神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：咨询是为别人出谋划策的工作，咨询就是为别人解决问题。一般来说，咨询都会有自己的方法论、流程与模型。但是这些方法论、流程和模型是否真的能够解决问题？如何才能知道它们解决了问题？或者它们解决的是不是对的问题？如果没有建立起一套科学的框架的话，很容易就会陷入思维定势，导致解决方案平庸。本文介绍了一个对问题解决进行建模的框架，希望能为你提供参考。文章来自编译，是系列文章的第一部分。
我的职业生涯大部分都在用各种身份去做咨询，我参与了约 40 个项目。我的职业生涯是从营销开始的，所以第一个项目是做营销策略以及品牌建设；然后，我到了一家传统的管理咨询公司工作，负责战略、创新以及运营项目；最后又到了一家全球性的设计公司工作，重点负责产品战略、创新与上市。
(资料图片仅供参考)
在从事咨询项目的这些年里，我发现了几个有趣的模式：
好的项目不是从好的数据开始的，好项目是从好的框架或理论开始的。然后才是数据。有些咨询学承认这一点（管理咨询），但有些不那么认可（设计思维），而是沦为了经验主义的牺牲品，这个后面会详细介绍。
好项目是那些我们最终采用的主要框架，而非我们一开始使用的框架。它是经过细化、迭代的框架。在最好的项目里，证据是通过用不同的、相反的框架来进行观察，然后再得出结论的。
那么什么才是好的框架呢？好的框架应该恰如其分。既要足够具体，可以让我对特定情况说出一些有趣的东西，但又不会太过具体，以至于“过度拟合”，失去了更广泛的适用性。一个很好的经典例子是经久不衰的波士顿矩阵。此外，我发现把一个学科的框架应用到不同的环境下往往会产生有趣的、意想不到的结果。比方说，虽然价值流图通常被认为是一种运营框架，但用在服务设计里面既可以添加传统蓝图所缺少的信息层，又可以对信息的可视化加以组织。
咨询项目要靠理性思维。思维这个东西似乎非常的抽象、无形，不过我发现，我们在解决问题的时候，大部分的思维都是以下这三种思维之一：自上而下/分解/演绎；自下而上/聚类/归纳；以及横向/隐喻/平行思维。当然，我不敢说这里所列已经足够详尽。但在实践当中，当我被某个概念卡住，不知道如何进行下去时，空间隐喻会帮助我继续推进：我的思考应该往哪个方向走？应该是向上、向下还是向水平移动？
在现实当中，总存在着这样的模式，一旦被识别出来，就可以跨学科和跨部门应用，启发我们如何去解决问题：离散、随机事件一旦聚集起来总会呈现出正态分布；如果事件不是离散的，而是有前后关系的，或具有反馈循环的，那么就会出现一条长尾，而且可适用帕累托原则。在资源有限的情况下，无论是要确定行动的优先级，还是用户在评估要不要下载app，做出的任何决定都可以用付出 vs 回报来建模。如果在资源有限的情况下审视有着不同议程的多个参与者，可能就会遇到类似公地悲剧、囚徒困境等模式。
为了系统化地整理这些洞察，我开始研究一系列原则。这些原则很好地捕捉了我对数据、框架以及思考之间关系的了解。我这么做是出于一个非常实用的目的，也就是系统化整理咨询项目的做法。我探索了从波普尔的认识论到伽达默尔的解释学的一系列知识创造的现有理论。在此过程中，我收集了数百个适用性不同的有用框架，并思考了对它们进行分类的方法。
以下是项目的当前状态。
Priscilla 是一位专业的问题解决者。客户则是一家国际银行，该行要求 Priscilla 和她的团队为私人客户建立一套理想的开户旅程，从而最大限度地提高客户满意度并最大限度地降低银行成本。
从理论上讲，Priscilla 可以使用许多工具和框架来开始解决问题：比如价值流图、约束理论、Cynefin 框架以及系统工程等等。
实际上，这份任务简介的收件人很可能是设计思维和服务设计的从业者。因此，Priscilla 和她的团队将立即开始对客户进行访谈。因为传统可视化的设计思维框架的第一阶段就是“移情”。
设计思维方法论的经典表述
其假设是一个人用放空的、清晰的头脑来面对一个问题解决项目，并从形成对研究对象的同理心开始。这种做法是有问题的，原因有三：
经验主义的方法是错误的：从纯粹描述性的角度来看，其实我们从来都没有以数据为开端：任何项目都是用预先存在的偏见和心理模式来处置的。无论我在项目开始前所掌握的知识如何，都会影响我的思考方式，包括从数据收集、特征工程，一直到构思和建议的一系列流程都会受到影响。
