1、战略思维：从正确的问题开始
“如果给我 1 个小时解答一道决定我生死的问题，我会花 55 分钟来弄清楚这道题到底是在问什么。一旦清楚了它到底在问什么，剩下的 5 分钟足够回答这个问题。”——阿尔伯特·爱因斯坦。（Albert Einstein）
许多书籍和学科都涉及到战略思考这个主题。然而，这里有一条经验法则可以帮助你将战略思维压缩为一句话：“问正确的问题。”
爱因斯坦是否说过这些话并不重要，但这个观点是成立的，因为战略思维就是提出正确的问题。
当我们从顶级 MBA 商学院招聘战略顾问时，会筛选那些具有战略思考能力的候选人。我们通过检查他们在案例面试中解决问题时，是否能提出正确的问题，来做到这一点。在咨询行业，我们可以将这个词与“分析思维”互换使用，这也是我们首先衡量潜在候选人是否合适的方法。如果求职者在某一项面试中失败了，他们就会自动被拒绝。
接下来你会发现，问正确的问题对于解决问题的每一步都是至关重要的。
2、抽象思维：建立层级
“人的思想自然倾向于过度简化问题，因为只有通过抽象和概括，人们才能发挥他微弱的能力，拥抱无限广阔宇宙中的一个微小部分。”——詹姆斯·乔治·弗雷泽（James Goerge Frazer），（The Magic Art and the Evolution of Kings）
“抽象思维”（Abstraction thinking）与“简化思维”（abstract thinking）不同，它听起来可能很抽象，但实际上并非如此。抽象思维可以帮助大脑建立一种“思维上可理解的”复杂问题的层次结构。
我第一次接触到“抽象思维”是在我作为工程师的早期，它经常被应用在复杂系统的层次表示中。例如，机器代码或固件是比应用软件和算法低几个层次的层。其他的例子还包括：
建筑：建筑的蓝图是比实际建筑更抽象的一个层次，旨在捕捉建筑的基本特征。
音乐：交响乐的音符是一个层次，乐器和管弦乐队是另一个层次。
其理念是，每一层都可以在没有上面的层的情况下存在，但需要下面的层发挥作用。
“抽象思维”在复杂或非线性系统中特别有用。正如我将在后面演示的那样，解决真实世界的业务问题，需要深入研究相关数据以支持假设的能力。在当今高度复杂的世界中，我们被大量数据淹没，高效地做到这一点是一个巨大的挑战。
当我们考虑数据时，可能谈论的是数十亿个数据点。对于一个人的心智能力来说，像十亿这样的数字是一种高度抽象的东西，因为大多数人都只能在心理上处理两位数或三位数的数字。“抽象思维”可以帮助人类理解抽象概念，理清细节层次，捕捉系统的相关特征。只关注对单个问题或子问题至关重要的内容，可以降低系统的复杂性。
3、结构化思维：关注相关性和层次
“界限关乎建立结构，而结构对于建立任何繁荣的事物都是必不可少的。”——亨利·克劳德（Henry Cloud）,《边界》（Boundaries）
我早年作为管理顾问学到的最有价值的技能之一就是：结构化思维。
“结构化思维”的重要性可能不那么明显，但工作和生活的每个方面都是围绕着能够有效地结构化思维、计划和数据等的。这种思维需要相当多的经验来掌握。然而，有几个启发式和技术，它们可以被我们用来提高自己的结构化思维能力。
其中一个工具是问题图，也称为假设驱动方法。在问题图中，基于由主要问题衍生出的战略目标的问题和子问题，制定了一个假设。整个思考过程将由问题和假设主导，然后提出正确的问题，以树状结构（如下所示）来帮助证明假设。
image.png
最后一步是分析。在进行分析之前猜测假设似乎很有挑战性，但事实并非如此。其理念是，在假设中做出一系列正确的猜测，即使这些猜测（后来）可能被证明是错误的。
因此，问题图被称为假设驱动方法，因为假设是分析的指导。这也有助于测试实际的可行性。
这里有一个经验法则，要验证分析是否能证明和/或否定假设，只需检查分析的结果，问：So What？
如果你觉得有必要更深入地研究这个问题，你可以在芭芭拉·明托的国际畅销书《金字塔原理》中读到相关内容。《金字塔原理》更深入地探讨了这个概念。麦肯锡最初尝试将 MBA 应届毕业生的培训正规化，“结构化思维”就是其原则，后来明托在她的书中推广了这一做法。
4、批判性思维：证据可靠吗？
“幸福的秘诀是把举证的责任推给不幸福”——罗伯特·布劳特（Robert Brault）
批判性思维是我们在高中学到的东西，一个我喜欢的话题，但我的许多同学讨厌它。然而，批判性思维是解决问题的思维链中重要的组成部分。
我们可以把“批判性思维”类比于法庭辩论。对于每一项指控，都要像控方那样行事。检察官有排除合理怀疑的“举证责任”。
因此，假设将与指控相似，而数据和分析将与法庭上的证据相似。
一般来说，反驳一项主张要比证明一项主张容易得多。所以当分析完成后，退一步，试着反驳它。只需要一个反例就可以证明这个假设不成立。
5、费米思维：建立一个基础
