人類的本質不光是複讀機
，還是不斷面對問題、分析問題和解決問題的問題解決機。小到出門穿什麼衣服、中午吃什麼飯，大到聯考志願、職業選擇等都是要不斷的面對和解決。
那麼我們是否考慮過問題究竟應該如何解決，應該深度優先還是廣度優先？
一、麥肯錫問題分析解決七步法
麥肯錫問題分析解決七步法還是挺有名氣的，也被很多人奉為圭臬。那麼麥肯錫問題解決七步法的核心邏輯是什麼，我給大家畫個思維導圖一目了然。
麥肯錫問題分析解決七步法說白了就是：對客戶提出的問題形成一個完整的問題分析、解決和呈現的方法論方案。
既然知道了麥肯錫問題分析解決七步法，那麼有哪些适用場景呢？舉一些常見的例子供大家思考：
- 如何将一個項目的傳遞周期從100天縮短到80天以内？
- 如何編寫一個售前技術方案或售後維護方案？
- 如何解決目前業務系統性能緩慢的問題？
上述問題交給你你會怎麼處理？你不再是一個螺絲釘的角色而是一個掌握全局的關鍵人員，你要給出一個完整有效的解決方案。
是不是有點迷糊和不知所措了？我們來用圖說話對麥肯錫核心問題解決邏輯做一個剖析，分三個階段：
第一階段：問題和依據雜亂無章
第二階段：問題和依據進行整合
第三階段：進一步歸納演繹
是不是一目了然？各個解決方案子產品通過內建和關聯最終完成大目标的解決，這就是麥肯錫問題分析解決七步法的核心邏輯。
二、深度和廣度誰應該優先？
假定我們已經掌握了麥肯錫問題分析解決七步法要義，我們接下來還會遇到一個問題：解決問題，深度和廣度誰應該優先？
學過數學的我們都知道，問題的解決思路不止一種，應對生活或者工作中的問題我們第一反應也是根據已有的經驗積累假設出最優解決方法，當然這個最優解并不一定準确，然後對最優解逐漸驗證并最終确認問題是否解決，如果最終不能夠解決問題，則往往還需要選擇新的假設并繼續驗證。
那麼問題就來了，解決問題的效率最關鍵的在于能否第一次就準确找出最可能解決問題的假設，即根據經驗得出最優假設的能力往往是最關鍵的，一旦找準了道路，其他驗證隻是工作量問題。
基于以上思路，我們可以對解決問題步驟做個模組化，即：解決問題的思路是一種類似二叉樹周遊中的深度搜尋模式。什麼意思呢？即首先基于最優假設，一直進行論證和搜尋，直到最終驗證無法解決問題然後換另一假設繼續驗證。
這麼說你可能不明白，我們還用圖說話：
如上圖，如果最終答案是在N點，如果是解決問題的思路是深度優先，那麼找到N點需要幾步？
- 最少需要5次：C→G→H→M→N
- 中間為10次：B→E→K→L→F→C→G→H-→M→N
- 做多為13次：B→E→K→L→F→D→I→J→C→G→H→M→N
這種解決問題的方法有一個很大的弊端，就是當你面對問題發現同時有幾個可行的方案的時候，你如何選擇路徑？随機選擇碰運氣嗎？随機選擇這本身就不是一個好的選擇因為随機選擇也就意味着潛在的全部周遊。
這時候我們就可以考慮另外一種問題解決的思路了，即廣度搜尋。
再回過頭來看圖，假設B/C/D三步解決問題的機率是一樣的，每一步又可能都涉及到3-5個驗證步驟，那麼我們可以優先對B/C/D逐一驗證。第一步驗證完成後我們可以根據掌握的資訊進一步評估最可能的解決方案是哪個，然後再進一步對最可能方案展開深度周遊。
如果是解決問題的思路是廣度優先，那麼找到N點需要幾步？：
- 需要次數為7次：B→C→D→G→H→M→N
廣度優先本身是和機率結合的方法，當多個解決方案看起來相差無幾适用廣度優先的解決思路。
或許我們很少思考我們解決問題背後的邏輯是什麼，但這直接影響到我們平時解決問題的效率問題，是以當我們面對一個問題的時候，兩種方法相結合才是解決問題方法的最佳思路。
聚焦技術與人文，分享幹貨，共同成長！
更多内容請關注“資料與人”