AI+Markdown 生成石川「鱼骨图」Fishbone

AI+Markdown 生成石川「鱼骨图」Fishbone

什么是「鱼骨图」

鱼骨图，又称因果图或石川图，是由日本管理学家石川馨在 20 世纪 60 年代提出的结构化问题分析工具，因图形形似鱼的骨架而得名，其核心价值在于将 “模糊问题” 转化为 “可视化的因果网络”。它的基础结构包含四个关键部分：右侧的 “鱼头” 是整个分析的核心，必须清晰标注待解决的具体问题 —— 绝非 “用户满意度低” 这类笼统表述，而是 “2024 年 Q3 电商平台用户投诉率同比上升 12%，其中‘物流延迟’类投诉占比 60%” 这类带数据、有场景的精准定义，避免后续分析偏离方向；从鱼头向左延伸的粗直线是 “主骨”，作为因果关系的 “主干通道”，所有原因最终都通过主骨指向核心问题；从主骨上垂直分出的若干 “大骨”，则是原因分类的一级框架，是后续拆解的基础维度。

在具体分析时，鱼骨图的核心在于 “分层拆解、层层深入”，且大骨的维度设计需贴合场景灵活调整，避免生搬硬套。制造业场景中，最常用的是 “4M1E” 维度 ——“人”（如操作员技能、培训情况）、“机”（如设备精度、维护频率）、“料”（如原材料质量、存储条件）、“法”（如生产工艺标准、操作流程）、“环”（如车间温度、清洁度）；服务业或互联网运营场景，则多采用 “5P” 维度 ——“人”（如客服态度、员工效率）、“流程”（如售后处理步骤、用户注册路径）、“产品”（如服务功能、商品质量）、“场所”（如线下门店布局、线上页面设计）、“政策”（如退款规则、促销活动机制）。确定大骨后，需从每个大骨延伸出 “中骨”（二级原因），再从中骨拆解 “小骨”（三级及以上具体原因），例如分析 “物流延迟” 时，“人” 的大骨下可拆 “配送员效率低”（中骨），再细化为 “新配送员未熟悉路线”“高峰期人手不足”（小骨），直到原因具体到可验证、可干预。