女神求助？快用数学逻辑的最强大脑征服她

和茉莉第一次见面是在一次茶艺鉴赏会上，当时她睁着大眼睛看茶艺师煮茶的样子很陶醉，我忍不住拿出相机想要扑捉那个瞬间，紧急中不小心开了曝光，她回头带着小酒窝冲我笑，坚持要看一眼照片的效果。看到非常小仙女的自己后，就挽着我的手，邀请去她家拍照。看我一脸尴尬，她马上解释说自己在深圳湾租下了一套房子在做民宿，但是放在网站上的照片太烂啦，生意非常不好。还向我请教如何才能拍出高颜值的照片。

作为单反老司机，就在我准备开口炫技时，决定要克制，除了能拍出美美哒的照片，我还要向女神展示我性感的大脑。清了清嗓子，我问茉莉，拍出高颜值的照片就能保证生意好做吗？对方很快回答当然啦，并说现在都是网上找房源，大部分人都是看颜值就下单了呀，自己有一个朋友也开民宿，照片拍得特别高级，每次都是提前2个月房子就被租掉了。看到她不经思考而沉迷于好友的经验，渴望能够复制，又涉及到经营，我想到上个月看的一本书，并决定分享给她。这本书名为《如何用数据解决实际问题》，是后浪出版社出版，由日本作家柏木吉基所著，他是一位日本数据分析实战专家，为诸多日本顶级企业和地方政府提供高水平的数据分析培训。

如何用数据解决实际问题

最大的风险是设定问题时，分析者将思考范围狭隘地限定在“自己设想的范围内”。尤其是当分析者拥有具体的直觉和经验，并对其深信不疑时，这种倾向就表现得更为显著。很多时候，分析者并没有意识到，他们进行分析仅仅是为了验证自己的想法。要避免这种情况，在定义问题时，应该尽量具体地思考“怎样才是最理想的状态”。这样一来，就可以通过确认希望实现的理想状态，来扩展自己的视角，能避免思路立即集中到具体原因上。

不仅是茉莉，对于部分人来说，遇到问题时很容易陷入救火模式，无头苍蝇一般找水，看到水就开始舀，然后狂奔去救火。这个思维模式的底层，本质上是因为我们假设水可以熄灭火，如何寻找水成为最迫切需要解决的问题，而不是如何才能快速熄灭火。如果，我们能停下来思考，火是什么性质？有多严重？或许有时救火并不需要水，而只需将火源移除即可，或不能用水，只能用灭火器。所以，当我们不假思索提出一个问题，需要先区分这是需要解决的本质问题还是在验证内心假设的原因。这样做的好处是，能够拓宽分析问题的思考范围，从而找到更优的解决方案，规避了由于思考范围狭隘而无法解决问题甚至背道而驰，而错过了解决问题最好的时机。

经过和茉莉的短暂交流，问题从如何才能拍出高颜值的民宿照片，更新为本质的问题：如何才能提高民宿的利润。显然，这个问题确定后茉莉反而感觉更晕了：问题太大，对于接下来需要做什么并没有明显的方向感。接下来需要将问题聚焦，锁定核心的关键。

对较大范围（包括多个要素）的数据，此时需要运用“四则运算”来分解数据，将较大变量分解为具体指标。这就叫做“what型假设”。

复杂的问题往往是不理想的一个总结果，背后是由一系列子结果导致的。当总结果无法直接干预时，需要拆分为可掌控的子结果，从而影响总结果的达成。对于成熟领域来说，往往已经总结了成熟的思维模型，比如影响销售业绩的4P理论，但无法显性化看到各个子结果对总结果的影响程度。这时需要应用四则运算，将4P模型等框架内的子结果进行打散。说到加减乘除这样简单的数学，茉莉丝毫没有犹豫，快速地列出了一个运算公式：

民宿利润=每间房的入住天数*房价*房数-成本。

入住天数=新房客入住天数+老房客入住天数

新房客入住天数=平台下单天数+朋友介绍天数+朋友圈入住天数

老房客入住天数=老房客下单天数*老房客数量

列出公式后，茉莉马上恍然大悟，不断说自己的视野一下被拓展开，之前想要拍更多有品质的照片，其实仅仅是提升了新房客的入住几率，而并不一定能够促成对方下单，就算下单了，也只是其中一个措施，还有更多可以去做的事情。并且，之前很纠结价格定在多少比较合适，她看了周围的房价就定了一个差不多的，而现在入住率不足30%，其实方向是需要快速调整的。她兴奋地列出了2个计划：一是某套房的入住率很低，可以重点关注，尤其在入住天数不足的情况下，或许可以通过促销等方式降价提高入住天数，只要整体利润上去了就行。二是询问房客入住原因，识别周期性入住的房客，并提供更多贴心服务以便于再次下单。

