My Secret Rainbow

认知、逻辑、思维、系统思考能力如何提升？

在最近几年的思维类文章整理和写作中，我至少做到了将思维这件事情基本想明白，同时给出一个完整的思维框架，给出了思维这件事究竟应该包括了哪些大块的组件，这些组件之间应该是什么关系。在这个想明白后，我们看到实际上基于思维框架，我们看到还需要进一步系统化几个方面的内容。

学习方法和模式：学习是思维的基础，也是补充知识库的关键。
问题的分析解决：即面对问题的时候我们的分析解决全过程。
事物认知：当我们想了解一个新领域，新事物的时候如何切入。
知识库构建方法论：如何构建你自己的知识库和经验库。

可以看到将我们的思维框架展开，实际上就是包括了上面四个方面的内容。同时这四个方面之间本身又是相辅相成的关系。

具体的关键点关系可以描述为：

在问题解决，事物认知过程中，都存在学习的过程，学习过程往往会观察整个问题解决和事物的认识，只是我们最终的目标驱动不一样而已。

其次，知识库在整个框架逻辑中起到了前后贯穿的作用，即你会发现你已有的知识库可以应用到新问题解决和新事物认知，同时在你完成了学习后相关内容可以进知识库，同时在你问题解决和事务认知后的复盘，相关内容还可以进入到知识库，我们要考虑的就是知识库中这些信息的构建闭环。

基于上图，我们可以看到这样一个完整的闭环过程。

学习完的内容进到知识库，而实践完提取到经验库，形成完整知识经验库
实践过程可以是POC验证，也可以是完整的问题分析解决
模式匹配能力是思维过程中的核心能力

对于我经常说到的两条线，一个是事物认知，一个是问题分析解决，其实你可以看到事物认知的本质仍然是问题分析和解决。因此即可以从事物和问题维度来进行阐述。也可以按照完整的定义-》分析-》解决-》总结的生命周期进行阐述。

基于我上面的构图，我们可以看到一个完整的思维范畴内容应该包括了如下展开。

1. 学习方法和模式
1.1 知识的采集方法和分析
1.2 阅读方法
1.3 学习方法和模式
1.4 POC自我验证和实践
2. 实践-》问题分析和解决
2.1 通用的问题分析解决方法论
2.2 问题分析解决
2.3 事物认知和决策
2.4 分析和模式匹配
2.5 问题解决后的呈现，演绎和泛化
3. 知识库和经验库
3.1 知识库的形成和积累
3.2 从知识库到经验库的转化
3.3 常用方法和工具
4. 总结复盘
4.1 总结复盘方法
4.2 最佳实践
4.3 归纳和抽象

从上面整个构图也可以看到，我们将学习，问题分析i解决，知识库积累，问题解决后的复盘形成一个完整的持续改进的闭环流程。再从这个闭环的流程我们可以看到。

知识经验是基础，模式匹配是核心价值

真正的自我能力提升一定体现在现场真正的实践上，而不是理论堆砌或POC验证

因此我们看到实践很重要，实践是你形成复盘总结的关键输入的基础，否则你拿什么复盘。理论指导实践，但是更加重要的是实践反刍理论。其次就是复盘很重要，复盘是形成和提升模式匹配能力的基础，复盘的深浅将直接决定了你跨领域的问题分析解决能力。

我们可以拿小学奥数来举一个简单的例子，有两个小孩奥数都很厉害，但是存在两种可能。其一是小孩甲做了大量的实践和模拟题练习，因此实际考试的题基本都是同类题型；而小孩乙可能做的练习并不算太多，但是自己总结和复盘能力强，在现场能够根据已有知识快速地进行分析和模式匹配，也就是我们说的没见过的题在现场也能够临场发挥解决掉。

那么实际上从教育角度，我们真正关心的就是如何将小孩培养为第二种类型。在职场我们就关心如何将员工培养为具备独立分析和问题解决能力的人。

这两天对整体思维框架内容重新进行了整理，供大家参考如下：

在前面文章中已经分享了思维核心框架和逻辑，今天重点对思维逻辑中的核心要素进行阐述和说明。这些要素包括了最基础的归纳演绎逻辑，架构化，模式匹配，分类分解，抽象等，可以看到这些要素在学习实践，事物认知，问题分析和解决中都会使用到。因此也可以作为思维能力提升的一个关键。

