1.1 三头小猪的故事 | 1 第1章 统一语言 数据、指标、信息，天哪！ 如果有一种通俗易懂的语言，能让所有人（无论其人生阅历或教育经历如何）都能明白量化的好处，该有多好！我认为语言不通是事业（和生活）的最大障碍。所以，提炼总结出公用词汇至关重要，是迈向成功的第一步。 本书中的很多概念可能都比较新颖，但这并不意味着要发明新词儿，组织发展术语表已经臃肿不堪了。实际上，我用的都是常见词汇。尽量用大白话介绍那些看上去很复杂的概念，让其浅显易懂，简单直白。 先讲个故事吧。 1.1 三头小猪的故事 有一次，在半路上，我家那个三岁的小宝宝想听故事。因为没带书，我不得不搜肠刮肚努力回想，好找出一个故事来哄她入睡。好吧，我承认我虽然对讲过的课记忆深刻，但却完全记不住那些儿童故事。所以，就像所有好父亲都会做的那样，我即兴创作了一个。还有什么能比量化故事更能催人入眠的呢？ 故事背景 打败大灰狼之后，三头小猪放浪形骸，生活奢靡。三年过去了，它们生活在肮脏的环境里，体重严重超标——就算是猪，也太胖了。由于健康状况不断恶化，它们分头去看医生。三个医生的结论完全一致：你马上就要变成烧烤了。它们胡吃海塞，缺乏睡眠，不锻炼身体，也没注意到身体发出的危险信号。三个医生一致认为，如果不改变生活方式，这些猪就只有死路一条。 第一头小猪 不幸的是，猪，也会遇到庸医。第一头小猪的医生对它说：“你的身体每况愈下，必须认真对待，改变生活方式！”医生给小猪开出了饮食计划、健身计划，还要它12个月内回来复查。 这头小猪确实吓坏了，所以努力自救。它不再吃垃圾食品，每天坚持锻炼。甚至上床睡觉的时间都提前了。一个月后，小猪感觉棒极了，这么多年第一次觉得这么爽。他决定搞个party庆祝一下。于是约上羊羔兄弟，去外面彻夜狂欢。大餐过后，又搞了个吃冰激凌大赛（他赢了）。他们玩到凌晨3点才回家，回去倒头便睡。第二天，他忘了锻炼身体。好习惯被毁掉只是一眨眼的事儿。因为平时太忙（借口），只好周末锻炼了。快到月底时，他又开始吃垃圾食品，虽然没有以前吃得多，但也超过了正常标准。 年底复查时，面对医生失望的表情，他震惊了。 “可我是按医嘱做的啊，”第一头小猪说，“我饮食健康，努力锻炼，甚至睡得也比以前早了。我知道我的身体变好了……觉得比去年强了。” “是，但你的体重没有明显改善。你可能吃得更健康了，但还不够健康。你的睡眠可能更充足了，但还不够充分。总体来说，你的身体恶化了……如果再不改变，性命堪忧。” 医生给第一头小猪开了一个新的饮食和健身计划，还给他报了一个动感单车课程，开了处方药，真诚祝愿他再来复查时能变好。第一头小猪确实被这些东西吓着了，因此对着自己的大下巴发誓，他一定要做得更好。 这次他坚持住了。定期锻炼，只吃健康食品，饿了就吃胡萝卜、芹菜或脱脂酸奶。每周都去参加动感单车课程，简直就像钟表一样准时。可是，悲催的小猪不知道自己的进展如何。7个月过去了，它虽然感觉好了点，可是因为焦虑，压力太大，它中风了。尽管身体状况有所改善，但它还是扛不住中风的打击。一个月后，它死了。听到这个消息，医生非常难过。在从日历上划掉马上到期的复诊预约时，他哭了。 第二头小猪 第二头小猪的医生知道量化分析的重要性。他是一个善于与病人沟通的好医生。医者父母心，他希望自己的病人更健康。看过第二头小猪的体检表后，他很沮丧。怎么才能改变小猪的命运？如何帮小猪重获健康？他喜欢量化，认为如果有目标指导，小猪能做得更好。医生设计的方案有三个指标：体重，血压，胆固醇。他告诉小猪，它随时有生命危险。然后建议小猪减掉100磅的体重，降血压，1.1 三头小猪的故事 | 3 降低胆固醇，让三项指标都达到正常值。他还画了个健康趋势图，用来跟踪小猪的三项健康指标。当小猪进一步询问，该如何达成目标时，医生给了小猪6本小册子、两本书，还告诉它一些提供健康改善计划的网站。医生跟小猪约好，明年每隔三个月来复查一次。 第二头小猪非常努力地执行健康计划。