㈠ 大数据三大核心技术：拿数据、算数据、卖数据！
大数据的由来
对于“大数据”（Big data）研究机构Gartner给出了这样的定义。“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。
1
麦肯锡全球研究所给出的定义是：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。
大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。
从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。
大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理（MPP）数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
最小的基本单位是bit，按顺序给出所有单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。
大数据的应用领域
大数据无处不在，大数据应用于各个行业，包括金融、 汽车 、餐饮、电信、能源、体能和 娱乐 等在内的 社会 各行各业都已经融入了大数据的印迹。
制造业，利用工业大数据提升制造业水平，包括产品故障诊断与预测、分析工艺流程、改进生产工艺，优化生产过程能耗、工业供应链分析与优化、生产计划与排程。
金融行业，大数据在高频交易、社交情绪分析和信贷风险分析三大金融创新领域发挥重大作用。
汽车 行业，利用大数据和物联网技术的无人驾驶 汽车 ，在不远的未来将走入我们的日常生活。
互联网行业，借助于大数据技术，可以分析客户行为，进行商品推荐和针对性广告投放。
电信行业，利用大数据技术实现客户离网分析，及时掌握客户离网倾向，出台客户挽留措施。
能源行业，随着智能电网的发展，电力公司可以掌握海量的用户用电信息，利用大数据技术分析用户用电模式，可以改进电网运行，合理设计电力需求响应系统，确保电网运行安全。
物流行业，利用大数据优化物流网络，提高物流效率，降低物流成本。
城市管理，可以利用大数据实现智能交通、环保监测、城市规划和智能安防。
体育 娱乐 ，大数据可以帮助我们训练球队，决定投拍哪种 题财的 影视作品，以及预测比赛结果。
安全领域，政府可以利用大数据技术构建起强大的国家安全保障体系，企业可以利用大数据抵御网络攻击，警察可以借助大数据来预防犯罪。
个人生活， 大数据还可以应用于个人生活，利用与每个人相关联的“个人大数据”，分析个人生活行为习惯，为其提供更加周到的个性化服务。
大数据的价值，远远不止于此，大数据对各行各业的渗透，大大推动了 社会 生产和生活，未来必将产生重大而深远的影响。
大数据方面核心技术有哪些？
大数据技术的体系庞大且复杂，基础的技术包含数据的采集、数据预处理、分布式存储、Nosql数据库、数据仓库、机器学习、并行计算、可视化等各种技术范畴和不同的技术层面。首先给出一个通用化的大数据处理框架，主要分为下面几个方面：数据采集与预处理、数据存储、数据清洗、数据查询分析和数据可视化。
数据采集与预处理
对于各种来源的数据，包括移动互联网数据、社交网络的数据等，这些结构化和非结构化的海量数据是零散的，也就是所谓的数据孤岛，此时的这些数据并没有什么意义，数据采集就是将这些数据写入数据仓库中，把零散的数据整合在一起，对这些数据综合起来进行分析。数据采集包括文件日志的采集、数据库日志的采集、关系型数据库的接入和应用程序的接入等。在数据量比较小的时候，可以写个定时的脚本将日志写入存储系统，但随着数据量的增长，这些方法无法提供数据安全保障，并且运维困难，需要更强壮的解决方案。
Flume NG
Flume NG作为实时日志收集系统，支持在日志系统中定制各类数据发送方，用于收集数据，同时，对数据进行简单处理，并写到各种数据接收方(比如文本，HDFS，Hbase等)。Flume NG采用的是三层架构：Agent层，Collector层和Store层，每一层均可水平拓展。其中Agent包含Source，Channel和 Sink，source用来消费(收集)数据源到channel组件中，channel作为中间临时存储，保存所有source的组件信息，sink从channel中读取数据，读取成功之后会删除channel中的信息。
NDC
Logstash
Logstash是开源的服务器端数据处理管道，能够同时从多个来源采集数据、转换数据，然后将数据发送到您最喜欢的 “存储库” 中。一般常用的存储库是Elasticsearch。Logstash 支持各种输入选择，可以在同一时间从众多常用的数据来源捕捉事件，能够以连续的流式传输方式，轻松地从您的日志、指标、Web 应用、数据存储以及各种 AWS 服务采集数据。
Sqoop
Sqoop，用来将关系型数据库和Hadoop中的数据进行相互转移的工具，可以将一个关系型数据库(例如Mysql、Oracle)中的数据导入到Hadoop(例如HDFS、Hive、Hbase)中，也可以将Hadoop(例如HDFS、Hive、Hbase)中的数据导入到关系型数据库(例如Mysql、Oracle)中。Sqoop 启用了一个 MapRece 作业(极其容错的分布式并行计算)来执行任务。Sqoop 的另一大优势是其传输大量结构化或半结构化数据的过程是完全自动化的。
流式计算
流式计算是行业研究的一个热点，流式计算对多个高吞吐量的数据源进行实时的清洗、聚合和分析，可以对存在于社交网站、新闻等的数据信息流进行快速的处理并反馈，目前大数据流分析工具有很多，比如开源的strom，spark streaming等。
Strom集群结构是有一个主节点(nimbus)和多个工作节点(supervisor)组成的主从结构，主节点通过配置静态指定或者在运行时动态选举，nimbus与supervisor都是Storm提供的后台守护进程，之间的通信是结合Zookeeper的状态变更通知和监控通知来处理。nimbus进程的主要职责是管理、协调和监控集群上运行的topology(包括topology的发布、任务指派、事件处理时重新指派任务等)。supervisor进程等待nimbus分配任务后生成并监控worker(jvm进程)执行任务。supervisor与worker运行在不同的jvm上，如果由supervisor启动的某个worker因为错误异常退出(或被kill掉)，supervisor会尝试重新生成新的worker进程。
Zookeeper
Zookeeper是一个分布式的，开放源码的分布式应用程序协调服务，提供数据同步服务。它的作用主要有配置管理、名字服务、分布式锁和集群管理。配置管理指的是在一个地方修改了配置，那么对这个地方的配置感兴趣的所有的都可以获得变更，省去了手动拷贝配置的繁琐，还很好的保证了数据的可靠和一致性，同时它可以通过名字来获取资源或者服务的地址等信息，可以监控集群中机器的变化，实现了类似于心跳机制的功能。
数据存储
Hadoop作为一个开源的框架，专为离线和大规模数据分析而设计，HDFS作为其核心的存储引擎，已被广泛用于数据存储。
HBase
HBase，是一个分布式的、面向列的开源数据库，可以认为是hdfs的封装，本质是数据存储、NoSQL数据库。HBase是一种Key/Value系统，部署在hdfs上，克服了hdfs在随机读写这个方面的缺点，与hadoop一样，Hbase目标主要依靠横向扩展，通过不断增加廉价的商用服务器，来增加计算和存储能力。
