在《万物皆数》这本书中,作者追溯到 150 万年前的旧石器时代,原始人类经过一代又一代的思考、琢磨和传承,打造出了“手斧”形状的工具,它可以用来砍树、割肉、在毛皮上钻洞以及挖地等。尽管手斧的形状各不相同,但它们都有一个共同的特点:对称。这不是一个巧合,而是原始人类在脑海中有了“数学”的思维。
数学是一门研究数量、结构、空间、信息等概念的学科,在人类社会发展的过程中发挥着非常重要的作用,被广泛应用到很多不同的领域中,包括工程、医学、经济学、计算机科学等。
下面介绍的数据认知思维模型,也属于数学的一种应用。
一、为何学习数据认知思维模型?
数据是信息的基础,而信息是决策的基础。只有提升数据认知能力,才能做出更加科学的决策,进而有运筹帷幄的空间。
数据认知模型可以帮助我们去伪存真, 透过现象洞察事物的本质, 找到问题的根本原因。把握其潜在的运行规律,预测未来发展的趋势,进而做出更加科学的决策。
虽然数据是过去历史的产物,但它却能成为我们未来行动的指南。如果我们能充分利用数据相关的工具和技术,提升自身的认知水平,就能更加有效地解决一些比较复杂的难题。
比如,医生通过化验来收集病人的相关数据,分析数据指标是否异常,然后对症下药并给出相应的治疗方案,帮助病人恢复健康。
再比如,企业通过收集市场的相关数据,分析产品、客户和竞争对手等的相关情况,确定未来的战略方向和战术打法,帮助企业获得利润的增长。
对个人来讲,当你能熟练运用数据认知模型之后,就能更加有效地用数据化解决难题,把问题想得更加透彻,从而让数据发挥出更大的价值,让自己获得更多的发展机会。
二、什么是数据认知思维模型
我们在这里定义的“数据认知思维模型”,是指通过数据分析提升认知水平,并在付诸行动之后,形成“三位一体”的增强回路。
数据不仅包括传统的数字和数学,还包括文字、照片、视频等内容。人类对自身活动的所有记录,都是数据的一种表现形式。
人类最近 5 年产生的数据,已经超过以前几千年文明的数据总和。而数据量越大,就越需要学习使用新的工具和技能,提升自己的数据认知水平。
在数据和算法的加持下,人工智能已经变得非常强大,不仅下围棋的水平远超人类,而且还能作曲、画画、聊天……人工智能程序 ChatGPT 给出的答案,已经超出了很多普通人,有人甚至用它来辅助写论文、写代码、写报告,等等。
随着技术的发展,我们能获取的数据将会变得越来越多,但关键还是在于我们能否从中分析和挖掘出有价值的信息,帮助我们做出正确的决策,并付诸行动,真正实现用数据赋能成长。
三、 如何提升数据认知的水平?
在《数商》这本书中,作者涂子沛提出了高数商的 10 大原则:
原则 1:记录数据
勤于记录,善于记录,敢于记录。勤是习惯,善是方法和工具,敢是勇气。很多人不愿意、害怕面对自己的记录,所以“敢”也是一个问题。
没有记录,就无法追根溯源,也就无法进行深入的分析,如同无本之木、无源之水。
原则 2:要事分析
定性分析与定量分析相结合,综合运用数据分析的思维。包括目标思维、对比思维、细分思维、溯源思维、相关思维、假设思维、逆向思维、演绎思维、归纳思维等。
按照 SMART 原则进行量化,分类遵循 MECE 法则。运用金字塔原理和结构化表达的方式,以一定的次序、格式或者图表呈现数据分析的结果,经过日积月累的练习,就能逐渐提升数据认知水平。
