麦肯锡咨询的十大底层逻辑( 二 ) _麦肯锡

第四种
相关思维
几年前，“大数据”一下子火了。这要归功于一本无比畅销的通俗读物《大数据时代》
书中提出了几个（当时）挺新颖的观点。其中有一个说大数据关注的不是因果关系，而是相关关系
这个表述虽然不准确，但至少反映了相关性是很重要的，尤其在数据种类与数理都非常丰富的情况下。
我们在媒体里常常看到这样的报道，“百分之多少的人会更倾向于做某件事” 。举个例子，有专家发现，在经济低迷的时候，89%的女性更倾向于买口红。
结合数据的相关思维，够帮助我们找出事物之间隐性关系。
虽然事物有千千万万，但事物之间的相关关系常见的也不外乎这四种：

文章插图

图片来源：猫爷
（a）正相关：X数量越多，Y数量越多
（b）负相关：X数量越多，Y数量越少
（c）不相关：X数量与Y数量无关
（d）非线性相关：某一范围内，X数量越多，Y数量越多；超过某一个拐点后，X数量越多，Y数量越少。
相关思维简单易懂，在商业中的用处很广泛。
打比方，现在你是你们公司的市场部经理，为了提高明年的销售业绩，你最近进行一次分析，哪个媒体广告需要减少投资，哪个媒体广告需要增加投资？
关于预算分配的问题，永远都让市场部头的人头疼。这种决策在过去是（现在很多时候也是）老板们拍脑袋想出来的。那有没有更加科学一点的办法呢？
试试用相关思维来翻译这个问题，那就是：销售额与哪个媒体广告的投放量存在正相关呢？
这个问题一下子就具体很多了，因为X与Y都是可以被很好量化的指标。只需要把过去几个月甚至几年的数据拉出来，Excel一算就可以知道了。

文章插图

图片来源：网络
假设将横坐标的看作是产品销量（口红、粉底液、气垫、防晒霜等等），纵坐标看成是媒体投放渠道金额（微信、微博、爱奇艺、杂志等等）。那么，它们的两两之间的相关系数就会形成一张系数表。
蓝色表示两者相关关系比较强，红色表示比较弱。那么，哪个产品更应该加大哪个投放渠道的投放量就一目了然了。
当然，这只是一个打比方。一个严谨的投资决策肯定不能仅靠看一个维度或一张表就能解决的。但它给出了一个很不错的视角。
当你手头上拥有很多数据时，不妨来一次这样的数据探索（Data exploresure），说不定会有什么新奇发现哦。
第五种
决策树思维
决策树（Decision tree），相信这个概念对于所有学过机器学习的人都并不陌生，因为这是一种入门级的算法。几乎每个初学者第一个接触的机器学习算法都是决策树。
它很实用，也特别好理解，因为它跟人的思维过程很像。
它既可以当做一个体系化的分类思维，也可以当做一个流程图甚至是一个检查清单来使用。但不管你怎么用，决策树的框架都是不变的。
从顶端一点开始，它一层一层往下展开。每一层都有若干个支点，而每个支点会分解成多条支线。就像下图一样。

文章插图

图片来源：网络
那它究竟怎么用呢？让我来举个简单的例子
假如有一天，你去参加非诚勿扰的相亲大会，由于你读过猫爷这篇文章，所以你打算在相亲节目中使用决策树。
你的决策树长这样：

文章插图

图片来源：猫爷
如果对方年龄太大，你立马可以排除；在年龄合适的人里，你再看他长得怎么样，颜值爆表、每天看着他的脸都可以不用吃饭的，那就别问下去了，马上就在一起。如果长得还行，那就继续看看他的收入，以此类推。
由于决策树越接近顶端的因素，重要性越高。所以你对相亲对象的要求，按重要性来排序就是年龄>颜值>收入>性格。当然，这只是一个半开玩笑的举例，以便你理解。
决策树在商业环境中的用途也是相关广泛的。我随便给你举几个例子：
如果你现在是银行的信用卡主管，你会给一个申请者多少信用卡额度呢？这本身就是一个决策树模型能解决的问题。你要做的，就是找出决策树中重要的支点与支线，譬如是否高学历、是否高收入、是否在500强、是否有负债、是否已婚、是否有房产等等。当一个申请者落在好的分支里，那就获得高额度；落在差的分支里，就得到低额度。