编者按：人和人最大的不同在于思维模式的不同。本文作者在从事多年咨询工作的过程中，积累了 7 个对解决问题相当有用的思维模式。本文来自编译，希望对您有所启发。
Image by zentro from Depositphotos.
“思维模式”（Thinking Models）与“心智模型”（mental models）不同，“思维模式”通常用于解决现实世界的业务问题。当我在工作中需要解决业务问题时，从未发现“心智模型”有多大用处。“心智模型”通常用来表示事物的工作方式。而另一方面，“思维模式”在解决问题方面有很大帮助。
作为一名战略顾问，我会帮助公司开发和推出在他们的小众市场占主导地位的新产品和服务。我尝试了很多工具，包括“设计思维”和启动加速程序等，虽然有些相当成功，但结果并不一致。而正是一些“思维模式”，才帮助我把成功率从 10%+ 提高到了 85%。
多年来，我收集了 7 种通用启发式思维模式，我发现它们在解决我在工作中遇到的几乎所有问题时，都是最有效的。我已将这些模型纳入我们的内部入职培训，帮助新员工迅速上手。
在本文中，我概述了这些思维模式是如何工作的，以及如何使用它们来解决企业家、股东、领导人和业务顾问在日常工作中可能遇到的所有业务问题或挑战。
1. 战略思维（Strategic Thinking）：从正确的问题开始
“如果给我 1 个小时解答一道决定我生死的问题，我会花 55 分钟来弄清楚这道题到底是在问什么。一旦清楚了它到底在问什么，剩下的 5 分钟足够回答这个问题。”——阿尔伯特·爱因斯坦。（Albert Einstein）
许多书籍和学科都涉及到战略思考这个主题。然而，这里有一条经验法则可以帮助你将战略思维压缩为一句话：“问正确的问题。”
爱因斯坦是否说过这些话并不重要，但这个观点是成立的，因为战略思维就是提出正确的问题。当我们从顶级 MBA 商学院招聘战略顾问时，会筛选那些具有战略思考能力的候选人。我们通过检查他们在案例面试中解决问题时，是否能提出正确的问题，来做到这一点。在咨询行业，我们可以将这个词与“分析思维”互换使用，这也是我们首先衡量潜在候选人是否合适的方法。如果求职者在某一项面试中失败了，他们就会自动被拒绝。
接下来你会发现，问正确的问题对于解决问题的每一步都是至关重要的。
2. 抽象思维（Abstraction Thinking）：建立层级
“人的思想自然倾向于过度简化问题，因为只有通过抽象和概括，人们才能发挥他微弱的能力，拥抱无限广阔宇宙中的一个微小部分。”——詹姆斯·乔治·弗雷泽（James Goerge Frazer），（The Magic Art and the Evolution of Kings）
“抽象思维”（Abstraction thinking）与“简化思维”（abstract thinking）不同，它听起来可能很抽象，但实际上并非如此。抽象思维可以帮助大脑建立一种“思维上可理解的”复杂问题的层次结构。
我第一次接触到“抽象思维”是在我作为工程师的早期，它经常被应用在复杂系统的层次表示中。例如，机器代码或固件是比应用软件和算法低几个层次的层。其他的例子还包括：
建筑：建筑的蓝图是比实际建筑更抽象的一个层次，旨在捕捉建筑的基本特征。
音乐：交响乐的音符是一个层次，乐器和管弦乐队是另一个层次。
其理念是，每一层都可以在没有上面的层的情况下存在，但需要下面的层发挥作用。
“抽象思维”在复杂或非线性系统中特别有用。正如我将在后面演示的那样，解决真实世界的业务问题，需要深入研究相关数据以支持假设的能力。在当今高度复杂的世界中，我们被大量数据淹没，高效地做到这一点是一个巨大的挑战。
当我们考虑数据时，可能谈论的是数十亿个数据点。对于一个人的心智能力来说，像十亿这样的数字是一种高度抽象的东西，因为大多数人都只能在心理上处理两位数或三位数的数字。“抽象思维”可以帮助人类理解抽象概念，理清细节层次，捕捉系统的相关特征。只关注对单个问题或子问题至关重要的内容，可以降低系统的复杂性。