Phoenix
Phoenix，相当于一个Java中间件，帮助开发工程师能够像使用JDBC访问关系型数据库一样访问NoSQL数据库HBase。
Yarn
Yarn是一种Hadoop资源管理器，可为上层应用提供统一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。Yarn由下面的几大组件构成：一个全局的资源管理器ResourceManager、ResourceManager的每个节点代理NodeManager、表示每个应用的Application以及每一个ApplicationMaster拥有多个Container在NodeManager上运行。
Mesos
Mesos是一款开源的集群管理软件，支持Hadoop、ElasticSearch、Spark、Storm 和Kafka等应用架构。
Redis
Redis是一种速度非常快的非关系数据库，可以存储键与5种不同类型的值之间的映射，可以将存储在内存的键值对数据持久化到硬盘中，使用复制特性来扩展性能，还可以使用客户端分片来扩展写性能。
Atlas
Atlas是一个位于应用程序与MySQL之间的中间件。在后端DB看来，Atlas相当于连接它的客户端，在前端应用看来，Atlas相当于一个DB。Atlas作为服务端与应用程序通讯，它实现了MySQL的客户端和服务端协议，同时作为客户端与MySQL通讯。它对应用程序屏蔽了DB的细节，同时为了降低MySQL负担，它还维护了连接池。Atlas启动后会创建多个线程，其中一个为主线程，其余为工作线程。主线程负责监听所有的客户端连接请求，工作线程只监听主线程的命令请求。
Ku
Ku是围绕Hadoop生态圈建立的存储引擎，Ku拥有和Hadoop生态圈共同的设计理念，它运行在普通的服务器上、可分布式规模化部署、并且满足工业界的高可用要求。其设计理念为fast analytics on fast data。作为一个开源的存储引擎，可以同时提供低延迟的随机读写和高效的数据分析能力。Ku不但提供了行级的插入、更新、删除API，同时也提供了接近Parquet性能的批量扫描操作。使用同一份存储，既可以进行随机读写，也可以满足数据分析的要求。Ku的应用场景很广泛，比如可以进行实时的数据分析，用于数据可能会存在变化的时序数据应用等。
在数据存储过程中，涉及到的数据表都是成千上百列，包含各种复杂的Query，推荐使用列式存储方法，比如parquent,ORC等对数据进行压缩。Parquet 可以支持灵活的压缩选项，显着减少磁盘上的存储。
数据清洗
MapRece作为Hadoop的查询引擎，用于大规模数据集的并行计算，”Map(映射)”和”Rece(归约)”，是它的主要思想。它极大的方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统中。
随着业务数据量的增多，需要进行训练和清洗的数据会变得越来越复杂，这个时候就需要任务调度系统，比如oozie或者azkaban，对关键任务进行调度和监控。
Oozie
Oozie是用于Hadoop平台的一种工作流调度引擎，提供了RESTful API接口来接受用户的提交请求(提交工作流作业)，当提交了workflow后，由工作流引擎负责workflow的执行以及状态的转换。用户在HDFS上部署好作业(MR作业)，然后向Oozie提交Workflow，Oozie以异步方式将作业(MR作业)提交给Hadoop。这也是为什么当调用Oozie 的RESTful接口提交作业之后能立即返回一个JobId的原因，用户程序不必等待作业执行完成(因为有些大作业可能会执行很久(几个小时甚至几天))。Oozie在后台以异步方式，再将workflow对应的Action提交给hadoop执行。
Azkaban
Azkaban也是一种工作流的控制引擎，可以用来解决有多个hadoop或者spark等离线计算任务之间的依赖关系问题。azkaban主要是由三部分构成：Relational Database，Azkaban Web Server和Azkaban Executor Server。azkaban将大多数的状态信息都保存在MySQL中，Azkaban Web Server提供了Web UI，是azkaban主要的管理者，包括project的管理、认证、调度以及对工作流执行过程中的监控等;Azkaban Executor Server用来调度工作流和任务，记录工作流或者任务的日志。
流计算任务的处理平台Sloth，是网易首个自研流计算平台，旨在解决公司内各产品日益增长的流计算需求。作为一个计算服务平台，其特点是易用、实时、可靠，为用户节省技术方面(开发、运维)的投入，帮助用户专注于解决产品本身的流计算需求
数据查询分析
Hive
Hive的核心工作就是把SQL语句翻译成MR程序，可以将结构化的数据映射为一张数据库表，并提供 HQL(Hive SQL)查询功能。Hive本身不存储和计算数据，它完全依赖于HDFS和MapRece。可以将Hive理解为一个客户端工具，将SQL操作转换为相应的MapRece jobs，然后在hadoop上面运行。Hive支持标准的SQL语法，免去了用户编写MapRece程序的过程，它的出现可以让那些精通SQL技能、但是不熟悉MapRece 、编程能力较弱与不擅长Java语言的用户能够在HDFS大规模数据集上很方便地利用SQL 语言查询、汇总、分析数据。
Hive是为大数据批量处理而生的，Hive的出现解决了传统的关系型数据库(MySql、Oracle)在大数据处理上的瓶颈 。Hive 将执行计划分成map->shuffle->rece->map->shuffle->rece…的模型。如果一个Query会被编译成多轮MapRece，则会有更多的写中间结果。由于MapRece执行框架本身的特点，过多的中间过程会增加整个Query的执行时间。在Hive的运行过程中，用户只需要创建表，导入数据，编写SQL分析语句即可。剩下的过程由Hive框架自动的完成。
Impala
Impala是对Hive的一个补充，可以实现高效的SQL查询。使用Impala来实现SQL on Hadoop，用来进行大数据实时查询分析。通过熟悉的传统关系型数据库的SQL风格来操作大数据，同时数据也是可以存储到HDFS和HBase中的。Impala没有再使用缓慢的Hive+MapRece批处理，而是通过使用与商用并行关系数据库中类似的分布式查询引擎(由Query Planner、Query Coordinator和Query Exec Engine三部分组成)，可以直接从HDFS或HBase中用SELECT、JOIN和统计函数查询数据，从而大大降低了延迟。Impala将整个查询分成一执行计划树，而不是一连串的MapRece任务，相比Hive没了MapRece启动时间。
Hive 适合于长时间的批处理查询分析，而Impala适合于实时交互式SQL查询，Impala给数据人员提供了快速实验，验证想法的大数据分析工具，可以先使用Hive进行数据转换处理，之后使用Impala在Hive处理好后的数据集上进行快速的数据分析。总的来说：Impala把执行计划表现为一棵完整的执行计划树，可以更自然地分发执行计划到各个Impalad执行查询，而不用像Hive那样把它组合成管道型的map->rece模式，以此保证Impala有更好的并发性和避免不必要的中间sort与shuffle。但是Impala不支持UDF，能处理的问题有一定的限制。
Spark
