Antigravity Agent
2a2a1ad3b1
- 10_Wiki/Topics/Thinking & Reasoning/ 다수 신규 토픽 추가 (3C, 4P, 5 Whys, 7S, 80/20 법칙, 인과관계, 디자인 씽킹 변형 등) - Premium/Logic Tree/ 11개 파일 → Thinking & Reasoning 으로 흡수 - Premium/Thinking & Reasoning/ 동기화 갱신 - memory/long_term.json + .DS_Store 자동 갱신 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
68 lines
6.2 KiB
Markdown
68 lines
6.2 KiB
Markdown
---
|
|
id: 로직-트리
|
|
title: "로직-트리"
|
|
category: "10_Wiki/Topics"
|
|
status: "draft"
|
|
verification_status: "conceptual"
|
|
canonical_id: ""
|
|
aliases: ["Logic Tree", "와이 트리", "하우 트리", "왓 트리"]
|
|
duplicate_of: ""
|
|
source_trust_level: "B"
|
|
confidence_score: 0.85
|
|
created_at: 2026-05-24
|
|
updated_at: 2026-05-24
|
|
review_reason: ""
|
|
merge_history: []
|
|
tags: ["research", "맥킨지식문제해결 프로세스"]
|
|
raw_sources: ["NotebookLM Synthesis"]
|
|
applied_in: ["세이코도 제과공장 재건", "성수대교 붕괴 원인 분석", "생산 현장 기름 유출 원인 규명", "스타벅스 매출 증대 전략", "항공사 운영비용 절감 구조화"]
|
|
github_commit: ""
|
|
---
|
|
|
|
# [[로직-트리]]
|
|
|
|
## 🎯 한 줄 통찰 (One-line insight)
|
|
복잡한 문제를 MECE 원칙에 따라 계층적으로 분해하여 문제의 전체 구조를 시각화하고 해결의 실마리를 찾는 맥킨지식 구조화 도구이다 [1-3].
|
|
|
|
## 🧠 핵심 개념 (Core concepts)
|
|
1. **MECE (중복 없이 누락 없이):** 로직 트리의 논리적 완결성을 보장하며 사각지대를 제거하는 핵심 원칙이다 [4-6].
|
|
2. **계층적 분해:** 큰 문제를 하위의 작은 단위로 쪼개어 다루기 쉬운 형태로 구조화하는 과정이다 [3, 7, 8].
|
|
3. **유형별 분화:** 목적에 따라 구성 요소를 파악하는 What 트리, 원인을 분석하는 Why 트리, 해결책을 강구하는 How 트리로 나뉜다 [2, 9].
|
|
4. **논리적 일관성:** 각 계층의 가지들이 유사한 '폭과 깊이'를 유지하도록 설계하여 분석의 균형을 맞춘다 [5, 10].
|
|
|
|
## 🧩 추출된 패턴 (Extracted patterns)
|
|
- **Divide and Conquer:** 한 번에 해결하기 힘든 큰 덩어리의 문제를 조그만 단위로 쪼개어 각각에 대한 해결책을 마련함으로써 전체를 정복한다 [11-13].
|
|
- **Top-down Structure:** 최상위의 핵심 과제(Issue)에서 시작하여 하위로 뻗어 나가는 나뭇가지 형태의 논리적 상세화 패턴을 보인다 [2, 14, 15].
|
|
- **가설 지향적 접근:** 제한된 팩트를 바탕으로 수립한 '초기 가설'을 검증하기 위한 분석 지도(Map)로 로직 트리를 활용한다 [16-18].
|
|
|
|
## 📖 세부 내용 (Details)
|
|
- **정의 및 역할:** 로직 트리는 MECE 사고를 기초로 문제의 구조를 파헤치는 도구이며, 문제 지형도의 완전성을 확보하고 어디를 해결하는 것이 가장 중요한지 명확하게 해준다 [1, 16]. 이는 제한된 시간 속에서 문제의 확산과 깊이를 논리적으로 파악하게 돕는다 [3].
|
|
- **주요 유형 상세:**
|
|
- **What Tree (요소 분해):** 대상 영역이 무엇으로 구성되었는지 명사구 형태로 분해하여 문제의 소재를 발견하고 전체 숲을 조망할 때 사용한다 [2, 19, 20].