从思维框架到思维核心逻辑

狭义上逻辑既指思维的规律，也指研究思维规律的学科即逻辑学。广义上逻辑泛指规律，包括思维规律和客观规律。

逻辑包括形式逻辑与辩证逻辑，形式逻辑包括归纳逻辑与演绎逻辑。逻辑指的是思维的规律和规则，是对思维过程的抽象。 从狭义来讲，逻辑就是指形式逻辑或抽象逻辑，是指人的抽象思维的逻辑；广义来讲，逻辑还包括具象逻辑，即人的整体思维的逻辑。

而我们谈得最多的仍然是形式逻辑方面的内容，即最基础的归纳和演绎逻辑，基于三段论的推理逻辑，这个也是逻辑里面最核心的内容。

当研究思维的时候，你会看到实际包括两个大的方面。

其一是心理学和意识层面，谈的是如何如何在意识上先打破自己固有的模式和习惯，跳出盒子，多元多维度，全局地看问题。类似早期的逆向思维，头脑风暴，发散思维，六顶思考帽，也包括了最近几年谈得比较火的一个词即心流，更是将思维和意识，心理学，包括个人精力和自我管理等结合起来。

其二是思维逻辑层面，即就思维本身来说，思维过程不是简单的意识活动或灵光显现，而是有科学的思考方法可以遵循。从最早的形式逻辑和辩证思维，到科学思维中的进一步抽象和符号化，解决问题的方法论提出等。

我们日常谈论的逻辑就应该包括三方面：

• 结构逻辑：结构包括了静态结构和动态结构
• 形式逻辑：最基础的归纳和演绎逻辑，三段论的匹配逻辑
• 匹配逻辑：最核心在于分解后的细粒度与同类映射匹配

以上三个方面是逻辑的基础，而这三点实际和我最早谈到的思维整体框架是完全融合的。简单来总结如下：

思维本身包括了两个层面，一个是思考，一个是维度。思考偏动态的过程，而维度偏静态的知识组织和呈现。在我前面谈思维整个框架逻辑的时候就提到了思维的底层是个人知识和经验库，而思维的关键活动分支是事物认知和问题分析和解决。

结合这个框架可以看到。

思考活动最终会形成输出结果，这些结果不论是问题解决方案还是经验知识点都需要进行进一步的组织和呈现，这里面重点即是结构逻辑。不论是谈到的金字塔原理，知识树，知识结构，矩阵，思维导图等，都可以归入结构化逻辑范畴。

其次思维两个关键活动，一个是事物认知，简单来说就认识和改造自然，你需要去找寻事物的发展规律并得出一些普适的公理或定理，而这里面最重要的即前面谈到的形式逻辑，或者叫归纳演绎逻辑；第二个活动是问题分析和解决，即采用你自己通过实践总结的知识经验或前人留下经过验证的公理或定理来解决问题，这个里面最重要的是匹配逻辑。

经过上面思考，整个逻辑应该包括的范畴就基本想清楚了。

今天准备重点再谈下动态逻辑中的形式逻辑和匹配逻辑，这些逻辑本身展开可以产生很多的关键词，这些关键词实际可以看作是个人思维能力提升的关键。其中包括了归纳，演绎，分类，分解，抽象，匹配等。

归纳

所谓归纳，是指从许多个别的事物中概括出一般性概念、原则或结论的思维方法。

对于归纳和演绎，假设和推理，包括形式逻辑，网上有大量的资料可以参考，因此这篇文章就不再对这些内容太多的描述，重点还是结合学习和生活，工作和实践，来聊下工作和生活中如何形成归纳相关的思维。

归纳，最简单来说就是归类和收纳。其次才是抽象和推理。

生活中你收纳家里，最基本的意识就是分门别类，药品要放到一起，玩具要放到一起，维修工具要放到一起，为了分类你往往需要找到不同的箱子，柜子，抽屉，盒子等，将这些东西区隔开来。任何收纳都是先归大类，再归小类，一个柜子里面还可以放不同的盒子区隔不同的物件，以方便后面检索。