Spark拥有Hadoop MapRece所具有的特点，它将Job中间输出结果保存在内存中，从而不需要读取HDFS。Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。
Nutch
Nutch 是一个开源Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具，包括全文搜索和Web爬虫。
Solr
Solr用Java编写、运行在Servlet容器(如Apache Tomcat或Jetty)的一个独立的企业级搜索应用的全文搜索服务器。它对外提供类似于Web-service的API接口，用户可以通过http请求，向搜索引擎服务器提交一定格式的XML文件，生成索引;也可以通过Http Get操作提出查找请求，并得到XML格式的返回结果。
Elasticsearch
Elasticsearch是一个开源的全文搜索引擎，基于Lucene的搜索服务器，可以快速的储存、搜索和分析海量的数据。设计用于云计算中，能够达到实时搜索，稳定，可靠，快速，安装使用方便。
还涉及到一些机器学习语言，比如，Mahout主要目标是创建一些可伸缩的机器学习算法，供开发人员在Apache的许可下免费使用;深度学习框架Caffe以及使用数据流图进行数值计算的开源软件库TensorFlow等，常用的机器学习算法比如，贝叶斯、逻辑回归、决策树、神经网络、协同过滤等。
数据可视化
对接一些BI平台，将分析得到的数据进行可视化，用于指导决策服务。主流的BI平台比如，国外的敏捷BI Tableau、Qlikview、PowrerBI等，国内的SmallBI和新兴的网易有数等。
在上面的每一个阶段，保障数据的安全是不可忽视的问题。
基于网络身份认证的协议Kerberos，用来在非安全网络中，对个人通信以安全的手段进行身份认证，它允许某实体在非安全网络环境下通信，向另一个实体以一种安全的方式证明自己的身份。
控制权限的ranger是一个Hadoop集群权限框架，提供操作、监控、管理复杂的数据权限，它提供一个集中的管理机制，管理基于yarn的Hadoop生态圈的所有数据权限。可以对Hadoop生态的组件如Hive，Hbase进行细粒度的数据访问控制。通过操作Ranger控制台，管理员可以轻松的通过配置策略来控制用户访问HDFS文件夹、HDFS文件、数据库、表、字段权限。这些策略可以为不同的用户和组来设置，同时权限可与hadoop无缝对接。
简单说有三大核心技术：拿数据，算数据，卖数据。
㈡ 麦肯锡问题分析与解决技巧
尽管问题的重要性和紧急性（决定问题优先级的两个标准）有所不同，但都不能搁置不管，需要解决，这是所有问题的共通点。关键在于如何拟定解决策略，并将其付诸实践。
解决”意味着，一旦做出决定就难以撤回
作者认为，问题的本质在于期望与现状之间的落差
恢复原状型”，“防范潜在型”，“追求理想型”。
恢复原状型即现在与过去的状态之间出现了落差，而原本的状况是你期待的情形，因此需要恢复原状
防范潜在型是相对于显在型问题而言的，是指现阶段尚未产生损害，但未来可能显在化的问题
追求理想型问题发生的原因在于现状没有满足期待的状况。
虽然对问题进行了细分，但并不是说给某一问题定性之后就不会发生改变，问题是可能转换的。
课题一：分析原因
“分析”是指针对对象的状态和现象，追根究底地进行归类。
事实调查
分析力
课题二：采取应对策略
（一）发现问题，进行分类
（二）分析原因
（三）结果验证
视为原因的因素与结果之间有关联性；
视为原因的因素发生在结果之前；
没有其他干扰因素。
6W：What，Where，Which，When，Who，Why
3H：How，How much，How many
尽管问题的重要性和紧急性（决定问题优先级的两个标准）有所不同，但都不能搁置不管，需要解决，这是所有问题的共通点。关键在于如何拟定解决策略，并将其付诸实践。
“解决”意味着，一旦做出决定就难以撤回。
问题的本质在于期望与现状之间的落差。
根据目的和时间，可将问题分为：恢复原状型、防范潜在型、追求理想型。
恢复原状型问题，是我们工作和日常生活中最常见的问题。其基本课题有两个：分析原因和采取应对策略。
分析原因的方法包括“6W3H”和差异分析。
由下而上是指从目前个别的状况和现象着手，思考可能发生的不良状态。其具体操作步骤如图所示。
由上而下法是指先假设可能会发生的某种不良状态，再思考引发这一状态的诱因
开车最重要的就是安全
诱因分析：下雨天路面油脂浮现；猛踩刹车导致轮胎抱死；猛打方向盘；轮胎过度磨损等。
预防策略：下雨天不开车或者减速行驶；避免猛踩刹车；学会顺畅地打方向盘；驾车前对轮胎进行检查，定期对车和轮胎进行保养。
应对策略：预先进行练习，包括打滑时应该如何使用方向盘、安装安全气囊、购买保险等。
（一）明确理想——进行战略性思考
从价值观出发，定位理想。
另外，理想随价值观、立场、时间点而不同
（二）实现理想——解决规划性课题
设定实现理想的期限。
列出必要条件
学习技术和知识
制订实施计划。
（一）发现问题
必须对事物的变化保持高度的敏感。
积极主动地发现问题
要以开阔的、大格局的视角来掌握事情的全貌，但是最好专注于自己的权责范围，以当事者的身份解决问题
所谓SCQA分析，是通过对当事者的心理及状况的描述，以设问的方式刻画出课题的问题接近法。
（二）确定本质课题
“课题的设定，决定了解答的范围。”
（一）评价替代方案
最好的做法是尽可能多地列出“各种替代方案”（Alternative Solution），一种能够有效且全面网罗替代方案的方法是脑力激荡法（Brainstorming）
（二）制订并执行行动计划
由下而上是指从目前个别的状况和现象着手，思考可能发生的不良状态。由上而下法是指先假设可能会发生的某种不良状态，再思考引发这一状态的诱因。
理想随价值观、立场、时间点而不同。
实现理想的行动计划必须包含以下项目：设定实现理想的期限；列出必要条件；学习技术和知识；制订实施计划。
SCQA分析，是通过对当事者的心理及状况的描述，以设问的方式刻画出课题的问题接近法。
课题的设定，决定了解答的范围。具体课题设定的好坏，将直接影响到问题解决质量的优劣。
一项好的决策，除了能带来期待的结果之外，还必须能预见决策之后可能发生的风险
列出各种风险因素之后，我们还需要绘制“风险矩阵
绘制完成之后，需要思考各因素之间的关系，缩小范围
一项好的决策，除了能带来期待的结果之外，还必须能预见决策之后可能发生的风险。
情境分析认为不可能完美地预测未来，只能以概率表示未来发展的方向。所以过度依赖或者花费过多时间在预测上都非明智之举。
在制作环境脚本时，步骤为：掌握环境因素的结构、掌握各类风险的重要度、制作环境脚本。
制作脚本并非最终目的，而是为了提升解决问题的质量。因此，我们还需要将替代方案套用在环境脚本中，对替代方案做出评价。具体操作是以纵轴为环境脚本、横轴为替代方案，绘制脚本/行动矩阵。
在选择方案时，要遵循以下步骤：剔除超出容许范围的解决策略；思考环境脚本各状况的发生概率；考虑风险和报酬，选择行动。
分析力的基础就在于逻辑思考能力
（一）主张之后，提出论述
逻辑性的基本要求就是主张之后，提出论述
（二）检视自己的逻辑
（三）锲而不舍，反复检验假设
最能够表现分析本质的思想方法是MECE，即相互排他性（Mutually Exclusive）与集合网罗性（Collectively Exhaustive），指拆解后的各个组成部分“不重复、不遗漏”的状态。
一是，帮助理解对象结构的框架
二是，分析流程、帮助理解分析过程的框架。
