MECE(窮盡和互斥原則):如何進(jìn)行高質(zhì)量的歸因分析我把MECE放到十大管理原則之二,它來自咨詢業(yè)王者麥肯錫。
我所接觸的企業(yè)咨詢業(yè)者幾乎都掌握了這個(gè)原則,他們依靠這個(gè)簡單的原則從客戶那里掙到了很多錢。而我們自己做企業(yè)管理的,并非不能理解這個(gè)原則,只是容易被企業(yè)的具體問題和自己的情緒偏好所影響,最終其實(shí)是付錢讓咨詢公司告訴我們一些常識(shí)。
MECE的簡單解釋就是,對(duì)任意復(fù)雜事物的組合設(shè)計(jì)出一個(gè)合理的分類法,這個(gè)分類法能夠窮盡所有的情況,而且各個(gè)分類之間不重疊交叉。你看,多么簡單的原則。

MECE能夠幫助我們進(jìn)行高質(zhì)量的歸因分析和項(xiàng)目計(jì)劃。
比如,你發(fā)現(xiàn)銷售業(yè)績不佳,團(tuán)隊(duì)中每個(gè)人指出了不同的原因,于是我們就需要把影響銷售業(yè)績的不同要素用 MECE原則列舉清楚。如果你遺漏 (不窮盡),就有可能忽視了某個(gè)原因;如果你列了兩個(gè)交叉的原因(不互斥),那么自然就無法制定有針對(duì)性的解決方案。咨詢公司給了你一個(gè)「根本原因分析」(Root Cause Analysis),你會(huì)覺得好高大上,但背后的原則就只是MECE這么簡單。
MECE還可以幫助我們制定高質(zhì)量的計(jì)劃。
比如設(shè)計(jì)和制造一輛新車這樣的復(fù)雜項(xiàng)目,如果沒有 MECE原則在背后,項(xiàng)目必然會(huì)漏洞百出,企業(yè)會(huì)因此付出高昂的代價(jià)。咨詢公司一方面深請(qǐng)這個(gè)原則,另一方面通過大量的咨詢項(xiàng)目積累了這些項(xiàng)目計(jì)劃要素,所以自然可以把咨詢服務(wù)賣出大價(jià)錢。而且,他們也不各于分享這個(gè)原貝方法給客戶,因?yàn)楫?dāng)咨詢公司和企業(yè)客戶配合的時(shí)候,也希望客戶能夠用這個(gè)原則來提供信息。
你可能要問,MECE原則是不是和帕累托原則有點(diǎn)矛盾呢?如果只有20%的原因?qū)е铝?0%的后果,我們不是應(yīng)該聚焦在那20%的原因上嗎?
是的。
但是,如果我們不能枚舉清楚可能的原因,就完全不可能判斷出那20%是其中的哪些。
你應(yīng)該怎樣應(yīng)用?
MECE原則的應(yīng)用有豐富的企業(yè)場景,比如成本和收益分析。在成本分析中,經(jīng)理人員要懂得分辨固定成本和可變成本,同時(shí)在分解成本項(xiàng)目時(shí)要始終貫徹 MECE原則。
舉例來說,人員成本和項(xiàng)目直接成本可能就不屬于一個(gè) MECE分類,因?yàn)槿藛T成本可能同時(shí)包含項(xiàng)目直接人力和其他固定人力。每家公司的財(cái)務(wù)報(bào)表都應(yīng)該是一個(gè)MECE分類序列,否則就會(huì)帶來成本和收益核算的不精確。
MECE還能幫助我們科學(xué)地組織和呈現(xiàn)信息。
比如建立和維護(hù)公司的知識(shí)庫就需要一個(gè)符合MECE原則的分類體系,如果我們把「銷售資料」和[客戶案例]放在同一個(gè)分類層次上,這兩個(gè)分類就明顯交叉了,用戶就會(huì)抱怨想要找到的東西不容易找到;把沒有窮盡的項(xiàng)目歸類為「其他」也是一個(gè)糟糕的做法,用戶會(huì)缺少探索的信心。
還有一種情況是分類層次過于簡單,導(dǎo)致在一個(gè)分類級(jí)別下有過多的項(xiàng)目,雖然各個(gè)項(xiàng)目之間可能并不交叉,但對(duì)用戶定位信息帶來了難度。比如我們不會(huì)愿意從全國700個(gè)城市列表中找到自已所在的城市,而更愿意先從省份列表中進(jìn)入,然后從10-20個(gè)城市列表中進(jìn)行選擇。項(xiàng)目直接人力和其他固定人力。每家公司的財(cái)務(wù)報(bào)表都應(yīng)該是一個(gè)MECE分類序列,否則就會(huì)帶來成本和收益核算的不精確。
MECE還能幫助我們科學(xué)地組織和呈現(xiàn)信息。
比如建立和維護(hù)公司的知識(shí)庫就需要一個(gè)符合MECE原則的分類體系,如果我們把「銷售資料」和[客戶案例]放在同一個(gè)分類層次上,這兩個(gè)分類就明顯交叉了,用戶就會(huì)抱怨想要找到的東西不容易找到;把沒有窮盡的項(xiàng)目歸類為「其他」也是一個(gè)糟糕的做法,用戶會(huì)缺少探索的信心。
還有一種情況是分類層次過于簡單,導(dǎo)致在一個(gè)分類級(jí)別下有過多的項(xiàng)目,雖然各個(gè)項(xiàng)目之間可能并不交叉,但對(duì)用戶定位信息帶來了難度。比如我們不會(huì)愿意從全國700個(gè)城市列表中找到自已所在的城市,而更愿意先從省份列表中進(jìn)入,然后從10-20個(gè)城市列表中進(jìn)行選擇。
像 MECE這樣的原則,往往聽起來容易,遵循起來就很難。很少有公司的官網(wǎng)導(dǎo)航菜單符合 MECE原則,這讓訪問者很難找到頭緒。
當(dāng)然,我們有時(shí)候?yàn)榱恕笍?qiáng)調(diào)」某些信息,會(huì)讓它超越 MECE的規(guī)范,但這往往是個(gè)借口,除了這些突出的強(qiáng)調(diào)項(xiàng)以外,其他項(xiàng)目的陳列也完全沒有規(guī)律。如果菜單項(xiàng)目少,大多數(shù)訪問者還可以靠腦力來識(shí)別選擇,但如果這個(gè)列表堆砌得很長,大多數(shù)人都不會(huì)有耐心來去一一識(shí)別。
星巴克的大多數(shù)顧客總是選擇自己偏好的咖啡品種,很少做出新的選擇。為什么呢?我們看看星巴克的菜單就知道了,不僅品種繁多,密密麻麻,而且分類也是完全混亂的。從這個(gè)菜單上,你知道冰摩卡放在哪個(gè)分類下嗎?也難怪,在點(diǎn)咖啡的時(shí)候,我們只能相信自己曾經(jīng)點(diǎn)過的咖啡,或者盲目相信店員的推薦。