“费米估算法可以像热刀切黄油一样切掉无关信息。”——大卫·爱泼斯坦（David Epstein），《成长的边界》（Range: Why Generalists Triumph in a Specialized World）
我想起自己刚从大学毕业时遇到的第一个面试问题：“世界上有多少架飞机拖船？”
我当时并不知道，这样一个问题到底有什么用？直到我开始工作，才意识到通常被称为“费米思维”的这一思维的有用性。
“费米思维”是以物理学家恩里科·费米（Enrico Fermi）的名字命名的一种启发式估计技术。费米以能用很少的数据进行精确的近似计算而闻名。比如，他 1945 年在曼哈顿计划中对引爆的原子弹威力进行了估计。很难想象，费米估计的一万吨 TNT 炸药是根据爆炸时他从手上掉下的纸片所传播的距离计算出来的。
费米问题通常是极端的、无法用数学或科学方法解决的问题。如果你听说过费米，那你可能对费米悖论和德雷克方程很熟悉，它估计了银河系中智能文明的数量。
虽然费米估计几乎总是无法做到精确，但它能提供一个经得起考验的近似值。
费米思维的有用性能延伸到多个维度，这里有几个例子可以说明如何利用费米思维。
在进行数据分析之前，先验证一个断言或假设
评估和/或验证潜在的错误估计或数据源
评估市场机会，并识别空白区域
进行“快速且粗略”的大致估计
6、系统思维：区分线性和非线性
“系统思维是一门看到整体的学科”——彼得·圣吉（Peter M. Senge）
系统思考是一个庞大的主题，其理念是确定手头的问题是线性系统，还是非线性系统。
在线性系统中，问题通常可以通过检查和识别线性链中最薄弱的环节来解决。因此，它们可以很容易地建模、理解和诊断。
相反，一个非线性或复杂的系统有许多相互依赖的组件，并且经常相互作用。这使得建模变得困难，因为这些相互作用使得部分不可能被从整体中分离出来。因此，解决问题必须采用全面的方法。非线性复杂系统的例子包括供应链、组织结构、团队互动、开发项目等。
克服这一挑战的方法是，通过对复杂系统进行抽象建模，来解决复杂系统中的问题。
这里的经验法则是，对于系统思维，永远在进行分析之前先区分线性系统和非线性系统。
7、涌现思维：把所有东西放在一起
“越来越复杂的结构的出现，似乎是我们不断进化的宇宙的本性。——亚历克斯·维库洛沃（Alex M. Vikoulov），《思维进化的五个范例》（The Syntellect Hypothesis: Five Paradigms of the Mind’s Evolution）。
为什么鸟儿结队，鱼儿成群？有几个原因和假设。首先，有理由相信，掠食者会认为群体或团队是一个单一的、可能具有威胁的大型有机体，这将阻止掠食者的攻击。同样很明显的是，捕食者发现攻击群体或团队中的个体，比攻击单个动物要困难得多。反过来也有可能：羊群或鱼群通过合作捕猎比个体单打独斗更有效。
术语“涌现”（Emergence）在本质上指的是复杂的形成，这些复杂的构造是复杂系统中自组织的性质。这个想法很简单：“简单的规则导致复杂的结果。”
在 20 世纪 80 年代，克雷格·雷诺兹（Craig Reynolds）提出了一个关于这一现象的非常简单的模型，被称为博伊德模型（Boid’s model）。他的目标是开发出真实的群集行为的计算机图形。因此，他写了一篇著名的论文 Flocks, herds, and schools: A distributed behavioral model。在那篇论文中，雷诺兹提供了一个简单的模型，在这个模型中，个体按照重要性的顺序遵守三条规则。
第一条规则是避免碰撞，它只有一个目的：避免与同伴发生碰撞。
第二个规则是速度匹配，它确保个体通过相互匹配，在速度和方向上是同步的。
第三条也是最后一条规则是羊群中心，它确保个体与同伴保持接近。
很难想象，这一套简单的规则，可以在没有任何中央命令的情况下，创造出以上这些复杂的系统。这些复杂的系统之所以能够形成，完全是因为每个人都要遵守三个简单的规则。
康斯坦茨大学（University of Konstanz）马克斯·普朗克研究所的研究人员对鱼群进行了研究，他们得出的结论是，“无知和信息不足”对鱼群的恢复力和完整性以及鱼群的生存，具有非常重要的影响。他们认为，让信息不足的个人参与决策，最终会使群体决策民主化，并防止极端主义个体在整体上产生不成比例的影响。
例如，在领导团队或组织集体时，可以通过去中心化和个人主义来实现集体智慧。这些规则将个人影响力和集体智慧之间的摩擦最小化，同时又不会扼杀创造性解决问题的趋势、以及随之而来的共同创造和合作等想法。
此外，它是一种“通过确定一套简单的规则，并将其作为原则和经验法则，来应对日益复杂的世界”的能力。
在解决问题的过程中，运用上述“6种思维模式+涌现思维”作为处理问题的规则，可以产生更优化的解决方案。
<<<陈辞令 学习笔记
网友评论