一分彩

虽然没真正在顶级管理咨询公司麦肯锡里∞工作过，但由于我打交道的人大多都有些咨询背景——如，大老板是前麦肯锡№合伙人，有个同事是美国麦肯锡工作2年多——慢慢地，我♀也从他们身上学到了很多。

麦肯锡的人一般自带光环。因为能在麦肯锡工作的人，大多都是世界名校的高材生，或某企业高管等等。他们给人留下的印象就是特别聪明，仿佛什么难题到了他们手上都可以迎刃而解。

聪明，也是我对他们的印象。但这种“聪明”，更多是因为他Ψ 们比普通人更熟练地运用几种高价值的◥「思维方式」。经过长期的咨询训练，分析框架已经成为他们【的一种大脑本能。

其实，这些思维方式一点也不神秘，不管是不是做数据分析，都很实用也很容易理解。

下面给大家一一介▓绍：

第一种

分类思维

在市场营销中，有一个非常重要的概ζ念，叫Customer segmentation（顾客分层）。这其实就是分类思想。

由于年龄、收入与性别等因素的不同，人与人之间存在着不一样的生理需求与☆心理需求。而需求不一样的消费者组成了不同的细分市场。针对不同的细分市场，产品会有不〓同的定位。

所以，分类是精★准营销的前提。

同时，分类思想对于个人管理也很有用。

大家应〗该都有读过《高效能人士的七个习惯》这本书（推荐读读）

广告高效能人士的七个习惯+4原则 （全两◣册套装）
作者：（美）史蒂芬·柯维 克里斯·麦克切斯尼 肖恩·柯维等
当当

其中有一个核心概念，叫作“人生角色”。指的是，每个人每时每刻在扮演着多个人生角色，如儿子、父亲、朋友、丈夫、社团领袖、企业高管等等。

为了成为尽职※尽责的人，在制定周计划时就需要考虑每个角色的任务，缺一不可。唯有如此，在生活与工作之间才能取得平衡。

由此可见，分类思想能把复杂混乱的事情梳理出脉络，并逐个击破。

第二种 矩阵思维

矩阵思维是分类思维的一个延伸。

学过统计学的都知道，数据类型能】分成两种：Categorical variables与quantitative variables。后者有一个特点，能够被量▆化。

当你发现存在两个可量化的关键维度时，不妨分别【设成X轴与Y轴。

作为集团战略部门，每天面对的任务有很多，但哪个才是值得我们花时间去解决的呢？这个问题就显得非常迫在眉睫了。但是不怕，因为「有矩阵思维。

首先，我们对每个项目的“可行性”与“商业价值”进█行一次评分。然后，把这∑两个维度分别设为X轴和Y轴。最好，所有项目就会自动地分布在了四个象限之中。

显而易见，你的重点就应该放在第一象限的项目中，尤其是颜色最深的右上方△的那个项目，因为它的可行性最高，同时商业价值最ㄨ大。

除了个人管√理，还可以用来做市场╲分析。其中，最著名的莫过于波士顿管理咨询的产品矩□　阵模型了（BCG matrix）：

这不就是一个矩阵思维的体现吗，道理一毛一样的

所以，当你发现存在两个可量化的关键指标时，就可以试试做成一★个矩阵，说不定你会有意外新发现哦。

第三种 漏斗思维

最近，国内很流行一个来自硅谷的名词，叫“增长黑客”。这群人混迹各大互联网公司，是一个由来自产品、技术、设计等不同部◆门的人所组成的神秘兮兮的战略〓部门。有一本书把增长黑客讲得很透彻，推荐大家读读的。

广告增※长黑客实战
作者：范冰　著
当当

他们的主要任务，就是帮助公司业绩成倍地增长√。在一些公司里，增长黑客⊙是直接汇报给CEO的。可见他们的价值是非常巨大的。

但他们是怎么去实现这个高价值的呢？没错，核卐心还是这个漏斗思维。

增长∴黑客那本书中非常核心的一个概念，叫AARRR模型。其实就是一个漏斗模型。

漏斗的每一↘层，都①有一定的容量。漏斗越往下，容量越小。而层与层之间▼的比例，就是传说中的转化率。到了最底层，就是收入。

所以，要提高最终的收入→，原理很简单，就是把每一层的容量都扩大，或者，把下钻的转化率给提高。作为增长黑客的你，首先要学会去用数据去判断，哪个地方的容量太小，或转〖化率太低，然后再去制定方案进☆行针对性提高。

