1. 金字塔原理
1.1. 结构化分析
什么是金字塔？任何一件事情都有一个中心论点，中心论点可以划分成3～7个分论点，分论点又可以由3～7个论据支撑。层层拓展，这个结构由上至下呈金字塔状。
看一下运营中典型的金字塔思维：
我们活跃用户数在下降（中心论点），主要原因是竞争加剧（分论点），其次原因是新用户减少（分论点），老用户流失加快（分论点）。其中竞争加剧是因为竞争对手ABC出现（论据），新用户减少是ASO排名下降（论据）和渠道投入疲软（论据）造成，老用户流失是因为产品欠佳（论据）。我建议……
这是合格运营的结构化思考。如果你把它换成一名初级运营的思考方式：
Boss，我发现我们最近的ASO排名下降了不少，渠道投入也减少，导致用户数少了不少。对了，最近产品表现也欠佳，有几家模仿我们的竞争对手出现，对我们造成了影响。这个影响应该会让我们减少一些用户。我建议……
这一种表达方式就是有什么说什么，想到哪就是哪，接听者的思维方式被无序地牵着鼻子走，让人抓狂。
结构化思考我建议利用纸或思维导图工具画出来。我说过，人是依赖经验思考的，擅长的是线性思维：因为-所以-最终，不擅长深度的结构思考。思维导图是一个非常好的工具，擅加利用，已经完成一半。
（图片来源于网络，以《金字塔原理》的思维导图笔记作为范例）
结构化可以是三层，也可以拓展更多的分论点和层数。这一点大家想成我国语文教育中经典不衰的议论文作文模板：总-分-总结构（为什么作文要这样写，因为思路清晰，方便语文老师快速阅卷，用在思考是一样的道理）。金字塔思维则是总-分-再分。
1.2. MECE：相互独立，完全穷尽
金字塔原理有一个核心法则MECE，读作MeSee， 全称Mutually Exclusive Collectively Exhaustive，中文意思是相互独立，完全穷尽。它指导我们如何搭建结构。
相互独立，说的是每个分论点彼此应该没有冲突和耦合，都属于独立的模块。完全穷尽，则是所有的分论点都被提出，不会有遗漏。这一点看上去容易，其实很难做到。
回到我们活跃数下降的例子，它提出了竞争加剧、新用户减少、老用户流失三个分论点。竞争加剧，竞争对手涌入，本来就意味着竞争对手会掠夺你的新用户，而ASO排名是非零和博弈，竞争对手上升你的排名就会下降，也造成新用户减少。两个分论点并不完全独立，违反了MECE法则。那么应该怎么分？
1.竞争对手出现:
竞争导致ASO排名下降
竞争对手掠夺了新用户
2.新增渠道疲软：
投入减少
3.老用户流失：
产品欠佳
如何划分分论点，我们可以用事物间的不同特性划分，它本质上也是一个分类问题，目的是找出事物（论点）之间的共性。
比如活跃下降可以从新老用户展开、可以从产品不同模块分析等等。分析思路不同，则分论点不同，核心依旧遵循MECE法则。当然很多分析结构已经有前人总结，属于套路，诸如运营的核心拉新促活留存。
结构强调的是穷尽，也就是越多越好，而随着分论点的增加，结构会更加复杂，不便于梳理和总结，所以分论点需要强调在3～7之间。
实际上我们很难真正做到穷尽，因为不了解的因素、隐藏的关键、信息不对称、经验等局限都会阻碍思维，做不到穷尽。如何找出尽可能多的分论点？这里列举我的心得，这不是麦肯锡方法。
你首先要找到一个万能公式。
绝大多数的商业项目、数据分析、业务讨论，都可以抽象成公式：
利润= 销售额- 成本；
销售额=流量*转化率*客单价（客单价（per customer transaction）是指商场（超市）每一个顾客平均购买商品的金额）
购买人数= 地区A购买人数+地区B购买人数+……