它把体检表和健康趋势图贴在冰箱上，改变饮食习惯，健身，还尝试冥想。它又买了血压计、磅秤（质量很好），还有一个测胆固醇的漂亮小包。它不在乎钱——为健康花多少钱都是值得的。它一起床就去量血压，称体重，测胆固醇，每天三次。在第一季度检查时，医生对它的进展很满意。他们查了一遍数据，决定让它继续保持。小猪备受鼓舞，它决定更进一步。想去做胃绕道手术，但最终还是放弃了，而是选择每周有六天靠吃豆腐度日，第七天只吃大拌菜。它加大了锻炼强度，还开始尝试垃圾邮件里推荐的降胆固醇药物（它可爱垃圾邮件了）。 第二次检查临近，小猪变得急躁冒进。在复查的前三天只喝水，为了降低体内水的重量，还在复查当天早上去蒸了桑拿。医生都惊呆了。这头猪的体重足足减掉了60磅，血压好了，胆固醇离标准值也只差不到10%了。医生为它取得的成绩拍手叫好，说下次复查时它一定能听到喜讯，离治疗成功只差三个月了。 可两个月后就传来噩耗，小猪挂了，死于肾脏衰竭。这头猪最终也没搞明白总体目标是什么，或者说如何评估它的整体健康状况。在死前的最后8个月，它一直都在跟几个数字较劲，却忽视了真正重要的“良好的身体状况”。它赢了数值，却输了生命。 第三头小猪 第三头小猪的医生也相信量化，对待病人也很友善，但他和第二头小猪的医生不同。他相信病人能够应对真相，也应该了解指标的含义。医生告诉第三头小猪，它的身体之所以如此糟糕，主要是因为生活方式不好。医生解释了体重、血压和胆固醇三个指标，为什么它们能很好地反映健康状况，但却不能作为唯一标准。小猪的健康状况在很大程度上还是取决于它对自己的爱惜程度，要及时和医生交流身体中出现了哪些“有趣的变化”。小猪想知道什么叫“有趣”，医生说这没有量化标准。下面是小猪跟医生之间的对话。 “那我该如何使用这些数据呢？” “收集数据，跟踪数据，以数据为依据来判断我们是否错过了什么，4 | 第1章 统一语言 或者取得了什么进展。” 小猪拿着图表，问：“那我是不是得让这些数字更好看？” “不。咱们的目标是让你更健康！那些数字只能用来判断你的发展方向是否正确。” 第三头小猪哼哼着：“这有什么区别呢？” “这么说吧，反映身体状况的指标有很多，血压、体重、胆固醇只是其中三个。你确实需要改善这些数字，但也不能以牺牲其他指标为代价。比如说，睡眠质量还是要保证的，还要经常锻炼，要进行精神压力测试，要保证记忆力、营养摄入等等很多东西。目标是健康，而且不仅仅是身体健康，还包括精神健康。” “那，我不用管这些数字？” “也不是，如果这些数字没改善，说明你的身体状况也没好转。” “那，怎么办呢？” “这下问到点上了，小猪！”医生为小猪制订了一个简单的改善计划，还给小猪演示了如何量血压、体重和胆固醇。他让小猪每天填一份日程表，每周都要放到在线日记本上。每周的在线日记本包括它采集的数据，测量“我今天感觉如何”的数据，还有一部分内容记录了它为改善身体状况做了什么。医生承诺会定期检查，并且说如果发现异常情况，会及时跟它联系。 医生说：“我希望你不会觉得我在控制你，我只是想了解你的进展情况。这对于改善你的健康状况至关重要。” “不会，我喜欢这样。”小猪看医生有点担心，马上回答。“不过为什么不每个月给我做一次全面检查呢？” “那太浪费了。除非有指标表明需要这样，否则我不会给你做全面检查。以免浪费你的时间或金钱。” 到第六个月时，第三头小猪的气色已经好多了，感觉也不错，医生对它所做的努力予以肯定。到第九个月，它表现得棒极了，朋友和同事们都夸它气色非常好。它恢复了健康。故事讲到这里就结束了。 我知道人们不可能把这个当成那个经典童话的续集，反正它的自身价值也已经实现了。我女儿听到一半就睡着了。 为了使沟通更顺畅，先来定义一些基本术语。数据（data）、指标（measure）、信息（information）、量化分析（metric）截然不同，但又彼此关联。每一个都建立在另一个的基础之上。量化分析由信息和其他量化分析组成，信息由指标组成，而指标又由数据组成。 图1-1展示了一些相互独立的实体，人们经常认为它们和量化分析相关，甚至认为它们就是量化分析。 通常，数据被定义为“单一的事实，统计项，或信息项”。然而这个定义有些言过其实。它暗示数据是精确的，并且具有某种实用性，但其实数据本身并不具备什么实用性。按我的定义，数据就是最简单的信息，通常用数字或常量值表示，比如：6，22，70，真，假，高，低。因为没有和任何有意义的信息关联，数据本身并没什么用处。如图1-1所示，重叠的泡泡表示有些数据能够“联系起来”，但数据定义中并不包括这种联系。