三是，通过MECE分类后选取两个独立变量作为主轴，构建矩阵来整理事务。
在危机面前保持平常心与我们事先如何看待危机有较大的关系。
一是否定状况。
二是在错误的时机追究责任
三是对状况产生非现实性的评价
肯定相对性愿望的价值
否定绝不退让的价值
承认愿望未达成的可能性
评价愿望未达成的现实面
逻辑性的基本要求就是主张之后，提出论述。
在分析的过程中，我们需要在主张之后，提出论述；检视自己的逻辑；锲而不舍，反复检验假设。
追求逻辑性是永无止境的过程。好的问题解决者需要在有限的时间内找出最佳方案，并且精益求精。
最能够表现分析本质的思想方法是MECE，意味相互排他性与集合网罗性，指拆解后的各个组成部分“不重复、不遗漏”的状态。
失去平常心时，我们容易犯以下错误：否定状况；在错误的时机追究责任；对状况产生非现实性的评价。
良好的思考方式必须建构在以下几个层面上：肯定相对性愿望的价值；否定绝不退让的价值；承认愿望未达成的可能性；评价愿望未达成的现实面。
适用于业务分析的五力
目前的产业竞争
潜在竞争者进入的能力
替代品的替代能力
供应商的讨价还价能力
购买者的讨价还价能力
思考组织战略的7S
经营策略（Strategy
组织结构（Structure
运营系统（System）
经营风格（Style）
职员（Staff）
组织技能（Skill）
共享价值观（Shared value
（四）拟定营销策略的4P
4P包括：产品（Proct）、价格（Price）、促销（Promotion）、渠道（Place）
相对市场占有率高，市场成长率高的明日之星（Star）。虽获利高，但需投入大量资金。
相对市场占有率高，但市场成长率低的摇钱树（Cash Cow）。不必追加大量投资就能获利。
相对市场占有率低，但市场成长率高的问题儿童（Problem Child）。虽目前赤字，但未来较有希望。
相对市场占有率低，市场成长率低的败犬（Dog）。置于矩阵的左下方，可忽略。
№33 构建矩阵的架构（一）
（一）分析事业组合的PPM矩阵
PPM矩阵版本是由波士顿顾问集团开发出来的，是企业用来检讨是否培育、维持、验收或者撤退某项事业的分析工具，也可用于找出最佳事业组合。
该矩阵的横轴为自家公司相对于大竞争对手的市场占有率，纵轴为该项事业中长期的市场成长率的预测值。以“高”“低”两个相对的状态评价脚本驱动程序，可得出四种状态：
相对市场占有率高，市场成长率高的明日之星（Star）。虽获利高，但需投入大量资金。
相对市场占有率高，但市场成长率低的摇钱树（Cash Cow）。不必追加大量投资就能获利。
相对市场占有率低，但市场成长率高的问题儿童（Problem Child）。虽目前赤字，但未来较有希望。
相对市场占有率低，市场成长率低的败犬（Dog）。置于矩阵的左下方，可忽略。
PPM矩阵
在矩阵中绘制出各个事业，就可以根据它所属的位置来确定决策方向。最佳的事业组合应是从摇钱树开始，积攒资金；将资金分配给明日之星和问题儿童，将其培育成摇钱树，同时撤销败犬。
（二）用“产品—市场矩阵”思考成长策略
该矩阵以市场为纵轴，以产品为横轴，以“既有”“新制”区分市场和产品这两个独立变量，得出以下状况：
以既有产品进攻既有市场的市场渗透策略。这是企业成长的根本和第一步，渗透过程中，不可避免会出现效用递减，即付出同样的努力得到的回报减少。
以既有产品进攻新市场的市场开发策略。代表性的做法是扩大产品的销售地域。
以新产品进攻既有市场的产品开发策略。可以通过为顾客提供更加丰富多元的产品，留住顾客。如网上的电子商城，往往不局限于一条产品线。市场开发策略和产品开发策略是企业成长的第二步。
以新产品进攻新市场的多元化战略。如出版集团涉足房地产即为多元化，此时风险相对较大，因为这是全新的领域。挑战与机遇并存，这是企业成长的最后一步。
思考事业战略的3C包括：自家公司分析，竞争对手分析，顾客和市场分析。
五力包括：目前的产业竞争，潜在竞争者进入的能力，替代品的替代能力，供应商的讨价还价能力，购买者的讨价还价能力。
7S包括：经营策略，组织结构，运营系统，经营风格，职员，组织技能，共享价值观。
4P营销策略组合理论包括：产品、价格、促销、渠道。
AIDMA模型显示了顾客从知道产品到进行消费的整个流程：引起注意，引起兴趣，唤起欲望，留下记忆，购买行动。
道歉启事架构的具体流程如下：道歉，说明现状，分析原因，说明应对策略，提出防止复发策略，表明责任。
㈢ 麦肯锡《问题分析与解决技巧》读后感
这段时间断断续续地读完了这本书，书中的一些技巧大家都总结地差不多了，而四象限法则其实也不过是老生常谈的东西。我的感悟是人应该集中做那些重要的但是不紧急的事情，大误。而且最好跟那些游戏，电视剧说再见，因为这些东西会无端地耗费你大量的时间，跟现实社会脱节，而这些时间本来可以用来做更加重要的事情的。切记切记。
这两天真的是一天一本书的节奏吖，哈哈~看起书就完全停不下来，且看书速度越来越快啦，即使是这种看起来比较累的书籍！
不说别的，单是麦府的名气，这本书也是值得一看的，至少对于我这个还未深涉职场的小皮皮虾来说，还是有不少干货的可供今后学习的，比如从发现问题到解决问题的5个步骤，以及后面非常重要的MECE原则在各种分析方法中的应用等等。不过每次读日本人的作品，总觉得日式文风比较浓的，嘿嘿~作者举出的案例我觉得还可以再丰富些~还是不喷啦，下面整理一些印象深刻的干货吧：
【从发现问题到想出解决策略】
1、解决问题的基本步骤：
1----发现问题并分类
2----设定具体课题
3----找出替代方案
4----评估替代方案
5----实施解决策略
2、问题（Problem）的本质：期待的状况与现状之间的落差。
课题（Question）：追求答案的提问。
3、问题的3种类型及课题：
恢复原状型：分析原因，采取应对策略；
防范潜在型：主动发掘问题，预防与应对并进；
追求理想型问题：定位理想（最终目标要明确）。
【情景分析，提升决策质量】
1、制作环境脚本3步：
1----掌握环境因素的结构；
2----掌握各类风险的重要度；
3----制作环境脚本。
2、在思考企业经营策略时，最具代表性的定量分析为“净现值NPV”，即有多少赚头。
3、解决策略的选择顺序：
剔除超出容许范围的解决策略；
思考环境脚本各状况的发生几率；
考虑风险和报酬，再选择行动。
【麦肯锡的强项：分析】
1、分析要合乎逻辑：
主张之后提出论述+见识主张和论述有没有正确地联结+锲而不舍、反复检验假设。
2、MECE原则：Mutually Exclusive, Collectively Exhaustive, 相互排他性与集合网罗性，拆解后的各个组分“不重复、不遗漏”的状态；
3、MECE的3种架构：
（1）有助于结构性理解的MECE架构：
思考事业战略的“3C”
适用于业务分析的“五力”
思考组织策略的“7S”
拟定营销策略的“4P”
分析推广策略的“促销组合”
（2）分析流程的MECE性架构：
显示企业机能流程的“商业系统”
归纳消费决策流程的“AIDMA”模型
保全品牌名声的“道歉启事”架构
（3）以MECE独立变量为轴所组成的“矩阵”：
思考事业组合的“PPM矩阵”
思考成长策略的“产品-市场矩阵”
检讨企业并购的“企业价值创造矩阵”
协助职业生涯规划的“职业生涯矩阵”
4、分析架构是手段不是目的，明确每一种架构的定位到底是什么
5、解决问题的心理素质：
（1）问题发生时，人常犯3种错：否定状况、在错误的时机追究责任、对状况产生非现实性的评价；
（2）除了学习解决问题的技巧之外，最重要的训练是如何保持平常心。
㈣ 管理学中哪些工具
SWOT分析模型...
