第一种 分类思维

在市场营销中，有一个非常重要的概念，叫Customer segmentation（顾客分层）。这其实就是分类思想。

由于年龄、收入与性别等因素的不同，人与人之间存在着不一样的生理需求与心理需求。而需求不一样的消费者组成了不同的细分市场。针对不同的细分市场，产品会有不同的定位。

所以，分类是精准营销的前提。

第二种 矩阵思维

矩阵思维是分类思维的一个延伸。

学过统计学的都知道，数据类型能分成两种：分类变量与定量变量。后者有一个特点，能够被量化。

当存在两个可量化的关键维度时，不妨分别设成X轴与Y轴。

作为集团战略部门，每天面对的任务有很多，但哪个才是值得我们花时间去解决的呢？这个问题就显得非常迫在眉睫了。但是不怕，因为有矩阵思维。

首先，我们对每个项目的“可行性”与“商业价值”进行一次评分。然后，把这两个维度分别设为X轴和Y轴。最好，所有项目就会自动地分布在了四个象限之中。

显而易见，你的重点就应该放在第一象限的项目中，尤其是颜色最深的右上方的那个项目，因为它的可行性最高，同时商业价值最大。

除了个人管理，还可以用来做市场分析。其中，最著名的莫过于波士顿管理咨询的产品矩阵模型了（BCG matrix）：

波士顿矩阵模型将一个公司的业务分成四种类型：问题、明星、现金牛和瘦狗。

问题业务是指高市场成长率、低相对市场份额的业务。这往往是一个公司的新业务，为发展问题业务，公司必须建立工厂，增加设备和人员，以便跟上迅速发展的市场，并超过竞争对手，这些意味着大量的资金投入。

明星业务是指高市场成长率、高相对市场份额的业务，这是由问题业务继续投资发展起来的，可以视为高速成长市场中的领导者，它将成为公司未来的现金牛业务。但这并不意味着明星业务一定可以给企业带来滚滚财源，因为市场还在高速成长，企业必须继续投资，以保持与市场同步增长，并击退竞争对手。

现金牛业务指低市场成长率、高相对市场份额的业务，这是成熟市场中的领导者，它是企业现金的来源。由于市场已经成熟，企业不必大量投资来扩展市场规模，同时作为市场中的领导者，该业务享有规模经济和高边际利润的优势，因而给企业带大量财源。 企业往往用现金牛业务来支付帐款并支持其他三种需大量现金的业务。

瘦狗业务是指低市场成长率、低相对市场份额的业务。一般情况下，这类业务常常是微利甚至是亏损的。瘦狗业务存在的原因更多是由于感情上的因素，虽然一直微利经营，但象人对养了多年的狗一样恋恋不舍而不忍放弃。其实，瘦狗业务通常要占用很多资源，如资金、管理部门的时间等，多数时候是得不偿失的。

第三种 漏斗思维

漏斗模型，漏斗的每一层，都有一定的容量。漏斗越往下，容量越小。而层与层之间的比例，就是传说中的转化率。到了最底层，就是收入。

要提高最终的收入，原理很简单，就是把每一层的容量都扩大，或者，把下钻的转化率给提高。作为增长黑客的你，首先要学会去用数据去判断，哪个地方的容量太小，或转化率太低，然后再去制定方案进行针对性提高。

第四种 相关思维

大数据关注的不是因果关系，而是相关关系。

结合数据的相关思维，够帮助我们找出事物之间隐性关系。

（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。

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。

第五种 决策树思维

决策树（Decision tree），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。

决策树在商业环境中的用途也是相关广泛的。

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。

一个精准媒体投放的建模项目，说白了就是这个思想。

为了找出市场中高价值的潜在消费者，并对他们投放广告，我们用决策树等模型去提高媒体投放的转化率，效果相当理想，比传统投放的ROI要提高了好几倍。

第六种 闭环思维

闭环，不是指封闭，而是指循环。在商业界，最著名的闭环应该当然是戴明环，又叫PDCA循环。

PDCA由戴明所改良与普及的，最终演变成了科学管理的一个非常重要的工具，帮助企业或组织持续性地改进质量，被广泛应用于新产品开发、供应商管理、人力资源管理以及各种项目管理之中。