图1-1 数据关系图 数据是最简单的信息形式，通常表示为数字或常量值。
数据之间可能毫无关联（泡泡之间的距离很远），也可能因为某个共同的目标联结在一起。在分析数据时，可以用关系图这种可视化方式表示数据之间的关系。但有时这些关系并不存在，仅仅因为来自同一数据源或采集目的相同而被误认为6 | 第1章 统一语言 彼此相关。比如“响应时长”和“解决时长”，可能看似相互关联。 因为它们数据源一致，都来自于同一问题跟踪系统。数据类型（时间）相同，也会给人造成两者关系密切的假象。实际上，无论是否来自同一数据源或采集目的是否相同，数据之间往往毫无关联。如果把无关数据误认为彼此相关的数据，就可能会得出错误结论。比如响应时长和解决时长，它们其实并不会互相影响，表示的也是不同的事情。 1.3 指标 图1-2说明了信息的下一层级：指标和数据之间的关联关系。 因为有更多细节，所以指标更有价值。这种细节可能包括指标单位（以50% 为例，指标单位是“百分比”，数据是50），以及数据之间的关联关系。“70%”的含义比简单的“70”更丰富，如果能明确是“63个用户中的70%”，那就更有价值了。每个指标都由一或多个数据组成。指标跟数据一样，彼此间可能存在不同程度的关联关系。图1-2左上角的泡泡表明不能归结为某个指标的一组数据。虽然这些数据彼此关联，但它们不能构成含义更丰富的指标。人口统计数据、身高、体重就是这样，每项数据都有用，但不能合在一起构成一个更大的指标。
图中还有三个孤立的数据。这些离群（“没有关联”）的数据，以后也许有用，也许毫无价值。
1.4 信息 | 7 指标将真正有关系的数据分组，添加上下文，使数据的含义更清晰。然而，没有对应到目标或根本问题（详见下文）的指标，也仅仅是装扮起来的数据。 指标将真正有关系的数据分组并添加上下文，使数据的含义更清晰。
1.4 信息 图1-3展示了第一层可用信息——我们就称之为“信息”。信息对指标和数据（包括离群数据）分组，赋予它们明确的含义。
1.4 信息 | 7 指标将真正有关系的数据分组，添加上下文，使数据的含义更清晰。然而，没有对应到目标或根本问题（详见下文）的指标，也仅仅是装扮起来的数据。 指标将真正有关系的数据分组并添加上下文，使数据的含义更清晰。
1.4 信息 图1-3展示了第一层可用信息——我们就称之为“信息”。信息对指标和数据（包括离群数据）分组，赋予它们明确的含义。
图1-3 数据、指标、信息关系图 信息汇聚指标和数据，并添加上下文。上图中的信息并没有囊括所有数据，无论计划多么周密，采集的数据如何优质，总会得到一些没用的数据。最后，你会发现这些数据要么和要解决的问题格格不入，要么毫无帮助。信息只会收编需要的数据和指标。 上下文信息对于理解数据和指标中的数值非常必要。对于指标，我们只知道是在讨论一定数量用户中的百分比，而添加了上下文的信息含义更丰富，对理解指标更有帮助：“63个用户中的70%更喜欢滑雪机，而不是踏步机。” 信息添加了上下文含义，使指标更好理解。
