湖北
为了更好的使用结构化战略思维，需要学会使用以下工具，并遵循相关原则：
- 数字说话
- 洞见优于表象
- MECE原则
- 假设为前提
其中，“数字说话”和“洞见优于表象”是结构化思维中，比较重要的使用数字分析的科学方法和行为准则。
下面教大家如何识别数字中陷阱，及从杂乱数据中洞见真相？
一、原则1：数字说话
结构化战略思维是一种以数字为基础、通过严密逻辑进行推导的思考方式。
在当代社会，数字至关重要，几乎所有真相最终都会被转化为数据，并以数据的形式呈现和存储。然而，单独的数据本身并不能传达任何含义，只有在数据与逻辑结合的情况下，我们才能发现并表达真知灼见。只有在这种情况下，数字才算真正“说话”。
数字说话是结构化战略思维的核心原则之一，它涵盖了数字及相关逻辑。然而，在运用数字进行结构化战略思维来分析问题时，我们需要特别注意以下几个数字陷阱：
1、数字会骗人的
数字是客观的，但数字的产生、筛选和解读都可以人为干预甚至被污染。当数字说话的时候，作为听众的我们必须有一双明辨真伪的耳朵，做出自己的独立判断。
直接用假数字是最低级的，处于骗术鄙视链的最底部。还有许多更“高明”的“合理合法”的数字误导手段。比如以下：
- 以偏概全：是一种常见的误导手段。例如，零售店铺门口的“50%折扣”大牌子可能会吸引顾客进店，但极小字注明“部分商品”，实际上只有几件商品半价，而大部分商品价格并没有降低。
- 选择性提供数字：是指只挑选对自己有利的数据点，以误导人们得出与客观事实完全相反的结论。比如在波动曲线中，故意只选择有利的数据点，就可以制造出符合任意斜率的上升趋势图谱。
- 偷换概念：也是一种常用的误导手段。比如，某教育机构广告声称“全国用户超过4亿”，而“用户”的概念可以包含“注册用户”、“试听用户”、“付费用户”和“活跃付费用户”等等。而广告中的“用户”数字可能指的是历史上累计的所有注册用户，这个数字自然远远高于大多数听众理解的“活跃付费用户”的数字。
- 潜在的误导或“坑”：例如，某公司的商业计划书中描述：“本公司营业收入连续三年增长20%以上，是健康且稳步增长的高科技企业。”这个陈述的前半部分是基于事实的陈述，而后半部分则是一个结论。然而，这样的推断中存在着至少十几个潜在的误导或“陷阱”等待着我们。数字的事实依据并不一定能直接推导出“健康且稳步增长”的结论。比如：
收入vs利润：尽管收入增长了20%，但实际利润如何呢？企业在路演材料中没有明确提到利润数据，这可能是因为实际数字可能并不理想。
行业增速：20%的收入增长在某些高速发展的行业，比如十几年前房地产等，可能仍未达到行业平均水平。
基数：初创公司的初始收入通常较低，若使用百分比增长可能就会具有误导性。因此，对于初创公司来说，更应该关注公司收入的绝对数值。
主营业务收入vs非主营业务收入：比如企业性质是互联网企业，收入增长主要是由于房租收入，那么公司的估值可能需要重新评估。
现金流：尽管收入增长迅速，但如果应收账款的账期较长，或者仅依赖于单一采购方，那么现金流可能面临较大的压力，甚至可能导致企业面临倒闭的风险。
数字并非完全客观，相反，具有相当的欺骗性。我们需要时刻保持警惕，养成怀疑所有数字的习惯，并培养具备常识推理和独立判断数字真实性的能力。
面对任何数字，我们应该首先假设其不准确。“先小人后君子”，主动验证是思辨者的责任。只有那些经得起调研和深入质疑的数字才值得信赖。
2、关注少数特例
数字说话原则不仅要求我们理解数据中的结构规律，还要对那些不经常发生的少数特例保持特别地关注，并进行深入挖掘。
举个例子：Y公司在培训结束后收集学生对老师的课后评估，评估采用1到5的五个级别，其中5分为最高分，表示“最满意”。在参加培训的20人中，有19人给了5分，而有1个同学却给了1分（表示愤怒），这是一个极端负面评分。对于这样的统计，通常我们会采取“去掉一个最高分，去掉一个最低分”的常规做法，然后取一个中间值，以取得共识。然而，与那19个满意的分数相比，这个1分可能为我们提供了更多信息和启示。
这个1分可能是出于主观意愿，也可能是误操作。如果是误操作，学员错误地认为1分代表满分，这说明了流程和问卷设计需要改进。改进的方式有很多，例如使用“笑脸”和“囧脸”图标来替代1~5的数字范围，以减少对评分者的误导。
如果是基于主观原因，那么这位同学显然感到非常生气，通过简单的访谈就可以了解到这其中的原因。后续的回访果然带来了一个令人意外的发现：这位同学是唯一的少数族裔，而讲师在课上使用了很多与这个少数族裔相关的笑话。让这位少数族裔同学觉得受到了侮辱。在一些国家，种族歧视可能导致公司面临数百万美元的罚款，因此少数特例的作用不容小觑。
3、过去的数据无法预测未来
数字说话原则建立在“过去的数据在一定程度上可以预测未来”的基础上。在结构化战略思维中，数据发挥着主导作用，但作为思辨者，我们必须认识到在一些特殊场景下，数字可能失效。换言之，过去的数据未必能准确预测未来，历史数字也可能失效！
例如，在发现黑天鹅之前，人们普遍认为天鹅的羽毛都是白色的。因此，人们在定义“天鹅”时通常会使用“羽毛是白色的”这一判断条件。然而，当第一只黑天鹅出现时，人们以前对天鹅的定义遭到了挑战。这更是过去的数据根本无法预测这种事情的发生。
因此，在应用数字说话原则时，我们应该避免说得过于绝对。尽管相对少见，但世界上存在“不可知的未知”。一旦遇到了“黑天鹅”，数字说话原则就宣告失效。
二、原则2：洞见优于表象
1、什么是表象？什么是洞见？
“表象”是我们每天都能碰到的看起来纷繁无序的事件和各种信息。“洞见”则是能够连接所有相关表象的筋络，是表象背后的根本原因。
洞见的价值远远超过表象。作为结构化战略思考者，我们的职责是在纷杂的表象中寻找并提炼洞见。
比如：小张最近频繁失眠，面部出现了5个痘痘，还不小心弄丢了钥匙，甚至去错了厕所。这些看似杂乱的现象都是表象，那么洞见是什么呢？洞见即是小张状态不佳的真正原因。在这种情况下，洞见可能是“小张承受着巨大的工作压力”，这一点可以解释前述所有的表象。
找到了这个根本原因，也就是洞见，所有相关表象的产生便能得到完美的解释，再之后离找到解决方案就很接近了。如果我们分别去解决单一的表象问题，就会既浪费资源，并且还治标不治本。
在海量的数据中萃取洞见的能力是数字决策的核心，我们可以通过五个简单步骤来练习寻找洞见：
- 寻找数字中的规律和趋势；
- 寻找极端的数字及其含义；
- 对比参照数据并分析差异；
- 寻求其他相关信息；
- 推演并提炼洞见。
2、提取洞见应用举例