地区A购买人数= 地区A新用户+ 地区A老用户；
此类公式均为小学难度，可很多分析项目就是能用公式化的思维和套路概括。因为项目本身是由三到四个核心因素决定，只要找到核心因素，就能将其组合。
接下来举一个具体问题：企业利润下降了，是什么原因？我们就能用公式分解出分论点。
是销售额下降了？还是成本上升？
如果是销售额下降，那么是流量少了？是客单价下降了？还是购买转化率降低？
以此类推，则能形成结构化的分析思路。
公式是一种思维框架，是一种经验导向的方法论，将你过去的经验总结和抽象，得到高度概括的因素。像利润这种都是再简单不过的商业理论，熟悉后就能快速使用。很多分析思维，在多年总结下，已经有成熟的解决方案。遇到问题，别急着画思维导图，不如先问问前辈和大牛们。经验会阻碍我们，经验也能帮助我们。
互联网行业的分析有点特殊，因为互联网的不确定性增加了。除了技术发展日新月异，用户需求不断改变，很多运营玩法也常常翻新。早几年标题党火爆，现在则注重内容价值的回归，曾经运营的核心是用户数，现在则是商业变现。这种快速变化导致分析思维也要有快速响应、学习和调整的能力。这方面，对互联网的分析是一种挑战。
对新人而言，很难一开始就掌握万能公式，但在具体的工作过程中，需要有意识的总结和提炼。另外分析中会有非量化的因素，比如团队士气、管理风格、员工忠诚度等。这是公式无法解决的缺点。
1.3. 假设先行
MECE是思考活动的技术和艺术，首先得有一个思考作为开始。这是什么意思？因为金字塔是从上而下，需要有一个中心论点，也就是塔尖。
上文说过新人容易变无头苍蝇，就是缺少了一个塔尖、一个中心论点、一个下刀的地方。麦肯锡为了解决这个困扰，提出了假设先行的方法。
新人的缺点是什么？他们会以分析为乐，为分析而分析。试图找出一切关联、一切因素。如果我是新入行的产品经理，我会找出所有的竞品作分析，想产品的突破点在哪里。如果我是新入行的活动运营，我会试图分析所有的爆款活动，想一个完美的综合方案。可是结果真的能好吗？
上面的两个例子，很大可能，最终都停留在浅显的层次。因为没有方向，没有目标，也就无法深入。我们当中的大部分人都不善于批判自己的想法，缺少批判性思维。你连自己的想法都判断不了，怎么做出决策？
什么是假设先行？就是以假设作为思考的起点。我不需要做全局的思考，而是先问出一个问题，然后思考解决它：我这款产品的特点在A功能吗？这款产品对用户们很有吸引力吗？我的活动如何在朋友圈引发传播？怎么让用户在活动中更爽？
在做出假设后，引导思维去挖掘分论点，然后分析。比如我希望活动传播，我要考虑哪些人会传播，他们是因为利益引诱还是情感触动？传播的过程应该什么样，方便还是复杂？这样的分析思维，比堪堪想一个空中楼阁的完美方案靠谱多了。
不管问题形式是如何、是否还是能不能，只要作出了假设，就能用MECE原则画出金字塔结构。不要想着从无尽的业务和数据中找出规律，这叫大海捞针。这种根据问题作为中心论点形成的结构化思维，叫做问题树／逻辑树Issue Tree。
可以通过搜索引擎图片查找Issue Tree或者问题树逻辑树，有很多案例，英文为佳。
假设抽丝剥茧后的每一个论据都应该能用是或否回答。分析思维和数据分析不一样，数据分析追求数据的精确度，而分析思维不需要，只要能回答问题，是和否足够了。
假设会被否定或者拒绝，我认为产品对用户有吸引力，但是最后所有的论据，包括留存率、用户使用时长、功能使用率、用户评价都是否定，那么吸引力也就不成立，此时应该修改假设：产品的某一方面有问题，然后继续画新的问题树。
不要害怕修正错误的假设，不要寻找事实强撑错误的假设。