SCOR模型...
SFO模型...
SCP分析模型(Structure-Conct-Performance Model，结构-行为-绩效模型)
安索夫矩阵...
三维商业定义（Three Dimensional Business Definition）...
ADL矩阵...
安迪•格鲁夫的六力分析模型...
标杆分析...
SERVQUAL模型...
鱼骨图(Cause & Effect/Fishbone Diagram)
头脑风暴法...
PDCA循环...
帕累托法则(Pareto Principle,80/20法则)
SMART原则...
ABC分类法(Activity Based Classification)
KPI(Key Performance Indicator,关键绩效指标)
波特钻石理论模型（Michael Porter diamond Model）...
波特竞争战略轮盘模型...
定向政策矩阵(Directional Policy Matrix，指导性政策矩阵，简称DPM或DP矩阵)
二元核心模式（al-core approach）...
服务金三角(Service Triangle)
福克纳和鲍曼的顾客矩阵...
服务质量(Quality of Service,QoF)
全面质量管理...
朱兰的质量三元论...
DMAIC模型...
六西格玛(Six Sigma)
差距分析（Gap Analysis，又称缺口分析、差异分析）...
CSP模型...
QSPM矩阵...
战略地位与行动评价矩阵(SPACE矩阵)
波士顿矩阵(BCG Matrix)
BCG三四规则矩阵...
波士顿经验曲线（BCG Experience Curve）...
内部因素评价矩阵(Internal Factor Evaluation Matrix，IFE矩阵)
外部因素评价矩阵(EFE矩阵)
内部-外部矩阵(Internal-External Matrix,IE矩阵)
大战略矩阵(Grand Strategy Matrix)
变革五因素...
策略方格模型（Strategic Grid Model）...
波特行业竞争结构分析模型...
多点竞争战略...
杜邦分析法（DuPont Analysis）...
GE矩阵(GE Matrix/Mckinsey Matrix)
盖洛普路径(The Gallup Path)
竞争资源四层次模型...
价值链信息化管理...
竞争优势因果关系模式...
竞争对手分析工具（Competitor Analysis）...
完整价值链分析（VCA）的基本原理...
脚本法(Scenarios,Scenario Analysis)
KT决策法(KT Matrix)
扩张方法矩阵...
利益相关者分析(StakeholderAnalysis)
雷达图分析法...
卢因的力场分析法...
六顶思考帽（Six Thinking Hats）...
华信惠悦人力资本指数(HCI,Human Capital Index)
横向价值链分析...
行业内战略集团分析...
基本竞争战略(Generic Competitive Strategies)
竞争战略三角模型(Triangle Model)
价值网模型(value net)
绩效棱柱模型(Performance Prism)
利润库分析法...
核心竞争力分析模型（Core competence analysis）.
麦肯锡7S模型(Mckinsey 7S Model)
麦肯锡三层面理论（Three aspect theories）..
麦肯锡逻辑树分析法...
诺兰的阶段模型...
PEST分析模型（PEST Analysis）...
PESTEL分析模型...
PAEI管理角色模型...
PIMS分析...
佩罗的技术分类...
企业素质与活力分析.
QFD法..
ECR系统(Efficient Consumer Response,有效消费者反应系统)
SECI模型(SECI Model)
过程决策程序图法（PDPC法,Process Decision Program Chart）..
树状图(Tree Diagram or Dedrogram)
关联图法 (Inter-relationship diagraph)
KJ法又称A型图解法、亲和图法（Affinity Diagram..
信息孤岛...
管理信息系统（Management Information System，简称MIS）
价值链管理（Value Chain Management，VCM）.
学习型组织（Learning Organization）..
企业价值关联分析模型...
企业竞争力九力分析模型..
企业战略五要素分析法..
人力资源成熟度模型(People Capability Maturity Model，PCMM）.
人力资源经济分析
RATER指数.
RFM模型...
瑞定的学习模型...
GREP模型..
3C战略三角模型.
汤姆森和斯特克兰方法.
V矩阵.
陀螺理论（Gyroscope Theory）.
SIPOC模型..
战略钟模型
战略地图(Strategy Map)
组织成长阶段模型（Growth_Phases Model）..
战略选择矩阵..
管理要素分析模型..
战略群模型.
综合战略理论.
重要性-迫切性模型（PQM）
知识链模型（Knowledge Chain）
知识价值链模型(Knowledge value chain, KVC)
知识螺旋(Knowledge Spiral)
平衡计分卡(The Balanced ScoreCard，简称BSC）
组织结构模型.
供应链管理(Supply Chain Management ,简称SCM)
波特价值链分析模型(Michael Porter's Value Chain Model)
客户关系管理(Customer Relationship Management,CRM)
PIMS分析（Profit Impact of Market Strategies）.
企业核心能力（Core Capability of Enterprise)
BPR(Business Process Reengineering/Business Process Re-engineering，业务流程重组)
360度薪酬.
目标管理 （mbo）
鱼缸会议..
情形分析图
TDC矩阵（Time Distance Complexity Matrix）... 337
QQTC模型
PARTS战略（Participators、Added values、Rules、Tactics、Scope）
布莱克的管理方格理论（Management Grid Theory）
布雷德福的敏感性训练理论（Sensitivity Training）
情绪ABC理论
期望理论(Expectancy Theory)
“复杂人”假设
赫兹伯格的双因素激励理论.
