下载掌阅APP，畅读海量书库
立即打开
问题一经探究，就可能演变成一个模糊且复杂的问题群。所以，需要我们先找出该问题群的主要问题，并聚焦于先解决主要问题。
我曾帮助过一家全球知名的数码产品公司去减少客户的抱怨次数。初期要解决的问题是“减少客户抱怨次数”。学员们经过探究，发现有多种客户抱怨的类型：“售后应对不及时”“送修时间长”“返修率高”“现场支持工程师（Field Service Engineer, FSE）能力差”“无延保制度”“维修人员少”“装机报告不全”“库存不全”，等等。
这时，有哪些方法可以帮助我们遴选出主要问题呢？如图2-3所示，如果工作中有数据且数据是真实准确的，我们建议使用柏拉图分析；如果缺乏与问题相关的数据，但问题群里的问题是有相互影响的关联逻辑的，我们建议使用相互关系有向图，即ID图分析；如果没数据且问题之间也无相互影响的逻辑关系，则可以考虑使用选择矩阵来分析。这就是所谓的见招拆招。
图2-3 遴选出主要问题的方法
“柏拉图”也会被音译成帕累托图（Pareto chart），是19世纪经济学家维尔法度·柏拉图首创的，目的是把一大堆数据重组，排列成有意义的图表，从而指出问题的主次关系。
柏拉图分析与柏拉图原则的观点是一致的，该观点认为大约80%的后果是由20%的问题造成的。即使在我们的个人生活中，也很容易想到类似的例子。例如，在西方资本主义国家中，80%的财富被20%的资本家掌握着；我们每天80%的工作价值可能只来自那20%的工作；80%的时间你常穿的那几件衣服只占所有买的衣服的20%。我们通过所谓的柏拉图分析，就是要找到产生80%后果的那几个主要问题。
以上文提到的数码产品公司减少客户抱怨次数的案例为例。
我们选取与问题相关的“抱怨类型”为横轴，以“抱怨次数”为左侧的纵轴，按抱怨次数从高到低（“其他类型”放最后）依次画出各抱怨类型的柱状图，即每个抱怨类型的柱子的高度为这一类型的抱怨次数。在完成直方图之后，从左至右累加每个抱怨类型的次数并计算所累计的次数占到抱怨总数的百分比，以右侧的百分比为纵轴，把这些不断累计出来的百分比连成一条折线，最后此折线会趋于100%，如图2-4所示。
图2-4 减少客户抱怨次数的柏拉图分析-1
如图2-5所示，如果我们期待减少60%的客户抱怨数量，那么问题A和问题D都应该解决。即问题A和问题D为此次待解决的“顾客抱怨”问题群的主要问题，这两个问题都要解决。
如图2-5所示，如果我们期待要减少80%的客户抱怨数量，那么问题A、问题D和问题C都应该解决。即问题A、D、C为此次待解决的“顾客抱怨”问题群的主要问题，这3个问题都要解决。
图2-5 减少客户抱怨次数的柏拉图分析-2
柏拉图分析可帮助您专注于最重要的那几个问题，旨在将“次要的”“琐碎的”问题与“主要问题”区分开来。
当柏拉图分析中各类型的数据大小基本一致，即各类型的柱状图基本齐平时，说明横轴选择的维度与左侧纵轴的问题关联性不大。
多次的柏拉图分析，可以帮助你从诸多问题或模糊的问题群中找到主要问题。进行数据分析时，维度选择的先后次序不影响分析结果。在与本节相关的案例“杰克餐厅：选定问题”中会有更详细的示例说明。
柏拉图分析是以客观的数据分析为依据的，所以这样的决策比较客观。
相互关系有向图，英文叫interrelationship digraph，简称ID图。这是一种系统地识别和分析问题群中的因果关系，找出主要驱动性问题和主要后果的分析方法。
具体操作如下：
□列出问题群中的所有问题；