1.4. 关键驱动因素
接下来谈剪枝。MECE虽然能画出详尽的结构，但不意味着我们要全部分析。维基百科案例中的IssueTree，有些分论点层层展开，有些分论点就嘎然而止。很多论点我们没有深入必要，需要对这部分论点论据舍弃，目的是找出关键驱动因素。
关键驱动因素是分析的核心，应该聚焦于这些因素，不然你会有数不完的因素要分析。如果一家企业成本的关键因素是地租、房租，那么就不应该深入分析办公用品成本，否则你分析出这个月公司厕纸成本上升了50%，是因为我们CEO吃坏肚子上了很多次厕所，你信不信被揍死？
麦肯锡有句名言：不要妄想烧干大海。就是指不要试图对所有因素分析，尤其在数据证明的过程，非常费苦功。
企业利润的关键驱动因素是利润和成本，用户吸引力的关键驱动因素是留存率。利润和成本还能再找出其中的细分关键因素，留存率也一样。这才是我们要的。
一旦找到关键驱动因素，可以基于此展开数据调研、取证、分析和结论，而不是对所有问题树开展。为什么需要围绕关键驱动因素？这里有一个新的核心法则，大名鼎鼎。
1.5. 二八法则！
在任何一组东西中，最重要的只占其中一小部分，约20%，其余80%尽管是多数，却是次要的。80%的成绩，归功于20%的努力；市场上80%的产品可能是20%的企业生产的；20%的顾客可能给商家带来80%的利润……
既然如此，为何要分析无关紧要的因素？问题树也遵循这一法则，20%的分析过程将决定80%的分析结果。
不论你分析企业的利润、还是用户的活跃，只要抓住关键即可。因为一款内容产品，80%的内容一定由核心用户提供；一款电商产品，80%的GMV一定是少部分买买买用户下单。围绕核心关键因素展开的数据分析，是最有效果的。
需要了解的方式方法到这里结束了，如果对麦肯锡其他方法感兴趣，可以业余时间再学习。
诚然，人的天性不适合结构化思维，有时候会因为压力、紧张、时间紧迫等因素忘记使用，我也偶尔犯错。可是要想有优秀的分析思维，还是需要通过不断的训练强化成本能。日常生活中处处皆可练习：这条道路的人流情况如何；那家汉堡店每天都赚多少钱……画出一百张思维导图，快则一个月，慢则半年，肯定长足进步。咨询相关的Case Book也有帮助。
1.6. 小结
现在我们来理一下分析思维的思路：提出假设—MECE原则（万能公式）—结构化分析—找出关键驱动因素—数据分析
1.7. 练习题
通过一道练习题回顾一下吧，这是以前针对实习生出的面试题：假设你是一位商业经理，现在有一家中型商场，我希望你对它的经营状况作出分析，你会从哪几个角度展开，列出你的框架。
既然是针对经营状况作分析，那么核心希望肯定是提高经营，先行假设就是如何提高经营状况。我们用MECE画出问题树。
先找到万能公式，上文提到过，绝大多数商业活动，都是利润和成本的平衡。
应该是利润＝销售额-成本
我们可以通过提高利润，降低成本作为两个分论点展开。我们再考虑有哪些利润，无非是商场各类产品和服务的售卖。它又能拆解出几个公式。
销售额= 人流* 转化率* 客单价
不同的产品和服务各有不同，人流是固定的，而转化率因为商场的不同产品和服务会划分成ABC的差异。
销售额= 人流*（A转化率*A客单价+B转化率*B客单价……）
成本则考虑房租、资产折旧、人员工资、商场贩卖的产品成本等。
再进行深度的结构划分，比如人流各楼层不同，一楼人气最旺，然后依次衰减，那么结构中能不能体现？还有其他分论点吗？都能想想。之后找出问题树的关键驱动因素，并且思考如何提高。
这是一道开放的分析思维题，答案并不固定。我也并不要求商业知识和商场管理知识多严谨，考察的是能否通过生活中随处可见的商场，通过自己思维去抽象出一套框架。