特别注明 | ||
SMART | 代表 | 详细 |
S | 具体(Specific) | 指绩效考核要切中特定的工作指标,不能笼统; |
M | 可度量(Measurable) | 指绩效指标是数量化或者行为化的,验证这些绩效指标的数据或者信息是可以获得的; |
A | 可实现(Attainable) | 指绩效指标在付出努力的情况下可以实现,避免设立过高或过低的目标; |
R | 相关性(Relevant) | 指绩效指标是与工作的其它目标是相关联的;绩效指标是与本职工作相关联的; |
T | 有时限(Time-bound) | 注重完成绩效指标的特定期限。 |
原则 3:实数求是
从数据中寻找因果关系和底层的规律,让数据成为“感觉的替代品”,这是数据分析的使命。以实“数”求是的态度,学会用数据说话。基于客观事实和对业务的理解,提出符合实际情况的建议。
原则 4:预测未来
运用概率思维,知道未来是多种可能性的分布,预测未来发展的趋势,进而做出更加睿智的决策。
尽管未来充满不确定性,但我们可以充分利用数据的价值,努力让自己活成确定性。
原则 5:假设检验
通过实验和测试,收集更多的数据,经过大胆假设和小心求证,不断追根溯源,寻找真正的因果关系。
原则 6:学以致用
学会用幸存者偏见去分析一些社会现象,把所学知识应用到实践中去,一方面可以检验知识的适用性,另一方面也可以加深对知识的理解。
原则 7:隐性知识
试着用数据去解读生活中的一些隐性知识。比如,通过记录每天晚上的睡眠时间,与白天的精神状态和健康状况建立关联。
原则 8:反对混沌
数据代表清晰,高清晰是有效管理的前提,我们要反对混沌、差不多以及神秘主义的文化。
比如,情绪就像一团乌云,但一旦我们能量化它,它很可能就消散了。所以,善用数据之后,控制情绪的能力也会得到提高。
美国杜克大学的心理学家威廉姆斯,提出一个识别、控制自己情绪的有效办法。当你有一种负面情绪产生的时候,就马上记录下来,例如意识到自己可能要生气,不管出于什么原因,当这个想法一露头,就把原因和状态写下来。
记录的过程实际上是一个思考的过程,很多情绪是天然产生的,但你主动关注并记录下来,它就被提交给了理性,你的大脑就有机会对其进行思考。
我用数据赋能系统来量化和记录自己的情绪,经过实践的检验,确实起到了非常好的效果。
原则 9:搜索技巧
网上还有更多的搜索技巧,你不妨尝试把它们找出来,也许你将打开一扇新的大门,对于提升数据认知将会很有帮助。
原则 10:分析工具
熟练运用 Excel、SQL、Python 等数据工具,可以起到事半功倍的效果。
按照 DIKW 模型:数据是知道这个世界发生的基本事实。信息是从事实中统计出一些客观规律。知识是基于客观规律产生独特的洞察。智慧是掌握多种不同的分析思维模型。
一旦你能熟练运用多元思维模型,懂得用思维去驾驭工具,那么数据认知水平将会迅速得到提升。
名词解释:
MECE法则,是麦肯锡公司的巴巴拉·明托(Barbara Minto)在《金字塔原理》(The Minto Pyramid Principle)中提出的一个很重要的原则,是一种很有用的分析问题的思维方法。很多高手之所以逻辑缜密,全都是依仗它的加持。
一、什么是 MECE 法则?
