把矩阵思维学透学精了，才能更好地决策

共计 3262 个字符，预计需要花费 9 分钟才能阅读完成。

每天忙碌的10几个小时里，要说听到最多的词汇，“矩阵”肯定名列前茅！

• 早上刚坐在电脑前，老板就问咱们的“产品矩阵”都梳理完了吗？
• 我回应着，都做好了，不仅产品矩阵做好了，还用“安索夫矩阵”把产品营销战略都做好了。
• 中午吃饭时，大家又在津津有味地讨论完美日记和高途的“自媒体和公众号矩阵”。
• 下午又收到培训公司的意见，建议打造“课程矩阵”和“书籍矩阵”。
• 晚上下班的时候，老板又对大家说，把本周的事项按照优先级和重要性画个“优先级矩阵”发给我。
• 晚上回家的时候，发现今天团队的沟通效率很低，开始找资料学习，然后“乔哈里视窗”就映入眼帘，仔细一思考，发现又是个矩阵。
• 睡觉前，开始阅读博弈论，又看到“囚徒困境”，发现还是一个矩阵游戏。

矩阵已经不是数据分析的必备武器了，我们工作生活中几乎所有的分析思考都离不开矩阵思维。

而所谓的二维矩阵，就是用一个指标或要素代表横轴，用另一个指标或要素代表纵轴，将每条坐标轴根据一定的标准一分为二（也可能是三、四等其他），就可以将我们研究的事物划分为若干种类型。如果一分为二就是4种类型，如果一分为三，就是9种类型。

从中我们可以看出，二维矩阵是根据两个指标或要素去进行分类的，它是一种分类思维，更是一种决策思维，分类的目的是为了更好地做出决策和采取行动。

矩阵各种各样，在日常生活中你会发现“二维四象限矩阵”最受欢迎，使用最为广泛，why？

为什么二维的矩阵被广泛重视和使用？而不是一维的或高维的？

1. 一维过于单一

一维矩阵就是直线思维，它的主要特点是以线性和单向性为基础，考虑问题太简单，评价问题过于单一，忽视了问题本身的多重维度和复杂性。

而我们的商业社会和企业经营是很复杂的，一个问题的产生往往受多种因素影响，如果使用直线思维，做出的决策往往是错误和片面的。

2. 三维可能遭遇“不可能三角”

不可能三角，起源于金融学理论“蒙代尔不可能三角”，是指一个国家的货币不可能同时实现资本自由流动、固定汇率、货币政策独立三个目标。

这个理解起来过于专业了，用日常生活中的现象回答就是：

• 高考填志愿时，如果不是学霸，很难选到城市、学校、专业都非常满意的志愿。
• 毕业选择工作时，普通人很难找到钱多、事少、离家近的工作。
• 选择职位时，很难有位高、权重、责任轻的职位。
• 交付工作时，单独一个人很难在短时间内交付高质和美观的报告。
• 选择爱人时，普通人很难找到有颜值、有钱又专一的人。
• 培养孩子时，大部分的孩子不可能既听话、又机灵、还有出息。
• 投资理财时，普通人很难找到高收益、低风险、高流动的投资项目。

具体来说，不可能三角是从三个维度思考和决策问题。在决策的过程中，往往会发现角上的三个目标不可能同时实现，最多满足其中两个。用中国的古语来说就是“鱼与熊掌不可兼得”。这就意味着，在做决策时，如果我们关注太多的维度和目标，这个想要那个也想要，是很难做出决策的。

为什么三个目标不可能同时实现？因为现实社会中，资源是有限的，而资源有限的情况下，目标往往有互斥性，面临抢占资源的问题。

所以，打破不可能三角的一个常见方式就是舍得放弃一项，在其他两项中寻求平衡，也就是从“二维矩阵”的思维出发思考决策问题，二维矩阵自然就受到关注。

3. 高维计算效率低、可视化不易理解

如果有人一定要说，从三个及以上维度决策问题也是可行的。要注意的是，高维决策你会面临两个问题。

第一，维度越高，意味着数据的特征空间越庞大，数据点之间可能更难区分和理解。同时，高维数据也可能带来计算复杂度增加和维度灾难的问题。

所以，做过数据分析的同学都知道，在数据分析和机器学习中，高维数据常常需要降维，用来减少数据的维度并提取出关键特征，主要是为了帮助我们简化问题、提高计算效率和可视化分析。