霍桑效应
奥卡姆剃刀定律（Occam's Razor, Ockham's Razor）
符号互动论（symbolic interactionism.
戈夫曼拟剧论（Goffman's Dramaturgical Theory）
常人方法学（Ethnomethodology）
皮格马利翁效应(Pygmalion Effect)
利克特的支持关系理论（Support Relation Theory）
马斯洛人类需求五层次理论(Maslow's Hierarchy of Needs)
X理论和Y理论(Theory X and Theory Y)
理性选择理论（Rational Choice Theory）
心理定格（Frames）
团体力学理论.
社会惰化(social loafing)
领导行为连续体理论（Leadership Continuum）
“自我实现人”假设（Self-Actualizing Man）
上面是一些常用的管理工具，希望对您有所帮助！
㈤ 大数据时代发展历程是什么
大数据技术发展史：大数据的前世今生
今天我们常说的大数据技术，其实起源于Google在2004年前后发表的三篇论文，也就是我们经常听到的“三驾马车”，分别是分布式文件系统GFS、大数据分布式计算框架MapRece和NoSQL数据库系统BigTable。
你知道，搜索引擎主要就做两件事情，一个是网页抓取，一个是索引构建，而在这个过程中，有大量的数据需要存储和计算。这“三驾马车”其实就是用来解决这个问题的，你从介绍中也能看出来，一个文件系统、一个计算框架、一个数据库系统。
现在你听到分布式、大数据之类的词，肯定一点儿也不陌生。但你要知道，在2004年那会儿，整个互联网还处于懵懂时代，Google发布的论文实在是让业界为之一振，大家恍然大悟，原来还可以这么玩。
因为那个时间段，大多数公司的关注点其实还是聚焦在单机上，在思考如何提升单机的性能，寻找更贵更好的服务器。而Google的思路是部署一个大规模的服务器集群，通过分布式的方式将海量数据存储在这个集群上，然后利用集群上的所有机器进行数据计算。 这样，Google其实不需要买很多很贵的服务器，它只要把这些普通的机器组织到一起，就非常厉害了。
当时的天才程序员，也是Lucene开源项目的创始人Doug Cutting正在开发开源搜索引擎Nutch，阅读了Google的论文后，他非常兴奋，紧接着就根据论文原理初步实现了类似GFS和MapRece的功能。
两年后的2006年，Doug Cutting将这些大数据相关的功能从Nutch中分离了出来，然后启动了一个独立的项目专门开发维护大数据技术，这就是后来赫赫有名的Hadoop，主要包括Hadoop分布式文件系统HDFS和大数据计算引擎MapRece。
当我们回顾软件开发的历史，包括我们自己开发的软件，你会发现，有的软件在开发出来以后无人问津或者寥寥数人使用，这样的软件其实在所有开发出来的软件中占大多数。而有的软件则可能会开创一个行业，每年创造数百亿美元的价值，创造百万计的就业岗位，这些软件曾经是Windows、Linux、Java，而现在这个名单要加上Hadoop的名字。
如果有时间，你可以简单浏览下Hadoop的代码，这个纯用Java编写的软件其实并没有什么高深的技术难点，使用的也都是一些最基础的编程技巧，也没有什么出奇之处，但是它却给社会带来巨大的影响，甚至带动一场深刻的科技革命，推动了人工智能的发展与进步。
我觉得，我们在做软件开发的时候，也可以多思考一下，我们所开发软件的价值点在哪里？真正需要使用软件实现价值的地方在哪里？你应该关注业务、理解业务，有价值导向，用自己的技术为公司创造真正的价值，进而实现自己的人生价值。而不是整天埋头在需求说明文档里，做一个没有思考的代码机器人。
Hadoop发布之后，Yahoo很快就用了起来。大概又过了一年到了2007年，网络和阿里巴巴也开始使用Hadoop进行大数据存储与计算。
2008年，Hadoop正式成为Apache的顶级项目，后来Doug Cutting本人也成为了Apache基金会的主席。自此，Hadoop作为软件开发领域的一颗明星冉冉升起。
同年，专门运营Hadoop的商业公司Cloudera成立，Hadoop得到进一步的商业支持。
这个时候，Yahoo的一些人觉得用MapRece进行大数据编程太麻烦了，于是便开发了Pig。Pig是一种脚本语言，使用类SQL的语法，开发者可以用Pig脚本描述要对大数据集上进行的操作，Pig经过编译后会生成MapRece程序，然后在Hadoop上运行。
编写Pig脚本虽然比直接MapRece编程容易，但是依然需要学习新的脚本语法。于是Facebook又发布了Hive。Hive支持使用SQL语法来进行大数据计算，比如说你可以写个Select语句进行数据查询，然后Hive会把SQL语句转化成MapRece的计算程序。
这样，熟悉数据库的数据分析师和工程师便可以无门槛地使用大数据进行数据分析和处理了。Hive出现后极大程度地降低了Hadoop的使用难度，迅速得到开发者和企业的追捧。据说，2011年的时候，Facebook大数据平台上运行的作业90%都来源于Hive。
随后，众多Hadoop周边产品开始出现，大数据生态体系逐渐形成，其中包括：专门将关系数据库中的数据导入导出到Hadoop平台的Sqoop；针对大规模日志进行分布式收集、聚合和传输的Flume；MapRece工作流调度引擎Oozie等。
在Hadoop早期，MapRece既是一个执行引擎，又是一个资源调度框架，服务器集群的资源调度管理由MapRece自己完成。但是这样不利于资源复用，也使得MapRece非常臃肿。于是一个新项目启动了，将MapRece执行引擎和资源调度分离开来，这就是Yarn。2012年，Yarn成为一个独立的项目开始运营，随后被各类大数据产品支持，成为大数据平台上最主流的资源调度系统。
同样是在2012年，UC伯克利AMP实验室（Algorithms、Machine和People的缩写）开发的Spark开始崭露头角。当时AMP实验室的马铁博士发现使用MapRece进行机器学习计算的时候性能非常差，因为机器学习算法通常需要进行很多次的迭代计算，而MapRece每执行一次Map和Rece计算都需要重新启动一次作业，带来大量的无谓消耗。还有一点就是MapRece主要使用磁盘作为存储介质，而2012年的时候，内存已经突破容量和成本限制，成为数据运行过程中主要的存储介质。Spark一经推出，立即受到业界的追捧，并逐步替代MapRece在企业应用中的地位。