Do-Plan-Check-Action

一条螺旋式上升的发展途径

第七种 逻辑链思维

归纳与演绎，是两个互相联系的好朋友：归纳，特殊性是因，一般性是果；演绎，一般性是因，特殊性是果。

最简单的，或者说最经典的逻辑链，应该就是亚里士多德的三段论：

大前提—>小前提—>结论

逻辑链有什么用处？

第一， 提高信息获取的质量

第二， 提高思考的深度

总结一下：

通过拓展逻辑链的前端，探究原因，有助于理解问题根源；

通过拓展逻辑链的后端，思考结果，有助于提出行动方案。

逻辑链的长度，决定了一个人的思维深度；

一个人的思维深度，也决定了他的人生高度。

第八种 时间序列思维

时间序列思维的本质，就是站在时间之上，俯视万事万物的变化，洞察其中不变的规律。

一般地，提及时间序列，就离不开提及3种重要的现象特点：趋势、季节性、周期性

趋势：长期与单调。你必须站在一个时间跨度足够大的位置，才能判断出所谓的趋势。

唯有志存高远的人，目光放到未来十年甚至一百年的人，他们才用足够大的胸怀与眼界去目睹人类社会中浩浩荡荡的趋势，从而顺势而为，最后成为一个“时势造英雄”的故事。

顺势而为。

季节性：在较短的时间范围内所出现的一种波动规律。

当你在一个有明显季节性的时间序列里的时候，环比就是没有多大意义的，而是应该去看同比。

周期性：季节性是短期的，而周期性是长期的。

学过宏观经济的人都清楚，大概十年就会发生一次经济危机。十年就是经济的周期。

有周期意识的人，甚至比有趋势意识的人要更高一个水平。

序列思维的两个重要意义

（1）预判未来的走向

善于运用时间序列思维的人，他们更容易识别出事物的变化规律。换言之，他们更容易感知到事物下一步变化的走向。

说白了，他们有一种很强大的能力：预判未来的能力

预判能力的高低，决定了一个人的成功上限。

（2）识别异常情况

为一条曲线的未来走势设置一个安全区域就行。

一旦曲线的走势突破了安全区域的上边界或下边界，就会自动地警报提醒你，让你及时地做出反应。

一个研究对象是随着时间而发生变化时，不妨画出它的时间序列，尝试去做三件事：

识别它的变化模式（趋势、季节性、周期性）

预测它的未来走势

设定它的安全区域

第九种 试验思维

试验不是策略的一种，试验就是策略的全部。

第十种 数字化思维

数字化，是一个化平凡为神奇的工具。

数字化的四个层级

第一层：数字的从无到有

对于企业而言也一样，必须做好数字化的第一步，实现数字的从无到有。

从产品流通角度看，从研发、生产、包装、运输、储存、分销到送到消费者手上，每一个环节都要做好数字化。

从业务部门角度看，从财务、人力资源、市场、供应链、公关等部门，也是要落实数字化的第一步。

唯有收集客观真实的数字，个人和企业才真正拥有改进的发力点。

第二层：建立指标体系

所谓的指标体系，可以理解成KPI（Key performance indicator），即关键绩效指标

一个好的指标体系，必然是能够清楚地反映出我们在一个领域上是否表现得足够好。这种比较一般有三个分析维度：

跟自己比。与自己的历史表现相比，是否有进步或退步

跟竞争对手比。是否有领先优势或者落后差距

跟大盘比。整个市场是否在上升或者下降，我在市场趋势的上方还是下方。譬如，整个市场都在下跌，但只要我的下跌速度比市场均值较慢，也不是一件坏事。

第三层：优化指标

这一层开始，才能真切地为企业创造商业价值。

前面两步的收集数据和建立指标，其实都是在为这一步做准备。

第一步，你收集了这一个月内你店铺的浏览量和购买量。

第二步，你通过购买量和浏览量的比值，建立了转化率这个指标；并且通过对比分析，你发现最近一个月的转化率是偏低的。

第三步，你开始思考，怎么优化转化率呢？

这时候，你需要认真地反思与复盘整个业务流程。

是不是市场发生变化？

是不是计划的执行效率不高？

在这个过程，可以应用之前提及的“逻辑链思维”帮你拓宽思路，找到真正的问题所在。

第四层：人工智能与自动化

最高级别的数字化里，目标就是向人工智能与自动化的方向去发展。

实现前三个步骤的半自动化或全自动化，极大提高工作效率，把人的劳动力解放出来。

自动地爬数据、自动生成可视化报表、甚至自动调整策略。

实际上，一些数字化战略很领先的企业，已经部分实现了上述的自动化功能，而且，这也是大势所趋。传统部门中不少重复劳作的工作将最终被机器全面代替。