经验主义方法是有偏见的：从更规范的意义而言，如果移情/数据收集是我们要做的第一件事，我们将不可避免地成为可用性偏见的牺牲品，而且我们会仅使用手头可用的数据集。数据集有可能会出现采样偏差，而且切片的方式未必就符合我们项目的目标。比方说，Priscilla 可能会假设收入水平是一个重要变量，并希望调查分属不同收入类别的人。但非经验主义方法也许会建议应该优先考虑其他变量。
经验主义的方法是渐进的：套用亨利·福特的那句名言，如果我们从倾听客户的意见开始，我们只会听到想要一匹更快的马。如果 Priscilla 从客户访谈开始，她很可能会听到客户想要服务快一点、错误少一点或者选项多一点之类的东西。简而言之，没人会提出任何有新意的东西。这种方法是很有用，而且也应该在许多场合下使用，但如果我们追求的是真正的创新的话，这做法很快就会变成拖累。
这里的意思不是说数据和观察不重要，也不是说我们应该将现有对世界的建模强加到经验数据之上（又叫做金锤谬误）。相反，我们应该：
就观察而言，我们用来观察现实的任何智力工具或物理工具都是我们先前学习的结果；虽然在许多情况下，我们用来观察现实的‘镜头’对我们来说是不可见的，但能够看到那些‘镜头’，并随心所欲地进行切换，这是消除我们观察当中出现的偏见，并用真正新颖的方式去解决问题的关键。（注1）
我在这里选择了设计思维来点评，但经验主义的缺陷也在以类似的方式困扰着其他世界：
在社会科学当中，这被叫做“P值操纵”（P-hacking，通常是通过增加样本量，让P值达到可以发表的程度），被认为是一大罪过。
在商业当中，“数据驱动的组织”这种正统观念很容易就会转化为收集和分析各种数据的范式，但却没有明确的战略框架来确定我们关心什么样的数据，什么数据代表什么变量等事情。
作为一门学科，大部分机器学习都将数据集视为是既定的，而且是以自下而上的方式来提取洞察。有时候这可能会与必不可少的更高阶的上下文知识脱节。 2008 年，克里斯·安德森（Chris Anderson）曾写过一篇题为“理论的终结：数据泛滥导致科学方法过时”的文章。虽然其中的某些措辞本身可能已经有点过时，但里面谈到的原则在今天比以往任何时候都更应景，对于深度学习等学科来说更是如此：建模不是按照自上而下、理论驱动的方式进行，而是自下而上，往往以黑箱的方式进行。
再扩大化一点，讲讲我们是如何思考解决日常问题的。我们通常认为，只要多收集一些问题的相关信息，问题的答案就会呼之欲出，但事实上，这只是拖延开展解决方案的实际工作的一种手段。（注2）
数据很好，但数据从来都不是优先的。排第一的永远是心智模式。
解决问题的方法要想更有效，就必须克服经验主义，在遇到项目之前仔细审视我们的思维过程。
那么怎么才能做到这一点呢？
要想采用非经验主义的方法，我们需要改变问题解决的思考方式。
创新应该从“自内而外”开始，先理论化，而不是从之前已经做过很多次的数据收集开始。在科学的背景下这一点最重要。卡尔·波普尔认为，知识是靠猜想创造的，而猜想则是基于对这个世界的运作方式的现有理论，当我们有更好的解释时去“篡改”旧有理论而得出的。用大卫·多伊奇的话来说：
在用理论解释事实之前，我们是不知道任何事实的。正如波普尔指出的，所有的观察都是理论负载（theory-laden）的，从而可能出错，像我们所有的理论一样。
——大卫·多伊奇（David Deutsch），《无穷的开始》
在设计和商业领域，这种方法获得了罗贝托·维甘提（Roberto Verganti）等人的支持，他曾经详细讨论过重大创新是如何来自于意义的转变，而不是由外而内的观察。
为了让问题解决的方法根植于理论而不是观察，我们需要从两个关键方面改变看待问题的方式：
先整体后部分：我们很容易会只见树木不见森林。解决问题一个合乎逻辑的起点应该是先问自己“我以前解决过哪些类似的问题”或者“这个问题属于哪类问题”之类的问题。比方说，如果我的任务是要帮助 Acme INC. 在未来 4 年内将利润提高 20%的话，那么优秀的顾问出于本能要做的第一件事，是在甚至都不知道关于 Acme INC. 的任何信息之前，把问题看作是盈利问题的一个具体实例。
