起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識如何用咨詢公司的“套路”構建策略?（二）
上一文《如何用咨詢公司的“套路”構建策略?（一）》我們分享了需求分析、確定目標和手段的方法。下面我們繼續探討如何學習咨詢公司的“套路”構建具體策略。
業務建?！獜臉I務中來，但別只從業務中來
我們的策略都是基于業務問題之上構建的，首先，我們當然需要去做需求收集、用戶訪談，但同時也需要去大膽質疑，此外，我們還需要拓展思維邊界，窮盡各種可能性。
這里，我們要提到的是麥肯錫的另一個顯性知識——MECE原則，所謂的MECE（Mutually Exclusive Collectively Exhaustive）指的是“相互獨立，完全窮盡”，具體而言，就是在做分析時列出解決方案的各項內容，并保證每一項內容都是獨立的，不存在包含或交叉的關系。此外，要想到所有可能的內容，不要遺漏，保證窮盡。
MECE原則聽上去非常簡單，但越是聽上去簡單的方法，在使用時越難操作，這就像大道理一樣，聽著都對，但知道了這么多道理，卻仍然過不好這一生。
其實MECE的正確順序應該是“完全窮盡”、“相互獨立”，其中，“相互獨立”無非就是在歸類時把相似的內容放到一起，保證各個分類相互獨立，而真正的難點在于如何做到“完全窮盡”。
大多數時候我們都是做不到“完全窮盡”的，每個人都有自己的認知邊界，也許我們已經絞盡腦汁，想出了自認為足夠詳盡的方案了，但當那些提升認知甚至顛覆認知的新觀點出來時，我們才深感自己的腦洞之狹窄。
那么，我們應該怎么辦呢？
1. 拓展人的認知邊界
因為每個人都有認知局限，所以，為了打破局限，拓寬認知邊界，我們就需要去向更多的人請教。
首先，我們自然需要去請教那些離業務最近的人，一切策略都應該從業務中來，但在挑選訪談對象時，我們應該對他們有一些大致的了解。總體而言，我們至少應該在小白、老手、領導這幾類人中各選幾個進行溝通。
其次，我們需要去請教行業大咖，這些行業大咖經驗豐富，他們可能出身業務，但視野會高于業務，如果身邊有這樣的專家當然最好，如果沒有的話，那么可以去看大咖寫的書，書中會有他們的中心思想。
但是不要僅僅只看某一個大咖的書，看一個人的書或是同類觀點的書，往往容易產生可得性偏見，拿著觀點當事實。最好是選擇觀點有很大差異的多個人的書，至少，他們的觀點是“相互獨立”的。
不過，大咖的觀點都是基于自己多年的經驗，難免會有經驗主義的影子。所以，我們還需要通過資訊或論文去了解最前沿的研究，在挑選論文時可以重點看那些做案例研究的論文，因為這類論文研究的都是最新的個例，往往可能刷新你的認知，而做實證研究的論文反映的大多是普遍規律，可以作為看書的補充。
2.?確定事的研究邊界
項目管理的五大元素中就有一項——范圍，也就是事的邊界，如果不能確定事情的邊界，就不可能做到所謂的“窮盡”。
在上一篇文章中講到過確定手段的方法，一方面是基于業務的需求和經驗，另一方面，還要借助于數據進行分析驗證。
首先，是驗證所選的手段確實能有效影響目標，之前提到過可以觀察變量之間的相關性。
其次，針對我們腦暴出來的想法進行驗證，我們在頭腦風暴、定性訪談中得到的想法可能五花八門，為了“窮盡”，我們榨出了所有能想到的可能性，但并不是所有的想法都要去實施或者能實施的，因此我們在實施之前應該進行想法的初步驗證。
舉個例子，以“人人都是產品經理”這個平臺的付費課程推薦為例，假如現在有一門新課叫“產品設計從入門到精通”，我們假設瀏覽產品設計類文章比較多的用戶應該都會感興趣，那么在做推薦之前，我們可以先做一個驗證。
我們通過數據分析發現，瀏覽產品設計類文章相比其他類型文章更多的用戶，之前購買產品設計類課程的比例并沒有其他課程高，那么說明瀏覽產品設計類文章這個標簽和購買產品設計類課程的意愿之間沒有直接聯系，可能只是因為平臺上產品設計類的文章更多而已。