日常工作中最简单的归纳仍然是归类，比如你首先要做好个人资料的管理，这个就需要建立不同的文件夹，子文件夹进行存放，包括对文件再进行重命名等，目的都是为了后面检索和查找方便。即我们常谈的，大脑最终意义的是索引的位置，而不是每个文件的位置。

你每天工作的时候会接到领导安排，同事协同的大量事务要处理？而每天你要做的这些事务本身就是一类，这个时候如何处理？即当我们面对同类事务的时候，我们在考虑这些事务有无共同的属性可以定义，比如任何事情都有类型，都有优先级，这些属性对所有事务都适用。

即当我们找到共同属性和维度后，就可以对这些事务进行打标签，通过打标签事务就可以进一步分类和筛选，其目的仍然是方便我们对不同类型的事务进行不同的处理和应对。对于类别很明确的事物我们直接进行归类处理，对于同类事物我们找寻通用属性进行标签化处理。

上面说的内容都很简单，因为在日常工作和生活中，通过日常沟通交流，学习，你已经有足够的知识背景意识到哪些事物是同类事物。比如你决定不会把一个扳手认为是和一个餐盘同类的东西。但是，当我们面对一些新的领域和新的知识点的时候，你会发现在归类前最重要的是首先要知道哪些是同类。

找寻同类，是我们认识和观察事物中相对重要的一点，其本质能力就是抽象和归纳能力。

而这种找寻同类的能力是你从小就具备的一种能力，有些很难去精确化和量化，比如当你给你家小孩讲动画卡片上的一种动物是老虎，将电视里画面上动物是老虎，而你带他去动物园参观的时候，当看到真正的老虎的时候小孩子自己就认识出来了这是一只老虎。

而这里面隐藏的逻辑就是归纳逻辑，实际过程往往是如下的：

老虎的额头上有个王字
老虎的皮肤是有一种特殊的黄色斑纹
老虎牙齿很锋利，看起来很凶猛

而上面这些特征就是你归纳出来的，或者你并没有说出来而已的，但是你已经抓住了认知事物的本质。即老虎这种动物应该具备上面这些特征，因此到你再一只动物的时候，你就会看是否具备上面这些特征，如果具备的话你就将其归类到了老虎里面。

学软件的估计都很清楚，你在动物园看到的这只老虎是实例，而真正你头脑里面的老虎这是一个抽象的概念，一个类的概念。即归纳很多时候要做到事情，就是从大量的实例中找到事物的共性，并最终将其抽象为一个类，而这个类就是我们归纳后的结果。

基于已有领域，你是直接进行归类；基于未知领域，你是先找寻不同事物实例间的共同特征属性，先抽象再归类。

什么叫举一反三，简单来说就是你已经通过前面讲的归纳和抽象得到了一个定理，那么再遇到一个新问题，只要输入符合定理的假设和输入，那么就一定能够得出特定的结论。但是举一反三不是最关键的，真正关键的是如何得出一个通用的定理。

回想到我们中小学教育，你就会发现。

大部分的数学类教育并不会锻炼你的归纳能力，而是锻炼你的基于已有定理进行推导的能力。对于大量的课外奥数班一样，只是多教你更多的定理和题型，让你具备了演绎能力，而不是教会你面对未知题型的归纳和分解能力。

归纳过程本身就是从差异到共性，从实例到抽象，从现象到本质的一个过程。因此真正的归纳能力实际上是解决两个核心问题。

其一是得出一直定理和假设；其次是论证该假设。

金受热后体积膨胀。
银受热后体积膨胀。
铜受热后体积膨胀。

当你具备归纳能力的时候，你得出的是一个假设定理，即所有的金属受热后都会膨胀。而更加难的是你需要去证明你得出的这个假设是正确的。即因为金属受热后，分子的凝聚力减弱，分子运动加速，分子彼此距离加大，从而导致膨胀。

观察诸多现象，得出假设定理，展开论证。这就形成一个完整的归纳推理过程。得出假设锻炼的是我们的观察和抽象能力，而进行论证锻炼的则是我们的严谨和逻辑推理能力。科学研究，包括我们做任何事情往往都是这个道理。

