画图解决“为什么”的问题
框架6：用一个多重变量图展示“为什么”
为什么要花这笔钱？
花900万美元来重建软件平台就能提升销售额，我们对此是很有信心的。只有从基础做起，才会使得软件的改进适应客户的需求。但是，我们也可以通过对已有平台的改进来节省大笔开支。我们的执行官们近期紧盯着财务报表上的盈亏数字，因此他们最可能采取后面这种办法。
为了明确我们的支出原因，我们不得不纵观一下整个行业的情况：谁是我们的竞争对手，它们的成长速度有多快，消费者和销售趋向是如何变化的，平台技术的变化会如何影响收益。只有将这些信息都整合起来，我们需要的图才会诞生。但我们怎么去整合这些信息呢？要把这么多信息有效地融入一张图里，可能吗？
“视觉化思考宝典”告诉我们，一个多重变量图的坐标系是由3个以上的变量组成的。这里我们有五六个可能有用的变量，所以我们看看将它们叠加到一张图中会发生什么。画一张详尽的、定量的、描画愿景的、有比较性的、既描述现状又展望未来的图，它是本行业“闭盒”的一扇窗。如果我们能够打开这扇窗，就可以为现在的投入提供有说服力的可视化论证。
当看到了“谁/什么”、“有多少”、“在哪里”、“在什么时候”和“怎么办”这些框架时，变量（或者不止一个的变量）就会慢慢地浮现出来。我们越是注意它们的交互作用、因果链，就会越理解为什么它们会以这种方式运作。为了把原因告诉别人，并且开始对事情进展进行预测，我们创建了多重变量图。
第五章告诉我们，当我们“内心的眼睛”将“看”的其他方式整合到一起时，我们就会看到“为什么”。要创建多重变量图时也是一样，只是这次是把它们整合到一张纸上。我们从“谁／什么”开始，经过“有多少”，转向“在哪里”，然后把“在什么时候”添加上。因为在前面的部分我们已经画过类似的草图，创建这张多重变量图就像是复习，但有两点不同：第一，我们将把一切都叠加到一张图里；第二，我们是从竞争对象而非客户开始“谁／什么”。
多重变量图：基本绘画方法与要求
1.多重变量图做起来并不难，但的确要求耐性和实践，还有最重要的是重点突出。在六种框架和上百种图示中，考虑周详、标画清晰的多重变量图是我们创建的最有用、最富洞察力的图表（对于这点我们下文会加以解释）。尽管如此，我还是想不起来在哪本商务书里介绍过多重变量图的画法。我的建议是：先从一个简单的“X-Y”坐标图开始，只要有足够的数据支持，任何两个用于定性的变量都可以是坐标（记住，如果它们看上去没什么用，你还可以替换它们）。在坐标系的第一象限里用相应大小的泡泡标出任何用于定量的变量，从一个时间点开始。然后，再在下个时间点加上另一堆表示同样变量的泡泡。你需要完成的工作是：要么是将一张多重变量图作为最终图样来完成；要么将其作为初始的记事本，可以增加越来越多的变量。
2.这碗汤要稠稀适度。一张多重变量图真正要做的是创建整体业务范围或者商业难题的尺度模型。一旦创建好，我们希望做的就是确定业务（或难题）中有限的几个方面，也许它们彼此之间会产生很大的影响，我们只需要看清这几个方面，而不需要认清其他所有变量。变量太少，我们可以画出一张简单的柱状图—在很多事上它是有用的，但不足以让我们发掘出问题的关键；变量太多，我们就回到了起点，要考虑的事情太多，最后一件也完不成。再次强调，要知道“真正准确”的数字，唯一的方法就是开始画图，然后看有用的想法什么时候会出现。
3.任何东西都可以叠加在别的东西上，但是……多重变量图的最大危险就在于它要求叠加许多种类的数据，很容易让人误认为发现了某些变量之间存在联系，事实上并非如此。这是对统计学甚至更基础的学科的挑战：将“关联”（即不同变量的相似趋向这种假象）与“因果作用”（一个变量对另一个变量的直接影响）区别开。尽管在《海滩游侠》的重播频率上标出全球温度的波动是个很诱人的想法—而且二者很可能有某种关联—但这并不意味着后者必然导致前者。
回到SAX 公司的例子上。我们面临的行内竞争对手有两类：资深派（SAX 公司，还有SM Soft、Peridocs等公司，我们和它们的竞争持续10年）和新锐派（Univerce软件和M oneyFree软件，它们几年前才出现）。这两派由于采用标准不同而存在很大差别：“三巨头”在行内已有至少10年，都在私人编码和平台上创建了各自的软件产品，提供功能繁多的软件，而且都是通过销售软件产品获得收益，可以免费提供升级包和服务支持。而Univerce和M oneyFree这两家小公司则用开放源代码创建软件产品，功能也很有限，只是通过技术支持合同取得收益，不过他们免费发布软件，然后向客户有偿地提供升级包和服务支持。
5家公司，两个不同的平台，两种商业模式。现在，我们通过简单的数字比较，进而了解去年这些公司各自的收益情况。由于我们根据规模大小标注这些公司（用相应比例的泡泡来表示收益），另一个特点也随之出现：资深派去年占据大的市场份额，而新锐派则是刚有点收益。SAX 公司以2500万美元的收益名列第一，然后是收益为2000万美元的SM Soft和1800万美元的Peridocs。而Univerce的收益为300万美元，M oneyFreez则只挣了25万美元。