□寻找因果关系或相互影响关系，并用有向箭头标明（B→A表示：B导致A或B影响A）；
□统计每个问题的流出和流入的箭头数目；
□最大流出箭头数目的问题为主要驱动性问题；
□最大流入箭头数目的问题为主要后果。
在寻找因果关系或相互影响关系时，我们允许出现双向箭头，表示问题A与问题B之间是相互影响的。比如“工作量大”与“流失率高”就是双向箭头：“工作量大”会导致“流失率高”，而“流失率高”也会导致仍然在职的员工“工作量变大”。
以上文提到的数码产品公司减少客户抱怨次数的案例为例，如图2-6所示。
图2-6 相互关系有向图示例
首先列出问题群“客户抱怨”中的所有问题：“售后应对不及时”“送修时间长”“返修率高”“现场支持工程师能力差”“无延保制度”“维修人员少”“装机报告不全”“库存不全”。
之后，我们分析所列问题之间的两两关系。例如，是“送修时间长”的问题导致或影响到了“售后应对不及时”的问题，那么箭头是从“送修时间长”指向“售后应对不及时”。
依次遍历相互关系有向图中的所有两两关系。
记录每个问题的流出和流入的箭头数目，比如：“售后应对不及时”问题有7个流入箭头，没有流出箭头；“现场支持工程师能力差”问题有5个流出箭头，没有流入箭头。
那么这个问题群的主要驱动性问题是“现场支持工程师能力差”，我们看到的主要后果是“售后应对不及时”。
我们应该选择先解决主要驱动性问题，而不是主要后果对应的问题 。
如果我们先去解决主要后果“售后应对不及时”问题，那么在这个案例中，只要其他7个问题中的任何一个发生，“售后应对不及时”都会恶化，所以解决“售后应对不及时”的效果不会很好。
如果我们先去解决主要驱动性问题“现场支持工程师能力差”，那么通过5个流出箭头，我们可以发现“售后应对不及时”“送修时间长”“返修率高”“无延保制度”和“装机报告不全”这5个问题都会趋于好转，而且这些问题的好转还会继续积极地影响整个问题群。也就是说，先解决流出箭头多的主要驱动性问题会带来更多的良性“并发”效果！
柏拉图分析需要真实准确的数据，相互关系有向图需要问题群之间的问题存在相互影响的逻辑关系，如果缺乏与问题相关的数据且问题之间也无相互影响的逻辑关系时，怎么办呢？我们建议大家可以使用选择矩阵（selection matrix）这种分析工具。
选择矩阵，也叫作优先级矩阵（prioritization matrix）。
当我们面对多个可选的问题，需要权衡各种利弊做出选择时，我们可以应用选择矩阵帮助我们进行理性决策。
在选择矩阵的横轴上，我们会罗列一些与决策相关的选择标准（selection criteria）。选择标准可以是该问题的利益相关方的关注点和顾虑。常见的选择标准有：
□预期可获得的成果；
□销售收入/销量；
□成本；
□利润；
□紧迫性、严重性和影响范围；
□当前的困难；
□可利用的资源；
□方案的见效时间；
□趋势：恶化，维持原状，好转/消退；
……
当然，选择标准不限于以上所列内容。一般在使用选择矩阵时，选择标准以3个至6个为宜，列在矩阵的横行，而在选择矩阵的纵列上排列的就是问题群里的各个问题，如表2-3所示。
表2-3 选择矩阵
在具体分析过程中，我们会根据横行的每一个选择标准，对所有的问题进行纵向打分。纵向打分时，根据选择标准判断各个问题的优先级，可以打“高”“中”“低”，也可以打“3”“2”“1”分。例如，问题的“预期可获得的成果”越大，解决的优先级越高，得分也越高；解决该问题的“成本”越大，解决的优先级越低，得分也越低。打分与选择标准有时是成正比的，有时是成反比的。