在创新和思考的时候可以天马行空，但是在论证的时候必须小心翼翼。正如我们经常说到的像外行一样思考，像专家一样实践是同样的道理。

演绎

所谓演绎，就是从一般性的前提出发，得出具体陈述或个别结论的过程。

归纳和演绎在分析和推理中往往是紧密结合在一起的不可分。对于归纳的过程从特殊到一般，而演绎则是从共性到个性，从一般到特殊的过程。

在原来谈PPT制作和呈现的时候也经常会谈到，归纳强调理性，逻辑和结构化。演绎则强调感性，形象和故事化。归纳的过程是你自我思维和总结的过程，演绎的过程是方法论向他人传播的过程。归纳更多的是智商和理论积累，演绎更多的是情商和沟通表达。归纳锻炼的是逻辑思维和结构化思考能力，而演绎锻炼的是形象化表达能力。

演绎推理和三段论

谈演绎首先则要谈演绎推理，而演绎推理最基础的仍然是三段论，大小前提和结论。而对于演绎推理里面本身有包括两个关键场景：

一个事物可以归类到A类的话，那么就具备B特征。

场景1：你看到一个事物属于A类，那么一定具备B特征。
场景2：一个事物不具备B特征，那么这个事物一定不是A类事物。

以上两个场景都成立，但是如果一个事物具备B特征，就一定得出该事物属于A类。这是演绎推理最关键的地方之一。

再举例来说：

所有的正方形，其四条边都是相等的。

那么我们现在看到一个四方形，其四条边是相等的，但是我们无法得出该形状就一定是正方形，因为也有可能你看到的是一个菱形。菱形的四边也可以是相等的。

从演绎推理到问题解决

回到实际的工作和学习中，你会看到我们分析和解决问题的过程本身就是一个演绎推理的过程。即我们通过前期的归纳总结，已经在我们头脑里面形成了大量的经验逻辑或定理，比如当一个问题属于某种类型A的时候，我们就用对应的解决方案A1去解决它。

比如当你看到一个方程式，首先你会对这个问题进行定义，即是哪种类型的问题。

问题定义：方程式-》一元二次方程
问题解决：用已知的一元二次方程求解公式去求解

因此你只需要把问题定义或归类清楚，那么问题基本就解决了一大半，即问题定义搞清楚后，你已经知道问题属于哪类问题，剩下的工作仅仅是模式匹配和套公式解决而已，不再有任何的难度可言。

但是问题解决中的实际难点在哪里呢？

在前面我专门写过问题分析和解决的问题，再次强调问题分析和解决中的关键点在于问题域和解决域之间的细粒度模式匹配逻辑。

在日常工作和生活中，经常遇到的就是别人告诉你一个公式或做事情的模子，你按部就班地去做事，去求解问题即可。

但是别人没告诉的才是关键。

其一是我们如何得出一元二次方程的求解公式的？核心即前面的归纳法。其二是如何将你面对的问题域拆分为一个个可以求解的方程式，并完成和公式间的匹配。

对于大部分人来说这两点都不具备，所以只能按部就班。

对于演绎，我们一直在强调先讲结论和解决方案，要开门见山和自上而下，需要考虑结合图表的形象化表达。

比如在前面SOA和集成平台的文章中，需要解释服务调用中的同步和异步的概念，这个技术术语要解释起来不容易，如果完全按照技术的词语来解释，可能解释完成后受众也是一头雾水。而这种时候，最好的方式就是类别和比喻，用最简单的比喻来解释复杂的道理和逻辑。对于同步还是异步就可以形象地举个例子来说明。

比如你点了美团外卖，在外卖小哥将外卖送到你公司楼下有两种处理方法。其一是电话告诉你，外面放在前台了你自己去取下；其二是给你电话说在下面等你，直到你去到外面再离开。对于方法1就是异步，对于方法2就是同步。

通过上面这个例子，相信很多人看完后，对于服务调用中的同步和异步都会有一个和形象化的理解。你演绎能力是否强，更多体现在你能否把复杂道理讲简单，而这个简单就是真正抓住了复杂道理的本质，并采用最贴切的比喻表达出来。这就是最好的演绎方式。

