核心步骤：议题拆解

本文是问题解决框架的第三篇，讨论基于结构化思维的议题拆解方法。

议题拆解是问题分析的核心环节，通过它来把复杂问题变为易于解决的简单问题。

[本文] 问题拆解：根据结构化思维及业务理解对复杂问题进行逐级拆分

[待发] 价值判定：议题的优先级排序

[待发] 制定工作计划：基于5W2H分析法给出整体执行方案

[待发] 项目汇报：商业汇报该如何做？

[待发] 方案执行与反馈：基于PDCA循环，实现持续的迭代优化

分析问题的基本流程是收集信息、描述发现、得出结论，进而提出方案。

那么信息是否越多越好呢？No！

信息过载会导致降低工作效率、难以从海量数据中挖掘认知。

我们应该从哪里入手，收集什么样的信息来支持分析，这就需要问题拆解来帮助我们化整为零，逐个击破。

问题拆解基本方法

搭建议题树（诊断框架），从树中各部分主体及他们之间的关系寻找突破点。

搭建议题树是将我们思考问题的过程显性化，并且通过结构化方式呈现的方法，

通过结构化来帮助我们梳理思路，避免混乱和遗漏。

一个良好的议题树应符合“母题先行”、“以上统下”、“归类分组”、“逻辑递进”四个原则。

母题先行

议题树搭建的目的是解决在上一步中界定的问题（我们可以称之为母题），

母题应是整棵议题树的出发点，从而保证后续分析方向不跑偏。

以上统下

这一原则表明议题树下层与上层间的关系，应该是上层母题拆解得到下层子议题，子议题的解决则是为了解决母题来服务。

例如系列文章第一篇概述中提到的那个如何把大象放进冰箱的例子，

母题：如何把大象放进冰箱？

子议题1：如何打开冰箱？

子议题2：如何放入大象？

子议题3：如何关闭冰箱？

不重不漏

不重不漏即结构化思考中核心的MECE原则

各部分之间相互独立，相互排斥，没有重叠（Mutually Exclusive）

所有部分完全穷尽，没有遗漏（Collectively Exhaustive）

比如说，为了分析某电商平台各典型用户群的消费特征，需要先明确用户定位。经过头脑风暴后，列出了这些关键词，男性，小孩，成年人，老人，女白领，宅男，二次元少女。

看似丰富的用户标签，但是我们仔细分析，可以看出这些标签中存在大量重叠或遗漏的情况，

男性和小孩/老年人/成年人之间均存在部分重叠；

既不是二次元、也不是白领的年轻女性则没有包含在内。

那么，要如何做到不重不漏呢？

不重叠主要依赖于逻辑能力，最简单的一个方法是在每一层拆解时只基于一个维度，例如刚才讲到的分析用户特征。

第一层可以从性别划分，分为男性、女性；

第二层可以从年龄划分，将男性女性分别再分为小孩、青年人、中年人、老年人；

通过这种方式，可以继续细分......

但每一层都是通过单一维度进行划分，因此保证了不发生重叠。

不遗漏相比不重叠其实需要更多的行业知识和经验，

对于简单的问题，例如性别，男性、女性可以很简单的完全cover，

对于复杂的问题则不然，例如做公众号行业的调研，我们要绘制出行业图谱，列出行业中的各个角色及它们间的关联。

这项工作想要做到不发生遗漏，势必要拥有一定的行业经验，或是通过专家访谈、咨询，资料检索等来实现。

逻辑递进

前三个原则分别从议题树的原点、上下层间的关联及拆分逻辑进行了规范，

逻辑递进则是对同一层级间的各项子议题顺序做出的要求：

即同一层级间各项子议题需符合一定逻辑顺序，并且仅存在一种逻辑顺序。

逻辑顺序有三种：时间顺序、结构顺序、重要性顺序。

时间顺序

例如为了达成某个目标需要依次采取的行动（第一步、第二步、第三步），刚才说到的大象问题的子议题就是典型的根据时间顺序排序。

结构顺序

例如造一辆车，可以采用自上而下、从前向后、由内而外的顺序进行描述，底盘、轮胎、发动机、主控台......

重要性顺序

例如为了提升电商成交额，我们分别需要提升广告投放点击率、加购率、付费率、客单价等一系列转化漏斗上的环节指标。

那么在分解议题的时候，我们应该将哪个部分放在前面呢？

假设通过测算，我们预期的广告投放点击率、加购率、付费率、客单价对成交额的提升贡献分别为0.1%、0.2%、0.12%、0.3%，

显然顺序应该是客单价、加购率、付费率、点击率。

几种常见的议题树

议题树在搭建时，各层级间要遵循一定的逻辑结构，

主要的逻辑结构有：因果关系、空间关系、相似性

需要注意的是，

每个层级的构造只能基于一种逻辑结构，

但不同的层级间可以灵活地使用不同的逻辑结构。

基于因果关系搭建的议题树

常见的互联网公司用户指标体系基本都是基于因果关系进行搭建，

例如DAU = 新增用户 + 留存用户 + 召回用户，

DAU发生异动时，势必是分拆的这三个部分发生了变化，导致了DAU的变化。

基于空间关系搭建的议题树

转化分析是典型的空间关系型议题树，

这是一个电商产品的用户行为路径的示例，

在确定各个需要关注的行为后，填入各个行为人数及各行为间转化情况，能够很方便的看出哪些环节流失率高、哪些环节转化率较差等等。

基于相似性搭建的议题树

基于相似性，对可能的原因进行归类。

例如某激励型App利润下降，

可以先拆解为收入和成本，

收入变动可以拆解为内/外部，

成本又可以拆解为积分（激励）成本和非激励成本。

本文是问题分析框架系列的第三篇，

介绍了通过搭建议题树拆解问题的基本方法，以及搭建议题树的四大原则和三种常见的议题树逻辑结构介绍。

希望通过阅读本文，你能够在实践中，掌握议题拆解，化整为零的问题分析法，避免无法找到入手解决问题的切入点。

参考书可以买这本《金字塔原理》，是结构思维的必读书目，本文中涉及的MECE及各项逻辑结构在里面都有更详细的讲解。

下一篇我将介绍拆解后各项议题的价值判定法——如何对各项议题解决的优先级进行排序。

80/20原则来说，80%的工作价值是通过20%的工作内容来实现的，价值判定就是帮助我们抓住重点突破。

为你推荐

问题分享框架系列文章（一）：学习问题解决的重要性和基本步骤

问题分享框架系列文章（二）：问题界定

不懂LTV，怎么做用户增长？详解用户生命周期价值计算方法及示例

玩数据必备Python库：Numpy使用详解

觉得不错，请把这篇文章分享给你的朋友