京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
指标体系是企业数字化分析、业务监控、经营决策的核心基础框架,是将零散数据转化为可衡量、可对比、可落地业务价值的关键体系。 ...
2026-10-08随着市场竞争日趋饱和,同质化低价竞争逐渐陷入内卷僵局,传统以价格、渠道、促销为核心的营销模式边际效益持续递减。在此背景下 ...
2026-10-08 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-10-08你有没有想过,手机里点外卖、刷社交软件、转一笔账,背后到底是谁在替你"记着账"? 答案其实很简单:数据库,以及跟它对话的那 ...
2026-10-07CDA数据分析师 出品 作者:李诗怡 一、数据分析四大思维 1. 对比思维:没有对比就没有分析 核心观点:单独一个数字没有意义,有 ...
2026-10-05Kimball 是方法,星型模型是它产出的形状。 很多人把"Kimball vs 星型模型"当成一道选择题——这本身就是个误会:Kimball 是动词 ...
2026-10-05写在开头 老板在微信上甩来一句: "帮我看下为什么销量跌了。" ” 你回工位,打开 SQL,开始写。查订单表、拉近三个月、按 ...
2026-10-03CDA数据分析师 出品 作者:李诗怡 1. 事实表 vs 维度表 对比维度 事实表 维度表 核心问题 记录“业务发生了什么事” 描述 ...
2026-10-02做数据聚合时,PySpark的groupBy()确实能完成统计,这也是它的本职工作。但它有一个根本性局限:每一组数据,最终只能返回一行 ...
2026-10-01热力地图是数据可视化中极具辨识度与实用性的空间分析图表,结合地理空间维度与数据密度特征,通过颜色深浅、色阶渐变直观展示数 ...
2026-09-30 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-09-30同样是“银行数据岗”,在国有大行总行数据中心、在一家城商行的零售部、在银行系金融科技子公司、在保险公司,工作内容、成长节 ...
2026-09-29在数据分析与统计学研究中,数据往往不是独立存在的,不同变量之间普遍存在相互关联、相互影响的关系。相关性统计分析是挖掘变量 ...
2026-09-29 导读:大多数人只把 dataclasses 当成偷懒工具,用来少写 __init__、__repr__ 这类魔法方法。但它的能力远不止于此。本文带 ...
2026-09-29 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-09-29在MySQL数据库运维与业务开发中,行业普遍存在“数据达到千万级就必须分表”的说法。但在实际生产环境中,千万条数据并不是强制 ...
2026-09-28CDA数据分析师 出品 作者:李诗怡 1. 5W1H 分析法 定义:经典系统性思维框架,通过六个核心维度对问题进行全方位拆解与剖析,确 ...
2026-09-28 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-09-28CDA数据分析师 出品 作者:李诗怡 1. 用户标签体系 定义: 通过一系列高度精炼的特征标识,对用户属性、行为与偏好进行量化刻画 ...
2026-09-24Pandas是Python生态中用于表格数据处理的核心库,广泛应用于数据清洗、统计运算、报表输出、数据分析建模等场景。在处理极大数值 ...
2026-09-24