Дерево проблем: что это и как построить

Автор

Консалтинговая практика McKinsey; изложено в книге Чарльза Конна (Charles Conn) и Роберта Маклина (Robert McLean), 2019 (книга издательства Wiley)

Уровень

201 · Инструмент

Подходит

малый и средний бизнес, растущая компания, корпорация

Время на внедрение

60–90 минут на первое дерево

Что понадобится

один вопрос, записанный предложением, с числом, периодом и границами · доска или лист бумаги · метрики, относящиеся к вопросу, выгруженные за два периода · один человек, который знает процесс, и один, который будет оспаривать ветви

Дерево проблем — это схема, которая делит один ключевой вопрос на более мелкие вопросы, уровень за уровнем, пока каждую ветвь не получится проверить данными. Чарльз Конн (Charles Conn) и Роберт Маклин (Robert McLean) освоили метод в McKinsey. Они строят такие деревья, чтобы показать части проблемы и разделить работу в команде. Сама идея проста. Сложность в выборе первого деления.

Происхождение метода

Метод пришёл из управленческого консалтинга. Первичного источника, который датировал бы первое дерево проблем, мы не нашли. Задокументировано другое: как метод преподают. В книге Конна и Маклина дерево — второй шаг семишагового цикла. Шаги такие: определить проблему, разложить её на части, расставить приоритеты, спланировать работу, проанализировать, свести выводы и рассказать историю. Конн называет это своим любимым шагом в подкасте McKinsey с Хьюго Сарразеном (Hugo Sarrazin).

Та же форма встречается в других областях. Инженеры используют деревья отказов. Руководство NASA описывает их как дедуктивный метод, который начинается с нежелательного верхнего события. В науке та же форма есть в статье Джона Платта (John Platt) 1964 года о сильном выводе. Платт описывает ветвящуюся последовательность конкурирующих гипотез. Каждый эксперимент исключает часть из них.

Диагностическое дерево и дерево вариантов решения

Диагностическое дерево отвечает на вопрос «почему это произошло», его ветви — причины. Дерево вариантов решения (solution tree) отвечает на вопрос «как достичь цели», его ветви — способы это сделать. Его не путайте с деревом решений (decision tree): так называют схему выбора с ветвящимися исходами. Конн и Маклин выделяют такие виды, как логические деревья, деревья гипотез и деревья решений. Версии «почему» и «как» в источниках называются по-разному, поэтому два названия выше наши.

Самое надёжное первое деление — арифметическое. Конн рассказывает, что почти любую бизнес-задачу начинает с дерева прибыли. Выручка равна цене, умноженной на количество. Затраты делятся на переменные и постоянные. Ветви, которые перемножаются или складываются, в сумме полны по построению. Можно посчитать, какая из них сдвинулась.

Дерево гипотез

Дерево гипотез начинается с предполагаемого ответа и перечисляет условия, которые должны быть верны все вместе, чтобы ответ держался. В примере Конна и Маклина про солнечные панели Роб Маклин (Rob McLean) начал с утверждения «нам следует установить солнечные панели сейчас». Затем он перечислил, что для этого должно быть верно, например приемлемый срок окупаемости. Гипотезу он использовал, чтобы выявить доводы за и против, а не чтобы её защищать.

На той же логике построен сильный вывод Платта: сформулируйте конкурирующие гипотезы, затем проведите проверку, которая часть из них исключит. Конн и Маклин добавляют рабочую привычку. В любой момент они просят команду дать «ответ за один день» — лучшее на сейчас мнение, которое дальнейшая работа уточняет. Когда времени мало и у кого-то уже есть мнение, дерево гипотез строится быстрее.

Связь с MECE

MECE означает, что ветви взаимоисключающие и совместно исчерпывающие: ничто не входит в две ветви и ничто не пропущено. Это проверка для каждого деления. Конн и Маклин пишут, что хорошо построенное дерево охватывает всё существенное. В курсе Барбары Минто (Barbara Minto) есть проверка того, что заявленная группировка точна и полна.

Считайте это проверкой, а не законом. В руководстве NASA сказано, что дерево отказов строится под одно верхнее событие и не охватывает все возможные отказы. В маркетинге типичная ловушка — деление по каналам. Каналы «платный», «органический» и «рассылка» кажутся полными, пока часть трафика не приходит как «прямой» или «прочее». Добавьте такую ветвь.

