Day 1 為什麼要看這本書？
2023年的第【017】篇讀書筆記，開始讀一本新書BCG問題解決力-關於思維的書其實不少，例如<思考的框架>、<底層邏輯 >、<認知覺醒 >。那為什麼要看這本書？
原因1：向先進學
我自己的學習方式有三個對象：
- 向自己學，例如寫部落格文章
- 向同才學，例如看別人的PRD、分析報告、代碼
- 還有一個很重要，向先進學，例如請教、研究經典，或者前沿的報告/產品
BCG是先進的諮詢公司，BCG問題解決力-其思考運用了大量”經典思維框架”，”經典”又是經歷過時間的考驗
我的部落格也計畫要進行”經典思維框架”系列文章，希望能產出每個架構在工作中是如何應用。例如怎麼思考分析結構、怎麼做優先級梳理、怎麼做產品規劃
原因2：保持懷疑
形成自己的知識體系需要融會貫通，所以也想跟上個月閱讀的<思考的框架>這本書看怎麼相呼應、補充、延續、乃至衝突。
也跟本書的序提到 “思辨精神”、”獨立思考”同理吧
原因3：先見林在見樹
李自然曾經提過『認知的誤區』：知道–>能做好–>在複雜環境也能做好，這三個狀態之間有很大GAP
以這結構抽象到工作開展，就會是：理論掌握–>綜合運用–>推動落地。同理，每個狀態間也是一個大GAP
每一個狀態都值得花費大量時間學習，相對的也可能太快進入細節
BCG問題解決力-這本書比較綜合，在三者間都有著墨
前四章是內功心法、第五章起有一些實戰招數(例如訪談)，最後則是簡報、演講與專案管理。可以先一條龍的對全貌了解，後續可以再對弱項針對性的加強，避免見樹不見林
其他想法1：大道至簡
BCG問題解決力-序言提到“大道至簡”，這是我很喜歡的一個詞
在我眼中，大道至簡就像是物理學家的終極定理，用一條公式解釋複雜的萬物；雖然在商業環境中，或是所謂的成功學，是由成功的人定義條件的，沒有放諸四海皆100%的準則，但我依然認為一定有幾條是機率特別高的
呼應<思考的框架-day4讀書打卡>『奧坎剃刀』（Occam’s Razor）的核心是，比起複雜的解釋，越簡單的解釋往往越接近真理。
任何人都有能力化簡為繁，唯有創造力能化繁為簡
其他想法2：SweetSpot
解決問題我們會想要一勞永逸，但本書提出”甜蜜點”，即要深挖到什麼層度？
作者表示未必是最深層的原因就是最佳解。舉例一個發燒的例子：
- 淺層原因-感冒
- 中層在客廳睡著
- 深層原因是喜歡在深夜看談話節目
- 更深層原因是基因缺陷
甜蜜點需要具備兩個條件(1)夠深入 (2)具有解釋性
基因缺陷很難解釋，所以到深層原因就好，因此解決方案為：在房間裝電視
有一點呼應<思考的框架-day2讀書打卡>：當一直推導，無限往下，可能反而不敢做出決定，造成分析癱瘓，這件事稱之為『滑坡效應(slippery slop effect)』，因此我們也要認知到，一切的事物都有極限。
其他想法3：sweet spot- 數據規範issue
想到，”找不到數據”、”不知道數據情況”是分析師很常見的問題
- 淺層原因是沒有wiki知識共享
- 中層原因是沒有做data warehouse管理
- 深層原因是沒有透過工具化來管理數據開發規範
- 更深層原因可能是data drive文化
如果按sweet spot，最佳解決方案應該是導入合適的data goverence工具&制定數據開發規範
Hello，如果你喜歡我的文章，請至『Rock Data』Blog閱讀新文章完整內容。也邀請你訂閱『Rock Data』電子報，支持我持續創作(Medium站仍將張貼新文章訊息)
Day 2- 數據分析、產品經理、諮詢顧問，本質上都是在解決問題
2023年的第【018】篇讀書筆記，看完《BCG問題解決力》