再比如，我們假設電商促銷活動帶來的增量中，有很大一部分是對未來需求的透支，但通過數據我們發現，在促銷活動結束后，銷量只是跌回促銷前的平均水平，并沒有明顯的透支現象，那么在后續分析時，可以忽略透支效應的影響。
按照類似的方法，我們會否決一些觀點，也驗證了一些假設，在這個過程中不斷明晰此次研究的邊界。
算法建?！侥Ｐ椭腥?，但不只到一個模型中去
人工智能說來很火，究其本質其實就是一整套算法的融合，不管是傳統的機器學習算法還是深度學習，人工智能最終都是人類巧妙運用算法“呆板”的原則來解決現實問題的方法。
在完成業務建模之后，我們已經明確了要研究的具體問題和大致方案是什么了，那么接下來的工作就是將人話翻譯成機器語言。
在進行算法建模之前，我們先要理解算法的本質。算法的本質其實是在一定條件下，基于固有原則，將有限的輸入模式化輸出為結果的過程。這個定義是我自己瞎編的，由于不是算法出身，所以只能基于自己的理解來做分享。
下面我們就結合算法的定義，來概括一下算法建模的步驟：
1. 算法初篩
首先，為什么說是“在一定條件下”，因為任何算法都有自己的前提假設，比如運用回歸模型的前提是不能存在多重共線性，而嶺回歸除外，使用分類決策樹的前提是變量必須是離散的等等，因此我們完成業務建模后，需要由算法工程師協助進行算法模型的初篩，看一下哪些模型可以適用于當前場景。
2. 算法適配
“固有原則”是算法在理性方面優于人的重要原因，因為每一個算法都有不變的核心原則，他們會堅定原則并嚴格執行。人類雖然更加靈活變通，但也意味著人類很難堅持自己的原則，那么在復雜性極高的現代社會，人類就很難規避非理性因素，去找到本質的原理。
但是，算法正因為有其原則，所以必然存在局限性，那么我們需要做的就是進行算法的優劣勢對比。
就拿隨機森林和GBDT來比較，隨機森林訓練速度更快，且不用做特征選擇，但是缺點是在噪聲較大時容易出現過擬合。而GBDT的預測準確度更高，但并行計算難度大，且對異常值非常敏感。
在做具體的算法適配時一方面是基于現有的數據類型和數據質量，比如存在很多異常值的情況下，隨機森林的效果會優于GBDT；另一方面，可以用數據效果說話，用多個模型同時做訓練，最后評估各個模型的擬合效果，擇優選擇。
此外，我們甚至可以將場景進一步細分，然后進行模型組合，而要做到這一步就要求策略產品經理懂各類模型的原理和適用范圍。比如：我們做老品的銷量預測時，因為歷史數據足夠豐富，所以選用隨機森林的效果會更好，可以更準確預測在當前的季節、價格和流量下的銷售情況。
而對于新品或新的促銷形式，由于缺失數據，我們無法通過在歷史情形下的表現來預測銷量，因此可以選擇同類商品的數據進行回歸模型擬合，從而預測新品或新促銷形式下的銷售狀況。
3. 特征工程
“有限的輸入”指的是數據的有限性和特征的有限性，數據越多、特征越多，那么對應的計算量就會越大，因此很多時候我們需要在準確性和可行性之間做平衡。
數據的有限性很好理解，下面重點講一下特征工程。
特征工程指的是從原始數據中最大限度提取出特征的工程，說白了就是從現實中抽象出一個又一個的標簽來進行計算。
我們在構建對于一個人的印象時，也是習慣于簡化認知，給對方貼上各種的標簽，對于計算機而言，同樣也是基于類似的標簽進行學習、計算，然后形成自己的模型，只不過計算機的認知維度更高，它能處理更多維度的數據。
初期的特征選取是嚴格基于業務建模的，基于對業務的理解，我們對特征的重要程度會有初步的判斷，在服務器資源有限的情況下，我們可以基于重要的特征進行模型擬合，之后再逐步加入其它特征。
4. 算法優化
“模式化”指的是算法模式的固定性，現在已經有很多平臺開發出了建模的應用軟件，軟件中集成了很多模塊化的算子，即使不懂算法，只要知道輸入的內容和輸出的結果的意義，分分鐘可以上手建模。
那么，算法工程師的價值何在呢？
算法工程師日常有很多工作其實是在做算法調參，算法雖然是模式化的，但仍然需要通過參數的調整去進行模式微調，這個工作就需要依靠工程師的“手藝”了。
此外，算法工程師最大的價值還在于做算法改造，當工程師對算法的原理、內部數學構造都了如指掌之后，就可以進行改造和優化了，這就好比是鐘表匠，帶著放大鏡在每一個精密的零件上進行修改。