这个演绎很难，其原因就在于：

在你的专业领域，比如IT领域，你已经根据大量的现象，得出了一个关键的结论和定理。但是你讲给别人听的时候，别人并不具备你专业领域的前导和基础知识，因此你必须在你受众的知识领域，再想象出一你受众知识域容易理解的类似现象，并得出一个类似的结论，形成类别后讲给你的受众听。实际上这个难度不比在你的专业领域得出一个新结论容易。

演绎和归纳不可分离，特别是在呈现或给别人讲解问题或解决方案的时候。

你不仅仅是开门见山地告诉别人结果，更加重要的是要告诉别人你是如何一步步地推导出这个结果的，也就是我们说的你能不能把你归纳和问题求解的思考过程讲明白。

原来网上有一幅图对我感触很大，如下：

即别人在教你的时候只讲结论和固有套路，不讲思考的过程和方法。同时你也不具备将复杂的问题域进行分解，然后进行细粒度的模式匹配的能力。当前不论是学校阶段的教育，还是工作后个人职场的学习和培训，均存在上面的问题，如果这个问题不解决，那么很难真正的培养具备独立进行问题分析和解决能力的人才。

模式匹配

当把归纳和演绎讲清楚后，可以看到你就具备了最基本的事物认知，问题解决能力，但是还不足以支撑你独立分析和解决复杂问题。

对于复杂问题来说，里面有一个核心就是前面一直在强调了模式匹配能力。

匹配逻辑简单来说就是问题如何与你的经验点之间匹配上的，对于大粒度的问题如何通过分解后在底层进行细粒度匹配然后再抽象整合的。

从上图我们可以看到从问题的输入到形成输出，里面的核心就是模式匹配。左边是我们的输入和信息加工，右边是我们已有的知识经验库积累。

整个匹配的过程中涉及到两个环节，一个是简单匹配，一个是复杂匹配。

简单匹配：最简单的1对1的匹配，很固化，并不需要太多思考。
复杂匹配：涉及到问题分解后细粒度匹配，并在匹配后进一步的向上聚合形成解决方案。

大部分人解决问题能力弱，一个是本身的知识经验积累少，一个就是模式匹配能力弱。只有模式匹配能力强才可能真正让你举一反三。

确实，在我博文中写思维和解决问题方面的文章的时候，特别是在思维的逻辑这篇文章中又在强调一个关键词，即输入和输出如何更好的进行模式匹配的问题，一个人的分析和解决问题能力强，很大原因就是在这种模式匹配的能力强。

对于这个问题模型，已经是在思维的逻辑更加下一层的形式化表达模型，在这里强调几个方面的关键点如下：

1. 对于输入的问题需要进行分解，因为只有细粒度上才容易匹配和复用
2.对于问题解决后的可用经验入库，同样要分解为细粒度的经验点
3.在完成模式匹配后还得锻炼朝上进行完整解决方案的聚合能力

以上这三个点可以说是模式匹配的核心，但是这里面仍然有一个假设，即在细粒度匹配的时候必须是我们已经遇到过或熟知的场景才可以，其次就是我们应该知道如何去分解，还有就是要知道如何去积累确保积累的知识点是可以复用的。而真正要做到如上三点并不是容易的事情。
对于匹配的逻辑究竟能否模型化表达？

这个问题将是后续会重点思考并解决的一个点，特别是如果可以形式化表达，究竟应该用什么样的方式来科学表达。如果这个问题能够解决，我想对于大家日常学习和实践来锻炼自己的独立分析和解决问题能力时候是相对有好处的。
在这里可以先做一些探索，即模式匹配能力的积累和培养可以借鉴SOA方法论的一些思路，从低朝上一层层的向上组合，最终解决顶层最复杂的现实问题。
最细粒度的模式匹配最容易，但是会导致我们将问题分解得太细，匹配的过程也繁琐和复杂，而粗一点的问题进行匹配较难，但是可以加快匹配的速度。

这和SOA方法论里面的原子服务和组合服务往往是一个道理。天下没有完全一模一样的两个问题，正是这个原因我们需要对问题进行分解，对分解后的子问题进行细粒度匹配，在细粒度上我们的知识和经验点往往是可复用的；但是问题解决本身又需要效率，为了提升匹配效率，我们可能还会对已有的知识点或经验点进行组合，形成一些粗粒度的经验点，以方便进行更加上层的快速匹配。

