如何把问题拆解到底？怎样成为解决问题的高手？
这篇文章，我们主要讲两部分：
第一部分是如何科学地把问题拆解到底；
第二部分是，拆解到底以后，还要学会用对比的眼光看数据，这样才能不被一些细小的问题所迷惑。
麦肯锡的“MECE法则”：
要把问题拆解到底，单纯的问题树结构还不够，因为但凡涉及到问题树结构都会涉及到“MECE法则”（Mutually Exclusive Collectively Exhaustive），中文意思是“完全穷尽、相互独立”。
换句话说，它的意思就是，把所有的分类情况都包括在内，又没有逻辑上重复的地方。
图为“MECE法则”代表的含义
为什么我们要知道这个概念？
因为要找到一个问题的最终的答案，我们就一定要保证所有的假设情况都得在我们的考虑范围之内。只有一个问题树结构MECE了，才能最终保证是穷尽的结果。
那到底怎么样才算是MECE呢？我来给你举个例子。
比如，把任何一个群体都分成30岁以上的人群和30岁以下的人群。这样其实不算MECE。因为这恰恰把正等于30岁的这个人群漏掉了。所以，正确的完全穷尽又相互独立的MECE分法应该是说30岁以上的人、30岁的人及30岁以下的人，这样才是真正MECE的分法。
图为分类是否“MECE”的图例
我们再举个例子，比如说头痛，怎样通过MECE来穷尽头痛的原因呢？
头痛可以分为生理性和心理性两种，这其实就是一种MECE的分法，因为生理和心理已经穷尽了头痛可能的所有原因了。
当然，这两点还可以继续再往下分。我们可以把生理性再分为外部和内部。外部就是头部撞击、过敏、恶劣天气引发头痛等等。通过这样的分法，我们就能够得到一张穷尽的头痛原因的表格了。
其实，解决任何问题都有点像去医院看病，我们每个人都带着一个特别大的问题和现象而来。你可以跟医生说，你看我头痛了，这个时候医生就会问你各种问题，然后做各种检查。最终定位到一个很明确的问题点上。之后要做的其实每个人都知道，就是对症下药就好了。所以，其实在解决问题的时候，我们每个人都可以是自己的医生。
但是，各种问题到底该怎么分类，或者说我到底该怎么分类才能保证这个东西是MECE的呢？
所有事物的分类方式都有两种，一种是并列结构的，比如头痛的生理性、心理性两种分法。还有一种是数理结构的，像我们前面讲的谷歌部门的那个业务公式的例子，最终把一个部门的业务变成一个数学公式。这两个一种是有等式关联的，是一个数学公式，另外一种是并列结构，没有等式关联的。
我们在做分类的时候，应该要尽量去寻找那种有数理结构的分类方式。也就是说能够公式化一切的方式。因为这是最能保证科学分类的最理想的方式。
比如，利润可以分成销售总额减去成本，总收入可以分成N个细分产品收入的和，每一个产品的收入可以分成单个产品的定价乘以总的产品销售数量，这些分法都是可以公式化的。通过这些分类的方式就一定能够得到一个MECE的结果，因为这种分类的方式其实本质就是数学公式的拆解。
当然，很多时候数理分类还是有局限的，难以避免地还是要用到并列结构这样的分法。人群可以分成男和女，汽车可以被分成公用汽车和私家车，这些都是并列结构的分法。这种时候，往往就要考验我们对于一些事物常识性的理解。
比如一家餐厅的成本怎么分呢？往往可以分成三部分：房租成本、人力成本和原材料成本。这其实就是对餐厅有基本了解的人都会采用的一种分法，因为他们知道餐厅的成本结构就是这样的。但是，如果你完全不了解餐厅这项业务，再怎么想都很难。
所以，一个是要熟识你所在领域的业务和常识，一个是要经常提问和学习，这样你就能够获得更多的信息，对更多的领域有自己的一套理解，你就能够更好地拆解问题了。
饮料厂案例
MECE的问题树结构如何解决问题呢？我们再举一个实际商业中的案例。
假设一家饮料公司的利润下降了30%，我们之前的假设，是说人力成本的提升是造成这家公司利润下降的主要原因。我们现在就用一个MECE的问题树结构，把相关的问题点都清晰地罗列出来。
我们知道：
利润 = 收入 - 成本；
成本 = 人力成本 + 仓储物流成本 + 原材料成本；
收入 = 碳酸饮料收入 + 无糖饮料收入 + 茶饮料收入 + 矿泉水收入
通过这样一个问题树的结构，我们就可以清晰地分辨出这个业务的成本结构和收入结构是怎样的。然后我们就可以根据之前所讲的假设驱动去验证数据。比如，我们的假设是人力成本上升造成的问题，我们就可以一步步验证成本是如何变化的，人力成本又是如何变化的。