在<數據分析師職場發展的另類出路>這篇文章，我分享了兩個觀察到的趨勢跟方向，其中一個就是”數據X諮詢”
數據分析、產品經理、諮詢顧問，本質上都是在“解決問題”，只是針對的對象略有不同，可能是內部stakeholder、外部客戶、產品的使用者。所以閱讀時，很容易聯想到以往工作與書本內容的連結、三者個相同及差異。
BCG問題解決力-整本書主要圍繞四件技能，如何「想」-思考、分析、解決問題；如何「寫」-撰寫投影片；如何「說」-如何匯報；如何「管」-管理內容、流程、人
如何想
如何想，就是拆解問題&找insight的過程，包含「假設」及「假設驗證」，對於PM跟分析師工作中就有大量實踐。差異在於諮詢有更雜的訊息來源，包含第二手的訊息(行業報告、新聞…)、DA多從內部第一手數據、PM透過訪談等質化手段佔比較高(簡單差異，未必都通用)。
針對分析的issue，諮詢的大topic比較多，PM雖然也會接觸到大issue但頻率會較低，一般是PO/Product Director的範疇、或是在商業驗證階段時遇到（ex. p210頁的議題導向工作表）。對於DA，而這種議題雖然也有機會參與但不太會是主導角色(例如有讚時期參與的麥田計畫就是PM主導)
如何寫
如何寫，最重要的共同點，都是”了解客戶”做客製化
例如DA的分析報告，對團隊內部匯報、跟對老闆匯報、對業務方匯報，PPT也會因為對象的不同，而做相應的調整(補充/刪除)
PM也是，面向內部團隊的PRD、共享wiki、面向銷售及市場的產品白皮書、面向普通用戶的產品手冊、面向開發者的開發文檔，也是在做客製化
如何說
如何說，偏大型(20人以上)的”演講匯報”是我的弱項，尤其在聽之前錄製podcast回放、以及在hahow錄製課程剪輯影片時，自己重複聽更明顯感受
BCG問題解決力-這本書提供滿多心法技巧的，包含了投影片內容、每張slid的時間安排、速度、語調、口頭禪、眼神。可以當作工具書。
書中提到這些過程唯有依賴大量練習，問題就是”要去哪裡練習呢？”
(P.S. 前陣子讀 的各種技巧，我最大疑問也是怎麼練習)
這種即時互動又不能像寫代碼或分析一樣，可以有空擋去思考去google一下，也不像代碼是標準答案。因此要能運用，必須幾乎已經是”反射性”動作了，要能反射性，又需要經過大量練習 …
如何管
如何管，DA跟諮詢比較相似，都是以『內容』為出發的管理，PM的管理則更複雜。書中寫優秀專案顧問的四大要訣：
- 能夠釐清團隊的工作任務
- 能夠辨明工作優先順序
- 能夠提供顧問適時協助
- 能夠保有對下屬有同理心
第一第二點就是PM的工作日常
但顧問的專案性質明顯（專案是有明確產出），而PM相對較為動態跟模糊，所以相對要做什麼事，更難的或許是”不做什麼事”，在”取捨”上更需要琢磨。
最後作者提到，這些過程的目的是要讓策略推動，但客戶是否能成功實踐，關鍵在於與客戶是否建立 信任感 。這是三個角色都很重要的共同點（當然顧問身為外部人員，信任感的建立相對較困難）。
至於如何建立信任、開啟良好的對話？
- 首先要意識到，搞定人可能比搞定事更優先
- 客戶思維：客戶要的或許不是你有多麼全方位，只要可以真正幫他解決痛點。
- 然後可以再參考Terry<如何累積職場信譽>、文章<跨部門溝通成本太高？數據人實現高效跨部門溝通的4個方式> 、以及<FBI談判協商術>這本書。
註：BCG問題解決力-本書作者在天下雜誌有相關課程 [BCG問題解決力2：14個分析架構，帶你解決商業難題]
1. Hello，如果你喜歡我的文章，請至『Rock Data』Blog閱讀新文章完整內容。也邀請你訂閱『Rock Data』電子報，支持我持續創作(Medium站仍將張貼新文章訊息)