1.5 量化分析 图1-5是由信息、指标和数据组成的一幅插画，展示了一个完整的故事，可比作量化分析。老话说得好：“一图抵千言。” 终于，我们要定义最重要的“量化分析”了。量化分析不仅仅是把一堆信息分到一块。好吧，其实也差不多。 按我的定义，量化分析是由信息、指标和数据组成的，它也可以包含其他量化指标。量化分析与信息最大的区别是，量化分析做完整的描述，全面解答根本问题。另外，量化分析所做的描述必须是“正确的”。如果量化分析做的描述完全错误，那它就没什么价值。除了数据、指标和信息，量化分析还包括文字说明。尽管一幅图可能会胜过千言万语，但面对没有任何解释的图时，往往是仁者见仁智者见智，所见所感千差万别。
如果你已经在量化分析上下足了功夫，配合图形、图表和表格将故事讲得一板一眼，那么你对它的解释就很难出现偏差，但也不能保证完全没有曲解。除非确信量化分析的观众没有自己的见解，不会曲解量化分析，持完全开放的态度，否则我强烈建议你给图画配上文字说明。 文字说明并不是什么新概念。我在读大学的女儿报了一门艺术欣赏课， 在她的教材中，每件艺术品都配上了几页文字介绍，讲述创作该作品的艺术家，其创作背景、所投入的时间、所用素材以及当时的社会大环境。我对此颇有感触，因为在我读高中的时候艺术老师就讲过，艺术品的含义就是欣赏者对它的解读，除此之外它没有任何意义。现代艺术更是如此（我一直没搞懂）。这本书没让欣赏者们玩猜猜猜，而是对隐藏在图画之后的重要信息逐一详细解说。不仅油画、雕塑和素描有，版画、雕刻和史前壁画也有。这些文字说明进一步解释了艺术家通过胜过万语千言的图像要“传达”什么。 如果艺术品的含义有必要解释，那么量化分析的含义是不是更有必要明确呢？而且，是不是最好由创作量化分析的“艺术家”自己来阐述呢？当然，对量化分析的任何解释都仅仅是一种解释，每个人对量化分析的看法都会不一样。但你肯定希望是你自己的解释与这幅图一起出现。如果量化分析使用得当，人们不会把你的解释当做唯一的“真理”，而是就把它当做解读量化分析含义的一种方式。 “在进行有氧锻炼时，63个用户中的70%更喜欢用滑雪机，而不是踏步机。10 | 第1章 统一语言 这里有3个滑雪机和12个踏步机，滑雪机的平均等待时间是25分钟，而踏步机前通常没人。”这就有点像个“好”的量化分析了。如果再配上一幅图（图形或者图表），那就更像了。量化分析的目的是解答根本问题，讲述一个完整（而有用）的故事。 应该怎么办呢？买更多的滑雪机？撤掉些踏步机？限制客户占用滑雪机的时长？开设一门踏步机的训练课程？显然我们还是不知道该怎么办。困惑的部分原因可能是因为没有提出明确的问题。为什么收集数据？为什么要分析？如果没有明确根本问题，就不可能讲述好完整的故事。 1.6 根本问题 我与迈克尔·兰索恩和唐纳德·帕吉特合著过一本《组织为什么会事倍功半》（Why Organizations Struggle So Hard to Improve So Little）。在那本书中，我们将量化分析体系比喻成大树，数据是叶子，指标是细枝儿，信息是树杈儿，量化分析是主干。然而它们的存在离不开良好的根系，这些根系就是根本问题。这个比喻很贴切，量化分析体系各个组件之间就是这种关系。 图1-6是量化分析各组件的另一种展现方式，看起来就像一个组织机构图。
根本问题不好，得出的答案可能就会把你引入歧途。不知道问什么，答案就没用。根本问题对于量化分析而言特别重要，所以在量化分析的定义中必须提到。
1.6 根本问题 | 11
量化分析用完整的故事来解答根本问题，其中要用到数据、指标、信息以及其他量化分析。
根本问题是量化分析最重要的组成部分。它是指引方向的地图，是旅途中的路标。虽然有时会有例外，收集数据时不知道问题是什么，理由充分，结果也能让人满意（见第15章），但在实际应用中，这种做法让人难以接受。这就好比漫无目的地出门旅行。没目标，没计划，没方向——只管钻进汽车点火出发。 开出去好一会儿了，才发现驾照没带，身上没钱，甚至鞋都没穿。更糟的是你已经离家太远，油箱里的油都不够开回去的。你这才意识到，即便还不知道要去哪儿，却也只能硬着头皮继续前进。可能最终会停在一个做梦都想不到的地方。既然出发之前你忘了决定要去哪里，那么就不可能到达正确的地方。