凡是以将现存情形改变成理想情形为目标而构想行动方案的人都在搞设计。

我们生来便是设计师,设计是我们生命中绝大部分时间的主线任务,设计职业生涯、设计幸福的婚姻、设计自己的人生故事。设计雄安发展规划,设计一家公司、设计一个产品,设计无时无刻不在我们身边。

从适应性系统理解设计,就要去思索内部系统、外部环境以及目标之间的关系,这是一切创造的开始,也是人之所为人最大的乐趣。

最优化问题的数学化解法

最优化方法的逻辑是:设计问题的「内部环境」由一组给定的备选行动方案来表现。这些备选方案可以详细给出,但更经常地是由规定了任务领域的命令变量来表示。「外部环境」则由一组参量表征,我们可以确切地知道这些参量的大小,也可能只知道他们的概率分布。

内部环境适应外部环境所要实现的目标由一效用函数确定,或许再补充上几个约束条件。因此最优化问题就是要求出一组可接受、与约束条件相容的命令变量的值。在环境参量值给定的情况下,命令变量的这组数值使效用函数达到极大。

最优化问题一旦形式化就成了标准的数学问题,使一受到约束的函数最大化,那么,用以推出答案的逻辑显示就是数学赖以建立的谓词演算标准逻辑。

在没有经过一定学术训练的情况下,我们解决工作或生活中的问题时,多数是凭借过去的经验或直接推理,因此,我们解决问题的方式往往是线性式的,从1到2、3、4、5,直到找到给出解答。

而西蒙对解答问题提供了两个更高阶的思维工具:构造表象,数学化。

拿互联网产品的一些问题举例,当我们思考如何提升产品价值、销售额、关注数时,可以从一个具象的问题抽离出抽象的表象,再借由数学化公式,也可以对问题进行更底层的分析。数学化之后,约束条件、命令变量、环境参量立马变得清晰可见,我们只要把命令变量对环境进行最大程度的适应匹配,便可以找到最优化或者说相较普通解法更满意的解法。

比如:

  1. 互联网产品价值=功能+体验+用户参与价值

微信为何价值巨大?即时通信记忆基于朋友圈的社交功能,简单易用的体验,上亿用户的参与,中国网民最大的虚拟需求场景,最终抢占了多数国民的注意力资源。不同的产品阶段,其约束条件和命令变量都不一样。

又如:

  1. 销售额=活动流量付费率客单价
  2. 关注数=内容质量文章数量更新频率*重复曝光率

数学化之后解答问题的过程是这样的,首先,考察满足外部环境限制的所有可能状态;然后,从此集合中找到满足目标的其他约束条件、又使效用函数最大化的特定状态。在一个满足所有这些条件的状态中,命令变量会取什么值,然后作出结论说,这些就是命令变量应当取的值。

问题数学化的思维是职场高手和新手的巨大差别,它把问题塞进了和基于经验的线性思考完全不同的思维框架,放佛进入了另一个时空,它把问题简化成一个有美感的公式,以此为撬动问题的杠杆,它综合考虑了外在环境、内在环境,它会促进解答者检索搜索树,避免遗漏,这样的思维大杀器不得不掌握。

流程化思维

备选方案搜索的一个特点是:解决方案(即构成最后设计的完成行动)是由一个单元行动序列构成的。备选方案空间的大小之所以如此惊人,是因为并不需要很多个单元行动就可以组合出很多很多种行动序列。

在我们谈论数学化思维之后,最优化问题依然可以从西蒙提到「行动序列」获得启发。将问题单元放在构成了完整行动的序列的相应位置来考察,这样做获益良多。

我们之所以无法解决问题,是未曾找到一条顺畅的高速公路。比如,设计提升用户注册数的方案:

  1. 访问-demo-注册-试用
  2. 访问-注册-demo-试用

行动序列的单元没有变化,仅仅只是调整了单元的顺序,最终带来的结果却非常不一样。用户是反感注册的,把demo体验提前,用户能更快地感知到产品价值,最终带来的价值转化必定大得多。

现实世界中的解决问题系统和设计程序不仅仅是将单元方案装配成问题的解答,还得搜寻适当的装配件。因此,行动序列在更替个别单元之后就产生了新组合,新解法。

凡是由于做不到最优而追求满意的所有各种情形都有一个特征:虽然现有备选方案的集在某种抽象意义上是「给定的」(我们可以规定一个发生者,它保证最终能产生所有这些方案),但它偏偏在切合具体情况的意义上不是「给定的」。

受实际计算能力的限制,我们不可能产生出所有可接受方案,然后再比较它们的相对优劣。即使我们足够幸运,最好方案很早就产生了出来,但我们只有等到全部方案都出来后将它们全看一遍,才能发现它是最好的。现在,我们为了满意化而采取这样一种寻找备选方案的方式,使得在仅仅少量搜索后一般就能找到可接受的方案。

至此,我们可以得出一个有待验证的假设:我们之所以找不到问题的解法,很大程度在于手里的备选方案实在太少,手里的排列组合实在太少,可尝试及验证的路径太少,因此往往限于都不满意的困境。

在数学化之后,我们从西蒙手中获得的另一个思维利器则是——流程化思维,流程化是拆分成多个行动单元,对行动单元做顺序排列、拆解、更替、组合,实际上依然是在数学化的范畴内,对约束条件、命令变量做整合优化,直到找到一条满意的路径。

人生的多篮子策略

经济学早就告诉我们,将鸡蛋放在一个篮子里的风险最大,分装到几个篮子里的做法经常是高效的。也就是说,不要一条路走到黑,结果要么大获全胜,要么一败涂地,而要从一开始就探索几条尝试性的路径,接着,从尝试性路径中再跳出几条在当时看来最有前途的路子。如果改在走着的某条路径开始显得前景不那么光明了,可用另一条路在原来的优先次序上拍得较后的路径来代替。