再来一道思考题，是网络上的淘宝数据分析师面试题
你是淘宝的数据分析师，现在需要你预估双十一的销量，你不能获得双十一当天和之前的所有数据。只能获得11月12日开始的数据，你应该如何预估？
答案一：
答案二：
第一步，万能公式：销量=流量*转化*客单价
第二步，结构化分析
第三步，关键因素
答案，销量=（A类主打商品的日常流量*（1+20%））*（A类主打商品的日常转化率*（1+20%））*（A类主打商品的日常客单价*200%）+（B类主打商品的日常流量*（1+20%））*（日常转化率*（1+20%））*（日常客单价*200%）+（C类主打……。分析如下图。
2.1. 波士顿矩阵：市场增长率和相对市场占有率2. 矩阵思维
在传统以营销为主导的企业中，不论是日用品消费还是生产制造加工，企业一定有一系列的产品。波士顿矩阵认为，产品战略管理可以从两个角度衡量：市场增长率和相对市场占有率。
市场增长率是包括企业销售额、竞争对手强弱及利润高低的综合指标。而相对市场占有率则代表了企业在市场上的竞争实力。
这两个都是可量化的指标，将它们分别作X轴和Y轴，则能划分出四个象限。
企业的所有产品，都会落在四个象限中。产品可以是一款洗发水，可以是一项虚拟服务、也可以是一款APP。于是这些产品被分为低增长率-高占有率（现金牛业务）、高增长率-高占有率（明星业务）、高增长率-低占有率（问题业务）、低增长率-低占有率（瘦狗业务）。
在产品管理中，我们把高增长率-高占有率的产品称为明星产品，从财务报告上看，它总是能产生利润，但是高增长往往意味着高投资。某种情况下，它不代表着自给自足。如果市场份额处于垄断或者领先地位时，那么企业不必再维持投入以保持高增长，此时产品能源源不断地维持现金流，它被称为现金牛。
现金牛产品的特点是高市场份额和低增长率。产品已经迈入成熟期，其特征是产生大量的现金收入，数额远大于维持市场份额所需再投入的资金，是企业支持其他产品的后盾。
低增长率-低占有率的产品叫做瘦狗产品，这类产品对企业都是鸡肋，财务特点是利润率低、处于保本或亏损状态。这类产品往往会实行撤退或者整顿的战略。
低市场份额而高增长率的产品是问题产品，这些产品吸纳的资金总是多于所产生的资金。虽然高增长率意味着市场未来潜力好，但是份额不高要打上一个问号。不投入资金，产品会衰亡，即使投入资金，若只能勉强维持住市场份额。那么它最终仍属于瘦狗产品。
象限是动态的，明星产品的目标是成为现金牛，问题产品需要摆脱泥沼增加市场份额，而所有的产品都可能衰退为瘦狗。
举个例子吧，老王是一家消费品公司的老板，他公司主营产品是生发水，因为祖传秘方，在市场上处于领导地位，但是秃头的男人总共就那么多，所销售额近年来没有起色，未来也不会有。按照波士顿矩阵的象限划归。老王生发水应该是现金牛。
现在老王准备拓展新业务，分别是养生枸杞、保温杯、和佛珠手串。老王用生发水赚来的利润支持另外三个产品的开发。养生枸杞因为和生发水搭配营销比较好（别问我为什么），所以市场份额节节攀升。老王一看有戏，便重金投入，把养生枸杞打造成了明星产品，未来有成为第二个现金牛的潜质。
保温杯虽然和养生枸杞捆绑销售，销售额增长比较快，但是市场份额并不高，很多顾客并不买账。设计款式连中年男性都嫌弃。所以它现在是尴尬的问题产品，是改设计，还是偃旗息鼓？至于佛珠手串，顾客更喜欢大金链子，所以既没有销量又没有份额。
注：这里适合盈利模式分析。
2.2. KANO 模型：满意度和具备度
