如何有效使用亲和图-河南省质量协会[官网]

如何有效使用亲和图

来源：作者：信息员点击数：日期：2026-06-18

亲和图（Affinity Diagram）的精神是“让数据自己说话，让结构自然浮现”。但实践中它常陷入两类困境：一是机械化套用——按“外观/功能/服务”等预设标签分组，分类完成了，洞察没有产生；二是形式主义归类——两条客诉因共享“发热”关键词被归为一类，但一个根源在SoC调度，另一个在充电IC效率，完全不同。两种困境根源相同：分类框架被预先锁定，数据只是被塞进既有格子。解法不在工具本身，而在思维层面——回到第一性原理。
→ 预设框架是洞察的天敌；数据一旦装入现成的筐，结构就已经死了。
第一部分：第一性原理思维的核心
第一性原理（First Principles Thinking）的定义简洁而激进：将问题分解到最基本、不证自明的组成要素，从这些要素出发重新构建推理——不依赖任何类比、惯例或既有框架。马斯克追问“火箭原材料成本是多少”，发现仅占售价2%，证明行业定价不是物理定律而是可打破的惯例。它的实质是识别并悬置默认假设，追问它们是否为不可约简的基本事实。

维度	类比思维	第一性原理思维
起点	既有方案、行业惯例	事物最基本的构成要素和因果关系
问题定义	“别人怎么做？我们优化一下”	“这件事的本质是什么？”
分类方式	按已有标签、部门边界	按因果结构、根本机制
产出	增量改进	范式重构

→ 第一性原理不是从量子力学推导，而是逼问你默认接受的前提是否经得起追问。
第二部分：从第一性原理审视亲和图底层逻辑
1.客诉的本质。客诉的本质 = 用户期望与实际体验之间的偏差。三个关键属性：①偏差有方向性——实际低于期望产生负面客诉，超出则触发正面反馈，理解方向性有助于区分“期望管理”与“产品质量”问题；②期望是分层级的——狩野纪昭模型区分基本型、期望型、兴奋型，不同层级的改进逻辑完全不同；③偏差不等于原因——“充电慢”描述现象，根因可能是IC策略、电池老化或线材阻抗。亲和图的任务是从现象追溯结构。
→ 客诉是症状，不是诊断。
2.分类的本质目的。分类不是为了“有条理”“便于汇报”，而是以因果结构为线索，使每组现象指向可独立分析、可验证、可改进的根本原因。三个硬约束：可分析——能提炼出“为什么”，而非“这些都是投诉屏幕的”；可验证——可通过实验检验，而非“设计不够好”式笼统判断；可改进——落在可行动域内，而非“用户期望过高”这类死胡同。
→ 分类质量不看标签自洽，而看每个分组能否独立导出可落地的改进方向。
3.同类判定标准。两条客诉是否同类，标准不是关键词共享、部件相同或场景一致，而是：是否由同一因果机制产生。

客诉A	客诉B	表面判断	因果判断
玩游戏发热	充电烫手	同类(都“发热”)	不同类:SoC功耗 vs 充电IC效率
视频通话模糊	远景照片不清	不同类(视频vs拍照)	可能同类:共用ISP降噪算法
更新后耗电快	待机掉电30%	同类(都耗电)	需区分:后台索引重建 vs App唤醒锁