第二，二维的可视化数据图几乎90%的人都可以理解。但当我们看三维以上的立体图时，能理解的人就大大减少，理解的难度倍增。比如，RFM模型可视化后的效果，理解起来甚至都不如单纯的表格直观。

RFM模型主要用于对用户进行分层，其分层和价值衡量的依据就是3个指标：R（Recently）、F（Frequency）和M（Monetary），分别为R、F和M三个指标设定一个阈值，高于阈值的设置为1，低于阈值的设置为0。这样用户就可以被划分为2³=8个群体。

• 著名心理学家米勒在《奇妙的数字7±2》中提出数字7这个概念，他认为大脑的短期记忆无法一次容纳7个以上的记忆项目。有的人可能一次能记住9个项目，而有的人只能记住5个。
• 大脑比较容易记住的是3个项目，当大脑发现需要处理的项目超过4个或5个时，就会开始将其归类到不同的逻辑范畴中，以便记忆。

所以，四象限矩阵因为简洁、便于理解和记忆，而受到追捧，被广泛传播和使用。

不管是业内著名的BCG矩阵本身，还是由其改编的其他矩阵，其使用方法和流程是一样的。一般都要经历4个步骤。

1. 明确分析的对象和目的

明确分析的目的是制定产品策略、业务开发策略、用户策略还是商品策略。

2. 设置合适的评价指标

比如BCG矩阵采用“市场占有率”和“销售增长率”两个指标评价产品。在进行用户、商品等的评价时，这两个指标就不太适用了，需要设置其他更贴合实际业务情况的指标。

3. 确定指标的标准线

横纵坐标轴上均有一条标准线，将每个轴划分为高、低两个区域。这个标准线其实是没有统一标准的，需要根据实际情况自己设定，这也是矩阵容易受到挑战和质疑的点。

4. 针对对不同象限的组合制定不同的策略

以某某外卖平台的真实业务场景为例，它需要对某个城市5000多个外卖品牌商家进行费率和补贴策略调整，如何制定策略？

首先确定“成长性”和“盈利性”两个指标作为评价5000多个外卖商户的标准。分别将“盈利性”和“成长性”设置为横坐标轴和纵坐标轴，将5000多个品牌商户分为4种类型。

• 明星品牌商家：具备高成长性和高盈利性。外卖平台应采取“扩张”的策略：给他们降费率，提补贴，同时进行流量的扶持。
• 现金牛品牌商家：成长性较低，盈利性较高。外卖平台应采取“造血”的策略：在费率、补贴和流量上和竞品对齐即可，让他们持续为平台造血。
• 潜力品牌商家：具备高成长性和低盈利性。外卖平台应采取“培育”策略：降低费率，提升补贴，同时进行流量扶持。
• 瘦狗品牌商家：具备较低的成长性和较低的盈利性。外卖平台应采取“收割”的策略：费率保持不变，降低补贴，限制流量。

矩阵思维有3个薄弱点，使用时要注意避免被攻击。

1. 按什么标准一分为二的？为什么这样分？

纵轴和纵轴按照什么样的标准线一分为二？如何设置这个标准线呢？目前主要有4种方法。

• 目标值作为标准线，仅针对设有目标的指标。
• 行业的平均值作为标准线，比如销售增长率取行业平均值。
• 内部指标的加权平均值作为标准线，比如各产品市场份额的加权平均值。
• 盈亏平衡点作为标准线。

2. 四象限分类之后如何“抽象化”？

按照某个标准分为四类之后，每个分类如何命名，其实是一个对分类结果“抽象化“的过程。比如，BCG矩阵就很好地将不同类型产品抽象为明星、现金牛、问题和瘦狗产品。这个抽象以类比的方式既体现了产品特征，又易于记忆，还能给人留下深刻印象。而大部分人在分类之后，抽象出来的概念难以理解，风马牛不相及，很容易被别人挑战和攻击。

3. 不同象限的策略如何“具体化”？

通过上文外卖平台的案例，你会发现，四个象限的策略很笼统，很概念化。外卖平台要提费率、提补贴，具体提多少值，如何做，还需要进一步地细化和具体化，才能真正将策略落地。

文章来源：网络