|
|
- **Why Tree (원인 규명):** '왜 그런가(Why So)'를 5회 이상 반복하여 현상 이면의 근본 원인(Root Cause)을 깊이 있게 파헤친다 [9, 21, 22].
|
|
- **How Tree (해결책 도출):** '그래서 어떻게(So How)'를 반복하며 미래의 인과관계를 구성하고, 즉시 실행 가능한 구체적인 행동 지침(Action Plan)을 도출한다 [2, 22, 23].
|
|
- **이슈 트리와의 차이:** 로직 트리가 개념을 어구 형태로 분해하여 요인을 특정하는 데 중점을 둔다면, 이슈 트리는 가부(Yes/No) 판단이 가능한 의문문 형태로 가설의 입증 여부를 강제하는 데 초점을 맞춘다 [1, 20, 24].
|
|
- **작성 가이드라인:**
|
|
- 1차 전개에서는 반드시 MECE를 만족시켜야 하며, '기타'나 '반대 개념'을 활용해 누락을 방지한다 [5].
|
|
- 각 단계의 논리 레벨을 맞추어야 하며, 특정 항목의 비중이 압도적으로 낮을 경우 중요한 원인을 놓치는 오류를 범할 수 있으므로 주의해야 한다 [5, 10].
|
|
- 단일 시각 기반의 분류는 사각지대를 유도하므로, 필요시 복수의 축(Axis)을 설정하거나 '프로세스 분석(Flow)'과 '요소 분해(Stock)'를 병행한다 [13, 25-27].
|
|
|
|
## ⚖️ 모순 및 업데이트 (Contradictions & updates)
|
|
- **MECE의 현실적 적용:** 이론적으로는 완벽한 MECE를 추구하지만, 실제 작성 시 전체를 만족하기는 어렵다 [5]. 따라서 1차 전개 수준에서의 MECE 확보를 최우선으로 하며, 실무적 유연성을 발휘해야 한다 [5].
|
|
- **데이터 후행성의 한계:** 로직 트리는 과거 상황의 흔적인 정량 데이터에 기반하므로, 미래의 단절적인 기술 발전이나 규제 변화 같은 비선형적 변곡점을 예측하지 못할 위험이 상존한다 [28, 29].
|
|
|
|
## 🛠️ 적용 사례 (Applied in summary)
|
|
- **세이코도 제과공장:** 도산 위기 극복을 위해 매출 구조를 로직 트리로 분해하고, '외국인 관광객용 선물 과자'라는 타겟 시장을 발견하여 기사회생 전략을 수립함 [24, 30, 31].
|
|
- **성수대교 붕괴 사고 분석:** 단순 부실 시공 외에도 신도시 건설용 중장비 통행(외부 하중), 지정학적 물류 동선 등을 로직 트리로 전개하여 복합적 원인을 규명함 [23, 32, 33].
|
|
- **생산 현장 기름 유출:** '바닥의 기름'이라는 현상에서 시작해 '혼합기 누수 → 가스켓 결함 → 구매부 품질 무시 → 최저가 입찰 정책'으로 이어지는 근본 원인을 Why 트리로 도출함 [33, 34].
|
|
- **매출 증대 프레임워크:** 스타벅스나 맥도날드의 매출을 '객수 × 객단가'로 구조화하고, 다시 객수를 '시간대, 나이대, 성별'이라는 의미 있는 축으로 나누어 분석함 [12, 13].
|
|
- **유기농 제품 판매 확대:** 판매량 증대라는 과제를 '영업 생산성 제고'와 '유통 채널 확대'로 나누고, 구체적인 상담 건수 증대 방안을 How 트리로 상세화함 [35].
|
|
|
|
## ✅ 검증 상태 및 신뢰도
|
|
- **상태:** draft
|
|
- **검증 단계:** conceptual (실제 적용 사례 발견 시 applied/validated로 승격 가능)
|
|
- **출처 신뢰도:** B (Official Documentation / Primary Source via NotebookLM)
|
|
- **중복 검사 결과:** 신규 생성 (New discovery)
|
|
|
|
## 📝 변경 이력 (Change history)
|
|
- 2026-05-24: Initial draft generated via Datacollector_MAC P-Reinforce engine. |