數據分析師怎麼練商業洞察？用麥肯錫問題解決七步驟，拆解 6 道台北市政題

七個步驟依序是：定義問題、拆解、排序、分析設計、執行分析、統整、溝通。

為什麼拿黑客松題目當考卷？先用一題走完七步

市政 debug松 是沈伯洋競選總部辦的開放資料活動，主辦出了七道題目，第七道是自由題，我做了前六道：【種回三千棵樹】、【消失的垃圾桶】、【鼠患四處跑】、【內湖尖峰車流】、【公車路網】、【危老耐震】。

黑客松的題目很適合拿來練。題目是真的，有人在乎；資料是有限的，主辦給了一份清單，清單上的東西常常不夠用；時間也是有限的。工作上的問題通常有這三個條件，學校的作業通常沒有。

我沒有參賽，所以瀏覽量和評審都不在我手上。在我手上的只有品質：每一題能挖多深，做得多完整。

架構我用的是一年半前寫過的麥肯錫七步驟：定義問題、拆解、排序、分析設計、執行分析、統整、溝通。那篇文章裡我列了四種「看起來在解問題，卻沒動到重點」的失敗：為了拆而拆、小問題大動作、假設對不上問題、效益太小。這次六題做下來，四種我都遇到了。

這套方法拿來做市政題，不算硬套。書的兩位作者都是麥肯錫出身。Charles Conn 是前麥肯錫合夥人，後來做過 Moore 基金會的資深顧問、牛津 Rhodes Trust 的院長兼執行長。Robert McLean 在麥肯錫待了 25 年，帶過澳洲與紐西蘭的分公司，之後是 Social Ventures Australia 的創會主席，因為社福、保育與商業上的貢獻拿到澳洲勳章。書裡的案例本來就有學區增稅、鮭魚保育和機場容量。

六道題目的分析都放在六題總覽。做法上，我是一個人加 12 個 AI，前後約 58 小時。分工和花費在上一篇回顧寫過，AI 怎麼帶我會另外寫一篇。這篇只講問題解決。

先用一題把整條路走一遍。【種回三千棵樹】是我覺得做得最完整的一題。

題目說 2025 年台北有 3,164 棵樹被移除，問怎麼找出城市空間把樹種回來，達到樹蔭公平。

定義問題。 3,164 這個數字要先拆。它是移除 2,691 棵加災損 473 棵，來源是議員引用公園處的回覆，再經媒體轉述，原始公文我們沒有拿到。公園處長說其中八成以上是自然因素。照字面讀，這是一道「補植率」的題目；可是題目在問的，是樹蔭公平的設計與執行題：不夠的地方在哪，以及哪裡種得回去。

拆解。 不拆沒想到，樹不是人，沒有固定不變的身分證字號與戶籍地址，測量單位也各有各說法。同一批樹有五本帳，各量不同的東西，數字不能加減，更別談乘除。我把消失的 3,164棵樹的數字當背景，主線改成自己比對兩份名單：從網頁存檔找回 2024 年 11 月的行道樹名單，跟今年的比，消失了 9,363 個樹籍編號。是編號，還不知道是不是真樹。

排序。 這是我覺得這題有趣的地方，把樹種回去就夠了嗎？那幹嘛還提「見縫插樹」？人類喜歡說過去的美好，但在公共事務上，只想著回到過去是根本不夠的，我試著多問一步：樹蔭夠不夠，用國際上常用的 3-30-300 當基準，先看台北市有多少里達得到30-300 這兩個算得出來的門檻(樹冠覆蓋到三成、離公園 300 公尺內)。