2.立即追蹤👉『Rock Data』臉書粉絲頁跟IG(@andyrockdata)
3.【入門數據分析，掌握HiveSQL取數能力】在hahow上架啦，課程詳情👉 http://hahow.in/cr/andyrockhive
4. 往期的相關文章可以參考以下link
- 數據分析系列1：談談數據分析的眾多Title
- 數據分析系列2：數據分析的一週工作日程
- 數據分析系列3：身為資料分析師，你該如何展現工作中的價值？
- 數據分析系列4：如何量化職場規劃？我這次的轉職規劃與Offer選擇
- 數據分析系列5：為什麼要關心資料來源？談談埋點數據的陷阱
- 數據分析系列6：精選幾個機器學習的學習資源
- 數據分析系列7：數位化決策轉型與企業文化的一些思考
- 數據分析系列8：中山大學經濟所職涯座談(ㄧ)：”了解自己”的重要＆我怎麼成為數據分析師
- 數據分析系列9：中山大學經濟所職涯座談(二)：想從事資料分析？你需要具備這8個能力
- 數據分析系列10：中山大學經濟所職涯座談(三) ：讓資料變商機 — 資料分析在我們生活中的應用
- 數據分析系列11：面試時，資料分析師該怎麼準備作品集？
- 數據分析系列12：2018年終工作總結(數據分析師)
- 數據分析系列13：數據化運營中玩過的分析項目：一個數據分析師的經驗總結
- 數據分析系列14：如何提升運營/產品的優化效率？或許數據指標體系的搭建可以幫到忙
- 數據分析系列15：用戶畫像很重要，那你知道是怎麼畫出來的嗎？
- 數據分析系列16：給剛入行的數據分析師：想產生價值，在試用期要做的三件事
- 數據分析系列17：2019 數據分析工作總結_關鍵詞：數倉構建、BI可視化看板、用戶畫像(標籤)與精準行銷
- 數據分析系列18：入門數據分析的第一個大門檻：SQL/Hive取數-聊聊自身學習SQL的經歷以及三個自學網站分享
- 數據分析系列19：身為數據分析師，我怎麼看hahow上”R語言和商業分析”這門課
- 數據分析系列20：直接用SQL來分析數據？怎麼沒用python/R？3個面向來考量分析工具的選擇
- 數據分析系列21：數據分析的”橫向”學習之路-珍藏的網上文章重新整理放上github
- 數據分析系列22：透過埋點，讓數據說話：埋點基本知識
- 數據分析系列23：以數據為核心的CRM進化產品：帶你了解CDP(客戶數據平台)開發過程與難點
- 數據分析系列24：SQL不難啊，為什麼不容易精通？自學與實務的4個落差
- 數據分析系列25：數據分析基本-相關分析與可視化(R語言)
- 數據分析系列26：刷完了Leetcode SQL Hard Level的28道題：歡迎領取參考答案
- 數據分析系列27：數據太髒了！3個步驟做好數據質量管理
- 數據分析系列28：跨部門溝通成本太高？數據人實現高效跨部門溝通的4個方式
- 數據分析系列29：數據分析師職場發展的另類出路
- 數據分析系列30：Databrick為何收購BI產品Redash？產品視角來看Redash的功能與價值
- 數據分析系列31：數據分析師要失業了？解讀<2022 Gartner BI魔力象限> BI產品趨勢
- 數據分析系列32：Google Data Catalog如何幫忙管理數據？ 產品介紹與體驗心得
- 數據分析系列33：復盤：數據產品從0到1的建設過程，我的9點感觸
- 數據分析系列34：Shopline-數據分析中心(Shoplytics)產品體驗
- 數據分析系列35：搞數據還是做產品？淺談『數據產品經理』