我们接着说。利用分析报告、华尔街预测和业内传闻，我们可以预测明年年底这些公司的收益如何。我们早已知道 SAX 的销售额已经停滞，但还有新消息：SM Soft正在商议购买Peridocs，也就是说即将产生一个组合后的新公司，其预期收益为4000万美元。除此之外，分析员预测Univerce这个3年前还不存在的公司，收益将超过我们公司的预期3000万美元，而且超出部分在100万美元以上，从而将我们从第一位踢到第三位。甚至连小小的M oneyFree也很可能会赚到1800万美元。什么？！
这是一个在短期内发生的行业变化。除了新的崛起者，还发生了什么？很明显，在这个简单的“有多少”的示意图后面还有很多值得思考的东西。我们不仅需要看到这些公司的规模有多大，还需要根据客户、平台、技术—这些我们在模型里确定的变量—去琢磨它们在彼此的关系中处于什么位置。
让我们试试看，把不同的信息组合到一起是否会呈现出某种联系。放到一起的特定信息是我们已经知道的：竞争对手名单、平台类型、软件功能范围、收益和时间。要记住，一个多重变量图会覆盖3个及3个以上的不同标准，但为了便于开始，我们只能先画出一条或两条坐标轴并为之命名。比如，私人标准／开放标准与功能完善／功能有限。
因为我们已经确定了一个基本坐标系，这张图也就成为了一种景观图，我们所要做的只是将其他要素添加进去。既然我们已经准备好了表示去年收益（第三个变量）的泡泡，那么把它们放到坐标系的空白区域中去吧！ 比 如，SAX、SM Soft、Peridocs滑向私人式标准一侧，而其他的都滑向开放式标准一侧。垂直来看，所有泡泡都是按照功能齐全程度来安排的（首先是SAX，其次是SM Soft等等）。
到目前为止，我们“内心的眼睛”没有放过任何东西：去年，大泡泡（更多的收益）有更多的功能，并且基于私人性平台。我们并不需要用图来告诉我们。但当我们画出明年的推算数据，这就有趣了。
现在我们的图里已经有5个变量了：公司名、平台、功能、去年的收益、明年的收益。在加入更多的变量前，看看我们能观察到什么。第一，组合后的SM S-Peridocs的收益超过了我们（泡泡变大了），功能上也超过了我们（泡泡往上移了）。同时，两家公司的合并会迫使它们整合两种私人性平台，这使得它们的平台还不如以前开放（它们的泡泡往左移了）。而在这期间，我们的收益只增加了一点（稍稍长大了一点的泡泡），功能方面我们也费力地稍往上推了一点（我们的泡泡上去了）。假设我们对现有平台的功能改进一下，也许我们的平台会更开放一些（我们的泡泡会往右挪点）。
同时，我们看看图中开放式标准的一侧。资深派在收益的增长和功能的升级上都没给我们留下什么特别印象。据推算，到明年年底，Univerce不仅会在收益上超过我们，而且还会在功能方面上给我们重击。这怎么可能？
为了搞清楚是怎么回事，我们需要再加入一组数据。但在这之前，还需要在图中腾点地方出来。让我们擦去图中累积添加的一些细节，回忆杰森对我们产品提出的改进要求：灵活性、安全性和可靠性。过去，我们采用的私人性平台比开放性平台安全，但灵活性略差。为了表示出这点，我们可以把去年的图从中间垂直分为两部分：资深派一边更安全更可靠（左侧）；新锐派一边则更灵活（右侧）。
这就是为什么我们的平台在灵活性上有任何的提高，就会降低安全性和可靠性：我们的泡泡会往右移，而不会有安全性和可靠性的提高。但接下来经过几年，人们都预期开放性平台会有极大的进步和愈加完善，可以变得和我们现在的系统一样安全可靠—并且灵活性也丝毫不减。换句话说，以开放性平台为基础的公司不仅会为消费者提供更好的灵活性，还能提供封闭性平台所拥有的安全性和可靠性—即使不比我们的更好。
我们终于能够看清在我们行业里究竟发生了什么。最迟在明年，新锐派公司给消费者提供的服务就能与我们这些资深派公司平分秋色，甚至会更好。这也让我们回到了最初的问题：我们既然可以用较少的开支对已有平台进行适度改进，为什么还要花900万美元去创建新的开放性平台呢？
不管你是否相信，我们现在收集的信息和分析的结果足以告诉我们原因。本章是从一个简单的假设开始的：更多地了解我们的客户会告诉我们为什么销售额停滞不前。运用视觉化思考的六个基本框架，我们不仅回答了这个问题（是的—我们让杰森感到不怎么满意），也确实看到了怎么才能让我们的客户满意（改进安全性、可靠性和灵活性），以及怎么才能稳住我们行业老大的位置（转向开发性平台）。但这个转变要花掉900万美元，这就意味着还有一件事要做：让执行官了解原因—让他们自己看到“为什么”。
在接下来的部分，我们将根据这些图进行一场简短的执行演示。通过这样做，我们将回答有关视觉化思考的两个重要问题—每次我一谈到用画图的办法解决问题，这两个问题就会被提出：有效展示一张图的最佳方式是什么？一张排解难题的好图是否不需要特定解释？
“秀”的时刻到了！