分析設計。 「離公園 300 公尺」也就是走路4-6分鐘之內要能遇得到公園，聽起來又美好又簡單，但是怎麼驗算？算法有好幾種。我用了七種，樹蔭不夠的里在 100 到 116 個之間，數字會動，但方向不變，總之是大約四分之一的里有困難。舊樹穴也不是每一個都能直接種回去。種了樹，人行道還要留路給人走，所以公園處的選種原則規定，人行道要 2 公尺寬才種行道樹。樹穴還在的 1,925 個位置裡，人行道夠寬的有 1,851 個。這條線怎麼畫，結果差很多：門檻放寬到 1.5 公尺是 1,898 個，提高到大樹冠建議的 4 公尺只剩 799 個；如果拿扣掉樹穴之後的淨寬來量，只剩 639 個。我們用總寬 2 公尺，因為淨寬已經把樹穴扣掉了，拿來判斷放不放得下樹穴會扣兩次。幾種量法都寫在頁面上。

執行分析。 這一步錯最多，請直接看文章中的分析踩的坑。包含了資料短缺、格式誤讀、不知道卻硬解釋、邏輯跳躍等等毛病。例如：

• 資料短缺：題目問樹蔭，資料只有棵數。市府報告裡的樹冠面積，是棵數乘上固定的 16 平方公尺，沒有真的量過。也有反過來的：我們一度寫「沒有逐種的抗風表」，後來發現公園處 39 種樹的基本資料都寫了抗風性，頁面三處都改了。
• 格式誤讀：樹穴一開始抓錯檔，抓到公園處 2,260 列的樹穴表，應該用的是新工處 56,720 個多邊形的人行道設施圖。借來的「離公園 300 公尺」漏了一批用另一種格式畫的公園，自己重算之後，樹蔭不夠的里從 129 個變 102 個。
• 不知道卻硬解釋：初稿寫「23 個里沒有大樹、住了 8.6 萬人」。回頭查，裡面有公園的樹胸徑根本沒填（牯嶺公園 150 棵全是 0），也有山區自然林的里。站得住的只有 7 個里、28,805 人。
• 邏輯跳躍：審查時有人推測，名單上消失的樹，是從行道樹檔搬去了公園樹檔。驗了之後，全市符合的只有 140 棵，松仁路一棵都沒有，這個解釋不成立。

統整。 分析師最常踩的坑就是見樹不見林：數據很對，方向不關心。好消息是，聰明到爆的AI也是這樣，一樣需要有經驗的前輩的指導。壞消息是，你可以多訓練一個AI當指導員，能力不一定比你差，那個分析師被AI取代的噩夢不是假的，我們只能趁那天來之前，自己趕快成為訓練師。好的，扯遠了。

跟AI合作遇到的坑，第一版的主張停在「帳對不上」，大半篇幅在講五本帳。我回：「這是城市樹木規劃問題，在公園外哪裡可以種樹，種什麼。」改版之後我又補了一句：「這題要補願景，可以用3/30/300」。主張改成：全市 456 個里裡，102 個里樹冠不到三成、多半離公園超過 300 公尺，住了 53.8 萬人，那裡有 499 個舊樹穴，先去看能不能種回去。

溝通。 頁面最上面就是那句主張，資料放最後。

七步各自都不難，難的是每一步都有一個會讓你偏掉的地方。下面一步一步看，每一步放最容易錯的那一題。

七步驟，每一步最容易錯的地方

第一步：定義問題最常錯在哪？

錯在照題目的字面開工。

【鼠患四處跑】那題要畫一張「鼠患風險傳播地圖」。開工第一件事，是去找老鼠在哪裡、有多少。找不到。陳情資料 19 個月份檔，類別裡沒有鼠，也沒有地點欄；老鼠密度調查在 2015 年停辦，之後找不到公開結果。民間的見鼠地圖有通報，我們拿通報量跟人口、人孔、清潔箱幾個候選變數比，相關最高的是 YouBike 站數，也只有 0.26。它比較像在量誰會用這個網站通報，不是老鼠在哪。

目標變數不存在，風險地圖就做不出來。這一題後來有意識地轉向，先回答「市府有沒有在量、量到的能不能用、要先補什麼」。

【內湖尖峰車流】那題是另一種錯法。題目要晨峰每 15 分鐘的車流熱力圖，前提是早上最塞。資料說的方向相反：10 月 21 日，堤頂大道最慢的一刻，早上往內科要 4.3 分鐘，傍晚出內湖要 10.6 分鐘。題目說「數萬輛」擠進來，但車流量跟塞不塞是兩回事：堤頂大道往南，早上兩小時過了 6,385 輛，傍晚塞住的兩小時只過 4,096 輛。路一塞，過得去的車就變少。

