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）
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：
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
如果对方年龄太大，你立马可以排除；在年龄合适的人里，你再看他长得怎么样，颜值爆表、每天看着他的脸都可以不用吃饭的，那就别问下去了，马上就在一起。如果长得还行，那就继续看看他的收入，以此类推。
由于决策树越接近顶端的因素，重要性越高。所以你对相亲对象的要求，按重要性来排序就是年龄>颜值>收入>性格。当然，这只是一个半开玩笑的举例，以便你理解。
决策树在商业环境中的用途也是相关广泛的。我随便给你举几个例子：
如果你现在是银行的信用卡主管，你会给一个申请者多少信用卡额度呢？这本身就是一个决策树模型能解决的问题。你要做的，就是找出决策树中重要的支点与支线，譬如是否高学历、是否高收入、是否在500强、是否有负债、是否已婚、是否有房产等等。当一个申请者落在好的分支里，那就获得高额度；落在差的分支里，就得到低额度。
最近，我给集团做了一个精准媒体投放的建模项目，说白了就是这个思想。
为了找出市场中高价值的潜在消费者，并对他们投放广告，我们用决策树等模型去提高媒体投放的转化率，效果相当理想，比传统投放的ROI要提高了好几倍。
后来，这个建模项目由于获得了认可，于是拿到了明年上千万的投放预算。
第六种 闭环思维
闭环，不是指封闭，而是指循环。
在商业界，最著名的闭环应该当然是戴明环，又叫PDCA循环。
图片来源：网络
PDCA循环的起源，要追溯到20世纪20年代，有一位叫沃特的统计学家所发明，由戴明所改良与普及的，最终演变成了科学管理的一个非常重要的工具，帮助企业或组织持续性地改进质量，被广泛应用于新产品开发、供应商管理、人力资源管理以及各种项目管理之中。
Do是最基础的。哪怕一个从不动脑子的人，他也知道去做，就像富士康里的车间工人一样。
聪明一点的人，他就会做Plan。在行动之前，先分析目标是什么，用什么方式去实现最有效率，识别潜在的问题、障碍与风险等等。能做好这一步的人，已经超过了80%的朋友了。
还有没有更聪明的人呢？有，那就是会做Check的人。他们会去追踪与评估自己的行动是否已经达到了目标，有哪些差距，有哪些改进空间。他们有总结与反思的习惯。阶段性就会复盘一次，可能是每天，可能是每周，也可能是每个月，总结出成功的经验与失败的教训。如此勤奋思考的人，已经超过了95%的朋友。
那么，还有没有更加聪明的人呢？还真的有。那就是会做好Action的人。他们能够把经验教训都标准化成为下一次行动方案，让成功继续成功，让踩过的坑不再去踩。这就是最难的知行合一。
这个闭环思维为什么重要？因为它指明了一条螺旋式上升的发展途径
图片来源：网络
这个思想理解并不难，但在生活与工作中用起来是不容易的。
PDCA思想在日本十分受欢迎，研究也很多，推荐去看看这本日本人写的书：
