SCPR 框架是一种用于结构化问题解决和高管沟通的方法，常见于管理咨询场景。它把一次完整的分析或汇报拆成四个部分：Situation（情境）、Complication（变化/复杂性）、Problem（问题）、Recommendation（建议）。
一、框架组成
S - Situation（情境）：市场或业务的当前状态。需要回答“整体格局如何”，建立基线背景，描述变化发生之前的稳定环境。
C - Complication（变化/复杂性）：近期出现的转变或变化。需要回答“最近发生了什么变化”，例如新的市场动态（AI 兴起、监管变化、竞争威胁），它是制造紧迫感的催化剂。
P - Problem（问题）：需要解决的清晰问题。需要回答“必须回答的具体战略问题是什么”，常见例子包括“如何增长收入”“如何进入新市场”“如何降低成本”。问题必须具体且可回答。
R - Recommendation（建议）：建议采取的行动。需要回答“应该做什么、在什么时间之前完成”，给出解决问题的优先行动，可以按议题树分支来组织（不必只列最高优先级事项），要求具体、可执行、有时间限制。
二、核心原则
MECE（相互独立、完全穷尽）：建议之间不应重叠，合在一起应覆盖所有必要行动，每条建议针对问题的不同方面。
清晰：每个部分都应简洁；问题陈述必须可回答；建议必须可执行。
三、示例：科技创业公司的产品转型
情境：一家 Series B 阶段的 SaaS 创业公司，ARR 为 1500 万美元，向创意机构和营销公司销售项目管理软件。产品聚焦任务管理、资源分配和客户协作。拥有 200 家机构客户，平均合同金额 7.5 万美元。历史上产品市场契合度强，同比增长 25%，毛留存率 90%。
变化：ChatGPT、Notion AI、Claude 等 AI 工具正成为工作流自动化的替代方案。客户使用指标在过去 6 个月下降 15%。离职访谈显示，机构正在用 AI 处理项目简报、状态更新和资源规划——这些正是当前产品的核心功能。三个企业级交易（50 万美元管道）被暂停，理由是“正在评估 AI 优先的解决方案”。
问题：我们应如何重新定位产品和商业模式，以便在 12 个月内恢复 25% 以上的增长，同时与通用 AI 工具竞争？
建议：
产品：在 2025 年第二季度前推出 AI 原生工作流引擎。集成 LLM 用于自动化项目范围界定和任务拆解；基于技能和可用性进行 AI 驱动的资源匹配；以机构特定上下文（品牌指南、客户历史、创意工作流）形成差异化。
定位：在 2025 年第一季度前从“项目管理”转向“AI 增强的机构运营”。围绕“理解机构工作流的 AI”重塑信息传达；强调相对通用工具的集成优势；瞄准 ChatGPT 缺乏机构特定记忆和流程的空白。
定价：在 2025 年第二季度前引入基于用量的 AI 层级。基础平台保持固定费用（7.5 万美元）；AI 功能按自动化/生成次数收费；从高用量客户获取价值，同时保护下行风险。
四、使用方式
创建 SCPR 结构时：从 Situation 开始（建立基线）；识别 Complication（发生了什么变化）；把 Problem 表述为具体问题；制定带时间线的 MECE 建议。
分析现有内容时：把事实提取到 S/C/P/R 四类中；检验 Problem 是否具体；验证 Recommendation 是否符合 MECE；补充缺失的时间线。
审查 SCPR 时：Situation 是否只包含必要背景（而非面面俱到）？Complication 是否近期且紧迫？Problem 是否可回答且具体？Recommendation 是否相互独立且完全穷尽？每条 Recommendation 是否包含“在什么时间之前”？
五、常见错误
情境过于详细：只保留必要背景。
把变化当成问题：二者不同。变化是“发生了什么改变”，问题是“要解决什么问题”。
问题含糊：“改善业务”过于宽泛，“在 12 个月内将收入提高 40%”才是具体的。
建议相互重叠：确保 MECE 结构。
没有时间线：建议中始终要包含“在什么时间之前”。
六、适用场景与限制
该框架适用于战略分析、商业汇报、产品转型论证、高管沟通等需要结构化表达的场景。资料未提供其具体平台支持、收费方式、安装命令或技术实现细节，这些信息暂未提供。