六題做下來，有四題的前提被推翻或改寫。有一個找前提的地方很好用：主辦每一題的資料清單最後，都附了一行「某某未開放（或不存在、要自己累積），可用模擬資料」：移除紀錄、垃圾桶滿了沒、餐飲業者位置與清運排程、歷史車流、各站刷卡人次、逐棟屋齡。那一行寫的，多半就是做決策要用、卻拿不到的東西。先找那一行，你就知道題目的洞在哪。

McKinsey 訪問書的作者 Conn 時談到一個常見的情況：聰明的年輕人常常只懂了一半題目，就開始抓資料、建模型，結果往錯的方向走。HBR 有篇文章舉過電梯的例子：住戶抱怨電梯太慢，多數人想的是換馬達，管理員在電梯旁邊裝了鏡子，抱怨就少了。問題被重新定義成「等待感覺太久」。

怎麼練： 拿到任何題目，先一字不改抄下原文，再找出那句「沒有」的話。

第二步：拆解怎麼拆才不是為了拆而拆？

拆完之後，每一塊要對得到不同的動作。

【公車路網】那題先定義什麼叫交通便利：從這個里出發，搭公車或捷運，一小時內（走路、等車都算在內）、最多轉兩次車，到得了全市八成的里。照這個定義，有 67 個里交通不便。67 個里要怎麼拆？如果照區拆、照人口拆，拆完還是不知道該做什麼。

我們用「換掉一個條件會怎樣」來拆。把班距全換成 10 分鐘一班就到得了的，是車等太久，17 個里。換了班距還不行、讓它轉到 4 次車才到得了的，是轉太多次，0 個里。兩樣都救不了的，是路線沒去，50 個里。三類照順序判，不重疊，加起來是全部，而且各自對應不同的解法：17 個里先把幾條路線加密到 15 分鐘一班，50 個里先把轉乘點的班次對上時刻。沒有一個里卡在轉乘次數，這件事本身也是答案。

【消失的垃圾桶】那題借了一個現成的框架：垃圾從產生、投放、清運到違規，照這個流程一段一段看。這樣拆的好處，是會先問「桶當初是怎麼消失的」。不先回答這個，放回去的桶會因為同樣的原因再被撤一次。

McKinsey 資深合夥人 Hugo Sarrazin 在同一集訪談提醒：議題樹每一枝在紙上佔一樣大，不代表一樣重要，各枝的把握程度也不同。

拆之前還有一件事：先定單位。【危老耐震】那題，房子可以是宅、棟、戶、件，四種之間沒有公開的換算；「獨居老人」有四種定義，數字差到 15 倍。單位沒定，拆得再整齊都是空的。

怎麼練： 拆完之後，在每一塊旁邊寫一個動詞。寫不出來的那一塊，就是為了拆而拆。

第三步：排序時，怎麼避免小問題大動作？

先回答一個小問題。

【公車路網】那題的原題，是用刷卡資料找熱區冷區，導入彈性小巴的動態路網。第一版照著找適合改成小巴的候選里，找出來沒幾個。我問：「候選里很少，是假問題嗎？」然後我給了方向：「問題不是沒有公車，應該是班距密集度以及有去哪些地方」。題目換成交通便利：每個里一小時內、最多轉兩次車，到得了幾成的里。這就是上一步那 67 個交通不便的里的來源。

【消失的垃圾桶】那題的原題要做 IoT 偵測，桶滿了才派人去收。我的看法是，垃圾桶不夠，不是放回去就結案，新增之後誰來清是人力問題，而人力排班要考慮路徑，不是用 Uber 叫車那樣機動處理。所以解法先做低成本的那一版：在桶上貼 QR 讓路人回報、陳情與開單加上地點、固定幾十個點定期拍照，觀察 100 天，找出每一區的桶大概什麼時候滿，排出建議班表，之後每季複核。偵測器是之後的事。頁面也只先回答一個小問題：公車站牌 100 公尺內，有沒有垃圾桶。