Пример: почему упало число квалифицированных лидов

Возьмём B2B-компанию; цифры только иллюстративные. Число квалифицированных лидов упало с 400 до примерно 280 в месяц. Прежде чем что-либо рисовать, проверьте, что спад реален. Google называет сбои отчётности и аномалии данных среди причин падения трафика. Он же пишет, что недавние конверсии рекламы часто неполны: часть людей ещё не совершила конверсию. Влияют и настройки согласия: режим согласия моделирует конверсии, которые Google не может наблюдать.

Если спад подтверждается, делите по формуле. Квалифицированные лиды равны числу визитов, умноженному на долю посетителей, ставших лидами, и на долю квалифицированных. В сентябре против августа получаем 36 000 визитов против 40 000, долю лидов 2,5% в оба месяца и долю квалифицированных 31% против 40%. Две ветви почти не изменились. Третья объясняет большую часть спада: 0,9 × 1,0 × 0,775 ≈ 0,70.

Теперь разделите синюю ветвь. Квалифицированный лид — это лид, прошедший этап проверки. HubSpot определяет маркетингово квалифицированный лид как лид, который маркетинг счёл готовым для передачи в продажи. Отсюда три вопроса. Сместился ли состав источников в сторону более слабых лидов? Менял ли кто-нибудь правило скоринга? Стали ли продажи обрабатывать лиды медленнее? На каждый можно ответить по отчёту за полдня. Затем дерево вариантов решения зеркально повторяет вывод: причина, которая сдвинулась, становится целью, а действия — ветвями.

Что говорят исследования о разбиении проблем

Разбиение помогает, но с оговорками. В эксперименте 1975 года со 151 участником Армстронг, Деннистон и Гордон (Armstrong, Denniston, Gordon) выяснили: люди судят точнее, если делят проблему на части. Сильнее всего это проявлялось, когда предмет был им мало знаком. Макгрегор и Армстронг (MacGregor, Armstrong) показали в 1994 году, что разбиение повышает точность для экстремальных и неопределённых значений. В остальных задачах прогнозы часто выходили менее точными.

Недавние работы по машинному обучению указывают в ту же сторону. Чжоу с коллегами (Zhou et al.) описывают подсказки «от простого к сложному»: задача решается как последовательность более простых подзадач. На композиционном тесте такие подсказки дали не менее 99%. Подсказки с цепочкой рассуждений дали там 16%.

Яо с коллегами (Yao et al.) сообщают о 74% для поиска по дереву в задаче-головоломке. Цепочка рассуждений решила около 4%. Вэй с коллегами (Wei et al.) и Хот с коллегами (Khot et al.) сообщают о близких выигрышах от промежуточных шагов и модульных подзадач.

Ограничения метода и соседние инструменты

Ошибки возникают в корне дерева и при взвешивании ветвей. Опрос Томаса Веделл-Веделлсборга (Thomas Wedell-Wedellsborg) среди 106 руководителей показал: 85% считают, что их организации плохо диагностируют проблемы. Дерево облегчает ответ на согласованный вопрос, но не исправит спорный. Для этого более трудного случая в литературе о методах структурирования проблем описаны отдельные инструменты.

Соседние инструменты закрывают то, чего дерево не делает. Цепочка 5 почему идёт по одному пути через причины. Диаграмма Исикавы перечисляет причины по категориям без арифметики. Дерево метрик — постоянная версия диагностического дерева: компания ведёт его как систему своих показателей.

Для поиска решений есть два инструмента. Working Backwards начинает с желаемого результата. Премортем проверяет план: команда перечисляет, как он может провалиться.

План Growth Lab начинается с одного вопроса, самого важного в этом квартале. Дерево проблем подходит, чтобы разрезать этот вопрос на задачи: см. Growth Lab.

