麦肯锡思维底层逻辑

来源:广东完美时空数字科技有限公司 发布时间:2020-02-21 15:12 已查阅:5511

作者:猫爷先生

来源:猫爷战略


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,在经济低迷的时候,89%的女性更倾向于买口红。


结合数据的相关思维,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



微信图片_20190819173904.png


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.gdwmsk.com




网站导航

广东完美时空数字科技有限公司 官网 站内导航

关闭
扫一扫添加微信

联系我们

电话:15362815380

邮箱:419908814@qq.com

地址:广东省东莞市南城区香园路万科769文创园5栋5楼