相关关系不是分类依据，因果关系才是。人脑天然擅长识别关键词相似性，而因果推理需要系统化方法弥补认知局限。
→ 分类的依据是因果同源性，不是表面相似性。
第三部分：实操方法论
1.核心原则。传统路径：客诉→直觉/预设框架→分组→分析。直觉是既有框架的产物，会无意识污染数据结构。第一性原理路径：客诉→逐条因果还原→因果聚类→命名→验证。关键差异：在分组前引入因果还原步骤，框架仅在聚类后用于沟通。
→ 让框架在聚类后介入，而非在直觉阶段污染数据。
2.四步法。第一步——逐条因果还原。每条客诉拆为三要素：偏差现象、因果假设（允许多条）、期望层级（基本/期望/兴奋型）。将客诉从“描述”升级为“因果假说”。第二步——因果聚类。依据假设重叠度分组：假设指向同一机制→同类；现象相似但假设不同→不同类；现象不同但假设指向同一根因→同类。第三步——逆推根因。追问“如果这个根因不存在，这组客诉是否还会出现？”——不会则正确，可能还会则继续深挖。第四步——验证与排序。可验证的优先；区分“高频低严重度”和“低频高严重度”；识别分组间因果关联，上游问题优先解决。
3.三条硬原则。原则一：分组数量由因果结构决定，不为“一页纸”压缩或为显深度拆分。原则二：存在不可归类项是正常的，强行归类会模糊因果信号。原则三：分组标签指向因果机制而非主题域——“屏幕类投诉”是无效标签，“OLED低亮度PWM调光导致视觉不适”才指向可行动方向。
→ 亲和图的纪律不是把数据分得漂亮，而是拒绝用熟悉的框架替代真实的因果。
第四部分：案例演示
某手机厂商收集42条投诉，选取12条代表性客诉演示完整流程。
1.逐条因果还原及聚类

编号	客诉原文	因果假设	层级
C01	更新系统后手机莫名发烫	系统服务持续运行未释放	基本
C02	上午11点只剩30%电	同C01：后台高负载→耗电+发热	基本
C03	待机一晚上自动关机	App后台唤醒锁未释放	基本
C04	阳光下拍照屏幕看不清	屏幕峰值亮度不足	基本
C05	阳光下导航完全看不到	同C04：峰值亮度+反光不足	基本
C06	关灯最低亮度仍刺眼	最低亮度校准值偏高	期望
C07	充电需插好几次才有反应	Type-C接口pin脚氧化	基本
C08	快充经常触发不了	接口接触不良→CC通信异常	基本
C09	微信视频画面暗	ISP曝光策略偏向背景	期望
C10	前置摄像头噪点多	传感器尺寸小，信噪比不足	期望
C11	外放开最大破音	扬声器超出线性工作区	期望
C12	蓝牙看视频声画不同步	播放器未做AV同步补偿	期望

2.聚类结果与根因推断

分组	客诉	共同因果机制	根因推断	优先级
G1	C01-C03	后台异常高负载→发热+耗电	后台服务缺少超时和电池感知机制	高
G2	C04-C05	峰值亮度不足	HBM模式未覆盖极端户外场景	中
G3	C06	最低亮度过高(独立个案)	最低亮度校准值偏高	低
G4	C07-C08	接口接触不良→充电异常	引脚镀层耐磨性不足	高
G5	C09-C10	前置弱光画质不足	传感器尺寸受ID设计约束	中
G6	C11	大音量失真(独立个案)	PA增益曲线极限段失配	低
G7	C12	蓝牙延迟未补偿(独立个案)	播放器缺少AV同步模块	低

G3、G6、G7为独立个案，如实反映因果结构的自然分布。强行归类会破坏分析纯度。
3.与传统方法对比。传统按关键词分组——“续航/发热类”“屏幕类”“充电类”“相机类”——只能导出“这个方面要加强”式无用建议。第一性原理驱动的分组则每个对应可验证的因果机制和可落地方案。优先级基于因果影响范围（G1影响续航+发热两条链路）、上游效应（G4接口问题解决后充电相关投诉也会消失），而非凭直觉。
→ 传统分组给你一个漂亮的目录，因果分组给你一张可执行的地图。
结语。亲和图的价值，不在整理出漂亮的图，而在能否听到数据在说什么。第一性原理逼问三个常被跳过的问题：客诉的本质是什么？分类的目的是什么？两条客诉同类的标准是什么？当这三个问题被认真回答后，亲和图自然从“按经验填格子”变为“基于因果发现模式”。这不是方法论的复杂化，而是回归川喜田二郎的原初精神：让数据自然聚类，让结构自然浮现。第一性原理所做的，不过是清除了数十年惯例积累中附着的冗余假设，让这一精神重新可操作。
→ 听到数据在说什么，比把数据整理得多好看重要的多。

【关闭窗口】【返回顶部】