麦肯锡顾问的十大底层逻辑.pdf

发布时间：2022-06-01 发布人：admin 分类：说明书资料大小：1.28M 资料格式：pdf 举报版权申诉

zhiguozhu-11985386-4744302543326256457.pdf-第1页.png

第1页 / 共38页

zhiguozhu-11985386-4744302543326256457.pdf-第2页.png

第2页 / 共38页

zhiguozhu-11985386-4744302543326256457.pdf-第3页.png

第3页 / 共38页

zhiguozhu-11985386-4744302543326256457.pdf-第4页.png

第4页 / 共38页

zhiguozhu-11985386-4744302543326256457.pdf-第5页.png

第5页 / 共38页

zhiguozhu-11985386-4744302543326256457.pdf-第6页.png

第6页 / 共38页

zhiguozhu-11985386-4744302543326256457.pdf-第7页.png

第7页 / 共38页

zhiguozhu-11985386-4744302543326256457.pdf-第8页.png

第8页 / 共38页

文本预览

麦肯锡顾问的〸大底层逻辑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）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。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》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：

（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。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。

分享到：

赞收藏

资料库

麦肯锡顾问的十大底层逻辑.pdf

相关推荐

行业

热门标签

最新资料