多维度分析：用MECE方法处理多维度业务假设
更新: 7/18/2025 字数: 0 字 时长: 0 分钟
1.多维度分析定义
要研究门店的业绩，除了看是否“下雨天”这个维度，至少还得考虑时间维度。要把工作日和工作日进行比较，把非工作日和非工作日进行比较，这样就至少要比较两个维度了。按照这个思路，很快又可以想出其他的分类维度。
- 门店位置：CBD店、社区店、地铁站店的业绩可能有差别。特别是地铁站店，日常人流量都很大，跟是否“下雨天”关系很小。
- 门店经营能力：经营能力强的门店，下雨天业绩也照样好;经营能力不强的门店，天下不下雨业绩都不好。
- 门店经营时间：经营很久的门店,大多有一批忠实的老用户,下雨天可以邀约用户上门;新开业的门店只能依赖过往的人流，可能受影响更大。
- 门店规模：太大的门店成本高，资金周转困难，太小的门店吸引力差;只有规模适中的门店收益最好。
这样深入思考下去，分析问题的维度会越来越多，因此就形成了多维度分析的问题。多维度分析，即要从众多维度对问题进行分析,找到其中影响最大的维度，从而抓住解决问题的关键. 多维度分析问题在现实中非常常见，在分析成功经验或失败原因的时候，人们总是随口而出一大堆理由。如:
- “主要是最近天气异常。”
- “用户的喜好已经发生变化了。”
- “临近节假日，人们的心情都不在工作上。”
- “不，我们宣传得很好，就是执行力不够。!”
- “不，我们执行得很好，就是宣传力度不够。”
总之，100个人有100种说法。虽然这些说法都能用单维度分析一一验证，但要注意很多说法之间是会相互重叠、相互影响的。比如到底是因为产品不好，所以销售员卖不动，还是因为销售员不会卖，所以显得产品不好。
要把如此纷繁复杂的问题弄清楚，找出解决问题的关键线路，就得有一套清晰的分析逻辑把问题的层次分清楚，按一定顺序有条不紊地去检验，否则各种因素相互交织，会造成分析不够清楚。因此，单维度假设检验是更深入分析的基础。在遇到问题时，可以先把各个维度用数据化方式列清楚，之后再梳理这些维度的逻辑关系，进而进行深入的分析。这里推荐使用MECE 方法，对复杂的问题梳理逻辑。
2.用MECE方法解决多维度分析问题
MECE，即Mutually Exclusive Collectively Exhaustive，可以将其简单归纳成8个字: 相互独立，完全穷尽。这指的是当从多个维度分析问题时，每一个层级的分析维度都符合相互独立，完全穷尽的模式。这样能保证分析逻辑的清晰、有条理、不混乱。
初次接触的读者可能觉得这样做很难，怎么可能穷尽问题的答案呢? 不要着急，一步步地由浅入深推进即可得到。MECE方法要求的是一个结果，并没有说一步把结果做出来。实际上，好的 MECE 方法都是要做很多步的。
下面举一个简单的例子: 某公司的员工小张，在一个月(22个工作日)的时间里竟然迟到了19次。本来公司设有人性化的考核制度，员工一个月允许迟到两三次，可小张也太夸张了!于是人事主管把这件事报告给了领导，领导责问小张迟到的原因，小张却非常理直气壮。
- “项目组好多人都迟到，你们也不管。”
- “遇到下大雨，全城道路大堵车，你们又不管。”
- “临近项目上线，夜里加班很晚，所以迟到正常。”
- “我的工作比其他同事都多，为什么不减少我的工作量?”
乍一听，似乎句句都有道理，可实际情况该如何分析呢?
如果不采用MECE方法，只做单维度分析，就能列出一个问题清单。
- 迟到原因1：堵车。
- 迟到原因2：下雨。
- 迟到原因3：项目上线。
- 迟到原因4：加班。
- 迟到原因5：自己懒
- 迟到原因6：其他原因
这么做的话，我们很快会发现:各种原因是交织在一起的：下雨了路上容易堵车，加班和项目上线也是经常重叠的，个人问题又和所有问题是重叠的，更有可能既下雨又加班了，小张懒得起床·....·根本分不清到底是客观原因，还是小张主观意向的问题。
如果用MECE方法，则可以分以下4步进行操作。
第一步: 明确目标
TIP
现实中就是一个问题多个因素缠绕在一起的，因此到底怎么把问题归类，首先取决于决策的目标。比如要分析小张的问题，首先要做的是分清楚到底是想惩罚他，还是帮助他。
- 惩罚：严格要求，只要掺入一点个人因素，就是个人的问题，不要狡辩!