当最后没能到达目的地时（不管后来是否确定了一个），你就会把怨气都撒在车上，埋怨它都未能带你去加油站！ 你不会埋怨自己糊涂，不会怪自己事先没想好。即使有足够的汽油，终于知道自己要去哪里了，你也不会回家去拿钱包、驾照，或者鞋子。你已经投入得太多了，得继续下去，从当前所在向目的地进发，打死也不会承认你折腾半天、累死累活地到了一个不知道是哪儿的地方。 量化分析需要有明确的目标，需要设定根本问题。这样才可能充分利用资源（车、死贵的汽油、宝贵的时间，还有你的努力付出）。当然，如果你有取之不尽用之不竭的资源，或者你日进斗金完全不在乎花这点儿小钱（也有可能你恰好载着一位款爷，只是想随便逛逛，不管目的地，毫无所求，也不在乎花多长时间），那就不用考虑效率。但如果和大多数人一样，想要投入产出比最大，不是为了挥霍浪费才踏上这段曲折的旅程，你就需要明确目标和根本问题。实际上最终投入将远远超出所需费用。 没有方向会埋下失望和愤怒的种子，同事、领导、下属都会受其影响，会摧毁企业的精神。 根本问题指明了方向和重心，让你知道前进的方向，知道目的地在哪里，知道开发量化分析体系的目的，知道要回答什么问题。 一个表述正确、经过深思熟虑的根本问题，可以让你找出正确答案。如果没有根本问题，也就是恰当的问题，得出答案的过程就像一次曲折坎坷的旅行，而且最终答案很可能有害无益。12 | 第1章 统一语言 即使根本问题表述正确，但如果问题本身不恰当，也得不到好结果。
把这些放在一起，可以看到一个完整的案例。量化分析完全通过展示信息来描述，信息又通过汇编指标传达含义，指标建立在数据之上，数据是可采集的最底层信息要素（常量值或数字）。下面是个简单的例子。 数据：15和35。 指标：15 mpg和35 mpg。 信息：紧凑型汽车使用无铅汽油的油耗效能（mpg，每加仑英里数）：城市 路况为15 mpg，高速路为35 mpg。 量化分析：接下来就是描述信息的配图（大多数时候都是图形或图表）。这 个描述应该是讲各种不同紧凑型车的油耗效能比，可以结合其他量化分析结果选择适合你的汽车。 根本问题：什么车最适合你？ 数据、指标和信息的划分是相对而言的，并非一成不变 。我也不想用一个呆板的定义让你对量化分析敬而远之。目的是为了针对问题开发量化分析体系，找出答案。 因此，数据中也可以加上每加仑英里数的单位，指标中也可以包括“城市路况”和“高速路”的条件，而信息中也可以区分各种汽车的厂商和型号。这里之所以没这样做，是因为这个例子只是为了演示，从数据到指标再到信息，会不断添加更多的含义（以及上下文），最终到量化分析构成完整的故事，提供更多信息。 再来看一个客服的例子，如图1-7所示，我们能找出下列组件。 根本问题：客服能迅速响应客户的要求吗？ 数据： 每月1259 每月 59 答案选项为 1–5分 指标： 故障呼叫数 放弃呼叫数 等待时长 调查反馈中选择的答案
1.7 数据量化分析悖论 | 15 数据回答这个问题，那就给问题加上详细的上下文。到外婆家有多少公里？需要花多长时间？这种问题有数据就足够了。但这样的问题很少见。 假设还有个问题：如果既不想耽误外婆家的火鸡大餐，又不耽误沿途观光或者逛街，时间还够用吗？这个问题就必须由信息解答。信息中所包含的指标和数据可能有： 外婆家开饭的时间 现在的时间 这一路上观光点或商场的个数 预计在每个观光点/商场停留多长时间 量化分析对这种问题还是有点大材小用。如果是那种定期收集、分析、汇报信息的量化分析，那就更是拿大炮打蚊子了。 可管理层（任何普通员工之上的人）几乎都被设定成自底向上模式了。极少数能从量化分析入手的领导，通常都已经知道答案了（这本身不是个坏事儿），但却还没确定问题是什么。所以他们希望能定期看到（周，月度，季度，年度）报告。他们喜欢看到格式整齐的量化分析结果：有基于最佳实践的基线，有和基线比较的趋势线，还有月度和经营年度总额。听上去很酷吧！但其实他们不知道根本问题是什么，只是在冒着铺张浪费的风险寻求答案。 