一般说来，像MapRece、Spark这类计算框架处理的业务场景都被称作批处理计算，因为它们通常针对以“天”为单位产生的数据进行一次计算，然后得到需要的结果，这中间计算需要花费的时间大概是几十分钟甚至更长的时间。因为计算的数据是非在线得到的实时数据，而是历史数据，所以这类计算也被称为大数据离线计算。
而在大数据领域，还有另外一类应用场景，它们需要对实时产生的大量数据进行即时计算，比如对于遍布城市的监控摄像头进行人脸识别和嫌犯追踪。这类计算称为大数据流计算，相应地，有Storm、Flink、Spark Streaming等流计算框架来满足此类大数据应用的场景。 流式计算要处理的数据是实时在线产生的数据，所以这类计算也被称为大数据实时计算。
在典型的大数据的业务场景下，数据业务最通用的做法是，采用批处理的技术处理历史全量数据，采用流式计算处理实时新增数据。而像Flink这样的计算引擎，可以同时支持流式计算和批处理计算。
除了大数据批处理和流处理，NoSQL系统处理的主要也是大规模海量数据的存储与访问，所以也被归为大数据技术。 NoSQL曾经在2011年左右非常火爆，涌现出HBase、Cassandra等许多优秀的产品，其中HBase是从Hadoop中分离出来的、基于HDFS的NoSQL系统。
我们回顾软件发展的历史会发现，差不多类似功能的软件，它们出现的时间都非常接近，比如Linux和Windows都是在90年代初出现，Java开发中的各类MVC框架也基本都是同期出现，Android和iOS也是前脚后脚问世。2011年前后，各种NoSQL数据库也是层出不群，我也是在那个时候参与开发了阿里巴巴自己的NoSQL系统。
事物发展有自己的潮流和规律，当你身处潮流之中的时候，要紧紧抓住潮流的机会，想办法脱颖而出，即使没有成功，也会更加洞悉时代的脉搏，收获珍贵的知识和经验。而如果潮流已经退去，这个时候再去往这个方向上努力，只会收获迷茫与压抑，对时代、对自己都没有什么帮助。
但是时代的浪潮犹如海滩上的浪花，总是一浪接着一浪，只要你站在海边，身处这个行业之中，下一个浪潮很快又会到来。你需要敏感而又深刻地去观察，略去那些浮躁的泡沫，抓住真正潮流的机会，奋力一搏，不管成败，都不会遗憾。
正所谓在历史前进的逻辑中前进，在时代发展的潮流中发展。通俗的说，就是要在风口中飞翔。
上面我讲的这些基本上都可以归类为大数据引擎或者大数据框架。而大数据处理的主要应用场景包括数据分析、数据挖掘与机器学习。数据分析主要使用Hive、Spark SQL等SQL引擎完成；数据挖掘与机器学习则有专门的机器学习框架TensorFlow、Mahout以及MLlib等，内置了主要的机器学习和数据挖掘算法。
此外，大数据要存入分布式文件系统（HDFS），要有序调度MapRece和Spark作业执行，并能把执行结果写入到各个应用系统的数据库中，还需要有一个大数据平台整合所有这些大数据组件和企业应用系统。
图中的所有这些框架、平台以及相关的算法共同构成了大数据的技术体系，我将会在专栏后面逐个分析，帮你能够对大数据技术原理和应用算法构建起完整的知识体系，进可以专职从事大数据开发，退可以在自己的应用开发中更好地和大数据集成，掌控自己的项目。
希望对您有所帮助！~
㈥ RPA是什么技术
RPA被认为是处理重复性、规则性业务的前沿技术。目前RPA广泛应用于政府企业的业务数字化升级，助力政企提质降本增效，但是在不同的行业场景中，RPA的应用形态往往有所差异，以实在智能RPA数字员工为例，已为众多金融、运营商、能源、电商等领域企业和政府提供数字化转型（智能化+自动化）解决方案。大家也可以通过以下文章更好地了解到RPA的真正用处
想知道RPA是干什么的，首先需要对RPA的发展历程有清晰的了解，接下来，我们为大家梳理一下不同阶段的RPA应用的状态。
一、RPA刚出现时：
RPA一词出现在2000年。此时的RPA已经比之前的“类RPA”有所不同，“取其精华，去其槽粕，推陈出新，革故鼎新”可以很好地总结这一阶段的发展情况。
它已经能将人工智能技术和自动化技术有效结合，其中应用最多的还是OCR技术，这让RPA软件不再依赖于代码进行屏幕抓取，而是允许用户以可视化的方式来使用拖放功能，建立流程管理工作流，并且将重复劳动自动化。这种方式降低了用户的使用门槛，无需专业编码知识即可迅速获取数据与搭建流程，也是RPA的价值所在。
但是这个阶段的RPA在落地过程中难以被市场所接受，好比如数字化积累，企业生产力的选择，企业增长桎梏的主要矛盾等等这些因素，还有技术手段无法解决厂家的自动化问题，部分的自动化看起来就像时鸡肋，因为人工成本较低的情况下，往往考虑的是加人数。
二、RPA出现后：
随着RPA开始通过简单的操作系统解决更复杂的任务，并且操作容易上手，越来越多的行业大规模投入使用。例如：BPO（Business process outsourcing ，业务流程外包）。
BPO将RPA视为提升效率和生产力的关键驱动因素。两者相辅相成，借助RPA，BPO以更低成本效益、更快响应能力的优势快速实现办公自动化。同时，RPA也得以在外包领域落地。
接着在2010年后，随着“互联网+”和“智能+”提上发展日程，RPA这项技术在各行各业实现了快速增长，特别是在保险、医疗保健、银行、新零售等行业。
RPA的实施大幅降低了人力成本，提高了生产力，同时减少了错误。
三、2020艾瑞报告一叶知秋-《2020中国RPA报告》
近两年，RPA厂商如雨后春笋般大量涌现，如何在竞争中形成自己的优势？实在智能的做法是：凭借先天AI优势，不断提升AI竞争力的同时，深入更多业务场景，赋予用户实现不同非结构化数据业务场景（如发票提取、语音文本转换等）的自动化，打造最准确、最高效、最懂用户的智能自动化产品，即章鱼数字员工。
实在智能在传统“三件套“架构的基础上，独创了自研AI能力平台“智能云脑”Z-Brain。智能云脑集成了包括Chatbot、数据平台、算法平台等多种AI能力。其中，在自然语言处理领域，Z-Brain覆盖了包括BERT、ALBERT、RoBERTa等最新算法；在计算机视觉领域，Z-Brain覆盖了DB、PMTD、RARE等最新算法。具备自学习、高效迭代、自动调参、多场景融合技术，可以输出AI组件，完成大规模复杂场景的智能决策。
“由上而下的应用策略，说明组织的管理者看到了RPA在发展中起到的关键作用，可有效地通过RPA实现数字化转型；由下而上则说明实际需求是存在的，这两者需求普遍是共同存在的。因此，只有刚需自动化的存在，才会进一步激发RPA市场的发展，并且市场的觉醒速度将越来越快。初期只是在金融、银行等数据量较大的领域率先应用，但随着AI技术不断迭代变得越来越智能，将会在更多的业务场景看到RPA的身影。”