这个策略最实际的应用是LinkedIn和Paypal的联合创始人Reid Hoffman的ABZ理论,他认为,你在任何时刻,手中都需要有三个计划:A计划、B计划和Z计划。

A计划,是一个当下你觉得值得你去持续投入,并获得部分产出和安全感的计划,好比一份你现在正在投入和从事着,且还算满意的工作。

B计划,则是一个A计划以外,你给自己培育的某些机会。B计划是那些当下看起来还不足以成为你的职业,但你对其存有兴趣或长远看好,值得去长期投入和关注的事情。B计划追求的是「可能的自我」,是在实际的行动中培育出多种可能的自己,它相当于火箭最上面的部分,如果末尾的火箭燃料烧尽,那它们就会成为你职业生涯最有利的助推器。

最后是Z计划。Z计划是一个用来应对最糟糕状况的备用计划,即:假如有一天,你倒霉透顶,你的A计划和B计划都失败或失效了,你应该有一个可以保证自己生存底线的计划。

你无法预测未来,只能创造未来

准确的预测难在哪里?

1.好的预测要么要求对有待预测的现象有理论认识,作为预测模型的基础,要么要求待预测现象是十分有规律的,以致可以对他们简单地进行外推。

由于人类事物的数据很少满足后一条件,因此,我们的预测只能与理论处于同一水平。

  1. 预测的第二个前提条件是拥有关于初始条件的可靠数据。

设计的数据问题不是预测,而是为未来构造可供选择的场景,分析它们对理论误差和数据误差的敏感性。预测全球变暖的准确路径是一项吃力不讨好的任务,更可行、更可用的是制定一些可供选择的政策,在适当的时候退出这些政策可以减缓变暖速度,减弱其不良影响,并利用其正面效应。

因此,我们明白了预测是件吃力不讨好的事情,世界时刻在变化,我们能做的事提高自己的理论水平,知晓世界的大方向在何处,剩下的便是一步一个脚印的设计行动策略,以及行动。

设计思维:7个设计课题的融合

西蒙提出设计科学课程的7个中心课题:

  1. 作为已知备选方案间进行合理选择的逻辑框架的效用论和统计决策理论
  2. 实际求出现有方案中的哪个为最优的方法体系
  3. 改动标准逻辑以适应对备选方案的搜索。设计解答是一系列行动序列,对于满意化满标,所寻求的可能状态很少是唯一的,搜索的是实现目标的充分行动而不是必要行动
  4. 目前状态与理想状态之间的差别的并行分解的利用。分解方法是有着广泛用途的解题技术,手段-目的分析是其中一个例子
  5. 将搜索用的资源分配给备选的、已进行了部分探索的行动序列
  6. 复杂结构的组织及其设计过程的组织的隐含意义
  7. 设计问题的表现:构造作为问题表现的框架的组织,外套限制因素建立表象,表现非量化的问题

我尝试把这七个课题融入到斯坦福大学 Design School 的「设计思维模型」理解中。

Design Thinking.jpg

第一步:Empathize(“移情理解”,意思是要有同情心,同理心,感知客户有些什么问题)。

在西蒙的设计科学中,这里指的是理解内部环境、外部环境,是理解客户的需求,是移情到需求场景。这也是「现场管理」,是去问「我们的客户是谁,客户重视的是什么?」创新必定来自于外部,你只有把眼光扩张到外部世界,才有可能看到机会。

第二步:Define(下定义)
在了解客户之后,用一句很精简的话来告诉别人你这个团队或者项目是想要做什么。

《人工科学》之前的章节已经讨论过,适应系统分为目标、外部环境与内部环境,体内平衡是内部系统与目标之间的关系始终保持不变。在了解内部系统和外部需求之后,对目的/任务/问题做出明确的定义。

第三步:Ideate(“设想”,其实就是做头脑风暴,尽可能多的去想解决方案,想自己项目可能涉及到的人,然后再简化为一个具体的方法)。

头脑风暴有其固有的局限性,但作为初期检索备选方案时并非不可用。在前文已经对头脑风暴做过批判,我们反对无尽的随意生成想法,推崇试验式,避开穷举式搜索,作出假设,先把一个巨大空间缩小成小空间,在多种假设的牵引下缩小搜索范围。通过效用论和统计决策理论对备选方案进行合理选择。

当我们寻求令人满意的方案时,一旦发现「候选者」,我们就可以问:「这一方案满足所有的设计标准码?」=》「下一步我应在哪里搜索」=》「我什么时候停止搜索,以某种解答作为令人满意的解答。」它既是搜索的导向机制,又是以判断何时结束搜索的满意化程度的标准。

第四步:Prototype(“原型”,用最短的时间和花销来做出解决方案)。

数据是验证想法最有利的武器,数据来自于现场而非凭空想象,备选方案的一系列行动序列要达到最优化,只有实践之后才知道应该改动什么标准逻辑就。也只有先行探索部分关键的行动序列,才能把资源更合理的利用。

通过数学化和流程化设计出解决问题的「原型」,便可以到现场去验证了。

第五步:Test(顾名思义,测试产品原型)

Test是通过测试产品原型去重新审视自己的产品,甚至是去完善早前定下来的POV。

人类,若视作行为系统,行为随时间而表现出的表观复杂性主要是我们所处环境的复杂性的。

测试是为了了解复杂性、进而简化复杂性,最终拆解出核心简单结构,匹配和适应环境。