麥肯錫 Solve——這家頂級諮詢公司的數字化測評遊戲——已取代傳統筆試，成為麥肯錫面試流程中的第一道關鍵門檻。與簡歷篩選或案例面試不同,Solve 透過追蹤你的每一次滑鼠移動、點選模式和決策順序,實時評估你的思維方式。
超過 70% 的候選人在首次嘗試時無法透過 Solve。這個遊戲不考察背誦答案或商業框架的能力——它透過模擬生態系統和資料挑戰測試原始認知能力,而且每個候選人面對的場景都不相同。
Solve 測試什麼能力
Solve 測量麥肯錫認為諮詢工作必備的五項認知能力：
| 能力 | 測量內容 | 諮詢實際應用 |
|---|---|---|
| 批判性思維 | 分析資訊形成理性判斷 | 解讀客戶資料識別根本原因 |
| 決策能力 | 在約束條件下選擇最優行動 | 在多個戰略方案間權衡利弊 |
| 元認知 | 使用策略簡化複雜問題 | 將模糊專案拆解為可執行步驟 |
| 情境意識 | 理解變數之間的關係 | 預測市場對客戶決策的反應 |
| 系統思維 | 掌握多因素間的因果關係 | 模擬運營變化的二階效應 |
麥肯錫透過分析你的解題路徑計算「過程分數」——而不僅僅看最終答案。演算法能檢測出你是遵循系統性推理過程,還是單純靠猜。一個使用嚴謹邏輯但時間不夠的候選人,得分會高於憑運氣碰對答案的人。
遊戲格式與結構
你總共有 71 分鐘完成：
- 不計時的教程（可以反覆檢視）
- 從三種可能型別中抽取的兩個小遊戲
每個小遊戲耗時 30-45 分鐘。場景是隨機生成的,所以你的版本會與其他候選人不同。這意味著不可能照搬別人的策略——你必須理解底層原理。
三種小遊戲型別
麥肯錫在三種小遊戲型別中輪換,你會遇到其中兩種：
mindmap
root((Solve 小遊戲))
約束最佳化
生態系統構建
選擇物種
選擇地點
平衡食物鏈
災難管理
識別災難型別
轉移動物至安全地帶
資料解讀
紅巖研究
分析研究資料
預測種群數量
適應新資訊
因果關係
疾病診斷
識別症狀
反向推導原因
推薦治療方案
1. 約束最佳化（最常見）
你需要透過選擇物種和地點來構建可持續的生態系統。每個物種都有特定的環境需求（溫度、降雨量、海拔）和食物鏈中的角色。你的目標：在遵守約束條件的前提下,最大化物種存活率。
挑戰在於平衡相互競爭的需求。頂級捕食者需要獵物才能生存,但如果你新增太多捕食者,它們會耗盡獵物種群。如果你的初級生產者（植物）無法在選定地點存活,整個食物鏈就會崩潰。
2. 資料解讀 + 批判性數值推理（2024 年引入）
紅巖研究呈現一個研究場景——通常是基於提供資料的生態預測。這取代了麥肯錫已停用的問題解決測試,專注於標準數學考試無法測到的技能：正確閱讀圖表、區分確鑿證據與暗示性模式,以及陳述邏輯健全的結論。
3. 因果關係（現在較少見）
給定一個結果（如動物種群下降）和歷史資料,你需要反向推導原因。或者,給定一個原因（如降價）,你要用模式分析預測效果。這測試你能否從噪音中識別相關資料訊號。
分型別實戰策略
約束最佳化（生態系統構建）
從食物鏈的一端開始,不要從中間開始。 從初級生產者（不需要獵物的植物）或頂級捕食者（沒有天敵的動物）開始,然後線性推進。從中間開始會迫使你同時在兩個方向上猜測依賴關係。
識別並忽略無關變數。 你可能看到 8-10 個環境因素,但通常只有 3-4 個真正約束你的選擇。如果所有可用物種都能承受地點選項中的全部風速範圍,風速就是無關的——忽略它。
在紙上記錄你的嘗試。 每次試錯都會消耗時間。寫下你測試過什麼以及為什麼失敗。遊戲允許使用筆和紙——利用它們避免重複測試相同假設。
注意最大值和最小值。 像「溫度必須在 15-25°C 之間」或「每個捕食者至少需要 500 卡路里的獵物」這樣的規則創造了約束。快速識別哪些指標有閾值,並圍繞它們設計系統。
以下是生態系統構建的系統方法：
flowchart TD
A[檢視所有物種] --> B{選擇方法}
B -->|自頂向下| C[選擇頂級捕食者]
B -->|自底向上| D[選擇初級生產者]
C --> E[識別獵物需求]
D --> F[識別環境需求]
E --> G[新增支援物種]
F --> G
G --> H[檢查約束條件]
H -->|違反| I[調整選擇]
H -->|透過| J[選擇地點]
I --> H
J --> K[驗證所有物種存活]
K -->|部分死亡| I
K -->|全部存活| L[完成]
資料解讀（紅巖研究）
