前一篇文章我介绍了逻辑思维，讲解了演绎和归纳这两种基本的推理方法。在结尾处我给了一个用基本的演绎和归纳方法推导复杂结论的例子。
问题来了，用什么结构建立起这样的逻辑大厦呢？有没有固定的模板可以学习？
本篇就讲解以下数据分析思维中另一个底层思维：结构化思维。
结构化分析的主要工具之一是逻辑树。这是麦肯锡公司的咨询顾问分析问题时最常使用的工具。
逻辑树有三种类型，分别是：问题树、假设树、是否树。
问题树也有翻译成议题树的。网上搜索逻辑树一般会默认是问题树，往往忽略了后两种。
这三种逻辑树结构类似，但是有不同的使用前提，合理的使用它们，对于我们分析问题和制定解决方案能起到事半功倍的效果。
议题树
当对问题不了解 ，或者需要对问题进行全面的分解以确保不遗漏任何一个方面时，可以使用议题树。即：在解决问题的初始阶段使用议题树。
议题树的结构如下：
MECE原则
问题的同一层级必须遵循MECE原则。
MECE（MutuallyExclusive,CollectivelyExhaustive）的意思是“相互独立，完全穷尽”，发音是me see。
在思考问题的过程中，我们需要将问题进行分解，每一层级的问题与问题之间没有重复、交叉、相关性，就是“相互独立”，而每一层级中务必不出现遗漏，就是“完全穷尽”。
这个原理比较容易理解，不多说。
如何建立问题树？
建立问题树有两种方式，一种是自上而下，一种是自下而上。
自上而下做分解。
比如我们要完成100万元的业绩，可以从哪些方面入手呢？
因为销售的最终目标是客户，所以我们可以将客户分类，对不同的客户群体采用不同的营销方式。
根据MECE原则，客户无非是三种。
陌生的新用户
正在跟进的用户
已经购买的老用户
因此，我们可以在逻辑树的第一层，划分这样三个类别。
根据业务常识，销售额=流量×转化率×客单价。所以我们在三个群体下分别有三种策略。
根据上述的策略，再往每一个子分类中添加具体的对策。
这样经过一层层的演绎推理，最终形成了一个问题树。我们将一个大问题拆解成了一个个可执行的小问题。
其中，第一层的分类最重要，它决定了你整个结构的整体功能。
不过这个分解方式没有标准答案，你在运用的过程中，得根据实际问题，找到对问题的解决最直接有效的切分方式，比如：
侧重于分而治之的，可以按空间维度进行分类：新客户、跟进中客户、老客户；或者业务A、业务B、业务C；
侧重于进度把控的，可以按时间维度进行分类：第一个月、第二个月、第三个月；
侧重于战略聚焦的，可以按重要程度进行分类：机构客户、普通客户；
侧重于目标达成的，可以按演绎逻辑进行分类：流量、转化率、客单价、复购率。
资深分析师相比新手分析师，最大的区别就在于能够找到更好的分类维度。这种差距是业务思维上的差别，我将在之后的文章再详细解读，本文不做深入。
自下而上做聚合
自上而下演绎法的好处是效率高，可以很快速地就把问题结构化。
可是，这种方式有个前提，就是你得对问题的解决方法有深刻的理解，能够快速找到恰当的分解角度，或者大脑中已经有了现成的结构可以直接使用，比如：销售额=流量×转化率×客单价。
如果没有现成的结构，或者找不到分解的角度怎么办？ 你可以尝试使用“归纳法”自下而上地提炼结构。具体怎么做？
第一步：收集信息。在这一步，我们把所有收集到的信息，都一条一条地罗列出来。
第二步：分类。在这个环节中，我们要按着信息的属性、特点进行归类，确保在同一组的信息都属于同一个范畴。
第三步：概括总结。在这个环节中，我们要根据每个分类的特点，给每个分类写一个具备总结功能的标题。
举个例子:
比如想要销售额提升一倍，怎么办呢？
如果你没有对业务的整体认知，那么可以召集团队成员，一起开个头脑风暴会议，大家一起想一想有什么方法。
经过激烈的头脑风暴会议，大家列举出了很多的想法：
约客户吃饭
请客户喝咖啡
陌生拜访
公众号合作
电商合作
老客户回访
挖掘新用户
线下活动
。。。
这些信息杂乱无序，我们进入第二步分类，用归纳法把类型相同的信息分成一类。
比如电商合作、公众号合作、线下活动属于渠道类，请客户吃饭、请客户喝咖啡等属于沟通类。陌生拜访又属于挖掘新用户下面的一种方式。
然后是第三步概括总结。渠道类里，电商和公众号属于线上渠道，线下活动属于线下渠道。经过这样的梳理分类逐渐清晰。然后再根据每个分类下的情况，删除重复的内容，增加缺少的内容。
比如用户类型里有挖掘新用户、老客户回访，因此需要增加一个跟进中用户。
但到了这一步还没有完，我们依然要遵循MECE原则。