5. 效果評估
模型擬合完成之后，通過效果評估的指標數據，可以了解到模型的擬合效果。具體的指標不做贅述，但一定要在模型擬合后進行測試驗證，防止模型過擬合。
我們可以擬合多個模型進行比較，最終選取效果最好的模型，或是進行模型的組合使用，對于效果不佳的模型可以返回上一步進行調參或是改造。
能力積木組合——學會制造和使用工具
人和動物最大的差別在于會制造和使用工具，而工具對于人有兩方面的意義，一類工具是對人類現有能力的增強，比如望遠鏡是對視力的增強、電話是對聽力的增強、武器是對臂力的增強。
除此以外，還有另一類工具，比如測謊儀，熟悉測謊儀工作原理的朋友都知道，測謊儀并不一定能準確反映出一個人是否說謊，它只能記錄人在情緒有波動時的生理變化，測謊過程中最關鍵的還是測謊專家提出的問題。
首先，測謊專家會先問一些基礎問題，這樣做的目的是為了建立基線，從而觀察一個人在正常狀態下的生理指標。
接著，測謊專家會問一些核心問題，很多時候他們會直接說答案，讓嫌疑人回答是或否，那么當說到正確答案時，嫌疑人自然而言會因為緊張而引起情緒波動。
由此可見，測謊儀并不能直接測謊，而是更多依賴于人的經驗判斷，我們經常在美劇中看到這樣的場景，一些有經驗的嫌疑人會刻意在一些基礎問題上撒謊，以此來干擾基線的評測，也就是說測謊儀這個工具同時還可能作為嫌疑人騙過警察的工具。
既然測謊儀如此不靠譜，那么為什么破案時還是會廣泛使用呢？原因就在于，測謊儀提供了一個偵破案件的參考維度，它不能直接告訴我們真相，但能輔助我們去找到真相。
同樣，招聘過程一般會經歷簡歷篩選、筆試、面試等多個環節，其中HR在篩選簡歷時，會看應聘者的文憑、證書、成績，這些都是了解面試者的工具。而面試時往往會面試多輪，甚至跨部門交叉面試，其目的就是從多個角度來全面評估應聘者的能力。
對于我們的模型而言，很多時候不一定能準確反映事實，但它提供了一個參考維度，當我們的模型足夠完善之后，我們可以運用多個模型進行交叉驗證，從而更準確地給出結論，同時也能不斷豐富應用場景。
咨詢公司的厲害之處除了制造工具以外，還在于會組合使用工具，麥肯錫的“金字塔原理”提供的即是組合各項論據證明結果的邏輯框架。
具體而言，金字塔原理的運用分為兩步：
1. 逐層追因
沿著金字塔的縱向路徑，將要證明的中心結論進行逐層拆解細分，金字塔原理和杜邦分析最大的差別在于，金字塔原理是結論的整合梳理，而杜邦分析是拆解問題，從而找到癥結。
金字塔原理認為中心論點可由三至七個論據支持，這些論據本身也可以作為分論點來列明，被三至七個論據支持，如此延伸下去，那么每一層的結論都可以拆解為下一層的論據。
比如：我們要構建市場選擇策略，那么首先，應該定義什么市場是適合進入的，用戶需求未被滿足的市場？銷售機會大的市場？壟斷程度低的市場？競爭對手少的市場？還是符合品牌調性的市場？
接著，針對其中的每一項我們都需要有明確的標準，比如，如何證明壟斷程度低？是不是可以用經濟學里的市場集中度來計算（頭部企業份額和），或是用HHI指數（所有企業份額的平方和）來反映？
如何證明用戶需求未被滿足？是不是可以通過輿情和調研等多種手段來分析？
2. 交叉驗證
單一的維度很難強有力地證明一項結論，因此，我們需要從多個角度去尋找論據。
比如：要證明市場機會大，第一，可以從整個市場的銷售增長趨勢來看；其次，可以看當前市場各商品的銷量情況，如果商品不多且每個商品都賣的很好，那么說明還要較大的市場空間。
此外，還可以從用戶的瀏覽行為來看，如果用戶對該市場的關注度很高，但轉化不高，那么一方面可能是價格原因，另一方面可能是當前市場的商品布局還不夠豐富，因此可以加大投入力度。
任何套路都不可能完全套用，只有理解了套路的內核，才能見招拆招，化套路為神奇。
相關閱讀
作者：Mr.墨嘰，公眾號：墨嘰說數據產品
本文由 @Mr.墨嘰 原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基于CC0協議
贊