放慢速度,仔細閱讀新資訊。 每一輪都會引入可能推翻你初始假設的新資料。匆忙通關而不吸收更新會導致持續性錯誤。
寫下假設並測試它們。 當你對種群趨勢形成假設時,在紙上記錄下來。當新資料到達時,明確檢查你的假設是否仍然成立。能快速調整的候選人得分會高於固守已被推翻策略的人。
區分「暗示」和「證明」。 資料可能顯示相關性但不能證明因果關係。你的結論必須與證據強度相匹配。誇大發現（從暗示性資料中聲稱確定性）是關鍵錯誤。
因果關係（疾病診斷）
首先繪製變數之間的關係圖。 在深入資料之前,理解邏輯聯絡：降雨量是否影響溫度？海拔是否限制物種分佈？畫出這些關係來指導你的分析。
分離相關和無關資料。 你會收到遠超需要的資訊。在真實諮詢專案中,客戶經常提供數百份文件,但只有一個類別重要。練習過濾噪音。
降低分數的常見錯誤
基於我們對 835+ 案例面試模式和候選人反饋的分析：
錯誤1：區域性最佳化而非全域性最佳化。 你可能完美平衡了生態系統的一部分（如草食動物-植物平衡）,卻忽略了它如何影響整個食物鏈。始終退後一步檢查系統級影響。
錯誤2：忽視時鐘。 雖然提前完成不是必需的,但在第一次迭代上花費 35 分鐘會留下太少調整時間。先追求粗略正確,再最佳化。
錯誤3：不使用筆和紙。 心算在時間壓力下會失敗。做結構化筆記的候選人能避免重複失敗嘗試,並更快發現模式。
錯誤4：把它當作傳統遊戲。 Solve 獎勵系統性思維,而非遊戲直覺。你的過程比最終分數更重要。透過點選模式展示嚴謹推理。
錯誤5：試圖記憶其他候選人的解法。 隨機化使這毫無用處。兩個候選人可能面對不同的物種集、地點變數和約束條件。專注於原理,而非具體答案。
如何準備麥肯錫 Solve
麥肯錫不允許候選人在正式測評前練習實際遊戲。但你可以透過以下方式準備：
1. 練習系統思維。 解決涉及多個相互作用變數的問題——供應鏈最佳化、生態模擬或約束條件下的資源分配。訓練你看到二階效應的能力。
2. 提高資料解讀速度。 檢視圖表和資料集,然後練習陳述精確結論。資料明確顯示了什麼？它僅僅暗示了什麼？哪裡的證據不足？
3. 模擬時間壓力。 為複雜問題解決練習設定 35 分鐘限制。練習快速做出「足夠好」的決策,而不是緩慢做出完美決策。
4. 戰略性地使用不計時教程。 當你開始 Solve 時,教程不計入你的時間。閱讀說明兩遍。做筆記。在計時開始前理解目標。
Solve 在麥肯錫篩選中的作用
麥肯錫以兩種方式使用 Solve 分數：
- 淘汰簡歷強但 Solve 分數低的候選人： 糟糕的 Solve 表現可以覆蓋出色的學術成績
- 識別簡歷弱但 Solve 分數高的候選人： 強勁的 Solve 結果可以彌補不那麼知名學校的劣勢
遊戲不會取代簡歷篩選或案例面試——它是補充。即使 Solve 完美通關,也需要紮實的學術資歷和麵試表現才能拿到 offer。
透過 Solve 的候選人會進入第一輪面試,通常是一輪案例面試和一輪經驗面試。為兩者做好準備至關重要,因為僅靠 Solve 不能保證成功。
關鍵要點
- 麥肯錫 Solve 透過隨機模擬測試認知能力——記憶答案不起作用
- 「過程分數」評估你的推理方法,而非僅最終答案,透過追蹤每次點選
- 從食物鏈的一端（頂部或底部）開始生態系統問題,絕不從中間開始
- 使用筆和紙記錄嘗試、標註約束,避免重複失敗的假設
- 資料解讀需要區分資料證明了什麼與它僅僅暗示了什麼
- 超過 70% 首次失敗；系統性準備能顯著提高成功率
用 AI 反饋練習真實案例場景
麥肯錫 Solve 透過模擬測試認知能力,而真實案例面試需要結構化框架和商業判斷。CasesCoach 提供兩種互補方式來培養這些技能：
引導模式在你解題時提供面試官提示和指導——適合學習框架應用並透過結構化問題解決建立信心。我們的 AI 教練根據你的經驗水平調整,引導你走向完整答案。
專家模式模擬真實麥肯錫面試的壓力,提供最少指導和時間約束。這個模式測試你能否獨立構建問題、優先排序議題並清晰傳達洞察——正是你透過 Solve 後會面對的。
兩種模式都提供跨五個維度的即時 AI 反饋：結構、分析、溝通、商業敏銳度和計算能力。你還可以使用與案例對話功能,透過我們包含 835+ 諮詢案例的庫探索真實商業問題,像與導師交流一樣提問和測試方法。
開始你的免費 AI 模擬面試,體驗 3 個完整案例練習,或瀏覽我們的完整案例庫檢視頂級諮詢顧問每天解決的問題型別。透過 Solve 開啟大門——掌握案例面試才能拿到 offer。