3. 结构化思维（Structured Thinking）：关注相关性和层次
“界限关乎建立结构，而结构对于建立任何繁荣的事物都是必不可少的。”——亨利·克劳德（Henry Cloud）,《边界》（Boundaries）
我早年作为管理顾问学到的最有价值的技能之一就是：结构化思维。“结构化思维”的重要性可能不那么明显，但工作和生活的每个方面都是围绕着能够有效地结构化思维、计划和数据等的。这种思维需要相当多的经验来掌握。然而，有几个启发式和技术，它们可以被我们用来提高自己的结构化思维能力。
其中一个工具是问题图，也称为假设驱动方法。在问题图中，基于由主要问题衍生出的战略目标的问题和子问题，制定了一个假设。整个思考过程将由问题和假设主导，然后提出正确的问题，以树状结构（如下所示）来帮助证明假设。
上图中：源自战略目标或问题的主要问题→由主要问题衍生出来的不同次级问题→最佳猜测或假设→能为假设提供答案的问题→回答问题所需的分析→进行分析所需要的数据和此类数据的来源
最后一步是分析。在进行分析之前猜测假设似乎很有挑战性，但事实并非如此。其理念是，在假设中做出一系列正确的猜测，即使这些猜测（后来）可能被证明是错误的。
因此，问题图被称为假设驱动方法，因为假设是分析的指导。这也有助于测试实际的可行性。
这里有一个经验法则，要验证分析是否能证明和/或否定假设，只需检查分析的结果，问：So What？
如果你觉得有必要更深入地研究这个问题，你可以在芭芭拉·明托的国际畅销书《金字塔原理》中读到相关内容。《金字塔原理》更深入地探讨了这个概念。麦肯锡最初尝试将 MBA 应届毕业生的培训正规化，“结构化思维”就是其原则，后来明托在她的书中推广了这一做法。
4. 批判性思维（Critical Thinking）：证据可靠吗？
“幸福的秘诀是把举证的责任推给不幸福”——罗伯特·布劳特（Robert Brault）
批判性思维是我们在高中学到的东西，一个我喜欢的话题，但我的许多同学讨厌它。然而，批判性思维是解决问题的思维链中重要的组成部分。
我们可以把“批判性思维”类比于法庭辩论。对于每一项指控，都要像控方那样行事。检察官有排除合理怀疑的“举证责任”。
因此，假设将与指控相似，而数据和分析将与法庭上的证据相似。
一般来说，反驳一项主张要比证明一项主张容易得多。所以当分析完成后，退一步，试着反驳它。只需要一个反例就可以证明这个假设不成立。
5. 费米思维（Fermi Thinking）：建立一个基础
“费米估算法可以像热刀切黄油一样切掉无关信息。”——大卫·爱泼斯坦（David Epstein），《成长的边界》（Range: Why Generalists Triumph in a Specialized World）
我想起自己刚从大学毕业时遇到的第一个面试问题：“世界上有多少架飞机拖船？”
Image by an unknown user from Picryl
我当时并不知道，这样一个问题到底有什么用？直到我开始工作，才意识到通常被称为“费米思维”的这一思维的有用性。
“费米思维”是以物理学家恩里科·费米（Enrico Fermi）的名字命名的一种启发式估计技术。费米以能用很少的数据进行精确的近似计算而闻名。比如，他 1945 年在曼哈顿计划中对引爆的原子弹威力进行了估计。很难想象，费米估计的一万吨 TNT 炸药是根据爆炸时他从手上掉下的纸片所传播的距离计算出来的。
费米问题通常是极端的、无法用数学或科学方法解决的问题。如果你听说过费米，那你可能对费米悖论和德雷克方程很熟悉，它估计了银河系中智能文明的数量。
虽然费米估计几乎总是无法做到精确，但它能提供一个经得起考验的近似值。