Как применять: Дерево проблем: что это и как построить по шагам

1. Запишите ключевой вопрос. Сформулируйте, что нужно решить или объяснить: с числом, периодом и границами. «Почему число квалифицированных лидов упало с 400 до примерно 280 между августом и сентябрём?» подходит. «Почему маркетинг работает плохо?» не подходит. Результат: один вопрос, с которым согласна вся группа.
2. Выберите тип дерева. Диагностическое дерево нужно, когда что-то изменилось и надо найти причину. Дерево вариантов решения нужно, когда есть цель и надо найти способы её достичь. Дерево гипотез нужно, когда у вас уже есть вероятный ответ и его надо проверить. Результат: корень, который соответствует задаче.
3. Сделайте первое деление и проверьте его. Разделите вопрос на две-пять ветвей. Используйте формулу, если она есть (выручка равна цене, умноженной на количество), или чёткую схему категорий (платный, органический, прямой трафик, прочее). Проверьте, что ни один элемент не попал в две ветви и ничего не пропущено. Результат: первый уровень, который в сумме даёт целое.
4. Проверьте данные, прежде чем делить дальше. Сравните два периода по каждой ветви первого уровня. Сначала убедитесь, что изменение реально, а не вызвано ошибкой разметки или отчёта. Результат: короткий список ветвей, которые действительно сдвинулись.
5. Расставьте приоритеты ветвей. Конн и Маклин ранжируют ветви двумя вопросами. Насколько ветвь влияет на результат? Насколько мы можем на неё повлиять? Остальные ветви пока отложите. Результат: одна-две ветви для следующего деления.
6. Делите дальше, пока ветвь не станет проверяемой. Разделите выбранную ветвь тем же способом. Остановитесь, когда лист можно подтвердить или отвергнуть одним запросом, одним звонком или одним небольшим тестом. Результат: листья, каждый из которых можно проверить.
7. Назначьте каждому листу владельца и срок. Запишите, кто проверяет, по каким данным и к какой дате. Результат: рабочий план, а не картинка.

Примеры

Аэропорт Сиднея: хватает ли пропускной способности?

Документированный случай из книги Конна и Маклина. Они разложили пропускную способность на предложение слотов для посадки за вычетом спроса, а предложение — на взлётно-посадочные полосы, пропускную способность полосы и степень загрузки. Загрузка делится на часы работы, число самолётов в час и число пассажиров на самолёт. Часы работы были ограничены запретом на ночные полёты, поэтому полезными оказались ветви «самолётов в час» и «размер самолёта».

Truckgear: стоит ли стартапу поднять цену?

Документированный случай из той же книги; дерево построено по рычагам прибыли. Повышение цены на 7% добавило бы 385 000 долларов денежной прибыли при сохранении продаж в штуках, а падение продаж на 650 единиц свело бы эффект к нулю. Дерево превратило спор в два числа для исследования: ценовую чувствительность клиентов и маржу дилеров.

Платёжная компания: почему упало число одобрений по картам?

Иллюстративный пример. Доля одобрений делится на отказы банка-эмитента, блокировки по собственным правилам риска компании и технические сбои. Допустим, общая доля упала с 91% до 87%. Если на ветвь правил риска приходится три пункта из четырёх, следующее деление идёт по правилам. Тогда решение сводится к пересмотру одного порога, а не к кампании по возврату клиентов.

Когда применять

Применяйте, когда вопрос слишком велик для ответа за один раз и над его частями работают несколько человек: упала метрика, плану нужны варианты, решение зависит от нескольких условий. Метод подходит для первого часа любого анализа, до того как кто-либо выгрузил отчёт.

Когда не применять

Не применяйте, если до ответа один известный шаг или если участники расходятся в понимании самого вопроса. Для второго случая предназначены методы структурирования проблем. Разбиение может и навредить: для величин, которые вы уже хорошо знаете, оценки по частям получались менее точными.

Частые ошибки

• Решение не того вопроса. В опросе HBR среди 106 руководителей 85% сказали, что их организации плохо диагностируют проблемы. Аккуратное дерево под размытым корнем остаётся аккуратным ответом на неверный вопрос.
• Пересекающиеся ветви и пробелы. Если рядом стоят «платный трафик» и «изменения в кампаниях», один и тот же спад посчитается дважды. Добавьте ветвь «прочее» и проверьте её.
• Равный вес всех ветвей. Хьюго Сарразен (Hugo Sarrazin) из McKinsey отмечает, что ветви не равны по значимости только потому, что занимают на схеме одинаковое место.
• Одно дерево и остановка. Конн говорит, что ему нравятся два-три разных разреза одной проблемы: каждый может показать своё.
• Схема как конечный результат. Дерево без владельцев, выгрузок данных и сроков ничего не меняет.

