思维建模：如何在知识迭代里，不被时代淘汰?

思维建模是一种解决问题的综合能力，是进一步把抽象问题具体化的过程。本文作者从AI的案例出发，对思维建模的作用和意义展开了分析讨论，并分享了搭建思维模型的相关方法，希望对你有用。

未来人类要准备好，每十年要重塑自己一次，扔掉自己过时的知识、技能、经验、假设和人脉，重新来过。

——《人类简史》/尤瓦尔·赫拉利

来，我们先做个脑洞题。

假如你生活在人工智能时代，你是一个北京地区的大龄男青年，AI在读取了你的过往行为数据，又结合全城适龄女青年档案之后，为你推荐了三位最匹配的结婚对象。

但你在看了三位女孩子的档案后，发现没有一个是你喜欢的。

问：你到底该不该听信AI的建议？

有人会认为，人是有自由意志的，即便AI算法无比精准又强大，但是也不应该将命运交给机器。

也会有人认为，人其实是不了解自己的，如果人真的了解自己，就不会有那么多的离婚官司，所以选择AI至少比被父母安排相亲靠谱。

但其实，这两种思考逻辑都太“原始”。真正的思考逻辑是：你不是要质疑AI的答案，而是要质疑AI的算法。

什么意思呢？AI如果精准地抓取了所有数据，那么AI的计算是不可能出错的。

但是正确的答案不一定有正确的结果，关键在于AI评判对与错的标准是什么？

当AI为你推荐女友，而你发现自己并不喜欢时。你要先查看AI为你选择女友的“算法”到底是什么？

比如， AI的逻辑有可能是这样的：

AI盘点了学历背景、消费观念、家庭地位、社会职位、兴趣爱好、相貌评分、价值取向、恋爱经历等所有关键因素，给你推荐了一位最合适的未来妻子。

在这个算法框架里，AI的评估标准其实是你和女方的「匹配值」。如果你听信了AI的建议，你将迎娶一位“合拍”的妻子。

但如果你不是一位追求“合理”的人，“合适”不是你的选择标准，你不看重是否天长地久，只看重是否热烈地爱过。

你可以让AI去校正自己的算法，加入一些新的计算维度，例如，“爱情在人生中预估比值”、“星座是否是火向的”等、“是否有热爱艺术”……

然后，AI在调整算法框架之后，会给你一份新的答案。

我们每天都可以得到很多个“答案”，然后在不同的答案之间，不知所措。

有冲突的“答案”：有些人告诉你，不要忘记品牌，用户心智才是企业最大的护城河；另外一些人告诉你，品牌理论过时了，你需要利用增长思维做企业。

有过气的“答案”：一些营销文章告诉你如何利用H5做病毒营销，还没等你学明白H5的玩法，H5创意就已经过气了。

有过剩的“答案”：在电视媒体辉煌时代，做媒介的只要懂收视率、收视份额、毛评点，就能算明白自己买到了什么。现在呢？我们还得知道CPM、oCPX、CPS、CPA、CVR、CTR、CPD、GD、DSP、DMP、CDP、CRM……

在这个充满答案的时代里，答案变成了一个“变量”。我们不应该追求固定的答案，而是要追求计算答案的能力。

答案是经常变化的，但计算出答案的公式可能是不变的。

营销人在面对海量知识点时，光努力学习是没用的，我们要做的是：随时可以搭建起一套大脑操作系统，这样才能解码和兼容下载的知识点。

我把这种能力称之为「思维建模」。

一、什么是思维建模？

一提到思维模型，很多人就会想到SWOT分析、OKR、波特五力模型等这些经典的理论模型。

但我说的是「思维建模」，不是让大家套用大师们的模型，而是要学会随时随地、迅速搭建出属于自己的理论思考模型。

「思维建模」的含义是：当我们发现一件事没有参考经验、没有现成答案时，我们要凭借已有信息，迅速编出一套临时“算法”，迅速解决掉这个问题。

我来举个例子。前几天，和湛卢文化的创始人韩焱韩总聊到一个现象：为什么湛卢出版的《价值》能够破圈，成为今年的现象级图书？

我向韩总介绍了我日常评估IP的一种量化方法， 用这种方法我们常年为广告主评估电视剧/综艺。

简单说，就是把一个IP可能引发流行的因素，拆解成很多个关键变量。从而把一个拍脑门的事，变成一个可以量化的数学计算。这种方法不一定100%准确，但至少减少了不确定性，增加了决策依据。