其實(shí),也不是所有的星巴克都是這樣,有一家小一點(diǎn)的星巴克掛出的菜單就是這樣的:

是不是很MECE?如果你是星巴克的營銷經(jīng)理,會(huì)怎樣設(shè)計(jì)菜單結(jié)構(gòu)呢?
除了對(duì)數(shù)據(jù)和信息的分類外,MECE原則的黃金應(yīng)用領(lǐng)域在于問題的歸因分析,專業(yè)咨詢師就是靠這個(gè)吃飯的。比如,如果企業(yè)的利潤開始下降,我們肯定需要為此找到原因。有人說,利潤下降無非是因?yàn)榭蛻袅魇?、競爭加劇、成本上升等原因,這些可能都對(duì),但是如果這樣列舉原因,我們永遠(yuǎn)不知道怎樣解決這個(gè)問題。
用 MECE原則來分析這個(gè)問題,就會(huì)首先將利潤下降的歸因分為「收入下降」和「成本上升」兩個(gè)可能(這兩個(gè)可能是絕對(duì)MECE的),然后分別在這兩個(gè)項(xiàng)目下繼續(xù)用MECE來分析進(jìn)一步原因,比如收入下降中按照產(chǎn)品、地區(qū)、客戶類型分別分析,在成本構(gòu)成中按照人力、原材料、租金等項(xiàng)目窮盡完整。進(jìn)行了這些邏輯嚴(yán)謹(jǐn)?shù)姆纸夂?,我們就能夠了解不同原因的影響度,從而繼續(xù)用帕累托原則找到那些影響力最大的少數(shù)原因。
當(dāng)你雇傭?qū)I(yè)的咨詢師來診斷和解決企業(yè)問題的時(shí)候,他們一般會(huì)先提供問卷和訪談,在這個(gè)過程中,引導(dǎo)客戶把可能的原因全部列出來,然后咨詢師再按照 MECE原則去重整這些原因。這個(gè)過程當(dāng)然也可以由企業(yè)的內(nèi)部人員完成,只是我們?cè)谄髽I(yè)管理中很容易受到具體現(xiàn)象和情緒偏見的影響,讓我們難以做到客觀而已。比如,如果銷售情況不好,我們比較容易首先懷疑是產(chǎn)品質(zhì)量問題或銷售人員的敬業(yè)度問題,而不能全面地列舉出歸因,做完整的客觀分析。
練習(xí):如果您的公司銷售業(yè)績開始下降,請(qǐng)按照
MECE原則來列舉出所有可能的原因有哪些?
—— 如果覺得文章還OK,請(qǐng)轉(zhuǎn)發(fā) ——
特別提示:關(guān)注本專欄,別錯(cuò)過行業(yè)干貨!
PS:本司承接 小紅書 / 淘寶逛逛 / 抖音 / 百度系 / 知乎 / 微博/大眾點(diǎn)評(píng) 等 全網(wǎng)各平臺(tái)推廣;
咨詢微信:139 1053 2512 (同電話)
首席增長官CGO薦讀:
更多精彩,關(guān)注:增長黑客(GrowthHK.cn)
增長黑客(Growth Hacker)是依靠技術(shù)和數(shù)據(jù)來達(dá)成各種營銷目標(biāo)的新型團(tuán)隊(duì)角色。從單線思維者時(shí)常忽略的角度和高度,梳理整合產(chǎn)品發(fā)展的因素,實(shí)現(xiàn)低成本甚至零成本帶來的有效增長…
本文經(jīng)授權(quán)發(fā)布,不代表增長黑客立場,如若轉(zhuǎn)載,請(qǐng)注明出處:http://m.gptmaths.com/quan/43433.html