第四种

相关思维

几年前，“大数据”一下子火了。这要归功于一本无比畅销的通俗读物《大数【据时代》

广告大数据ζ时代必读套装：大数据时代+删除（京东〗套装共2册）
作者：[英]维克托·迈尔-舍恩伯格 ，等
京东

书中提出了几个（当时）挺新颖的观点。其中有一个说大数据关注的不是因果关○系，而是相关关系

这个表述虽然不准确，但至少反映了相关性是很重要的，尤其在数据种类与数理都非常丰富的情况下。

我们在媒体》里常常看到这样的报道，“百分之多少的人会更倾向于做〖某件事”。举个例子，有专家发现，在经济低迷①的时候，89%的女性更倾向于买口红。

结合数据的相关思ㄨ维，够帮助我们找︾出事物之间隐性关系。

虽然事物有千千万万，但事物之间的相关关系常见的也不外乎这♂四种：

图片来源：猫爷

（a）正相关：X数量越多，Y数量越多

（b）负相关：X数量越多，Y数量越少

（c）不相关：X数量与Y数量无关

（d）非线性相关：某一范围内，X数量越多，Y数量越多；超过■某一个拐点后，X数量越多，Y数量越少。

相关思维简单易懂，在商业中的用处很广泛。

打比方，现在你是你们公司的市场部经理，为了提高明年的销售业绩，你最█近进行一次分析，哪个媒体广告需要减少投资，哪个媒体广告需要增加投资？

关于预算】分配的问题，永远都让市场部头的人头疼。这种决策在过去△是（现在很多时候也是）老板们拍脑袋想出来的。那有没有更加科学一点的办法呢？

试试◤用相关思维来翻译这个问题，那就是：销售额与哪个媒体广告的◎投放量存在正相关←呢？

这个问题一下子就具体很多了，因为X与Y都是可以被很好量化的指标。只需要把过去︾几个月甚至几年的数据拉出来，Excel一算就可以知道了。

图片来源：网络

假设将横坐标的＠看作是产品销量（口红、粉底液、气垫、防晒霜等等），纵坐标≡看成是媒体投放渠道金额（微信、微博、爱奇艺、杂志等等）。那么，它们的两两之间的相关系数就会形成一张︻系数表。

蓝色表示两者相关关系比较强，红『色表示比较弱。那么，哪个产品更应该加大哪个投放渠道的投放量□　就一目了然了。

当然，这只是一个打比方◤。一√个严谨的投资决策肯定不能仅靠看一♀个维度或一张表就能解决的。但它给出了一个很不错的视角。

当你手头上拥有很多︼数据时◣，不妨来一次这样的数据探索（Data exploresure），说不●定会有什么新奇发现哦。

第五种

决策树思维◥

决策树（Decision tree），相信这个概念对于所有学过机器学习的人都并不陌生，因为这是一种入门级的算法。几乎每个初学者第一个接触的机器学习■算法都是决策树。

它很实用，也特别好理解，因为它跟人的思维『过程很像。

它既可以当做一个体系化的分类思维，也可以当做ㄨ一个流程图甚至是一个检查清单来使用。但不管你怎么用，决策树的▓框架都是不变的。

从顶端】一点开始，它一层一层往下展开。每一层都有若干个支点，而每个支▼点会分解成多条支线。就像下图一样。

图片来源：网络

那它究↘竟怎么用呢？让我来举个简单的例子

假如有一天⊙，你去参加非诚勿扰的相亲大会，由于你读过猫爷这篇文章，所以你打算在相亲节目中使用决㊣策树。

你的决策树长这样：

图片来源：猫爷

▼他们都〓选择了完美时空▼

完美时空，企业身边的创意营销专家！

领先的企业前端宣传服◥务商！

电话：15362815380

官网：www.reviewforus.com