這兩題都是「小問題大動作」的反面。動態路網和 IoT 都是大動作，前提沒驗過就上，風險在後面。

受過 Bain 訓練的 Nate Gunawan 寫過假設驅動的盲點：假設清單是從經驗長出來的，你沒想到的地方，假設就不會帶你去找。【公車路網】那題如果一路照「找小巴候選里」做下去，就不會看到班距和路線的問題。

怎麼練： 每道題先寫一個「週末做得完」的最小版本，做完再決定要不要往大的走。

第四步：分析設計，算之前要先決定什麼？

先決定比較的基準，還有什麼結果算失敗。

【內湖尖峰車流】那題的主張改了四次，每次都是比較基準出錯。第一次，各路段的塞車時間是同一分鐘加起來的，可是交通是連鎖的，你開到下一段時已經更晚、更塞，改成沿路累加。第二次，起點從下午 4 點半算起，可是沒有人 4 點半下班，起點改成 5 點。第三次，拿傍晚跟深夜比，算出傍晚是深夜的幾倍；我說：「不要跟深夜比，大家是跟在台北上班比。」第四次，補上搭捷運和公車的人，從大樓門口算起。

比較之前，我現在固定問三件事：讀者會拿誰跟自己比？讀者真的會選哪些時刻？這個量是單點的，還是會沿路累加？

第二件要先決定的，是門檻。【內湖尖峰車流】那題原本想用公車的即時位置，補上巷道與橋這一段的時間。算之前，我們把通過的條件寫進程式的第一行：公車估出來的時間跟路段資料的排序相關要到 0.6，傍晚增加的幅度相關要到 0.5。結果是 0.34 和 0.16，沒過，那一段整段不放，頁面上原本說「之後會補」的那句也刪了。

六題裡事先寫死門檻又真的跑完的，只有這一處。【鼠患四處跑】那題寫了一條推翻測試，算出來樣本只有 117 筆，判斷不了，改寫成限制；【公車路網】和【危老耐震】寫了反證條件，要等外部資料，沒有跑。其他題靠的是事後換參數的敏感度。這是這次我自己最想改的地方。

假設驅動最常見的錯之一是確認偏誤，只看得見支持自己的資料。心理學家 Gary Klein 的「事前驗屍」可以幫忙：開工前先假設這份分析已經失敗，請每個人寫下失敗的原因。

怎麼練： 動手算之前，寫一句「結果要到多少，我才相信」，存檔，不准改。

第五步：執行分析時，資料會怎麼騙人？

用很安靜的方式騙你。程式照樣跑完，數字看起來也合理。

主辦的資料清單列了 22 個資料集，能用程式直接拿到逐筆資料的只有 6 個。最常見的症狀是回應正常、內容是空的。沒有報錯，所以很容易被當成「沒有資料」，或更糟，當成「是零」。

【公車路網】那題有一版程式，一個變數的名字跟站牌清單撞在一起，456 個里全被當成沒有公車站。程式沒有報錯，照樣產出一張圖。後來還抓到一個：捷運區間車停駛的時段，被當成 0 分鐘一班。

【消失的垃圾桶】那題，環保局的垃圾桶位置資料在北投一筆都沒有、南港只有 4 筆。北投 551 個站牌幾乎全被算成「附近沒有桶」，全市的 53% 因此偏高；拿掉這兩區，其餘 10 區是 47%。這是另一個 AI 在上線前抓到的。

【鼠患四處跑】那題算垃圾車的車次，第一版是 1,336 車次，因為是把每個里看到的車次加總，同一個車次經過好幾個里，就重複算了好幾次。去重之後是 485。

【內湖尖峰車流】那題的車速資料，時速 0 不一定是塞死。路段沒資料、感測器異常、這一分鐘剛好沒車，也都會出現 0。只有流量大於 0、速度低、佔有率高三件事同時成立，才算塞。另外，路況資料只給「現在」這一分鐘，歷史要自己存，存的時候還要記下哪幾分鐘漏掉。