先演绎再经验主义（注3）：这是波普尔所谓的“理论负载”的核心，应该被同时视为描述性和规范性的主张：我们对经验世界的任何观察都都有自己的偏见，都经过了我们的心智模式的过滤；反之，意识到心智模式和偏见的存在，在遇到问题时我们就可以确保解决得更加缜密。
问题解决地图：从部分转到整体，从经验转到先验
上图描绘的是问题解决地图（PSM）的概况。PSM这种工具可以引导我们航行在解决问题的世界里。这张问题解决地图由x轴和y轴构成。 x 轴是从先验（演绎）到后验（归纳），y 轴则是从部分到整体。X轴与y轴划定的区域我们可称之为项目空间，这个空间可以将问题、解决方案以及解决问题的活动汇聚到一起。这是一个理想化的系统，包含了与问题、潜在解决方案，以及问题解决团队本身相关的所有实体、关系与代理。
项目空间是一个对现实世界（在图中右侧与项目空间相交）有实际影响的抽象实体。与项目空间相交的现实世界区域，包含了构成问题以及有可能成为解决方案一部分的所有现实世界元素。另一方面，PSM 的左侧包含了所有的先验知识和工具，这些知识和工具不是问题本身的一部分，而是由问题解决者引入的。
在 PSM 上，我们可以识别出四个子空间：
定框图、问题陈述（problem statement）空间，或者换句话说，我们打算如何处理问题，定义图表本身的位置，定义我们所认为的“整体”需要解释、预测或解决的宏观现象是什么。
先验空间，或框架空间，包含了我在项目开始之前所知道的一切（What I already konw），关于世界的最一般的想法（比如大量不相关的事件往往呈正态分布这一事实），非常具体的领域知识（比方说，镀铬钢筋市场前三名的收入），以及我可能会出现的任何认知偏见。
表示空间（My representation of the actual world），是我的框架在变量操作下与现实世界的数据邂逅之处。这就是建模的空间，稍后会详细介绍。
观察空间（My observation of the actual world），包含了我的数据，对现实世界观察的刻意抽象，以及我的变量，对我的数据的进一步抽象或操作化。
最后是现实世界（the actual world），也就是我们进行实际的观察和实践的地方。
我们已经看到解决问题要从框架开始了。现在的问题是，先验框架是如何与现实世界的数据进行交互，从而建立与项目相关的知识的呢？
解释学这个哲学学派在这方面提供了一个有趣的方向。
解释学的循环：部分整合为整体，整体上下文化为部分
根据解释学，意义是通过一个主观过程从文本中提取出来的，而这个主观过程一方面是将部分（具体段落）整合到整体（我们对文本整体、作者及所处的时代等的了解）——以及反过来，根据部分对整体进行语境化。
这种辩证法适用的地方远不止文字，可以说所有形式的知识都适用，其中也包括解决问题的知识获取部分。按照一种非经验主义的做法，我们会从自己已有的关于世界的想法、偏见、咨询工具包与框架，以及掌握的领域知识开始。透过这些镜头，我们审视从研究中获得的经验数据，并开始构建有关项目本身的知识。
用问题解决地图表示的解释学循环
为了更好地理解解释学循环对解决问题的作用，不妨再次请出我们的朋友，专业问题解决者Priscilla。假设她要为一位全球医疗保健客户启动一个产品战略项目，其想法是未来的一个秘密 app 需要迎合特定受众，她可能希望以用户角色作为框架来对问题建模。
Priscilla（希望是有意识地）做出了使用角色的决定，这个决定马上就决定了她项目的一些关键变量：人口统计数据（年龄组、性别、城市等）以及一些行为因素（购物习惯、下载的 app 数量等）将会有一席之地。然后，她继续将这个框架与现实世界的数据联系起来：她将根据这个框架规定的变量收集数据，并通过这一镜头去观察它们（比如人口统计数据与行为数据）。然后她会再次将镜头拉远，并将数据整合到框架和整个项目之中：她会问，结果是否说得通？是否有助于我对人们的行为做出好的解释和预测？
答案是否定的。 Priscilla 的角色最终基本上只是自说自话，姑且假设结果并没有告诉我们太多关于应该如何开发 app 的信息。那接下来该怎么办？ Priscilla 可以做以下两件事之一：