Вопросы и ответы

Что такое дерево проблем?

Дерево проблем — это схема, которая делит один ключевой вопрос на подвопросы, а каждый из них на более мелкие, пока ветвь не получится проверить данными. Конн и Маклин освоили метод в McKinsey. Они применяют его, чтобы разложить проблему на части: это второй шаг в их семишаговой методике.

Чем диагностическое дерево отличается от дерева вариантов решения?

Диагностическое дерево отвечает на вопрос «почему это произошло», его ветви — возможные причины. Дерево вариантов решения отвечает на вопрос «как достичь цели», его ветви — способы это сделать. Эти названия наши. В источниках их называют деревьями «почему» и «как» или иначе.

Чем дерево проблем отличается от дерева гипотез?

Дерево проблем делит вопрос на части и не предполагает ответа заранее. Дерево гипотез начинается с предполагаемого ответа и перечисляет условия, которые должны выполняться все вместе. В примере Конна и Маклина про солнечные панели исходное утверждение — «нам следует установить панели сейчас». Дальше проверяются критерии, которые его подтвердят или опровергнут.

Дерево проблем и дерево решений — одно и то же?

Нет. Конн и Маклин называют деревья решений одним из видов логических деревьев: они помогают пройти сложный выбор с ветвящимися исходами. Дерево проблем, как правило, делит вопрос на составляющие. Обе схемы рисуют ветвями, поэтому названия часто путают.

Должны ли ветви быть MECE?

В идеале да: ветви не пересекаются и покрывают целое. В деревьях по формуле это обеспечивает арифметика. Деревья по категориям требуют проверки и ветви «прочее». В руководстве NASA по деревьям отказов сказано, что такое дерево строится под одно верхнее событие и не охватывает все возможные отказы. Поэтому считайте MECE целью, которую нужно проверять.

Источники

1. McKinsey, How to master the seven-step problem-solving process (podcast transcript, Conn and Sarrazin), September 2019
2. Wiley, Charles Conn and Robert McLean, Bulletproof Problem Solving: The One Skill That Changes Everything, 2019
3. Wiley, Bulletproof Problem Solving, chapter 1 excerpt: Learn the Bulletproof Problem Solving Approach
4. Barbara Minto, The Minto Pyramid Principle course
5. Barbara Minto, About the Minto Pyramid Principle
6. Thomas Wedell-Wedellsborg, Are You Solving the Right Problems?, Harvard Business Review, January-February 2017
7. NASA, Fault Tree Handbook with Aerospace Applications, Version 1.1, 2002
8. John R. Platt, Strong Inference, Science 146(3642), 1964
9. J. Scott Armstrong, William B. Denniston, Matt M. Gordon, The Use of the Decomposition Principle in Making Judgments, Organizational Behavior and Human Performance 14(2), 1975
10. Donald G. MacGregor, J. Scott Armstrong, Judgmental Decomposition: When Does It Work?, International Journal of Forecasting 10, 1994
11. John Mingers, Jonathan Rosenhead, Problem structuring methods in action, European Journal of Operational Research 152(3), 2004
12. Denny Zhou et al., Least-to-Most Prompting Enables Complex Reasoning in Large Language Models, arXiv, 2022
13. Shunyu Yao et al., Tree of Thoughts: Deliberate Problem Solving with Large Language Models, arXiv, 2023
14. Tushar Khot et al., Decomposed Prompting: A Modular Approach for Solving Complex Tasks, arXiv, 2022
15. Jason Wei et al., Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, arXiv, 2022
16. Google Search Central, Debugging drops in Google Search traffic
17. Google Ads Help, Find out how long it takes for your customers to convert
18. Google Ads Help, conversion modeling through consent mode
19. HubSpot Knowledge Base, Use lifecycle stages
20. Gary Klein, Performing a Project Premortem, Harvard Business Review, September 2007

Обновлено 30 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn