会过高。决定给这些计划打多大的折扣，要看你的判断，而这一判断必须在与特蕾西的讨论中得到确认。

7．需要技术专长才能得出的判断。除非你是反托拉斯法的专家，否则你个人对竞争对手收购天王星（基础假设2.4）是否会获得监管部门批准的评估可能一点儿实际用处也没有。你需要得到专业意见。同样，你的同事可能会提供一些潜在行业买家的名字，但如果你想找到私募买家，就应该求助投资银行或其他金融顾问（基础假设2.5）。优秀的财务顾问可能还会发现你没想到的买家，比如相邻行业的外国竞争对手。

8．判断是一个不可简化的决断过程。利益相关者对资产剥离的反应很可能是情绪化的、不可预测的。这些反应本来就很难评估，因为在早期阶段不可能对其进行试探（基础假设3.1）。同样，假定没有遗漏掉任何可能发生的负面后果（基础假设3.4），判断本质上就是一场赌博，赌注建立在“未知的未知”基础上。尽管情境规划等工具可以降低意外发生的可能性，专注于对这些未知因素的发掘，可以缓解我们在面对不确定性时过于自信的倾向，但再多的分析也无法消除重大业务决策中的不确定性。当假设依赖于有根据的决断时（假设我们在分析过程中是严谨和详尽的），我们所能做的就是认识到这是一个需要进行决断的问题，并确保问题所有者能意识到这个决断的重要性。另一种方法（有太多的问题解决者都会选择这条路）是对决断加以利用，但以隐晦的方式让受众相信，这些决断是以事实为基础的，虽然并没有什么事实可供参考。这样的做法很可能会导致令人不快的意外事件。会过高。决定给这些计划打多大的折扣，要看你的判断，而这一判断必须在与特蕾西的讨论中得到确认。

7．需要技术专长才能得出的判断。除非你是反托拉斯法的专家，否则你个人对竞争对手收购天王星（基础假设2.4）是否会获得监管部门批准的评估可能一点儿实际用处也没有。你需要得到专业意见。同样，你的同事可能会提供一些潜在行业买家的名字，但如果你想找到私募买家，就应该求助投资银行或其他金融顾问（基础假设2.5）。优秀的财务顾问可能还会发现你没想到的买家，比如相邻行业的外国竞争对手。

8．判断是一个不可简化的决断过程。利益相关者对资产剥离的反应很可能是情绪化的、不可预测的。这些反应本来就很难评估，因为在早期阶段不可能对其进行试探（基础假设3.1）。同样，假定没有遗漏掉任何可能发生的负面后果（基础假设3.4），判断本质上就是一场赌博，赌注建立在“未知的未知”基础上。尽管情境规划等工具可以降低意外发生的可能性，专注于对这些未知因素的发掘，可以缓解我们在面对不确定性时过于自信的倾向，但再多的分析也无法消除重大业务决策中的不确定性。当假设依赖于有根据的决断时（假设我们在分析过程中是严谨和详尽的），我们所能做的就是认识到这是一个需要进行决断的问题，并确保问题所有者能意识到这个决断的重要性。另一种方法（有太多的问题解决者都会选择这条路）是对决断加以利用，但以隐晦的方式让受众相信，这些决断是以事实为基础的，虽然并没有什么事实可供参考。这样的做法很可能会导致令人不快的意外事件。建立分析的计划

只要确定每个基本假设需要利用哪种类型的分析，就可以开展工作规划并着手进行分析。工作规划超出了本书的讨论范围，因为这取决于你要做的分析处于怎样的大环境下以及分属于哪种类型。以我们刚刚描述的分析计划为例，整个顾问团队的工作组织方式，不可能和特蕾西找来的那位财务分析师的工作方式保持一致。但是，有两点是共通的。

第一，从关键的成败假设开始，特别是当这些假设相对容易进行验证的时候，更应该以此为起点。在我们的案例中，对天王星和太阳系核心业务部门之间没有客户协同效应的假设进行验证至关重要。如果这个假设被证明是错误的，那么整座假设金字塔就会崩塌。优秀的工作计划，应该优先考虑那些能够改变问题整体答案或解决方案的分析。

第二，你识别出来的一些分析工作可能难度太高，甚至根本无法做到。这可能是因为你没有所需的技能，也没有方法掌握这些技能（例如在需要高度专业化的技术专长时）。更常见的关注点是，通过分析，你将对答案进行更改。在我们的案例中，保密性显然是一个问题，在决定进行分析工作时，你需要对此予以考虑。举例来说，如果你正在分析一家工厂的生产力问题，需要对时间和工作过程进行研究。过程中，你站在车间里的工人旁边，手里拿着秒表，而你的存在很可能会影响他们的表现。社会科学家把这种影响称为“霍桑效应”。只有当你确定了来源，并意识到接近来源将会面临的挑战时，才能完成你的分析列表。建立分析的计划

只要确定每个基本假设需要利用哪种类型的分析，就可以开展工作规划并着手进行分析。工作规划超出了本书的讨论范围，因为这取决于你要做的分析处于怎样的大环境下以及分属于哪种类型。以我们刚刚描述的分析计划为例，整个顾问团队的工作组织方式，不可能和特蕾西找来的那位财务分析师的工作方式保持一致。但是，有两点是共通的。

第一，从关键的成败假设开始，特别是当这些假设相对容易进行验证的时候，更应该以此为起点。在我们的案例中，对天王星和太阳系核心业务部门之间没有客户协同效应的假设进行验证至关重要。如果这个假设被证明是错误的，那么整座假设金字塔就会崩塌。优秀的工作计划，应该优先考虑那些能够改变问题整体答案或解决方案的分析。

第二，你识别出来的一些分析工作可能难度太高，甚至根本无法做到。这可能是因为你没有所需的技能，也没有方法掌握这些技能（例如在需要高度专业化的技术专长时）。更常见的关注点是，通过分析，你将对答案进行更改。在我们的案例中，保密性显然是一个问题，在决定进行分析工作时，你需要对此予以考虑。举例来说，如果你正在分析一家工厂的生产力问题，需要对时间和工作过程进行研究。过程中，你站在车间里的工人旁边，手里拿着秒表，而你的存在很可能会影响他们的表现。社会科学家把这种影响称为“霍桑效应”。只有当你确定了来源，并意识到接近来源将会面临的挑战时，才能完成你的分析列表。在头脑中武装上这些原则，你就可以建立起一套分析计划，并将其转变成任何一座假设金字塔的工作计划。如果你选择的是问题树，那么情况也是如此：你将为问题树中所需回答的问题列出分析列表，而不是去识别对某个假设进行证实或证伪所需的分析项。这两种思路的许多分析方法是相同的，主要的区别在于，问题树更加开放，因此需要进行的分析也更多。

执行分析的步骤

一旦完成了问题的陈述和建构，有了分析计划和工作规划，就到执行分析的时刻了。数据处理（以及其他形式的分析）在此正式启动。你的解决方案的水平，只能和分析的水平保持一致。如果分析存在缺陷，就算问题陈述再精细，问题建构再巧妙，也得不出令人满意的解决方案。

在任何领域有过实战经验的分析师都会告诉你，没有万无一失的方法可以避免一切分析错误。就算是非常优秀的分析师，也容易犯一些十分常见的错误。以下是一些有关这些分析错误的注意事项。这些是以我们作为顾问和教授的经验为基础，研究了数千名同事和学生的分析工作，并总结了我们自身的错误之后得出的经验教训。

因为我们只关注分析工作，所以在此假设问题的陈述和建构是正确的。此时，你需要关注的是如何寻找正确的数据，在必要时做出合理的假设，准确地对数据进行分析，并从每个分析中得出正确的结论。下面，让我们按顺序对每一个步骤进行深入探讨。在头脑中武装上这些原则，你就可以建立起一套分析计划，并将其转变成任何一座假设金字塔的工作计划。如果你选择的是问题树，那么情况也是如此：你将为问题树中所需回答的问题列出分析列表，而不是去识别对某个假设进行证实或证伪所需的分析项。这两种思路的许多分析方法是相同的，主要的区别在于，问题树更加开放，因此需要进行的分析也更多。

执行分析的步骤

一旦完成了问题的陈述和建构，有了分析计划和工作规划，就到执行分析的时刻了。数据处理（以及其他形式的分析）在此正式启动。你的解决方案的水平，只能和分析的水平保持一致。如果分析存在缺陷，就算问题陈述再精细，问题建构再巧妙，也得不出令人满意的解决方案。

在任何领域有过实战经验的分析师都会告诉你，没有万无一失的方法可以避免一切分析错误。就算是非常优秀的分析师，也容易犯一些十分常见的错误。以下是一些有关这些分析错误的注意事项。这些是以我们作为顾问和教授的经验为基础，研究了数千名同事和学生的分析工作，并总结了我们自身的错误之后得出的经验教训。

因为我们只关注分析工作，所以在此假设问题的陈述和建构是正确的。此时，你需要关注的是如何寻找正确的数据，在必要时做出合理的假设，准确地对数据进行分析，并从每个分析中得出正确的结论。下面，让我们按顺序对每一个步骤进行深入探讨。选择正确的数据

优秀的分析始于优秀的数据。

1．拿到正确的数据。我们怎么知道手头的数据是正确的呢？英国广播公司（BBC）蒂姆·哈福德（Tim Harford）一周一期的电视节目《或多或少》（More or Less），每期都会对那些看似可靠的统计数据进行深入分析，挖掘出其中存在的严重误导倾向。

以其中的一期节目为例：2016年英国官方数据表明，英格兰和威尔士警方记录的他杀案件数量增长了21%，达到697起。犯罪率的急剧上升，着实令人不安。

如果你要找的是犯罪统计数据，那么警方的数据是一个很好的起点，这样的假设似乎不无道理，但放在这里则不然。这里他杀案件中的大部分（80%）的增长是由单一事件造成的，如1989年希尔斯堡足球场灾难——这场灾难共造成了96人死亡。20多年后，这些死亡人数被修改归类为非法杀害。这种情况通常并非人们能想到的杀人案，也不是在2016年发生的。

这类错误在业务分析中很常见。也许你正在寻找某种商品的消费数据（比如白糖），那么你认为，很容易拿到手的生产数据具备足够好的代表性吗？在此请三思。以较长的时间尺度和较大的空间尺度来看，供求可能是平衡的，但如果局限在某个地理区域和某个时间段内考虑，供求关系就不太可能一直保持同步，其中存在着太多的交易和库存变化。还有一个常见的例子，就是假设公司的股价反映了其为股东创造的价值。举例来说，在报告首席执行官的业绩时，观察分析人选择正确的数据

优秀的分析始于优秀的数据。

1．拿到正确的数据。我们怎么知道手头的数据是正确的呢？英国广播公司（BBC）蒂姆·哈福德（Tim Harford）一周一期的电视节目《或多或少》（More or Less），每期都会对那些看似可靠的统计数据进行深入分析，挖掘出其中存在的严重误导倾向。

以其中的一期节目为例：2016年英国官方数据表明，英格兰和威尔士警方记录的他杀案件数量增长了21%，达到697起。犯罪率的急剧上升，着实令人不安。

如果你要找的是犯罪统计数据，那么警方的数据是一个很好的起点，这样的假设似乎不无道理，但放在这里则不然。这里他杀案件中的大部分（80%）的增长是由单一事件造成的，如1989年希尔斯堡足球场灾难——这场灾难共造成了96人死亡。20多年后，这些死亡人数被修改归类为非法杀害。这种情况通常并非人们能想到的杀人案，也不是在2016年发生的。

这类错误在业务分析中很常见。也许你正在寻找某种商品的消费数据（比如白糖），那么你认为，很容易拿到手的生产数据具备足够好的代表性吗？在此请三思。以较长的时间尺度和较大的空间尺度来看，供求可能是平衡的，但如果局限在某个地理区域和某个时间段内考虑，供求关系就不太可能一直保持同步，其中存在着太多的交易和库存变化。还有一个常见的例子，就是假设公司的股价反映了其为股东创造的价值。举例来说，在报告首席执行官的业绩时，观察分析人士通常会对首席执行官上任后股价的变化发表评论。但是，这是一种过于简单化的分析方法。对股东总回报（TSR）的分析，必须考虑到股息、股票回购和股票分割。

2．调整时间序列的正确区间。以失业数据、新车销售量或房价为例，所有这些类型的数据都是按时间序列排列的。通常，你会想要拿到最新的数据，或者尽可能接近于当前的时间点。但是，时间序列应该在什么时候开始，什么时候结束呢？你的这个选择可能会改变你得出的结论。

以杰夫·伊梅尔特（Jeffrey Immelt）为例，他于2001年9月7日正式执掌通用电气公司，并于2017年10月2日辞去首席执行官一职。在这两个时间点之间，通用电气的股价下跌了39%。单凭这一点来看，伊梅尔特长达16年的任期对通用电气的股东来说似乎是一场不折不扣的灾难。然而，2001年9月11日（凶残的恐怖分子袭击美国世贸中心和五角大楼的那一天）之前的那个周五，对于在一家美国大型公司上任的“新官”来说，可真算不上是个吉日。在伊梅尔特初任首席执行官的头两个星期，通用电气的股票价格暴跌了四分之一。而人们并不能将股价的下跌归咎于伊梅尔特的上任。如果你从那个低点看起，一直看到伊梅尔特掌管通用电气的最后一年——2016年底的变化，那么通用电气的股价上涨了4.1%。如果你将这个数字与标准普尔500指数在同一时间段的表现进行比较，就会发现这样的表现虽然算不上有多牛，却讲述了一个截然不同的故事。仅仅几天之差，就意味着两个不同版本的故事。并非所有的情况都如此极端，但如果你不假思索地选择一个最容易获得的时间段，那注定会是一个错误的时间段。士通常会对首席执行官上任后股价的变化发表评论。但是，这是一种过于简单化的分析方法。对股东总回报（TSR）的分析，必须考虑到股息、股票回购和股票分割。

2．调整时间序列的正确区间。以失业数据、新车销售量或房价为例，所有这些类型的数据都是按时间序列排列的。通常，你会想要拿到最新的数据，或者尽可能接近于当前的时间点。但是，时间序列应该在什么时候开始，什么时候结束呢？你的这个选择可能会改变你得出的结论。

以杰夫·伊梅尔特（Jeffrey Immelt）为例，他于2001年9月7日正式执掌通用电气公司，并于2017年10月2日辞去首席执行官一职。在这两个时间点之间，通用电气的股价下跌了39%。单凭这一点来看，伊梅尔特长达16年的任期对通用电气的股东来说似乎是一场不折不扣的灾难。然而，2001年9月11日（凶残的恐怖分子袭击美国世贸中心和五角大楼的那一天）之前的那个周五，对于在一家美国大型公司上任的“新官”来说，可真算不上是个吉日。在伊梅尔特初任首席执行官的头两个星期，通用电气的股票价格暴跌了四分之一。而人们并不能将股价的下跌归咎于伊梅尔特的上任。如果你从那个低点看起，一直看到伊梅尔特掌管通用电气的最后一年——2016年底的变化，那么通用电气的股价上涨了4.1%。如果你将这个数字与标准普尔500指数在同一时间段的表现进行比较，就会发现这样的表现虽然算不上有多牛，却讲述了一个截然不同的故事。仅仅几天之差，就意味着两个不同版本的故事。并非所有的情况都如此极端，但如果你不假思索地选择一个最容易获得的时间段，那注定会是一个错误的时间段。