收益：
- 能够将模糊的客户问题转化为清晰、可解决的问题陈述，并利用人工智能建立 MECE 假设树（问题树）
- 能够利用人工智能生成假设并检测盲点，并根据自己的判断决定首先检验哪个假设。
- 能够识别并避免问题结构中的常见陷阱（冲突分支、提前假设解决方案、错误的问题）。
咨询项目最昂贵的错误是解决错误的问题。客户问“我们的销量下降了，怎么办？”来了：但真正的问题是“哪个部分、为什么以及有多少部分在我们的控制之下？”可能是。经验丰富的顾问首先会正确定义问题，而不是寻找答案。人工智能是现阶段完美的思维伙伴：它在几分钟内生成数十种可能的原因、子问题和假设。但决定哪个问题是正确的问题需要判断，而这个判断就是你的。
在本单元中，我们将结合作为人工智能咨询支柱的两个工具：假设树（问题树，将问题分支为子问题的树图）和 MECE 原则（互斥、集体穷举 - 分支彼此不重叠，并且一起完全覆盖问题）。
从模糊的问题到可解决的问题
一个好的问题陈述包括四件事：谁（决策者）、什么（决策）、标准（衡量成功的标准）、边界（范围和持续时间）。 “销售额下降”是一种抱怨； “在当前预算的情况下，哪 3 个最有效的杠杆可以在未来 12 个月内将 B2B 领域的营业额提高 10%？”是一个问题陈述。你可以让人工智能发生这种转变，但首先你必须清楚地解释原始情况。
您的角色：管理顾问的问题构建教练。我会给你客户的原始投诉。您的任务：1) 将其转化为一句话、可衡量的问题陈述（必须包括决策者、决策、成功标准、范围、持续时间）。2) 揭示该陈述所基于的 3 个隐含假设。3) 建议 2 个替代问题框架，以应对“解决错误问题”的风险。原始投诉：“[用客户的话来说……]”
提示：将问题陈述读回给客户。 “那么对您来说，成功就是 12 个月内 B2B 营业额增长 10%，对吗？”这一句话从一开始就解决了项目的方向以及随后的“我们不想要这个”的争论。
用人工智能构建假设树
一旦问题明确了，你就可以将其分支出来。树的根是主要问题；分支是可能的响应轴；叶子是可检验的假设。例如，“为什么 B2B 营业额没有增加？”这个问题可以分为两个主要分支：（1）新客户获取疲软，（2）现有客户收入正在下降。每个分支又分为自己的子分支。 MECE是一棵好树。
您的角色：MECE 假设树专家。主要问题：“[问题陈述]”任务：将此问题分成不超过 2 个级别。规则：- 第一级分支必须是 MECE（无重叠，无间隙）。- 每个叶子必须是可数据测试的假设句子（形式为“... 因为 ...”）。- 在每个假设旁边，写下测试它所需的单个数据源。格式：缩进式项目符号列表。探针：标题“MECE 下有重叠/间隙的风险”审核”标记分支机构。
AI 在 3 秒内为你提供一棵包含 15 个假设的树。但你的工作并没有就此结束，它还开始了：你选择哪些分支是真正的 MECE，哪个假设最有可能且最容易检验。
优先级：首先测试哪个假设
没有时间检验所有假设。使用两个轴：影响力（如果是真的，它对解决方案的贡献有多大）和易用性（测试的速度有多快/有多便宜）。具有高影响力+高便利性的优先。这被称为“快速获胜横扫”。
假设
效果（1-5）
易于测试 (1-5)
优先级
定价落后于竞争对手
5
4
之前
B2B销售团队不足
4
3
那么
产品功能存在差距
4
2
研究
品牌知名度低
3
2
保持
你可以让人工智能填充这个矩阵；但请根据您自己的行业知识查看影响力和便利性得分。该模型常常高估测试的难易程度。
您的角色：优先级分析师。将以下假设列表放入影响缓解矩阵中。对于每个假设：影响 (1-5)、测试的难易程度 (1-5)、所需的单一数据源、建议（之前/之后/调查/保留）。规则：乐观地给出轻松分数，写出理由。突出显示具有最高“影响 × 轻松”乘数的 2 个假设。假设：[列表]
