这7种鲜为人知的思维模式,可以解决工作中遇到的几乎所有问题

发布时间:2022/08/06 00:00      浏览:167
作者:
来源:36Kr
01. 战略思维(Strategic Thinking):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。


02. 抽象思维(Abstraction Thinking):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)“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。


03. 结构化思维(Structured Thinking):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。


从左到右依次为:问题——子问题——假设——关键问题——分析——数据(Image By Sam Schreim from bmh.ai)


上图中,源自战略目标或问题的主要问题→由主要问题衍生出来的不同次级问题→最佳猜测或假设→能为假设提供答案的问题→回答问题所需的分析→进行分析所需要的数据和此类数据的来源。


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。


04. 批判性思维(Critical Thinking):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。


05. 费米思维(Fermi Thinking):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

06. 系统思维(Systems Thinking):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。


07. 涌现思维(Emergence Thinking):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)


Image by an unknown user from Wikimedia Commons


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。

© 2011~2015 3 北京勺海市场调查有限责任公司 | 京ICP备09041035号-2

电话:北京总部010-58696306,上海OFFICE:021-52285671    总部地址:中国北京朝阳区东三环中路建外SOHO18号楼1506室   技术支持:混沌鸿蒙