- 帮助：宽松要求，只要发现能用外因解释的，就不会归罪个人，宽大处理。
明确了目标，就能在多因素混杂的时候把握好尺度，从而避免思路跑偏。
第二步：分步骤分解问题
TIP
相互独立，完全穷尽是操作完MECE方法的最终结果。并不是要求一步到位，一下就能穷尽所有原因。在分解每一层的原因时，用二分法才能最便捷地实现相互独立完全穷尽的要求，因此分析问题的逻辑层次可以很多，但每一层用的指标尽量少，要切分清晰一点。
比如，如果定了目标为“帮助”，就得尽量排除合理的迟到理由，避免错怪员工。“前一天加班时间长”是一个合理的理由，但是如果直接分解为“加班时间长”“加班时间短”就会有问题。因为这场分解默认了员工一定会加班，忽视了员工可能是正常下班的情况，此时就没有做到“完全穷尽”。
因此，在分解“前一天加班时间长”这一个理由的时候，可以分两个层级来分解。第一层级划分为：有加班/无加班。由于加班状态只有这两种，所以这样的划分肯定符合“相互独立，完全穷尽”的要求。
第二层级划分：再对有加班的情况下的加班时间进行拆分。如果加班时间很短，比如不到1小时，其实是不会影响第二天正常上班的。因此，加班时间可以分为：1小时以内（0～59分钟），1～3小时（60～179分钟）,3小时以上。这个分类把时间分为3段，也是符合MECE标准的。
如下图所示，在MECE的分类基础上，就能具体讨论“加班时间长”是否属于合理的理由。比如，公司可以约定：加班超过1小时造成的迟到可以原谅，加班在1小时以内造成的迟至不予原谅，直接合并到“未加班”之中。这样的划分简单清晰，便于执行，也便于深入讨论。
TIP
加班有可能是个人能力问题，也有可能是整体工作任务都很重。因此想进一步区分，可以增加: 仅个人加班/有其他同事一起加班。这样就把第一层级中有加班的情况又进行了分解，如图所示。正是通过逐层分解，让问题越来越清晰了。 
第三层级，自己加班，有可能是工作量太大引起的，也有可能是个人能力不足引起的，所以这一层利用工作量分类，分为工作量大于平均值/小于平均值。
到了第三层，其实已经能指向一些结论了。
- 情况1:因为工作量太大，导致加班时间长，所以才会迟到。此时可以考虑调整其工作分配，减少工作量。
- 情况2:工作量小于平均值,但是还是会加班,很有可能工作方法有问题，或者任务太难总之得改进工作方法。
- 情况3:项目组中的若干同事都在加班，整体工作量大，因此情有可原。
运用MECE方法进行分解到此时就可以停止了。原则上，只要分解能指向一个具体的、可落地的业务动作，就可以结束分解。过度分解也是问题，很有可能考虑了几十个维度甚至更多，但是业务上行动没有什么差异，此时的分解就是无意义的，如图所示。 
TIP
分析的最终目的是能指向明确的结论，进而指导业务改善，因此分析逻辑应指向业务可以落地的地方。比如这一条逻辑的分析是完全没有考虑天气问题的。因为工作量多少是领导安排的;法不责众是领导可以接受的。在业务能动性范围内讨论的时候，尽量不要涉及业务不能控制的因素，这样能直接导向一个有用的业务结论。
同样，在分解第二逻辑分支的时候，既然大目标已经定了“帮助”。就可以用“下雨了全城堵车”之类的理由来开脱。注意，这里又有一个小技巧：选择切入维度时选可量化的维度比如“下雨了，全城堵车”，听起来是一个好理由，但是还有下面的原因。
- 如何量化降雨量呢?
- 是小雨、大雨还是暴雨?
- 小雨也堵车吗?
- 堵车就一定会迟到吗?