对于最细化粒度的匹配，往往是最简单的条件判断模型，即：

if (条件1) then (结论A)
if (条件2) then (结论B)
if (条件3) then (结论C)

为了加快后期的匹配效率和速度，我们会形成上层的组合匹配模式，比如：

if (条件1 and 条件2) then (结论D)
if ((条件1 and 条件2) or (条件3)) then (结论E)

在把这个步骤想清楚后，我们仍然可以借鉴我在前面解题思路里面提到的由已知想可知，由未知想须知的方式进行两端逼近，最后在某个点达成匹配。那么剩下我们要考虑的就是一个复杂未知问题，如何分级为我们已知的子问题，这个本事又是相当有难度的事情，也正是这个原因我们会说很多时候问题完全定义和分析清楚，问题基本就解决了的原因。
如何分解搞清楚，还不足够，还需要进一步思考如何积累的问题？我们还需要通过实践完成工作或任务后，如何将经验积累为一个个可复用的知识点呢？你如何确信分解后的知识点本身在匹配上颗粒度最合适？这本身又是经验层面的问题，要达到这个效果并不容易，下面我们举一个售前方案制作的例子来说明。

一个完整的方案制作匹配案例

以要做一个智慧校园的解决方案材料来进行说明下，背景是我原来做企业内部信息化开发和需求工作，主要涉及到CRM客户关系管理系统，熟悉软件工程和软件生命周期，对ERP也较为熟悉，有过需求分析和调研经验，做过CRM软件项目的售前解决方案并进行过宣讲。可以看到这不是要给完全跨新领域的工作，而是一个已有IT领域的延展性新工作。

第一步思考：破题-不破不立
第二步思考：搭建大框架和结构
第三步思考：逐层求精，层层匹配

对于该部分的详细说明请参考：

思维究竟是什么-思维的逻辑和模式匹配

分解

在前面谈到，对于复杂问题的解决实际上包括两个关键点，其一是模式匹配能力，其二就是对复杂系统或问题域的分解能力。在这里我准备谈三个点，其一是目标分解，其二是知识体系本身的分解和聚合，其三是面对复杂系统的时候如何进行解构，两者都可以纳入到分解逻辑中。

目标分解

分解之根本在于保证后续的计划，行动和呈现全部围绕你期望达到的目标展开。在思考的时候确立了目标后，后续的重点就是目标的分解，目标分解有两个关键环节，一个是终极目标需要分解为多个子目标，一个是子目标需要去找寻关键影响因素。

如果按照这个逻辑，CSF关键成功因素法就帮我们把这样的思考过程结构化了，CSF关键成功因素法的图如下：

该图其实包括了三个重要的环境，分解为子目标，找寻子目标的关键要素，找寻关键控制变量。

这正是我们谈分解的时候的重要步骤。而分解是静态分析的过程，需要结合动态流程分析，在图里面可以看到在找寻关键控制变量的过程则需要结合关键流程分析。
分解的过程正是形成逻辑树的过程，分解的过程需要尽量符合MECE法则，即完全穷尽，相互独立。同时在分解为树的过程中，树上同层的内部必须是相同层面和粒度，属于相同类别下的分解。这往往是分解工作的真正难点。

分解的结构化正是体现在层次性，粒度同一性，分类的同属性方面。比如思维导图我们大家都可以画，但是是否画得好重点这是MECE+分解的层次性方面。

大目标分解为小目标，小目标再分解为影响因素。那么小目标和影响因素之间究竟是什么区别？那么如何来判断分解的内容究竟是小目标还是影响因素？

这里最简单的方法则是通过SMART原则来进行判断，如果分解的内容符合SMART原则，则就是小目标，不符合则是影响因素。

对于项目管理中的项目，可以先分解为进度，成本，质量三个要素。我们看到这三个要素都是明确的，可以度量的，而且有明细的时限性要求，因此它们是子目标。而我们在看开发人员技能水平，开发工具等这些分解要素，它们显然不满足目标的SMART原则，因此它们更多的是影响目标的关键成功要素CSF。