看到茉莉找到了方向，我们开心地加了微信，并约定下次有机会再聊。直到2个月后，茉莉给我留言说民宿利润上涨了30%，已经可以盈亏平衡啦，并提出请我吃饭作为感谢。我在喜悦的同时，隐约感觉到有坑，该不会是又想要我提建议吧？为了避免被榨干而失去体面，我迅速翻开书，找到深入的技能以防万一。

WHY型假设是将问题放在最顶层，然后列出能够回答“为什么”的所有可能答案。接下来，再针对这些答案，同样重复“为什么”的提问，进一步深入挖掘。知道了这些因素中有哪些影响销售额、哪些并无影响，说不定就能够锁定原因。

像这样，关注2种以上数据之间的关联程度，就可能获得仅从一种数据中绝对无法得到的信息。相关系数越接近1，正相关的程度越高。也就是说，一方数据增加，另一方数据也随之增加。相关系数为0，表示两个数据没有任何关联，相互独立。

通过茉莉的朋友圈，我知道她在网站上阅读过很多关于如何提高民宿业绩的文章，比如花钱打造主题，请保洁阿姨定期打扫卫生，对房客提供随叫随到的服务等等。为此，上月她买了很多网红软装，但是除了把自己折腾得很累，投入并没有看到明显的产出。我估计她开始思考到底背后影响民宿业绩的到底是什么？而书中指出，想要系统解决为难题，需要大胆假设背后可能的影响因素，并进行假设验证。

果然，见面后茉莉迫不及待问我投入了很多但是没有看到收益怎么办，我反问她为何得出这个结论？比如都做了哪些调整？数据发生了什么变化？她睁大眼睛看着我说只是感觉感觉而已，想到哪里做到哪里。于是，我分享了假设验证的三部曲。

首先，需要依据入住数据大胆提出为什么的问题，比如为什么新客户的入住率低？

其次，需要列出背后可能的原因并逐项采取措施验证，比如你投入网红软装就很好，可以快速检验是否是一个有效的措施。

最后，将民宿利润和措施放在一起关联看，是否产生了影响，影响多大。保留显著有效影响的措施，淘汰不明显或负贡献的措施。

这里需要注意的是，措施来源于可能的原因，原因必须细化到你可以控制的最小单位，越小越好。比如针对老客户的入住天数，忠诚度能否作为可能的原因？不能。因为它无法落地到具体措施，你不能主观地提高客户的忠诚度。需要进一步分解到为什么客户的忠诚度会受到影响，可能得到接待服务质量、房价、地理位置等等。比如针对忠诚度，接待服务质量能否作为可能的原因？不能。因为它的颗粒度不是最小的，需要进一步细分为回复及时率、用语亲和度等。就算是网红软装，也区分为品牌、物品类别等，总之可落地、越细越好。

就这样，措施就可以在可能的原因上进行调整，比如提高回复及时率，降低房价等。

另外，每项措施最好逐项变更，从而避免措施的贡献交叉，影响结果的观察。但是实际往往由于逐项推进的等待成本过高，或者措施本身的效果无法立刻显现，而会选择同时推进。反过来将观察的结果进一步拆解为过程指标，比如及时调查客户好评，记录客户评语等。

当然，数据需要及时收集并观察，可以制作一张散点图来观察数据的走势。及时淘汰无效措施，推广有效措施。

茉莉听完后频频点头，并马上打开订房平台和我一起分析了入住数据，发现网红软装后，房源的点击率和新用户的好评率都显著提升了，但是由于时间较短并没有快速转换为回头客而没有明显收益。我建议她可以加一下房客的微信，鼓励房客分享照片，进一步扩大影响力，并且便于快速转化为老客户激发下一次订房。

作为行动力超强的妹子，茉莉马上制定了一个计划，回去要搜罗一下网上的各种攻略，提炼为可能的措施，并逐项验证，找到对自己房源相关系数高的措施，规避不敢下手或无效投入。行动计划一出，顿时感觉她没有那么焦虑啦！

感谢这本书，让我和女神有共进晚餐的机会，看来还是要多读书，毕竟撩妹颜值不够，数学可以来凑。

经过这次的逆袭，茉莉又向我请教了一个工作中的课题，她所运行的社群会员粘性不高怎么破，你可以帮助她吗？欢迎在评论区回复留言。