有时候大爷们（经理、部门的头儿、企业领导等）在提出问题之前就已经知道自己想要的答案（量化分析结果）了，在发现答案与他们想要的不符之后，就想中途修正。就像那个在路上奔波的司机一样，不肯回到原点重新开始，拒绝放弃沉没成本。意识到量化分析结果不行后，他们的策略一般是： 断定数据是错的 怪罪分析师 调整数据（不是量化分析结果） 有些真正聪明的管理者能判断出是量化分析的问题，并且也有勇气从头再来。可他们意识不到真正的原因是因为没有根本问题，或者试图解决的问题不正确。所以从头再来不是从根本问题开始，而是想重新设计量化分析。 这问题很常见，那其中的关键和解决办法是什么呢？还是那些老话。从顶层开始。从根儿上来。要记住得从根儿上来。洞是从上往下挖出来的，不是从底下开始的。要找出正确的根本问题。上面这些记住其中任何一条都行。 根本问题决定了答案所在的层级。如果问题很复杂，要定期给出答案，那么就需要设计一个综合的量化分析体系。比如“（某项服务或小猪的）健康状况如
16 | 第1章 统一语言 何？”，这种问题就需要用量化分析体系找出答案，尤其要随时监测健康状况时。 含糊不清会使问题更复杂。明了即简洁。
在设计量化分析体系时，我们意识到需要给组织各组成部分的健康状况定义指标。要了解三头小猪（或者人类）的健康状况，就需要知道呼吸系统、循环系统、消化系统、内分泌系统的各种指标，还有神经系统、排泄系统、骨骼或者肌肉。也就是说，问题涉及的面越广，需要的信息就越多。 如果问题的范围比较窄，答案也会比较简单。比如：体重控制得怎么样？要回答这个问题，只需要在体重进入稳定期后定期测量。不过这么具体的问题很少见。如果第一头小猪仅仅考虑体重，就会忽略其他健康指标。过于关注某个具体指标可能会漏掉重要信息。还有一种情况是提出的问题是错的，就像第二头小猪的医生一样，只用三个指标来监测病猪的身体状况，却忽略了总体健康状况。 也许你知道自己血压多高。也许你刚做过一次全面体检，除了体重有点超标，其他各项指标都还不错。问问“减肥减得怎么样？”就够了。回答这个问题也不需要量化分析，有指标就足够了。 设计量化分析体系时，最重要的就是找出恰当的根本问题。有了问题，才知道回答它需要什么层级的信息。根本问题会指导量化分析体系的设计，直到明确需要采集哪些数据。 1.8 量化分析体系的构成 让我们来总结一下量化分析体系的组件及其定义。 数据：对我们来说，数据就是最简单的信息，通常由数字或常量值表示， 比如：6，22，70，真，假，高，低。 指标：由数据组成，并将数据添加到最基本的上下文中。指标也可以由其 他指标组成。 信息：信息由数据和指标组成，也可能包含其他信息。信息提供了含义更 丰富、内容更多的上下文。 量化分析体系：量化分析体系是由数据、指标和信息组成的，也可能包含 其他量化分析体系。量化分析体系为信息提供了完整的上下文。量化分析所讲述的故事是完整的（最起码尽量完整）。量化分析要回答根本问题（或者说尽量回答）。
1.10 小灶 | 17 根本问题：量化分析的目标。根本问题定义了量化分析的需求，并能够判 定量化分析体系是否有价值。 1.9 总结 本章介绍了针对量化分析及其组件的通用语言。还讲解了数据 量化分析悖论，明确了必须由繁入简，由难到易。首先明确根本问题，再安全准确地定位到回答问题所必需的信息层级。问题可能不需要由量化分析回答，甚至都不需要信息。当管理层要求创建量化分析体系（或者量化分析体系计划）时，必须让自己先停下来，问问要解决什么根本问题。我们必须接受，也应该愿意接受这样一个事实：得到答案可能根本不需要创建一个量化分析体系。 1.10 小灶 恐怕我已经误导你了。本章内容的组织方式可能会让你忐忑不安，担心我把你引入歧途。但这是我慎重考虑之后的结果。我也想过按从上到下的顺序给出这些定义：根本问题到量化分析，再到信息，指标，最后是数据。但我担心读者一时接受不了，因为这和目前常见的量化分析体系创建顺序相反。