MECE(发音:me see)分析法是 Mutually Exclusive Collectively Exhaustive的首字母缩写词,中文意思是"相互独立、完全穷尽",即所谓的 "无重复、无遗漏"。
在按照 MECE 原则将某个整体(不论是客观存在的还是概念性的整体)划分为不同的部分时,必须保证划分后的各部分符合以下要求:
各部分之间相互独立 (Mutually Exclusive) — “相互独立”意味着问题的细分是在同一维度上,并有明确区分、不可重复的
所有部分完全穷尽 (Collectively Exhaustive) — “完全穷尽” 则意味着全面、完整,没有遗漏或缺失。
二、MECE分类的五个方法
1、二分法
二分法在日常生活中比较常见,其实就是把事物分成 A 和非 A 两个部分,如“白天、黑夜”、“男人、女人”、“国内、国外”、“内部、外部”等等。
2、流程法
流程法就是按照事情发展的时间、流程、程序,对过程进行逐一的拆解。
例如,景泰蓝的制作可以分为七个步骤:做胎、掐丝、烧制、点蓝、烧蓝、打磨、镀金。
3、要素法
要素法主要用于事物由哪些要素(或部分)组成,把一个整体分成不同的构成部分;但是,在拆解要素时要保持维度的一致性,否则有可能出现有重叠和遗漏的问题。
例如,某图书馆可以按楼层这个维度来划分:一楼、二楼、三楼(如图1);也可以按功能区域来划分:信息服务区、藏书区、阅览区、公共活动区、办公区(如图2);但不能把楼层和功能区进行交叉,否则符合和MECE法则(如图3)。
图1 符合MECE法则
图2 符合MECE法则
图3 不符合MECE法则
4、公式法
公式法是按照公式设计的要素进行分类,公式若成立,那么要素的分类就符合MECE原则。比如 GMV=客流量X客单价
图4
5、矩阵法
矩阵法就是把事物按二维矩阵进行分类或划分,例如说时间管理中常用的紧急且重要、紧急不重要、不紧急但重要、不紧急也不重要的分类方法就是典型的矩阵法。
图5
三、应用MECE法则进行分类的四个步骤
一般可以通过以下四个步骤来运用MECE原则。
第1步:确定范围
在应用MECE法则之前,首先要明确问题的范围和边界;也就是要明确当下讨论的问题到底是什么,以及我们想要达到的目的是什么。这也让”完全穷尽“成为一种可能。换句话说,MECE中的”完全穷尽“是指有边界的穷尽。
第2步:找到合适的切入点
切入点是指准备从哪个维度来对事物进行划分,切入点应该要有共同的属性是什么。比如,是按位置分、按功能分还是按结构序列分?同一事物可以按不同的维度寻找不同的切入点,切入点不同,对事物划分的结果也会截然不同;在找切入点的时候,一定要记得以终为始!这个时候要反复思考,你当初要解决的“问题”或当初分析的“目的”是什么。换句话说,你希望分类后解决什么问题,得出什么结论。请时刻记住“以终为始”!
应用MECE法则,高手和菜鸟的区别往往就在于,高手能以独到且合适的视角寻找到好的切入点。
第3步:继续往下拆分
对于拆解出来的要素,可以继续往下按照”MECE法则“进行拆解,但是,始终要记住”你进行拆解分析的目的是什么?”要以终为始,不能为了拆解而拆解。
图6
第4步:检验是否有遗漏或重复
结合逻辑树结构图,用可视化的方式对分类拆解的结果进行检验,看看是否遗漏?是否有重叠?当然,有时也可能出现这样的情况:经过拆分之后,仍然有几项不属于不知道归到那一类,但这几项还比较重要,这时你可以试着加一个类别——其他。(但尽量不要出现”其他“的分类,如果出现”其他“,则极有可能是我们还没有想清楚)。
同时,请记住,随着事物的法则和认知的深入,原来的逻辑结构图有可能会发生改变。如果可以,尽量适时调整优化。
四、注意事项
MECE法则虽然好用,而且实用,但是应用的时候也要注意几点:
1、要明确目标:始终要记住:“进行分类、拆解的目的是什么?”,不能为了拆解而拆解;对于同一事物,可以从不同的维度去分类和拆解。
2、讲究层级一致:同一层级应该是同一类别和属性;例如,前面对图书馆的空间进行分类的方式,就说明了层级一致性的重要性。
3、多积累理论框架和管理模型:成熟的理论框架和管理模型,可以帮助我们有效的进行分析和拆解,而且很实用。
同时,MECE法则也有缺点:
MECE法则虽然对复杂事物的要素进行了完整和独立的拆解,但是事实上,被拆解各个分解要素之间是相互影响的,现实中的问题往往是一个复杂的网状结构,因而,MECE法则层层拆解的树状结构是不适用的。
MECE法则是偏静态分析,而要素之间的关联依赖和影响,要素之间相互影响的过程路线是动态分析,动态加静态结合的分析才是完整的分析,由要素间相互影响和作用形成的动态平衡架构则是我们需要的系统思维。