KANO模型是对用户需求分类和优先排序的有用工具，以分析用户需求对用户满意的影响为基础，体现了产品性能和用户满意之间的非线性关系。
上面这段话摘自百科，简而言之，KANO模型认为，产品经理在梳理产品需求过程中，可以通过两个维度，“用户满意度”以及“功能完善程度”衡量，将功能划分四种不同类型的需求。
用户满意度指如果产品具备这个功能，那么用户的喜爱程度会上升。功能完善程度是如果产品不提供这个功能，那么用户的满意度会下降。这两个指标通过用户调研的量表计算出来，因为篇幅有限，计算过程就省略了。
如图，Better代表用户满意度，Worse代表功能完善度。高满意度-高具备度的功能是期望功能，这类功能是产品集中投入的点。高满意度-低具备度是魅力型功能，不提供该功能。用户的满意度不会降低，但是提供了，用户则会很喜欢。
低满意度-高具备度是产品的必备属性。如果没有这个功能，用户会认为这是件未完成品，这类功能需求属于用户的基本需求，这类功能做得再怎么好，用户的满意度也不会提升。低满意度-低具备度是无差异功能，对于用户是无关痛痒的，也就是大家俗称的伪需求。
KANO模型是对功能/服务的优先级进行探索，产品经理通过矩阵将抽象的需求概念落到实处，因为它本身就是可量化的，所以避免了很多口水仗。
当然，需求管理还能用一种简化方法，衡量的指标同时间管理中的重要程度-紧急程度一样。比如某个需求是老板要的很紧急，虽然它确实不重要；某个需求在未来的营销活动中很重要，但是短期内可以不实现。
注：这里适合需求分析。
2.3. 产品功能分析：功能日使用率和用户使用功能后，他再次打开APP的概率
KANO模型用矩阵思维衡量了一项产品功能的优先级排序，当产品上线后，我们再次请出矩阵来判断功能的实际好坏。
平台级产品往往包含多个功能模块，越大越复杂，而不同模块产生的价值不同，为了避免撕逼，这里使用功能使用率和留存率两个维度分析。
功能日使用率是使用人数在日活跃人数中的占比，直接说明了功能使用者的多寡。留存率很好了解，这里的留存有两种考察：第一是用户使用了功能后，在某个周期再次使用该功能的概率。第二种是用户使用功能后，他再次打开APP的概率。前者考量了功能本身的粘性，后者则是看它对产品整体活跃的贡献。具体怎么用看需求。
下图是一个建议说明：
划分出功能矩阵后，运营能有针对性地围绕不同功能做文章，将各项指标提高上去。留存好、使用高的功能自然是尖刀。留存差、使用少的功能则避免花费太多力气。
PM也能量化不同功能的价值，什么功能需要迭代？什么功能需要延期？都清清楚楚烂熟于心。然后结合KANO模型看需求是不是和实际数据对应。
这里需要注意，功能本身是有限制的，比如账单功能，用户的使用频率是每个月一次，那么在指标上就不用期待太好看的数字。为了公平起见，产品矩阵的指标计算最好以新用户的使用情况为准，因为老用户容易受到各种运营的干扰。
2.4. 电商SKU：曝光量和利润率
电商网站商品繁多，这里不谈品类管理，而是从电商运营的角度分析产品。
大家都应该听过爆款产品，在淘宝店铺运营中，爆款产品意味着高曝光量和低利润率。这个词第一次听其他运营提及时，他们说很多爆款产品并不赚钱，往往是做高店铺的流量。当很多人被爆款产品吸引过来的同时，会去购买店铺其他正常利润的商品，这里还会配合优惠券做交叉销售，提高营收，这种方法是俗称的带量。
在你不知道矩阵思维的时候，可能只有带量这么一个概念。而学会了矩阵，你就能听出上述那段话的两个指标：曝光量和利润率。现在用它们划分出四个象限。