这些都很难量化清楚，所以可以换一个更简单的量化方法。“下雨了，全城堵车”指向的结果是:“大家都会迟到”，那就直接看“大家是否都迟到了”就好了，如图所示。 
(3) 第三步:代入数据量化
在建立了清晰的分类以后就能将数据量化，具体看每一类问题发生的数量是多少。通过对问题梳理的统计，能梳理出各类问题占整体的比例，从而得出问题结构。问题结构本身就能在很大程度上说明问题，如图所示，某人（也就是情况1）一个月有19次迟到，都同时具有4种原因，但4种原因所占的比例不同，所以得出的结论也完全不同。 
很明显，虽然迟到的理由各种各样，但是情况1更主要是整体太忙，应该不予批评，情况2更主要是个人工作量太大，应及时调整工作分配，情况3则是真正以个人原因为主，必须批评教育。这样整体看，就避免了陷入某一两次的迟到细节无法自拔的状况。这也是用MECE方法拆解问题的最大优势：避免被个例带歪，要从整体上把握全局。
(4) 第四步:导出业务结论
有了清晰的分类与数据量化后，可以推导业务结论了。
业务结论包含以下两个方面。
- 第一，来自整体结构的判断。小张迟到到底是主观原因，还是客观原因。
- 第二，对每一个细化问题点的小结论。到底是找应对策略辅导工作，还是不追究。
不同数据代表的含义不同。
- 情况1: 整体太忙/集体迟到共有15次，因此可以不批评个人。
- 情况2: 工作量太大问题占比大(10次 )，因此需要调整工作分配
- 情况3:个人问题占比大(13次)，因此需要批评。
做完了推断，还能直接设定观察指标，持续观察问题走势，具体包括以下几个方面。
- 数量变化：是不是迟到的次数减少了。
- 结构变化：是不是因为客观原因迟到的次数减少了。
- 细化问题点变化：因为工作分配导致的加班天数，是不是在消减工作量后减少了。
如图所示，如果对小张的迟到情况进行连续追踪，就会反映出一个问题。 
一开始，确实是加班太多/运气太差导致的迟到次数过多，于是不予责罚，可在5个月的时间内，其因为个人原因迟到的比例越来越高，整体迟到的次数虽然有所下降，但是因为个人原因迟到的次数越来越多。此时人事主管就得反思，是不是太过纵容导致小张越来越忽视公司的制度管理了。
这样通过MECE方法建立分析逻辑，梳理复杂问题，能清晰地导向解决问题的结论，从而达到良好的数据驱动的作用。注意：MECE方法的梳理方向，与想达到的目标直接相关。在上例中如果从一开始目标不是帮助小张，而是惩罚他，则梳理时考虑的维度、每个维度内划分的标准可能是完全不同的。
3.MECE 方法应用场景
在商业分析中，MECE方法的用途非常广泛。因为大部分商业问题都是千头万绪的，需要细致梳理。要注意的是问题虽多，但具体到一个业务部门身上，其关注的问题重点是不同的，解决问题的手段也是有限的。因此，自然而然地产生了分析顺序的区别。在构造商业分析逻辑的时候，往往从业务部门最直接负责的工作、最容易采取的手段入手。
比如，分析实体零售企业门店业绩，虽然都是从“人、货、场”3 个维度入手，但是切入点可能根据部门的差异而不同。
- 业务部：更关注“人”的角度，销售团队是否出现动荡，执行是否出现问题?
- 市场部：更关注“货”的角度，热销产品是否缺货，是否要做促销拉动?
- 营运部：更关注“场”的角度，卖场设备是否老化，卖场管理是否到位?
因此，从“人、货、场”这3个维度出发，在各个部门梳理问题时，这3个维度的出场顺序完全不同，优先排除自己的问题，优先考虑自己能做什么，就能把主观能动性发挥到最大：优先考虑别人的问题，则是推卸责任的做法了，如图所示。 
比如在互联网企业中出现活跃用户下降的现象，可能是因为推广引流的质量太差，新用户太少;也可能是因为运营做得不好，老用户流失;还可能是因为产品的某个功能出现了问题，导致使用该功能的用户大量流失。因此，同样可以构造MECE方法的分析逻辑，如图所示。 
如图所示，如果发现是情况1，老用户活跃下降，则优先分析用户使用功能。如果进一步发现：使用A功能的用户有80%出现流程无法完成，次日不进行登录，则说明A功能就是最大的问题，应优先解决。同样，当两个维度同时出现问题时，优先解决问题更大的那个比如图中的情况2，新用户/老用户均出现了活跃下降，但老用户下降幅度更大，此时应优先处理新用户问题。 
这样一层层分析，像剥洋葱一样，找到核心症结，最后呈现出来的就是完整的诊断逻辑。MECE方法是一套基本的方法，需要长时间、多次数的训练才能掌握。读者可以结合自己的工作/生活问题，随时随地展开练习，从最基础的“一个维度+二分类”开始练习，慢慢充实分析逻辑。
问题梳理最终是为了找到解决问题的答案。这份答案必须经过测试才能知道是否有效，因此分析问题必须结合测试方法，这样就能知道分析得是否准确了。这就需要掌握数据测试的基本原理。