终极目标是我们的期望，子目标也是我们的期望，有了子目标后就让我们的目标实现过程也变成一个迭代的过程，即目标真正通过迭代落地的问题。即使终极目标没有达到，但是我们并非是一无所获，因为有一些小的目标我们还是达到的实现了，同时通过实践为终极目标的达到奠定了基础。

接着举例来说明目标的分解过程：

对于项目管理而言，项目管理的终极目标往往是最终的客户满意，其分解的第一层子目标则是在项目范围一定情况下的进度目标，质量目标和成本目标。

对于企业的战略驱动的绩效评估体系而言，其最终的目标往往则是公司在几年内合法利润的最大化，其分解的目标按照BSC可以划分到内部学习，外部客户，财务，流程四个分解维度。对于流程方面可以按照价值链分析方法进行进一步的分解。

如何最大化公司的业务价值和股东投资回报率？要回答和思考这个问题首先也是要分解，第一层分解即我们的回报主要来源于经营利润和投资回报，而经营利润又涉及到收入和成本两个重要因素，如此层层分解形成完整的逻辑树。

前面我们讲过如何进行绩效考核工作的汇报，这个的终极目标是领导对我工作的认可，而认可又基于我的工作胜任或超出了公司岗位绩效KPI对我的要求。

因此分解的重点在于对我所在岗位的绩效KPI的分解，对于规范化的企业往往我们直接就可以找到相关的KPI分解。比如对于运维管理工作，分解如下：

在这个图我们看到一个重点就是分解的子目标前面增加了一个目标的分类，而平衡计分卡里面的四个维度也是其子目标分类。增加分类的目的是方便后续的维度分析和平衡，在后面再详细描述。

分解中用的模型都是树模型，包括逻辑树，问题树，风险决策树，思维导图，鱼骨图等方法归根到底都是树模型的应用。

树模型更好的解释了所有的分解都围绕一个终极目标，而不是多个目标，多个目标往往仅仅是终极目标的子目标。

对于鱼骨图也是分解，但是鱼骨图更多是用于问题的分解，体现因果关系，同时又给出根据一般的法则即从人，机，料，法，环境五个方面进行分解。所以鱼骨图一般没有包括对子目标的分解。对于决策树也是分解，当时更多的是对不同决策的分解，而我们在思考中一般不适合过渡跳跃，直接由问题转移到决策。因此分解没有明显限制的还是逻辑树，在前面几层可以是子目标的分解，在后面几层可以是控制变量的分解。

分解的过程中包含了分类，对于我们有经验和前人体系积累的领域，则可以直接借鉴分类，在分类的基础上进一步分解。也可以是先进行分解，再对分解内容找寻共有的维度属性，抽象出标准的分类。分类和分解没有必然的先后关系，重点是要保证粒度同一性，分类的同维度性。

知识体系的分解和聚合

在10多年前，我就采用思维导图整理过类似软件工程，IT项目管理，IT咨询规划等多个知识体系图，其核心的原因还是在工作和实践一段时间后，容易陷入一种重复性的事务劳动中，同时对后续的学习和实践方向目标产生迷茫。一叶障目，不见泰山，任何一个专业的知识领域要想成为专家都需要我们持续不断的学习和实践，没有了新的目标往往也是对该业务领域究竟需要一个什么样的完整知识体系来支撑并没有一个清晰的梳理，通过知识体系的梳理你可以自己评估你当前在该领域的水平，知识体系中哪些知识和技能已经掌握，哪些还没有涉及到。然后根据自己成长的长远目标和阶段目标，来有计划地规划自己后续的学习计划和实践任务，朝最终的领域专家层级努力。

但是对于知识体系构建，一定还是强调一定要先去实践，通过实践后的总结复盘找到一个个细粒度的知识点，然后再考虑考虑这些知识点如何朝上归纳聚合为一个完整的知识体系。通过实践，你会发现你原有理论体系有不少内容会被抛弃掉，同时又通过实践增加了更多额外的知识点。

经过一段时间的实践后，你会发现对某一个专业领域有了初步的认识，即面对任何新任务，新问题的时候你基本都能够找到已有知识点进行整理和加工后很好的完成任务。那么这个时候你基本可以整理出完整的适合自己的知识体系图。即通过底层的知识点集合，逐步的朝上进行抽象和聚合，在抽象过程中考虑知识层次和粒度问题，最终形成一个完整的知识树。