很可悲，我们的量化分析之旅往往是从提出数据请求开始的。18 | 第1章 统一语言 要向人们展示内涵丰富的信息（量化分析结果）。这些管理人员首先都会问：“我们有哪些数据？”他们这么做的一个原因就是想尽量不给员工增加负担，希望能以填“空”的方式，用现成的数据安抚领导。因为他们压根儿就没把这当成一次机会，没想过借机为组织的每个层面都开发些有价值的东西，所以面对设计开发量化分析体系的需求时，往往应付了事，过关即可。如果现有数据不够，他们一般会接着问：“我们能拿到哪些数据？”所以，我没有坚持用我认为正确的顺序来介绍量化分析组件，而是选择了可能会让你感觉熟悉的顺序。现在，我希望你能摈弃成见，相信我，从大局出发。 那么，请接受我的道歉，并允许我确认一下你是否已经建立了正确的基本概念，为学习后续内容做好了准备。 误解1 数据无用论
我可能曾让你误以为数据没用，或者认为那些不能纳入量化分析体系的指标和信息，在改善组织过程中并没什么价值。在1.7节已经讨论过这个了，但我觉得还有必要再次强调。数据也有有用的时候，那就是要解答的问题非常具体时，只需要一个数值或常量值就能回答，比如“现在几点了？”。如果是只用数据就可以解答的问题，就没必要用量化分析或更详细的信息来对数据进行补充。 误解2 可以从数据开始构建量化分析体系
大多数情况下，这么以为都是因为你被错误的观念误导，认为自己需要数据，需要答案。又赶上技术给力，能拿到的数据极其丰富，更加助长了这个误解的传播蔓延。你相信自己应该收集数据，对数据分组形成指标，然后把指标汇编成有意义的信息，最后，用它们搭出个有意义的、清晰的量化分析体系。 事实正好相反。可收集的数据有那么多，试图从数据这层开始创建量化分析体系注定会失败。必须牢记从根本开始的铁律，量化分析体系才是根本（如果根本问题有保证），因此它才是起点。 误解3 在开始收集数据、指标或信息之前，必须有根本问题。
尽管我希望如此，但在现实世界中，经常要在不知所谓的情况下开始，收集数据、分析指标、创建信息丰富的报告。你可能就像优秀的士兵一样，非常擅长
1.10 小灶 | 19 于“正确”地做事。但我强烈建议你尽最大可能在开始之前明确根本问题。如果做不到，先收集信息倒也无妨，但收集过程中别忘了尽早明确根本问题。 当领导跟你说“看到就知道是不是我想要的了”，一定要挺住！要想让客户了解他们想要什么，最好的办法就是帮他们明确要解决的根本问题。在道格拉斯· 哈伯德（Douglas Hubbard）那本奇书——《一切皆可量化：发现业务中不可捉摸的价值》（How to Measure Anything: Finding the Value of Intangibles in Business）中，作者分享了他的方法，告诉我们如何帮助人们找出他们究竟希望知道些什么。 哈伯德称之为“澄清链”，借助这种方法，可以不断深挖，发现对客户真正重要的东西。他提出的问题很简单：“你说X是什么意思？”在与退伍军人事务部合作的例子中，他最终得到了确立根本问题所需的几份作业。他没直接问根本问题是什么，而是采取了水滴石穿的策略，逐步达成目标。可惜他的书是关于指标而不是量化分析的（按我们的定义）。好在他彻底纠正了量化的概念。我都记不清有多少次要借助他的书来说服顾客了。有一次我和客户一起工作，我们已经确定了问题，设计了一个表面上讲得通的量化分析体系，并且确定了需要哪些信息。但客户还是经常想要跳过规划阶段，因为她不相信我们能够量化所需内容。我从书架上抽出了道格拉斯·哈伯德的书，向她保证，任何事情都是可以量化的！我们手上已经有了根本问题，有了量化分析体系和信息需求，找出指标很容易，再做量化其实非常简单。 所以，自底向上也不是不可能完成的任务，只是不怎么明智罢了。
本文来源：https://www.2haoxitong.net/k/doc/fcf70f7ceffdc8d376eeaeaad1f34693dbef104a.html
文档为doc格式