如果纵列上有4个问题，你当然也可以打“4”“3”“2”“1”分。一般纵列上的问题数量大于等于5个时，我们打分时可以将若干个“3”分给予优先级高的问题，将若干个“1”分给予优先级低的问题，其余的问题给“2”分。
当我们针对每一个选择标准，对所有的问题进行纵向打分时，就是在考虑在这一选择标准下到底哪个问题优先。最后横向算出每一个问题的总得分，得分最高的问题应该就是最好地兼顾了所有选择标准的最值得解决的问题。如表2-4所示。
表2-4 选择矩阵之示例
可能有读者会思考是否需要给选择标准匹配对应的权重。如果在考虑每个选择标准下哪个问题优先时是基于感性的判断而不是客观数据，此时的选择矩阵分析的本质是定性分析方法。在定性分析时，本书不推荐给每个选择标准匹配权重值，因为权重的引入不会提高选择矩阵的精度。此时选择矩阵的分析精度是由考虑每个选择标准下哪个问题优先时的感性判断决定的！
使用选择矩阵的好处是显而易见的。通过选择矩阵的分析，可以在较短时间里获取利益相关方对于问题解决的先后次序的认同感。因为大家都知道这个决定兼顾了所有的选择标准，即所有利益相关方的关注点和顾虑。
在以后的工作中，希望各位读者可以活学活用柏拉图分析、相互关系有向图和选择矩阵，并能尝试组合使用。比如可以通过相互关系有向图先确定数据收集的方向，然后再根据收集到的数据来做柏拉图分析；也可以先做相互关系有向图分析，然后把流出箭头较多的几个问题纳入选择矩阵去讨论分析。
山姆接手杰克餐厅的咨询项目后，先与这家餐厅的老板鲍勃沟通了一次。鲍勃把减少顾客抱怨次数作为首要问题，因为他认为顾客的口碑对于餐饮行业非常重要。餐饮业有其行业的特殊性，真正美味的菜肴、良好的就餐环境和餐饮服务都需要通过口碑传播，尤其是当前的网络口碑营销对一个餐馆的知名度、客流量和翻台率是十分重要的。
山姆与鲍勃沟通后，感觉“减少顾客抱怨次数”是一个模糊的问题群，不知道从何处下手，所以他决定还是先和自己的智能机器人“脑门”讨论一番。
“脑门，我有个项目想和你讨论一下。”山姆开始向智能机器人“脑门”请教。
机器人“脑门”问道：“什么项目？说吧，山姆。”
山姆描述了一下杰克餐厅的相关情况，然后问“脑门”：“餐厅老板鲍勃给的减少顾客抱怨次数的工作方向是不是有点模糊？是模糊的问题群吧？”
当“脑门”开始思考的时候，黑眼圈上的白色眼眶灯和黑轮子上的蓝色轮毂灯都会闪烁起来。“脑门”开始分享自己的思路：“当我们需要从模糊的问题群里遴选出主要问题时，可以参考使用如下3个方法。如果工作中有数据且数据是真实准确的，建议使用柏拉图分析；如果缺乏与问题相关的数据，但问题群里的问题是有相互影响的关联逻辑的，建议使用相互关系有向图，即ID图分析；如果没有数据且问题之间也无相互影响的逻辑关系，可以考虑使用选择矩阵来分析。”
“‘脑门’，如果让你选，你会先考虑哪个方法呢？”山姆感觉没什么思路，所以继续追问。
“如果有数据，用柏拉图分析会更客观、更有说服力。”智能机器人“脑门”边说边原地转着它的两个轮子，蓝色轮毂灯也闪烁着，像是在系统里搜索着什么。
“好的，那我们就先去看看能否拿到一些和顾客抱怨次数相关的数据。”山姆撸了撸袖子，似乎要开干似的。
在随后的4周里，山姆对顾客进行了问卷调查，并从中整理出4周的数据，汇总成如表2-5所示的抱怨数据检查表。
表2-5 抱怨数据检查表
以下是检查表各列的说明。
“星期”这列：1=星期一，2=星期二，3=星期三，4=星期四，5=星期五。