通过先分解再聚合的方式构建的知识树，你才会看到知识树里面挂接的所有知识点都是可以重复利用到新问题域解决的，有其该有的复用价值。

复杂系统的分解和解构

在前面谈思维的很多文章中，实际上给出了一些问题分析和解决的思路，在谈企业架构和IT规划的文章的时候也谈到了核心的思考逻辑。

对于复杂系统的解构一定不是容易的事情，有时候一个事物你外面看着相当简单，但是内部构造极其复杂，了解清楚事物的外在功能容易，但是要真正了解清楚这个功能怎么实现的？内部是如何运转的就相当困难。

反复实践试错并持续迭代

庖丁解牛，之所以能够做到目无全牛和游刃有余，在于前期大量的反复实践后已经对一头牛的生理结构，内部骨骼架构，肌肉脉络都了解的相当清楚的前提下完成的。那么庖丁给出了一个复杂系统解构的最简单方法，就是反复的实践和试错，通过不断的循环迭代，最终达到对目标系统的理解。

机器，人和自适应进化

一个复杂系统之所以复杂，不是说这个系统内部的组件多，而是这些组件之间的交互和协同复杂，当面对不同的输入需求的时候，通过内部不同组件之间的交互和协同，就能够产生成百上千的输出。这才是复杂系统本身复杂的原因所在。

一个机器构造即使复杂，但是在有明确的输入情况下，输出完全是可以预测的或者说有规律可循的。但是如果面对一个人，这种复杂性往往剧增，即人都有感性的一面，而对于情感和情绪往往是不可预测的。

而对于一个自适应系统，其复杂性往往体现在其可以自适应式的学习，即通过学习后在面对新的输入的时候产生新的处理规则，这是自适应系统本身的复杂性。

分而治之是解构复杂系统的核心思路

在谈企业架构或架构思维的时候，就经常谈到过，当我们面对一个复杂系统的时候，分而治之往往是最基本的分析思路。一个复杂系统有成百上千个组件，一开始你还不能拆分到这么细，拆分得越细去研究这些接口和集成往往就越复杂。

大卸八块往往是一个更好的思路，先将复杂系统分解为独立自治的大的模块或域，先研究清楚面对不同的输入的时候，这些大件之间是如何协同配合来产生输出的。搞清楚这些大件之间的关联和依赖关系，这个搞清楚了，那么复杂系统的大的运转逻辑和思路就清楚。然后再深入到单个模块内部进行继续分解和研究。

这也是在谈企业架构的时候我经常谈到的，对于企业架构和IT规划的思路往往和做一个业务系统本身的总体架构和设计思路完全是一致的。只是做企业架构规划的时候对于业务系统往往就是一个大模块，而做业务系统架构的时候，里面的组件才会变成一个模块。分解不是目的，面对分解完成组件，如何集成和协同完成期望输出才是解构目标。

在架构思维里面我们就一直在谈，对于复杂系统的分析和设计，有两个重点就是先分解，再集成，分解+集成完成了一个完整的迭代。即大卸八块本身不是目的，拆解后你还需要了解这些骨骼和肌肉究竟是如何联动来完成最终的输出动作的。

如果集成不起来那么说明分解的有问题，还得迭代和调整。如果集成顺畅，你也就基本了解了整个事物内部组件间的运转机理。这就是对复杂系统理解的关键。

找寻概念模型

对于任何复杂系统的理解和解构，最开始的一步一定是形成概念模型，这个在我博客前面有专门文章谈过概念模型，概念模型就是协助你对复杂系统本质进行理解的最简模型。这个概念模型有三个关键，其一是对复杂系统进行基础认知，其二是最简和最容易理解，其三则是要对我们自己适应，方便我们自己理解。

也就是说对复杂系统的解构，一开始并不是马上深入内部，而是先形成概念模型。即首先你要搞清楚一个复杂系统或一个事物究竟是干啥用的，然后再来理解它内部如何运作能够实现这个功能。而对于概念模型重在解决第一个问题，而对于分解+集成反复迭代则是解决第二个问题。

原文：https://www.zhihu.com/question/314003841/answer/1838230627