書裡的建議很樸素：先用經驗法則和描述統計看清問題的形狀，先檢查資料對不對、合不合理，再動用重的工具。

我的做法是寫的人和驗的人分開。很多錯是另一雙眼睛在上線前抓到的，寫的人自己看不到。

怎麼練： 每算出一個數字，先問它合不合理，再找一個跟它無關的數字對一次。

第六步：統整，怎麼從描述走到主張？

把「是什麼」改成「做什麼、在哪裡做」。

商業洞察是從「這份資料是什麼」走到「誰、做什麼、在哪裡做」的主張。

【鼠患四處跑】那題第一版的主張是「市府沒在量老鼠」。我回：「主張是沒人量嗎？沒人量是事實，主張應該是綜合考量餐飲與既有清潔方式後，有多少地區是危險地區，需要落地處理下水道與垃圾清運」。主張改成：餐飲多、垃圾車停靠點少的 58 個里，住了 33 萬人，是垃圾清運的優先區域；其中 21 個里的下水道圖還是舊圖，要定期清理並恢復紀錄。量老鼠這件事退到最後，用來檢驗清得夠不夠。

【危老耐震】那題也一樣。我對核准案的看法是：「申請更可能是建商有利可圖區，不是真危險區，這題應該是找高風險未申請」。資料也是這樣說：地會液化、老公寓老人多的 33 個里，危老核准每 31 件只有 1 件在那裡。主張變成：民辦的改建跟著市場走，本來就會；公辦都更要從市場不去的地方起算。

統整還有一個常見的錯，是結論不穩卻寫得很篤定。【危老耐震】那題要的加權評級模型，我們做了，但把七個指標的權重隨機抽了 2,000 組，每一組都排一次前 30 名。任兩組名單的重疊度，中位數只有 0.28；每一組都排進前 30 的里，0 個。所以頁面不打總分，改成把房子和人兩面各分高中低，排成九宮格。【公車路網】那題，等車時間用平均算，交通不便的是 67 個里；用最壞情況算是 216 個里，兩個都列，標題用 67。

這一步也是我那篇舊文裡「效益太小」出現的地方。【內湖尖峰車流】那題如果照題目做下去，早上錯開半小時，只省 23 到 58 秒。拿這個去說服企業彈性上班，會議室會很安靜。

Conn 說統整是年輕解題者最常錯的一步：拿到分析結果就當成答案。資料分析師 Olga Berezovsky 的練法很直接：每個數字追問五到七次「所以呢」，追到能寫出一個行動為止。

怎麼練： 每份分析的最後一句，寫成「誰、做什麼、在哪裡」。寫不出來，就再追問一次所以呢。

第七步：溝通，除了報告還要顧哪些地方？

我這次碰到四種。

頁面的骨架。 【種回三千棵樹】那題 AI 交上來時，資料堆在最上面，讀的人要滑很久才知道這頁要說什麼。我問：「你到底有沒有叫大家按格式？我不要再講第一百次」。之後每一頁照同一個架構：標題就是主張，接著是題目怎麼說、怎麼看、解題方法，資料放最後，另外寫一支檢查程式，交件前七條要全過。

【種回三千棵樹】頁面最上面：標題就是主張，資料放最後。

一張圖一個總量。 【危老耐震】那題的第一版圖用的是指數和重疊度，我擋下來了，這是要讓市民討論的頁面。改成棟、宅、人各自的總量和分母，不互相除。【消失的垃圾桶】那題的結論會隨半徑變：公車站牌 50 公尺內什麼都沒有的是 74%，100 公尺是 53%，200 公尺是 32%（全市 3,460 個站牌）。北投與南港的環保局垃圾桶位置資料幾乎沒有，拿掉這兩區是 70%、47%、25%。幾個數字都對，所以頁面寫明，引用時一定要帶半徑，也要帶範圍。