那么，如果想形成「思维建模」的能力，其实要扭转过往的一些思考习惯。

我觉得第一个要扭转的习惯是，一定要学会把抽象的大问题拆解成具体的小问题。

二、把一个抽象的大问题，拆解成具体的小问题

很多时候，我们面对的都是一个抽象的商业问题，比如“我们明年广告费该花多少钱？”

回答这种问题时，你有两种选择：一种是提供观点式的建议；一种是提供量化式的建议。

观点式的建议会这样说：

张总，明年是竞争白热化的一年，我们要想站稳脚跟，不能太保守，必须有烧钱的魄力，我建议投4000万。

量化式的建议会这样说：

张总，我们一年的营收是3个亿，毛利是1个亿。行业内一般会拿出毛利的30%，作为下一年的广告费支出。

但是明年会面临行业洗牌，考虑到明年的市场增速，我们营收大约在5个亿，毛利1.5亿。我建议，把今明两年的盈利都用在广告投资上，大约是4500万，从而彻底站稳市场，

再考虑你公司的资金周转和成本消耗，我们至少要投入4000万。

观点式的建议只能让人选择是和否，只有量化式的表达建议，才能为决策提供丈量依据。

“明年广告费该花多少钱？”这个问题是抽象的，但抽象的问题可以一步步拆解成可被计算的小问题，这些个小问题就组成了一个思维模型：

公司营收和毛利

行业广告支出在营收毛利中的占比

竞争对手的投放费用

未来一年市场增速所提供的费用

资金周转和成本消耗

以上这五个因素共同决定了客户的广告预算，而且每个因素都是可被计算的。以后，任何一个客户问你该花多少钱，你都可以借助这个模型计算出答案。

我们再看一个好玩的例子：《孙子兵法》有句话叫，“故善战人之势,如转圆石于千仞之山者，势也。”

意思是带兵打胜仗的人，所营造的势头，就好比在一个高山上，把一块圆石头推下去。圆石滚下山的那种不可阻挡的力量，就是“势”。

孙子老人家这句话，我们可以换个表达方式：从高山上推下一个圆石头，产生的其实是“重力势能”。重力势能=质量×重力加速度×山高。如果我们知道山高、知道石头的重量，再乘以重力加速度≈9.80 m/s²，我们就能算出所谓的“势”到底有多大。

没借势和借势的差别，就是原地滚石头和高山上滚石头的差别。

但差别有多大？如果孙子学过物理，他应该可以计算出，大约多了多少倍。

所以，把一个抽象的大问题，拆解成一个个小问题，目的是让这个大问题变得可计算、可测量。

前几天，看到一本书，叫《数据化决策》，我才发现，这种思考方式已经被前人广泛应用，并且还写成了书。

这本书的作者提出一种观点：一切皆可量化，包括看似不可能的无形之物。比如什么是幸福的婚姻？如何才能找到真爱？

比如，这个模型的第二点“打破现有团队薪酬结构的人，坚决不要”。我认为，一个人不管有多厉害，我多想要他，都不能为了他去打破团队的薪酬结构，任何组织都是“不患寡而患不均”，这样一定会导致团队分裂。

面对一个商业问题，能够利用常识迅速搭建出自己的理论模型，其实并不容易。

虽然很多人都明白，要把抽象的大问题拆解成具体的小问题。但关键是，那些小问题又是怎么想出来的呢？

其实，这才是「思维建模」的最难的一点：如何找到问题里的关键变量。

三、只有找到“关键变量”，才能思维建模

很多大公司面试时，经常会问出一些奇怪的问题。比如，成年人有多少根头发？HR要求你，不借助任何工具，只靠一张白纸和一支铅笔，去计算出人类头发的数量。

这其实是考验候选人，如何在有限的资源和信息下，找到最简洁可行的做事方法。

我的计算思路是这样的：人的头颅大约和一个足球差不多大小，可以用足球的表面积换算出头发面积。目测，人头发的表面积，大约占了整个头颅的二分之一。也就是说二分之一的足球大小，就是正常人的头发面积。

一个足球，凭想象大约直径是20CM，表面积是π×20²≈1256cm²，二分之一的面积就是628cm²。1cm²，凭想象大约有10×10=100根头发。所以，最后的答案是628cm²×100=62800根头发。