高曝光量-高利润率的商品，属于电商中的明星产品，是重要的现金流业务。这里的曝光量可以是淘宝站内的店铺流量，也可以是独立电商平台的各种营销渠道。除了明星产品外，还对应着高曝光量-低利润率的导流商品，低曝光量-高利润率的成长潜力商品，低曝光量-低利润率的鸡肋商品等。
每种类别的商品对应不同的运营策略，潜力商品可以在后期运营中增长曝光量，培养搜索权重；鸡肋商品则要优化转化率。这里通过象限梳理清楚了基于商品的运营逻辑，避免无头苍蝇般的抓瞎。
矩阵思维的一个优点是方便归类和聚焦，它是可以指导策略的。
商品的象限维度不止曝光量和利润率。我们可以尝试曝光量-转化率，去分析商品落地页的效果，比如高曝光量-低转化率的商品，是不是设计和文案有问题？也可以尝试利润率-回购率的象限维度，衡量商品长期的盈利多寡，某个商品虽然利润低了些，但是用户会反复购买，那么它也是半个明星产品。
矩阵的维度是很灵活的，大家要学会举一反三。
2.5. RFM：消费金额、消费频率和最近一次消费时间
RFM模型是客户管理中的经典方法，它用来划分客户价值。
RFM主要依赖三个核心指标：消费金额、消费频率和最近一次消费时间。我以前的文章曾经介绍过这部分，所以这里不多讲。
上图便是传统RFM模型的结构（这图是不是快腻了？），对应着用户消费分层的八个象限，也就是一个立方体形态。它属不属于矩阵思维呢？
它是的。矩阵思维只是一个思考框架，它本来就没被限制固定的形态。我能用两个指标划分四个象限，那么就不能用三个指标划分出八个象限？
曾经遇到过一位数据运营，就很灵活的运用RFM将它套入到企业端的运营分析中，那是一款PaaS（PaaS是Platform-as-a-Service的缩写，意思是平台即服务），他将企业端客户在产品上的使用人数、使用深入程度以及最近一次使用时间进行分层。
写这点，是希望打破各位思维中的墙。只要象限合理、可用，数量是不是四并不重要。
2.6. 绩效管理：工作业绩和价值观
在阿里巴巴的绩效管理中，会涉及两项考评：工作业绩和价值观。
这里把员工的管理划分成了四个象限：工作业绩强价值观好的是明星；工作业绩差而价值观好的是小白兔；工作业务好但是价值观差的是野狗；工作业绩差并且价值观也差的是狗。另外还有一块细分叫做牛，处于四个象限的交汇点，属于价值观和业务都不错的中坚骨干力量，第五个维度。
它也是一种矩阵思维的应用，不过应用在了人力资源管理上。管理模式没有对错，价值观也是一项难以量化的指标，即使是工作业绩，不同部门的标准也往往不一样，所以这种矩阵思维，更多是不同象限内人的管理策略，不涉及实际的分析。
2.7. 销售管理：成单率和平均成单额
说到管理人，剔除掉价值观，我们单独拎出员工的绩效看。
销售每天都要跑客户，假如你是销售们的经理，你会怎么管理员工？这里不谈纯激励向的手段，如果想要对销售人本身做一点分析，我们也不妨引入矩阵。
拿销售们关心的两个KPI：成单率和平均成单额。成单率是销售每个月成功单数在所有拜访中的占比，是工作效率和业务能力体现。成单额则是和客户价值挂钩。某个销售每天跑单量非常多，他或许是业绩Top，但他未必是最有效率的。高成单率-高平均成单额的销售才可以称为明星，它在销售管理中作为标杆和KOL树立。
这的矩阵思维，是为了挑选出正确的人。销售们不同于商品或者用户，往往采用军队化的方法统一管理，而矩阵是为了更科学有效。高成单率-低销售额和低成单率-高销售额的销售都有变为明星的潜力，可以为这两个象限内的销售培训和总结方法，可能是话术不好，可能是跟进不及时，可能是客户分配不对等。
早启动、晚总结、树标杆、老带新。如果某销售对拉高成单率有一手，他就能作为一名师傅在团队中推广。销售管理中，经理们常常更看重摸索出一套打法，然后把它推广的做法。所以销售的矩阵管理，就是把方法论聚焦。
