数分人必知必会 | 分析方法：逻辑树方法

原创内容

No.767

数分人必知必会 | 分析方法：逻辑树方法

为什么你的分析没有用？逻辑树梳理清楚了么？

图片由夸克AI绘制

分析不知道从哪里下手或者做了半天，结果被老板说没有用是每个数分人职业生涯都经历过的崩溃时刻。那么有没有套路拯救一下我们苦逼的数分狗呢？有的，看到这里就知道是包有的！

逻辑树分析法严格来说是一种思考问题的方法论，如果大家对麦肯锡的金字塔原理有所耳闻的话就大概率知道这么个方法。MECE原则和“问题树/逻辑树”的构建方法，基本已经是咨询行业的标准工具了，虽然我在咨询行业只做过一年时间，但是这套方法论基本已经刻在了脑子里。

逻辑树（Logic Tree）是一种把大问题一层层向下拆解成更小、更具体、更可操作子问题的可视化工具。说是可视化工具，但其实核心在于思考本身的过程而非软件工具本身，白纸手写也是完全可以的，只不过通常情况下我们会采用一些思维导图工具，比如XMind、幕布等工具，编写的过程就是我们思考这个问题的过程。

逻辑树的价值不在于“画得多漂亮”，而在于把“一团乱麻”拆成“一手可摘的果子”。在遇到看似无解的大难题的时候，就可以考虑画一棵逻辑树，让答案自己长出来。

逻辑树一般情况下长这个样子：

• 树干＝核心问题（Root Question）
• 主枝＝一级子议题（Big Branches）
• 细枝＝二级、三级……直到可以落地的行动点（Leaves）

在拆解逻辑树的时候要遵循 MECE（Mutually Exclusive, Collectively Exhaustive）的原则，说得俗一点就是相互独立、完全穷尽的原则，确保逻辑树上的每一个分支不重不漏即可。

对于这类偏方法论相关的内容，非常推荐大家去看看MBA智库上的案例，虽然很多内容从现在的视角来看有点过时，但是这些内容对于我们日常工作中处理一些问题很有启发。

对于逻辑树这个方法论的经典解释就是费米问题。

顺便一提，如果有人想去咨询行业从业的话，费米问题是一定要熟悉的，咨询公司面试的case 面经常要问费米问题。

费米问题是说在零数据或极少数据条件下，用常识+拆解+平均律把一个看似不能回答的大数，快速估到正确的数量级。

如果你在面试的过程中遇到这样看似很不着调的面试提，大概率就是面试官在用费米问题试探一下你的思维逻辑：

-芝加哥有多少钢琴调音师？

-北京一年卖出多少杯奶茶？

-地球周长是多少？

-上海有多少加油站？

看似好像这问题在为难我，但实际上这种问题是有解题套路的：

step1,把未知拆成已知

用 MECE（不重叠、不遗漏）把大问题切成可常识化的小块。

step2，给出“合理区间”而不是精确值

每个小块用上下界（如“每家 2–4 人”）锁定，避免瞎猜。

step3，使用平均律让误差相消

过高、过低的假设相乘后趋于抵消，结果稳定在 1 个数量级内。

对于北京有多少奶茶店这个问题就可以拆解成下面四个步骤：

Step 1 明确单位：问的是“数量、人次、吨、公里”？

Step 2 选切入： · 需求端（多少人用？多久一次？） · 供给端（多少店？产能？）

Step 3 列公式+填区间

这里可以举几个例子：

市场需求量=北京一年奶茶杯数 = 常住人口 × 渗透率 × 人均杯/周 × 52

市场供应量=奶茶店供应的奶茶杯数 = 奶茶店平均员工数 x 奶茶师人均工作效率 X 奶茶店数量

价格战=市场供应量略大于需求量

固定成本=房租成本+人工成本+原材料成本=北京市平均房租X平均店面大小+奶茶行业平均薪资X从业人数浮动成本=奶茶平均单价X利润率

奶茶店利润=奶茶店收入-奶茶店成本=奶茶店卖出杯数X平均单价-奶茶店固定成本-奶茶店浮动成本

……

Step 4 计算+交叉验证 用多种不同路径算一次，看是否落在同一数量级，交叉校验把不靠谱的估计值给剔除出去。

总的来说，费米问题看似玄学但其实完全不是玄学，只是通过一些拆解把“无法回答”翻译成“常识+算术”的估算方法。掌握这个思路，你就拥有了在数据荒漠里一眼锁定数量级的超能力。逻辑树方法就是费米问题的核心思维方法论。

多数情况下，我们在企业中遇到的分析场景都不会是费米问题这种看起来就很扯的问题，反而经常是一些很具体的问题，借由逻辑树这种方法论，我们就可以按照下面步骤对问题进行拆解：

Step 1 明确问题 用一句不含解决方案的话描述，比如：未来 12 个月如何把净利润提升 20%？

Step 2 选类型 找原因？用问题树。找对策？用解决方案树。

Step 3 第一层 MECE 拆分 经典公式：利润＝收入－成本；收入＝单价×销量。按公式、流程、客群、地域、时间等维度拆分。

Step 4 继续向下直到「可行动」 判断标准：该节点能否在两周内由一个人或小组完成？若不能，继续拆。

Step 5 检查重叠与遗漏 用「三问法」：这一层是否相互独立？是否完全穷尽？是否可量化？

Step 6 加数据、加 owner、加 deadline 叶子节点旁边标注指标、负责人、完成日期，树一画完就是项目排期表。

根据使用场景的不同，逻辑树会分为下面三种：

问题树（Issue Tree） 用于找原因，结构是「Why」。 例：用户留存率下降 → 产品体验 / 竞品挖角 / 渠道质量。

解决方案树（Solution Tree） 用于找对策，结构是「How」。 例：提高产品体验 → 优化启动速度 → 删除冗余 SDK / 压缩资源包。

决策树（Decision Tree） 用于在若干方案中选最优，叶子节点带概率与收益。常用于算法或财务决策。

从企业分工来说，我们数据分析师往往要做到对问题树的拆解，和业务团队一起完成解决方案树的搭建，初步形成决策树的方案，请老板排版定夺。所谓的决策树，其实就是我们经常说得要让老板做选择题：几个方案，每个方案的优点缺点。