塔结构中为止。
在按此步骤操作之后,需要进行二次确认,可运用自上而下提问回答的方式进行补充,判断思考的维度是否完整。同时,在得出的因果关联中,也要通过自下而上归纳总结的方法判断结论是否具备充足的理由,且该理由是否可以归纳产生新的结论。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13