上面讲的是区域经理或者销售经理如何抓团队，这套方法也能用在抓客户。RFM模型就是售后维护阶段的应用了，售前获客也是同样的道理。
2.8. 时间管理：紧急程度和重要程度
怎么用矩阵思维对付自己？
在很多时间管理方法中，事情的优先度会被建议使用两种维度：
紧急程度和重要程度。紧急程度是时间方面的约束，比如某项工作的Deadline逼近，那么它的紧急程度高，有些事情可以一个月后完成，那么紧急程度就低。重要程度则是事件造成的影响或者是破坏程度。
重要程度和紧急程度结合，很容易理解。下图列举了很多工作生活中常见的常见。
这种划分方式有助于提高自己的时间和项目管理能力，如果手头上自己有很多工作，不妨拿矩阵划分一下，以此作为执行依据。至于重要程度和紧急程度的等级，即可以二分，也可以用P1、P2、P3、P4更细的粒度。
古人云，轻重缓急，就是几百年前矩阵思维在时间管理中的智慧体现了。
2.9. 搜索行为分析：用户搜索后对结果的点击率和搜索词的查询量
这里说一个产品和用户行为结合的案例。
大家应该都用过搜索，搜索是伴随用户需求最直接的应用。不论是google或者百度这类搜索引擎，淘宝或者京东的商品搜索，乃至各类APP端的搜索框，都会接收用户输入的一段词作为查询，我们把它叫做query。
query常是一串文本，比如：什么是波士顿矩阵、矩阵的应用、美的空调、运动鞋、中山公园火锅等等。
各位在搜索的时候，有没有思考过，怎么判断查询结果的好坏呢？因为每个query都会查找到不同的结果，而这些结果的质量会影响到用户体验。用户搜索一个商品，然后服务器告诉用户没有查找到，或者虽然返回了结果，但是结果页的文案、图片或者标题差强人意，用户也失去了点击下去的欲望。这都让人抓狂。
矩阵思维当然能应用在搜索分析这类看似抽象的问题上。
我们设立两个指标维度：用户搜索后对结果的点击率，以及搜索词的查询量。前者反应了用户对搜索需求的被满意程度，后者反应了用户对该搜索的需求量。
上图是虚构的一家数据分析培训网站上的用户搜索数据。我们可以看到Python教程的搜索结果最高，说明用户需求量大，但是点击率不高，可能是用户对搜索结果，也就是课程质量不满意，而R语言教程则好上不少，可能是它的质量稍高一筹。另外一方面，Oracle和PowerBI的搜索量小，说明这部分用户基数有限，但是PowerBI点击率不错，可以考虑往后拓展这部分渠道。
实际的搜索场景更复杂些，平台型公司把搜索作为战略入口，它是一门系统化的工程。标签的索引、内容的预召回、个性化推荐都会影响结果，以后有机会再讲这块。而在中小型公司，矩阵依然是一种简明有效的方法。
2.10.总结
一口气介绍了多个案例，矩阵思维可以应用在商品运营、用户运营、人员管理、时间管理、用户行为分析、用户需求分析、产品功能分析等多个场景上。我相信还有更多的场景等待大家探索。
它之所以是一种经典的思维框架，在于将无序的数据通过象限归类为了有序。当面对一堆数据或信息一筹莫展时，想一想矩阵的象限划分，它也许就是点燃闪电的火苗。搜索词能被划，产品需求能被划，那么你的难点呢？
最初我并没有学会波士顿矩阵，但我牢牢地记住了矩阵这个词，无非是划四个格子嘛。是不是咨询公司首创我不知道，但在往后遇到和象限有关的技巧或者案例，我都把它们归类在矩阵思维中。
思维框架本身没什么神秘，共勉之。
注：本文非原创，仅对秦路的两篇文章做少量整理。
链接为秦路知乎，https://www.zhihu.com/people/qin-lu-17/posts
网友评论