在这个案例当中，我们最终验证的结果发现，不仅人力成本没有上升，而且整体的成本比例也没有变化。这就很有意思了。可能这和我们之前的假设就不一样了。那么，我们要做的就是调整、修正我们的假设。这个过程在实际解决问题的过程当中也会不断地多次重复。
我们现在的假设就可以调整为，也许是因为某款产品的销量大幅下降造成了整个公司的利润下降，这也是一个比较合理的假设。在验证假设的过程中，我们需要收集所有产品的销量数据。最终我们也许会发现，该品牌下碳酸饮料的收入下降了比如说50%，无糖饮料的收入上升了10%，茶饮料的收入上升了80%，而矿泉水的收入则几乎保持不变。
这样，我们就可以知道，这次的假设很可能是对的，确实是某款产品的销售下降带来的问题。而这款饮料就是该品牌下的碳酸饮料品牌。从数据上来说如此，从感情上理解也很容易接受这个答案。你一定知道现在大众更追求健康饮食，所以这也是一个合理的结果。
横纵对比看数据
刚刚我们通过MECE的方式已经把一家公司的商业运营情况拆解到了最细。接下来，就进入我们所要讲的第二部分的内容，对比的价值。
其实，一家公司的内部数据不管如何被拆解，都只是一个特定时间节点下的结果，要真的让这个数据或信息产生价值，我们需要拿它去做一些横向或者纵向的对比。
什么是横向的对比？ 譬如说我现在有一家公司，今年盈利了100万。这个100万本身看起来好像特别厉害，但是如果我说这个行业里除了这家公司，其他每家公司的年营收都在1亿元以上。这个时候，就是进行了一个全行业的横向的对比，你就发现这家100万的公司好像也不过如此。
再比如，我们刚才提到的案例中讲到，碳酸饮料的销售额下降了50%。但这个时候，我们再横向对比一下，发现其他公司的碳酸饮料的销售额可能都下降了70%。这说明这个问题可能不是我们公司内部的问题，而是全行业的问题。而且，我们公司做的还比全行业好一点。
这样的话，我们要想的就不是提高碳酸饮料的销售额，而是怎么样从碳酸饮料转移到其他更有前景的产品身上。
讲完横向比较，我们再讲一下纵向比较。纵向比较就是我把企业内的某个时刻的数据去和历史上所有的数据做比较，去看这个大的趋势是怎么样的。 比如说你公司今年的利润下降了30%，老板可能觉得你们做得都非常不好，要扣你们的工资。但是，这个时候你就可以跟老板说，看我们去年的利润下降了50%，我们今年其实在比例上是有提升的。
所以说，单一的数据是不够的。我们拆解到最细以后，还要有能力去返回到更高的层面，去做横向或纵向的比较，最终得到的才是那个科学的答案。
最后，讲完了MECE和数据对比这两个部分，我们再来看看能不能用这两点去解决企业内部经常会犯的一些错误。
掩盖问题的平均数
我这里举一个最简单的例子，就是平均数。平均数这个概念下容易掩盖特别多的可能性，而且会带来很多的误导性。
比如，一个电商部门的下单用户平均客单价是300元。你就会觉得这个部门的用户画像是一群正常的白领人群。但是，这个时候如果你把业务和订单拆解就会得到一个很不一样的答案——
这个300元的订单金额也许是由3个10元订单、一个70元订单，还有一个1400元的订单组成的。我们可以算一下，3个10加上70，再加上1400，除以5也是300元。所以，只看300元这个平均客单价是解决不了问题的。我们通过对比这几个订单才能发现用户的画像到底是怎样的。
我们再来举一个更具体的实际商业中的案例。有一家公司是做网络游戏的，他想研究网络延迟率和页游用户的跳出率之间的关系。什么意思呢？就是我们经常玩游戏的时候总觉得这个游戏太卡了，如果这个游戏卡的时候，时间越长，是不是用户的跳出率就会越高？这个公司就研究了这样的数据。
结果它发现一共有2000个用户不管怎么延迟其跳出率都很低。但是，这个时候如果你拆分和对比就会发现，这2000个用户可以拆成1900个免费的用户和100个付费的用户。这1900个用户不管怎么延迟都不会跳出，因为我们大概率知道免费用户对于游戏体验的要求可能是非常低的。但是，再看那100个付费用户，在延迟0.5秒的时候就已经有85%的付费用户都跳出了，只是这一部分的比例在2000里面实在是太低了。
所以，如果不拆分和对比的话是完全看不出来这个趋势的。最后，通过对比免费用户和付费用户的数据，这家企业就明白了，要提高营收就一定要尽量降低延迟率，只有这样，才能留住最宝贵的付费用户。
以上，就是用MECE的方式把问题拆解到底，之后再用数据进行对比，从而找出核心关键问题的方法和步骤……