“午餐/晚餐”这列：1=午餐，2=晚餐。
“抱怨类别”这列：1=服务生不礼貌；2=上错菜；3=环境不够好；4=食物太凉；5=等待时间太长；6=饭店太拥挤；7=食物不新鲜；8=其他。
智能机器人“脑门”看着这些数据，它的白色眼眶灯也高频率地闪烁了几下。“有了这些数据，你可以先做个柏拉图分析，看看有什么进展。”机器人“脑门”提示道。
山姆回答着：“既然餐厅老板鲍勃希望减少顾客抱怨次数，那么我们先将抱怨类型作为横轴画张柏拉图。”
山姆先统计出了抱怨类型的数据，如表2-6所示。基于此，他又画了第一张柏拉图，如图2-7所示。
表2-6 抱怨类型的相关数据
图2-7 关于抱怨类型的柏拉图分析
如图2-7所示，横轴是抱怨类型，左侧纵轴是抱怨次数，柱状图从高到低排列，“其他”项放最后。右侧纵轴是抱怨次数累计所占的百分比，即从左往右不断累加各抱怨类型的次数，所得的和占总次数的百分比，且这个百分比最后一定会是100%。
“通过分析第一张柏拉图，我们可以得出什么结论？”智能机器人“脑门”启发山姆进行思考。
山姆一边思考一边自言自语起来：“等待时间太长是主要问题，占抱怨总数的45%左右。如果我们希望明显地降低抱怨，比如降低60%，那么就得解决两个主要问题，分别是等待时间太长和上错菜。”
“那你觉得你把等待时间太长这个主要问题看清楚了吗？”“脑门”白色眼眶灯闪烁着黄光，像是暗示着山姆需要继续探索。
“其实看得还不是很清楚，‘脑门’你有什么好建议吗？”山姆问。
智能机器人“脑门”突然原地旋转起来并问道：“山姆，如果你要看清楚我的样子，只从我的正面看，能看清吗？是不是得从前后左右不同维度去观察呢？”
“只从正面看，当然看不清你的全貌。从前后左右不同维度去观察，当然看得更全面！”山姆觉得这个问题很容易回答，所以不清楚“脑门”怎么会突然这样问自己。
“其实分析问题时也是需要从多个维度观察和思考的，利用多次柏拉图分析，可以帮助你从诸多问题或模糊的问题群中找到主要问题。”“脑门”突然不转圈了，一本正经地讲道。
“Bingo！（好！）我懂了，我马上从不同的维度再分析分析！”山姆似乎悟到了什么：“既然等待时间太长是主要问题，那么究竟是星期几的等待时间太长而被抱怨得最多呢？”
山姆把横轴换成了周一到周五，画出了如图2-8所示的柏拉图。
图2-8 关于日期的柏拉图分析
“看来是周五的等待时间太长导致被抱怨的次数最多，接近该抱怨类型一周总数的60%！”山姆发自内心地感谢柏拉图反馈出来的信息。
“但是周五有午餐和晚餐两个班次，是哪个班次的等待时间被抱怨的最多呢？”山姆打开了自问自答的节奏。
山姆把横轴换成了午餐和晚餐，又画出了第三张柏拉图，如图2-9所示。
图2-9 关于班次的柏拉图分析
“从第三张柏拉图分析来看，是午餐这个班次的顾客抱怨比较多！”山姆仔细盯着电脑上的柏拉图。
这时“脑门”白色的眼眶灯又闪烁起黄光，轻声地问了一句：“山姆，如果把三张柏拉图组合起来分析，你能得到什么结论呢？”
“把三张柏拉图组合起来分析？”山姆喃喃自语道：“那就是……星期五午餐班次的等待时间太长是目前‘顾客抱怨’这个问题群的主要问题？！”
“Bingo！你答对了！”“脑门”的白色眼眶灯也不时闪烁着绿光，似乎在为山姆的分析点赞。
“应用多次柏拉图分析，果然可以把模糊的问题群看清楚，从而找到主要问题。”山姆若有所悟地说道，“接下来，我得把多次柏拉图分析做成多张PPT去说服项目团队，主攻‘星期五午餐班次的等待时间太长’这个主要问题。”