㈦ 信息数据析方法：定量分析、情境分析、3c分析
一，定量分析。尽量分析的工具多种多样，但都源于三个基本点，
①比较：分析的本质就是比较，这是最常见的定量分析方式
②构成：构成就是将事物的整体局部进行比较，比如说市场占有率，成本比率，客户转化率等概念，就属于以上对比构成为核心的定量分析工具。
③变化：变化是指同一事物在时间轴各个位置上呈现的不同的特点。
二、情境分析：情境指的是描写一个环境的故事，该环境中存在有待解决的问题，换句话说，情境就是想象环境的未来蓝图，它能表现出各种关系在未来会发生什么变化，让我们更好地应对无法掌控的因素。麦肯锡的情境分析包括传统的环境预测分析和多脚本的情景分析。情境分析法不能百分之百的预测未来，我们只能参考，而不能过分的依赖，但他可以帮我们提高处置不确定因素的反应速度。
三、3c分析：我们在构建市场战略规划时，可以使用3C分析的模型，3c就是分别指自家公司的分析，竞争对手的分析，市场和客户的分析，这种分析模型可以让我们知己知彼，全面评估自己当前的实力。在解决问题的前半段过程中，麦肯锡专家会先把3c视为个别项目来分析，设置相应的课题。到后半段时再设计一个整合三个项目的一体化解决方案，分解为三个分析角度，最后将其合而为一，就是3c分析的指导思想。
㈧ 系统分析方法的咨询工具
索夫矩阵 案例面试分
析工具/框架 ADL矩阵 安迪·格鲁夫的
六力分析模型 波士顿矩阵 标杆分析法 波特五力分析
模型 波特价值链
分析模型 波士顿经验曲线 波特钻石理论模型 贝恩利润池
分析工具 波特竞争战略
轮盘模型 波特行业竞争结构
分析模型 波特的行业组织
模型 变革五因素 BCG三四规则矩阵 产品/市场演变
矩阵 差距分析 策略资讯系统 策略方格模型 CSP模型 创新动力模型 定量战略计划矩阵 大战略矩阵 多点竞争战略 杜邦分析法 定向政策矩阵 德鲁克七种
革新来源 二元核心模式 服务金三角 福克纳和鲍曼的
顾客矩阵 福克纳和鲍曼的
生产者矩阵 FRICT筹资分析法 GE矩阵 盖洛普路径 公司层战略框架 高级SWOT分析法 股东价值分析 供应和需求模型 关键成功因素
分析法 岗位价值评估 规划企业愿景的
方法论框架 核心竞争力分析
模型 华信惠悦人力
资本指数 核心竞争力识别
工具 环境不确定性分析 行业内的战略群体
分析矩阵 横向价值链分析 行业内战略集团
分析 IT附加价值矩阵 竞争态势矩阵 基本竞争战略 竞争战略三角模型 竞争对手分析论纲 价值网模型 绩效棱柱模型 价格敏感性测试法 竞争对手的成本分析 竞争优势因果关系
模式 竞争对手分析工具 价值链分析方法 脚本法 竞争资源四层次模型 价值链信息化管理 KJ法 卡片式智力激励法 KT决策法 扩张方法矩阵 利益相关者分析 雷达图分析法 卢因的力场分析法 六顶思考帽 利润库分析法 流程分析模型 麦肯锡7S模型 麦肯锡七步分析法 麦肯锡三层面理论 麦肯锡逻辑树分析法 麦肯锡七步成诗法 麦肯锡客户盈利性
矩阵 麦肯锡5Cs模型 内部外部矩阵 内部因素评价矩阵 诺兰的阶段模型 牛皮纸法 内部价值链分析 NMN矩阵分析模型 PEST分析模型 PAEI管理角色模型 PIMS分析 佩罗的技术分类 PESTEL分析模型 企业素质与活力分析 QFD法 企业价值关联分析
模型 企业竞争力九力分析
模型 企业战略五要素分析法 人力资源成熟度模型 人力资源经济分析 RATER指数 RFM模型 瑞定的学习模型 GREP模型 人才模型 ROS/RMS矩阵 3C战略三角模型 SWOT分析模型 四链模型 SERVQUAL模型 SIPOC模型 SCOR模型 三维商业定义 虚拟价值链 SFO模型 SCP分析模型 汤姆森和斯特克兰
方法 V矩阵 陀螺模型 外部因素评价矩阵 威胁分析矩阵 新7S原则 行为锚定等级评价法 新波士顿矩阵 系统分析方法 系统逻辑分析方法 实体价值链 信息价值链模型 战略实施模型 战略钟模型 战略地位与行动
评价矩阵 战略地图 组织成长阶段模型 战略选择矩阵 专利分析法 管理要素分析模型 战略群模型 综合战略理论 纵向价值链分析 重要性-迫切性模型 知识链模型 知识价值链模型 知识供应链模型 组织结构模型
㈨ TRIZ课题，结合实践，运用资源分析方法对某个问题系统资源分析确定可用资源。
1概述系统分析方法（System Analysis Method）兰德公司认为，系统分析是一种研究方略，它能在不确定的情况下，确定问题的本质和起因，明确咨询目标，找出各种可行方案，并通过一定标准对这些方案进行比较，帮助决策者在复杂的问题和环境中作出科学抉择。系统分析方法来源于系统科学。系统科学是20世纪40年代以后迅速发展起来的一个横跨各个学科的新的科学部门，它从系统的着眼点或角度去考察和研究整个客观世界，为人类认识和改造世界提供了科学的理论和方法。它的产生和发展标志着人类的科学思维由主要以“实物为中心”逐渐过渡到以“系统为中心”，是科学思维的一个划时代突破。系统分析是咨询研究的最基本的方法，我们可以把一个复杂的咨询项目看成为系统工程，通过系统目标分析、系统要素分析、系统环境分析、系统资源分析和系统管理分析，可以准确地诊断问题，深刻地揭示问题起因，有效地提出解决方案和满足客户的需求。2诞生系统分析最早是由美国兰德公司在二战结束前后提出并加以使用的。1945年，美国的道格拉斯飞机公司，组织了各个学科领域的科技专家为美国空军研究“洲际战争”问题，目的是为空军提供关于技术和设备方面的建议，当时称为“研究与开发”（Research and Development，缩写为R & D)计划。1948年5月，执行该计划的部门从道格拉斯公司独立出来，成立了兰德公司，“兰德”（RAND）是“研究与开发”英文的缩写。从40年代末到70年代的30年中，系统分析沿着两条明显不同的路线得到迅速发展。一条路线是运用数学工具和经济学原理分析和研究新型防御武器系统。60年代初期，美国国防部长麦克纳马拉把这套方法应用于整个军事领域，并很快在各政府部门推广，形成了着名的“计划—规划—预算系统”（PPBS）方法。在军事和政府部门的带动下，美国民间企业也开始应用系统分析方法来改善交通、通讯、计算机、公共卫生设施的效率和效能；在消防、医疗、电网、导航等领域，系统分析方法也得到了广泛的应用。3分类1）系统特征分析方法；2）系统逻辑分析方法；3）系统工程技术。4咨询工具