視覺主圖。 【內湖尖峰車流】那題原本的插圖，畫的是 5 點的辦公室窗外，路上沒幾台車。資料說的剛好相反，傍晚 5 點堤頂大道已經最塞。插圖換掉之後定了一條規矩：主視覺要跟資料對過再畫，插圖裡不放數字，數字用程式另外疊上去。

審稿的標準先定好。 每一題 AI 交上來，我只問三件事：論證是什麼、基礎夠強嗎、對市民有用嗎。寫的和驗的分開，論述、讀者、中文、網頁各有人審。最後我又加了一條給所有標題：每個標題不超過 3 個數字，要有主張。

整理金字塔原則的 Paul Millerd 舉過一個例子：「我們面臨三個問題」。這種句子沒有資訊量，只是把幾件事放進同一個籃子，Minto 把它叫做沒想完。標題也一樣，寫主題詞不如寫結論。

怎麼練： 寫完一頁，把每個標題念一次，問自己：讀者只看標題，知道我要他做什麼嗎？

照著練：一張練習表單

找一道題目，照這張表單填完。題目可以是黑客松的、政府開放資料的，或公司去識別的舊案。

先看一張填好的範例。題目是【公車路網】，每個欄位的字都取自這篇文章和那一頁。

書的第一章也留了三道自我練習：換工作的決策樹、自己事業的利潤樹、替英國脫歐畫一棵邏輯樹。Conn 在書裡示範過一次怎麼用幾個小時的公開資料，判斷要不要支持一個學區的增稅案。這些都是週末做得完的題目。

這套方法也有它做不到的事。McLean 也承認，價值對立很深的議題，會限制這套方法能做到的地方。【危老耐震】那題最後不打總分，就是因為市府還沒說它要先顧哪一種老。分析能做的，是把「先顧房子、先顧弱勢、先顧人多」三種排法攤開，讓選擇的人知道自己在選什麼。

我面試人的時候，尤其是轉行的，很喜歡問對方最近讀什麼書、用 AI 做了什麼事、有沒有什麼 side project。通常回答得眼神發亮的人，主動性都很強。

很多年輕數據分析師對「找機會練習」感到困擾。公司不是學校，主管或同事也未必有興趣陪你慢慢練。練習受外在影響太大了。

AI 時代的好處是，你總是可以自己練。找到好方法和好題目就行，市政松或黑客松都是好題目。我把自己在每一題的思考過程、踩到的資料坑都放在六題的頁面上了。不要設限，挑一個週末，做一個自己的 side project 試試看。

想收到下一篇練習題和新作品，可以訂閱我的電子報。

資料來源

書與作者

• Conn、McLean，《Bulletproof Problem Solving》第一章試讀本（Wiley）：https://catalogimages.wiley.com/images/db/pdf/9781119553021.excerpt.pdf
• Social Ventures Australia 訪談 Robert McLean，2019：https://www.socialventures.org.au/quarterly_article/bulletproof-problem-solving-could-it-work-in-the-social-sector/
• Paul Ramsay Foundation，Robert McLean AM：https://www.paulramsayfoundation.org.au/people/robert-mclean-am
• Wikipedia，Charles R. Conn：https://en.wikipedia.org/wiki/Charles_R._Conn

文章與訪談

• McKinsey，〈How to master the seven-step problem-solving process〉，2019（Charles Conn、Hugo Sarrazin 訪談）：https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/how-to-master-the-seven-step-problem-solving-process
• Thomas Wedell-Wedellsborg，〈Are You Solving the Right Problems?〉，Harvard Business Review，2017
• Nate Gunawan，〈Why hypothesis-driven thinking can…〉，2022：https://nategunawan.substack.com/p/why-hypothesis-driven-thinking-can
• Olga Berezovsky，〈How to pull stories from data〉，2025：https://dataanalysis.substack.com/p/how-to-pull-stories-from-data
• Paul Millerd 整理 Minto 金字塔原則，StrategyU，2022：https://strategyu.co/pyramid-principle-2/