要么在变量层面进行干预，并决定，虽然角色这个框架挺有用，但也许她得被迫放弃人口统计变量，并将 app 的下载量作为用户数字化能力的指标，去制定问卷并询问用户的习惯。
或者她可以更激进些，在框架层面进行干预：毕竟角色这条路有可能根本走不通；也许她可以从观念模式开始，或者对问题进行彻底的重新定义，从以用户为中心转到以市场为中心，并从市场规模和细分市场开始。如果是这样，她就得重新启动这个循环，并用新的数据（比如竞争app的用户数量和类型）将这个新框架（比方说观念模式）与上下文关联起来。
不妨进一步深化一下这个模型。如果即使用新的框架（比方说观念模式）来替换角色模型还是不能得到有用的结果该怎么办？ Priscilla 是不是应该得出结论，认为问题陈述本身就表述不当，并对整个问题进行重新表述？
其实每一位顾问都知道，这种情况确实是经常有的事。我们收到的任务简报往往是客户必须解决了才能实现自己心中的目标的问题。一旦我们用几个不同框架的视角来看待问题的一些关键变量，就会意识到有些地方不对劲，这种情况下我们一般会建议换个方式重新陈述一下问题。
所以，很显然，我们的循环不仅会把数据和框架绑定在一起，而且还可以识别出若干将不同整体与不同部分联系在一起的循环。
整体会自上而下影响到部分：
如何表述问题会影响其他的一切。
选择的框架会影响到如何选择变量，影响到变量设计、数据采样、数据的切片与切块
框定变量的方式会影响数据集标记的或编码方式
部分会自下而上影响到整体：
数据与标签之间的不匹配会让我质疑变量
意识到模型需要额外的变量，或者必须删除一些变量（比方说因为相关性问题）会导致我质疑模型
如果模型在预测或解释能力方面表现不佳，我会质疑我的框架（稍后会详细介绍）
正如我们所说那样，如果部分框架经受不住现实世界数据的考验，我解决的也许是错误的问题。
下面的 PSM 总结了其中一些环环相扣的循环：
问题解决当中环环相扣的重新解释循环
最后，我们再来总结一下讨论过的要点。正如我们所看到的那样，根据这个解释模型，问题解决是一个递归的重新解释的过程。在这个过程中，我们在框架、变量与数据之间建立循环，以便离正确的问题模型越来越接近。反过来：
问题解决的头等大罪是想当然，直接套用某个框架开始研究：这样做的结果只能得出枯燥乏味的见解与带偏见的渐进式解决方案。
自然地，解决问题还有另一个迭代循环，那就是围绕着解决方案的循环：一旦得到一个令人满意的模型，你就会想到现实世界当中去开发原型，并测试这个模型的解决方案，然后根据反馈去纠正错误。这第二个循环可称之为“生成循环”，在这个循环当中，我们会创造东西，这一点与第一个循环相反，第一个是解释性的或预测性的循环。即将发生的大部分内容都集中在第一个循环上面，不过稍后我们会再讲讲第二个循环。
PSM 问题解决完整的解释模型
在下半部分，我们将进一步了解这个模型核心的主要实体，也就是“模型”。我们将研究什么是模型，模型如何分类，以及模型如何与变量和数据交互。敬请关注！
注：
1、为了进一步澄清这一点，不妨看看一个人会将经验主义当作正常的这几种情况。
对于许多给定数据集的问题来说，初步数据分析（探索性研究）是常见做法。这么做没有错。不过，重要的是要意识到在探索数据集时，我们从来都不是在空白的状态下做的：根据我们出自的学科，所学的技术以及问题陈述的不同，我们要么会查看特定列的数据类型和分布，要么会试着识别其中的行为模式等。提高我们对观察数据所用的“镜头”的意识，是减少偏见和刺激创新的关键。
类似地，针对新颖、负责或混乱的情况，尽管像Cynefin和OODA循环这样的框架建议要做“经验主义者”，采取“感觉优先”的做法，但我们需要再一次意识到，这不会是在真空的环境下发生的。我们任何感知活动想要寻找的东西，或者在混乱、不可预测的情况下采取的先发制人的行动，都要取决于我们已经知道的东西：我们学会了要观察什么？这种情况下我们可能采取的行动保留曲目是什么？我们的肌肉记忆会引导我们去到什么地方？因此有一个牢靠的“心智模式格栅”就很重要了。
2、诚然，管理咨询遭遇这种经验主义者之害会少一些，但它存在其他的缺点，后面会看到的。
3、这里的先验不是指康德的那种先验，而是指先于（将成为问题系统的）特定现实的经验而存在的概念。
译者：boxi。