费米思维的有用性能延伸到多个维度，这里有几个例子可以说明如何利用费米思维。
在进行数据分析之前，先验证一个断言或假设
评估和/或验证潜在的错误估计或数据源
评估市场机会，并识别空白区域
进行“快速且粗略”的大致估计
6. 系统思维（Systems Thinking）：区分线性和非线性
“系统思维是一门看到整体的学科”——彼得·圣吉（Peter M. Senge）
系统思考是一个庞大的主题，其理念是确定手头的问题是线性系统，还是非线性系统。
在线性系统中，问题通常可以通过检查和识别线性链中最薄弱的环节来解决。因此，它们可以很容易地建模、理解和诊断。
相反，一个非线性或复杂的系统有许多相互依赖的组件，并且经常相互作用。这使得建模变得困难，因为这些相互作用使得部分不可能被从整体中分离出来。因此，解决问题必须采用全面的方法。非线性复杂系统的例子包括供应链、组织结构、团队互动、开发项目等。
克服这一挑战的方法是，通过对复杂系统进行抽象建模，来解决复杂系统中的问题。
这里的经验法则是，对于系统思维，永远在进行分析之前先区分线性系统和非线性系统。
7. 涌现思维（Emergence Thinking）：把所有东西放在一起
“越来越复杂的结构的出现，似乎是我们不断进化的宇宙的本性。——亚历克斯·维库洛沃（Alex M. Vikoulov），《思维进化的五个范例》（The Syntellect Hypothesis: Five Paradigms of the Mind’s Evolution）。
为什么鸟儿结队，鱼儿成群？有几个原因和假设。首先，有理由相信，掠食者会认为群体或团队是一个单一的、可能具有威胁的大型有机体，这将阻止掠食者的攻击。同样很明显的是，捕食者发现攻击群体或团队中的个体，比攻击单个动物要困难得多。反过来也有可能：羊群或鱼群通过合作捕猎比个体单打独斗更有效。
术语“涌现”（Emergence）在本质上指的是复杂的形成，这些复杂的构造是复杂系统中自组织的性质。这个想法很简单：“简单的规则导致复杂的结果。”
在 20 世纪 80 年代，克雷格·雷诺兹（Craig Reynolds）提出了一个关于这一现象的非常简单的模型，被称为博伊德模型（Boid’s model）。他的目标是开发出真实的群集行为的计算机图形。因此，他写了一篇著名的论文 Flocks, herds, and schools: A distributed behavioral model。在那篇论文中，雷诺兹提供了一个简单的模型，在这个模型中，个体按照重要性的顺序遵守三条规则。
第一条规则是避免碰撞，它只有一个目的：避免与同伴发生碰撞。
第二个规则是速度匹配，它确保个体通过相互匹配，在速度和方向上是同步的。
第三条也是最后一条规则是羊群中心，它确保个体与同伴保持接近。
很难想象，这一套简单的规则，可以在没有任何中央命令的情况下，创造出以上这些复杂的系统。这些复杂的系统之所以能够形成，完全是因为每个人都要遵守三个简单的规则。
康斯坦茨大学（University of Konstanz）马克斯·普朗克研究所的研究人员对鱼群进行了研究，他们得出的结论是，“无知和信息不足”对鱼群的恢复力和完整性以及鱼群的生存，具有非常重要的影响。他们认为，让信息不足的个人参与决策，最终会使群体决策民主化，并防止极端主义个体在整体上产生不成比例的影响。
例如，在领导团队或组织集体时，可以通过去中心化和个人主义来实现集体智慧。这些规则将个人影响力和集体智慧之间的摩擦最小化，同时又不会扼杀创造性解决问题的趋势、以及随之而来的共同创造和合作等想法。
此外，它是一种“通过确定一套简单的规则，并将其作为原则和经验法则，来应对日益复杂的世界”的能力。
在解决问题的过程中，运用上述“6种思维模式+涌现思维”作为处理问题的规则，可以产生更优化的解决方案。
译者：Jane