这样的分类，有渠道、有沟通方式，还有用户类型。用户类型明显和前天类型不是同一个维度的内容。所以我们可以选择把用户类型放到上一层。
最终通过自下而上，构建了一个和之前类似的逻辑树。
自上而下和自下而上，到底哪种方法比较好？要看不同的的情况。
自上而下呢适合我们的目标特别明确的时候。比如你参加竞聘，这时你的目标就非常明确，一定是从上往下搭建结构会更好。
自下而上适合我们没有目标的时候，比如年底写工作总结的时候，一开始往往不知道怎么归类。那就把一月至十二月所有的事情列出来，然后按照你的工作内容进行分类，之后再将每个类别概括出一个结构，最后再将这些结论往上概括出一个总结论来，便完成了金字塔结构的搭建。
但是，在实际工作中，不太可能只用一种方法就把结构建完，一定是两种方法同时使用。
假设树
当你对问题已经有了较为充足的了解时，可以用假设树分析问题。
假设树是针对问题提出了某种假设的解决方案，需要验证假设是否成立时的使用方法。换句话说，假设树用于验证假设。
假设树的结构如下：
对于某种假设方案，只有当所有论点都支持该方案时，该假设方案可以得到验证，否则会被推翻。对于每一个论点同样可以进行分解，直至分解到可以被基本假设证实或证伪。
假如需要针对X公司制定“提高销量”的方案，我们在了解了公司各方面的情况之后，觉得该公司可能可以通过研发新品来获得销量提升，遂绕过问题树的方法，直接提出“X公司应该研发新产品”这一假设。
为了验证假设是否成立，则可以构建如下假设树。
只要我们将第三层次的7个论点进行验证，就可以证明“X公司应该研发新产品”这一假设是否合理。
这种方式实际上就是对问题先做演绎或者归纳，列举出前提或者是论据，然后用数据验证这个推理是否正确。
假设树这种分析方式相比议题树效率更高。假设树针对问题所提出的假设，不用将问题的所有方面都考虑到，只要能够验证假设合理或者不合理即可，这是其与议题树最大的不同，加快解决问题的进程。
不过还是那个问题，怎么建立假设？一个问题究竟如何提出正确的假设？在看到让X公司“提升销量”的问题时，为什么要提出“X应该研发新产品这样一个假设”，而不是“增加销售渠道”？
这个问题依然还是业务思维的范畴。
是否树
是否树相比假设树还要更简单。
是否树的主要形式是：先提出一个问题，然后对这一问题进行是否判断，分析的结果只能是“是”或者“否”；
然后接着进行下一轮判断分析，继续得出分析结果“是”或者“否”。是否树的结构如下：
在使用是否树进行分析前，对一些结果应已有标准方案。如果答案为“是”，就可以应用实现准备好的标准方案。如果答案为“否”，那就需要再进行下一轮的判断分析，对具体情况进行具体分析，根据结果确定解决方案。
比如，以下是分析产品战略的一个简单的是否树：
通过图中的分析，根据不同的结果，就能够确认最终合适的方案是哪一个。
最后，说一下三种逻辑树的区别和其适用的场景进行简单的分析。
问题的初始阶段，尚不明确具体情况，需要对问题进行全盘分析时，使用议题树；
对问题已经有一定了解了，并且有了一种假设方案，对假设方案进行验证，使用假设树；
对问题不仅足够了解，且针对一些结果已经有了标准方案，需要在方案中进行选择时，使用假设树。
使用逻辑树有以下优点：
1）通过“树干”和“树枝”的搭建，找出问题的所有相关项，以此确保问题获得完整的解决；
2）通过问题与问题的关联，识别哪些是必须的，哪些是证明前提假设的重点；
3）个人使用时能帮助理清思路，将大问题分解为利于操作和解决的小问题；
4）团队使用时，能将大问题分解为小问题再落实到个人，避免责任不清。
总结
以上这些方法看起来平平无奇，似乎都是我们生活中部分觉知和使用的。麦肯锡最厉害的地方在于，把我们习以为常、自动化思维的做法，经过提炼和梳理，形成系统化的方法论。
严格执行这些方法论，可以消除不确定性，让结果稳定、可靠、可达预期。即使是一个刚毕业的大学生，按照方法论分析的结果也不会差到哪里去。
以上是解决问题的基本思维结构，很多的分析模型都是建立在这几个结构之上。
比如矩阵模型，实际上就是通过2×2的矩阵列举出MECE的四种情况，算是问题树的另一种表现形式。
为什么我不一上来就直接写矩阵分析、漏斗分析这类分析工具。因为如果不把这些更底层的东西说出来，很多人不懂得什么时候用什么工具，也不懂得工具如何变通。
前一篇的逻辑思维是建立结构化思维的基础，本篇的结构化思维是后续更复杂分析的基础。
工具是思维的延伸，不改变思维，就算掌握了正确的工具也未必能得出正确的结果。
数据分析思维系列会继续更新，欢迎关注。
