编辑导语：问题拆解是产品规划的工作之一，在拆解的过程中，会出现“颗粒度”和“优先级”这两个问题。本文作者根据自身经验和总结思考，向读者介绍了“问题拆解中的问题”，推荐感兴趣的朋友们阅读。

挖掘问题本质是一个非常难的事情，现在所有人几乎都知道“更快的马”这个梗了，可以抽象出“更便捷地从A地到B地”这一本质问题。但却很少有人讨论，为何是这一个问题点，而非其他点。

做产品规划时所做的工作之一是问题的拆解，但拆解的过程中，可能会有这两个问题：

1）颗粒度：为什么抽象出的本质问题是这一颗粒度的，能否更聚焦一些？或者更抽象一些？

2）优先级：为什么抽象出的是这一问题？而非其他问题？抽象出的问题哪个更优先，能否量化评估？

先说回答思路（思路来源见下）：

1. 在抽象or拆解本质问题时，要拆解到什么程度，颗粒度如何？

• 全面性：无论自上而下or自下而上拆解，所拆解的点要尽可能覆盖全面，有足够的代表性。
• 收益ROI：拆解的过程以及最终的问题，需要收益最大化，边际收益达到阈值。
• 场景明晰：所拆解的最底层的点，要具有清晰的动作&目标&场景。

2. 抽象or拆解问题时，为什么选择这一问题，依据（优先级）是什么？

• 相关性：底层问题与目标间的相关性，亦可细拆数据维度&业务维度
• 先验参照：来源于历史数据结论or竞品对比的决策依据。

所经历的面试中，会更侧重考察第2个问题，比如，“为什么为了提升互动，要采用投票这一功能设计？而非其他设计？”、“为什么在模型中，选择的是这几个特征因子？是基于什么做选择的？”回答思路见上，可以把第1个问题的回答思路也结合起来。

为什么会有上面这么一个回答思路？主要是通过借鉴不同领域的知识，对上述两个问题有一定参考；所借鉴其他领域类似的情景以及思路：

一、体验设计——JTBD

JTBD作为一个方法论，遵循发现问题——评估问题——解决问题的基本框架。

JTBD的定义（发现问题）：A JTBD is not a product, service or a specific solutions; it’s the higher purpose for which people use products, services and solutions.

结果期望的定义（评估问题）：Normally various of outcomes come with the JTBD. Give customers more of what they desire, and less or none of what they do not desire

机会点的定义（解决问题）：This technique is to assess the value of your current solutions against those of your competitors, – and relative to an ideal innovation. It helps identify opportunity gaps in the marketplace.

JTBD的步骤：

JTBD：

• Step 1: Identify a focus market
• Step 2: Identify jobs customers are trying to get done & categorize JTBD – 定性
• Step 3: Create a series of job statements
• Step 4: Prioritize the JTBD opportunities – 定量 (Likert Scale， MixDiff)

结果期望：

• Step 5: List the JTBD’s related outcome expectations – 定性
• Step 6: Create outcome statement
• Step 7: Prioritize the outcome expectations – 定量

机会点：

• Step 8: Plot the ideal innovation – 定性
• Step 9: Plot existing solutions (yours and competitors) – 定性
• Step 10: Identify opportunity valuegaps

JTBD作为一个方法论，重要的部分在于任务&目的的陈述上，即抽象出来的因子。一个任务（背景）的陈述，需包含：

1. 行为动作
2. 动作指向的抽象目标
3. 明晰的情境

一个期望结果（目的）的陈述，包含：

1. 行为的倾向
2. 可量化的指标
3. 被影响的点
4. 情境

回到开头的两个问题：

1. 抽象问题的颗粒度
2. 问题的优先级

1）颗粒度：方法中并未提到，仅有“higher purpose”这一描述表明尽可能抽象。jobs（需求）拆解的维度主要有两个，一个是功能维度，一个是情感维度。避免陷入非常抽象的需求定义，并为类似“让我更成功”的问题提出解决方案——需要定义用户正在以功能方式完成的jobs。

情感是非常有价值的，但是不能作为最主要的产品设计核心。例如你正在参加音乐会或者party，希望能够被朋友感知并被视为成功的，这是我们可以设计产品的。但如果说“设计一个产品，让某人感到成功”这句话缺乏情境，没有与之相关联的功能，这是我们需要避免的。

2）优先级：Likert Scale + MixDiff；Likert Scale 是基本常识；MixDiff定义可见https://www.questionpro.com/max-diff/；但文中并未指出基于哪些特征进行筛选。

二、统计学：k-means降维

诸多统计模型中，判别模型（直接从特征X出发，推导X与Y的函数关系）对于数据处理的思路就值得借鉴。将诸多数据抽象为函数关系，与将现象抽象为本质问题的思路解法是有相通之处的。

在k-means聚类中，通过卡特尔碎石检验，观测不同聚类个数下组内平方总和的下降趋势，来选择聚类的个数。简单来说，就是抽象出的特征，多大程度上反映总体数据。如果继续抽象多的特征，对总体的表征没有显著提升的话，也没必要继续抽象了。

另一种选择特征个数的思路是基于众多评判指标的推荐选择（R—NBCluster包），是一种投票的思路逻辑。

1）颗粒度：聚类个数取决于累计方差贡献率的提升速率。是求斜率（求导）的逻辑思路。

2）优先级：提取的公因子基于对总体的累计方差贡献率，是相关的逻辑思路。

本文由 @斯金纳的咕 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Pixabay，基于 CC0 协议