真实的答案是：有6万到12万根。据统计，黑人大约6万到8万根，黄种人大约8万到10万，白人大约10万到12万根。

我的答案虽然误差很大，但也正确范围值内。只是我在计算时“作弊”了，因为我这个数学一直不及格的文科生，居然忘了小学生都会的球体表面积计算公式。于是，我羞愧地百度了一下，才算出答案。

这就是思维建模的难点。在拆解问题时，一旦无法知道关键变量，或是把关键变量计算错了，就没法得出正确的答案。

“关键变量”就好比一个模型的关节，关节如果找不到，根本没法架构起一座思想大厦。其他地方坏了还可以修修补补，大厦还不会塌，但关节断了，大厦就摇摇欲坠了。

营销人在做竞争分析，在拟定品牌策略时，必须先去彻底洞悉出“关键变量”，才可以在这些关键变量的基础上，搭建战略大厦。

我们做商业分析时，要永远把这个世界一分为二。左边是多数的、不重要的事，右边是少数的、重要的事。

如果我们发现没法把这个事二八划分，那么这事我们一定没弄明白。

调研机构经常发布各种行业报告，但当你累花眼睛、看完大大小小的柱状图和饼状图之后，什么都记不住。

分析是为了把一个复杂的事简单化，而不是把一个复杂的事搞得更复杂。

学会量化一个抽象问题，学会发掘关键变量，我们可以完成思维建模的第一步，但如果想要一个思维模型是真正有用，我们还欠缺最后一块拼图。

四、一个思维模型，怎么才能真的有用？

我曾看到，有广告策划这样为品牌做SWOT分析。

S，品牌优势是产品质量好

W，品牌劣势是品牌知名度不高。

O，机会是行业高速增长。

T，威胁是竞争对手广告投的多。

结论：应该加大广告投放。

别笑！其实，我们很多人都有过类似的经历，你看到了一个厉害的分析模型或者方法论，尝试用了一次，但结果依然毫无建树。

问题出在哪呢？因为分析模型不是数学公式，它没有一个标准答案。如果你在应用中，不知道错在哪里，没人给你反馈关键信息，你就没法校对自己。

光有一个模型，往往得不出正确答案，这个模型要被事实校对，才能真正有效。

好比你买了一双漂亮的高跟鞋，但是这双鞋很磨脚，爱美的女孩子们必须“盘”上一两个星期，才有可能靠它征战舞会。

所以，思维模型其实是、也必须是动态的。它会在测试——校对——再测试的思考循环里，百炼成钢。

但是，我们常以为，只要试错的次数够多、经验够多，我们自然就会越理解一件事。道理是这个道理，但是满街都是干了一辈子，还没弄明白自己那点事的人。

为什么有时候拥有大量的反馈数据，但却没有像今日头条一样，把算法校对的越来越准呢？举个例子。

问题是：1+1=？，你作答了三次：

1+1=5

1+1=6

1+1=7

这三次试错，你并没有找到答案，甚至越找越远了。我们再换三次作答：

1+1=1-10

1+1=1-5

1+1=1-3

这几次作答，其实是在不断缩小目标范围。

可以说，思维模型的反馈，也是需要思维模型的。

就拿我们刷手机短视频为例，短视频APP会统计很多观看行为。显性的行为记录有：点赞、评论、留言、喜恶。隐性的行为记录可能有：停留时间、所在地域、登陆频次、内容标签、关注账号、社交关系……

以上，这些因素以某种计算方式组装起来，就是机器的思维模型，只是机器把它叫算法。我们也要明确自己的反馈机制是什么？

而且，人相较于机器的劣势是：机器对任何系统反馈都是可以正确记录的，而人却常常对一些重要的反馈视而不见、后知后觉。

比如，影视剧里总有不解风情的傻小子，现实里总有对女朋友情绪迟钝的直男癌。所以，我们要做的就是，把反馈机制变得“可视化”。

结语

当我们去征服一片大陆时，我们以为自己需要一块地图，于是拼命搜集、争夺别人手上的地图残片。但当我们真正拥有地图时，才发现面前的大陆已经沧海桑田、物是人非。

其实，我们真正需要的一个指南针。指南针让我们在一个变化的环境下，永远可以找到北极星。

对于我而言，思维建模的能力就是一个指南针，让我在这片翻腾的知识大陆上不走失。  

想了解更多，关注武汉企秀。