三个迷你箱子
案例 1 — 错误问题已更正。某零售连锁企业问道：“我们员工流动率很高，是否应该加薪？”他问道。顾问用人工智能打开问题框架；该模型说明了三个隐含的假设：薪酬是问题，所有商店的营业额相同，薪酬是解决方案。数据得出：70%的营业额发生在3家门店，而且总是在同一个两位经理团队中。真正的问题是管理者的行为。加薪 1400 万土耳其里拉是错误的解决方案。
情况 2 — 非 MECE 树。一位顾问询问该模型“为什么利润下降？”他想要那棵树。该模型给出了分支机构“收入低”、“成本高”、“竞争加剧”。前两个分支是MECE（利润=收入-成本），但“竞争加剧”是原因，收入/成本是结果；分支机构级别参差不齐。顾问修复了树：第一级仅是收入和成本；第二级是收入和成本。竞争导致收入的一个分支。
案例 3——优先排序得到了回报。在一家 B2B 软件公司中，生成了 12 个假设。影响力-便利性矩阵将“入职过程很长”的假设放入高影响力-高便利性框中。一周数据分析证实：30天内未激活的客户取消率高出3倍。一点点干预（引导安装）就可以减少 22% 的取消。首先测试正确的假设可以缩短项目。
弱提示/强提示
弱提示：
让我列出这家公司利润下降的原因。
该模型列举了随机的、重叠的和未经证实的原因；它没有建立一个思维框架。
强力提示：
您的角色：MECE 问题构建专家。主要问题：“公司刚刚建立。
检查问题结构是否良好
当你完成你的树时，问这些问题：你也可以询问人工智能，但你做出最终决定：
- 根本问题真的是客户想要决定的问题吗？ - 一级分支是否重叠？ （互斥？）- 有什么遗漏的吗？ （一起完整吗？） - 每片叶子都可以用数据来测试吗，还是意见？ - 我是否提前假设了解决方案？ （例如，“工资就是解决方案”）
常见错误
- 将解决方案嵌入到问题中。 “我们应该降低价格吗？”这个问题以解决方案为前提，并使其他杠杆变得不可见。先问“为什么”。
- 重叠的树枝。如果“企业客户”和“大客户”是不同的分支机构，则同一客户将被计入两个地方； MECE 坏了。
- 混合水平。将原因（竞争）与结果（收入下降）放在同一水平上会使树变得不合理。
- 无法测试的叶子。 “管理不善”是一种判断，而不是一种假设。 “决策时间平均为 40 天，行业为 12 天”是可检验的假设。
- 按原样接受模型树。 AI 给出快速轮廓； MECE 审核和优先级排序是您的工作。
注意：人工智能以非常令人信服的方式呈现假设树。说服力并不等于准确性。始终手动检查树的 MECE；用笔和纸绘制树枝通常会显示模型错过的重叠部分。
综上所述
在咨询中，价值在于正确的问题先于正确的答案。人工智能能够将模糊的抱怨转化为可衡量的问题陈述，揭示隐含的假设，并快速勾画出假设树。但由您决定这棵树是否是 MECE、假设的可检验性以及首先检验哪一个。模型产生草稿；顾问的工作就是负责、控制问题并确定问题的优先级。
应用任务
选择一个真实的或想象的客户投诉（一句话）。首先，将其转化为可衡量的问题陈述和三个带有强烈问题框架提示的隐含假设。然后根据 MECE 假设树提示构建两层树。手动检查树以查找并修复至少一个冲突或差距。最后，填写效果-缓解矩阵并选择两个假设首先进行检验。
清单
- [ ] 我将原始投诉转化为包含谁/什么/标准/范围/持续时间的问题陈述。
- [ ] 我发现了隐含的假设。
- [ ] 我检查了假设树的第一层 MECE。
- [ ] 我验证了每片叶子都是一个可检验的假设。
- [ ] 我确保我没有将解决方案隐藏在问题中。
- [ ] 我优先考虑影响缓解矩阵。
- [ ] 我没有盲目接受模型的树并手动修正。