数据不是答案：决策中如何用好数据

很多人以为决策就是“看数据说话”。但现实中，数据更多时候是决策的起点，而不是终点。一家连锁便利店曾发现某款饮料在A店日销30瓶，B店只有8瓶，于是把A店库存翻倍。两周后A店积压了200多瓶。原因很简单：A店靠近一所中学，那两周正好是考试周，家长接送频繁，带动了即饮消费。考试结束后，销量回落到每天12瓶。数据没错，错的是把短期波动当成了长期走势。

数据的第一层价值是描述——发生了什么。第二层是解释——为什么发生。第三层才是预测——接下来可能怎样。大多数决策失误，不是数据不够，而是跳过了第二层。去年某城市公交公司调整线路，依据是刷卡数据：某条线路日均客流从1.2万人次降到8000。运营部门准备缩减班次。但调度员多问了一句：降幅集中在哪个时段？拆开看，早高峰没变，下降全在晚高峰。再查天气记录，发现前两个月该市晚高峰降雨天数比往年多了11天。人们只是暂时改坐了地铁。第三个月天气转好，客流回升到1.1万。如果当时直接砍班次，通勤者会立刻感受到不便。

这引出一个关键动作：观察。观察不是盯着一个数字看，而是把数据放回它产生的场景里。具体可以问三个问题：这个数据是怎么采集的？覆盖了多长时间？同期还有什么变量在变？比如电商大促期间退货率上升，不一定是商品质量变差，也可能是冲动消费比例增加。把退货率和“下单到退货的间隔时长”放在一起看，如果间隔普遍短于24小时，冲动退货的可能性就更大。决策方向就从“严控质量”转向“优化详情页预期管理”。

走势比单点更重要。单点数据像一张照片，走势是一段视频。照片能告诉你此刻的表情，视频才能看出情绪的变化。一个做社区生鲜的团队曾发现，某款叶菜连续三天的销量分别是120份、95份、70份。如果只看第三天，会得出“需求疲软”的结论。但把七天数据连起来看，是典型的“周一高、周末低”周期，第三天只是周四。他们后来把订货量按星期几做了系数调整，损耗率从18%降到了9%。这就是走势的价值：它帮你区分“趋势性变化”和“周期性波动”。

预测是决策中最诱人也最危险的部分。说它诱人，是因为人人都想“提前知道”；说它危险，是因为预测天然带有误差，而决策者常常忽略误差范围。一项对零售企业补货决策的调查显示，当预测系统给出“下周销量约500件”时，超过六成的采购人员会直接按500件下单，而不是按“450到550件之间”来做安全库存。结果就是要么缺货，要么压货。更稳妥的做法是：把预测值当成一个区间，再结合缺货成本和库存成本来定最终数字。如果缺货一天损失2000元，多存一天成本200元，那显然应该偏向区间上限。

数据与决策之间，还隔着一层“人的判断”。数据能告诉你A方案和B方案的历史表现，但无法告诉你下个月会不会出现新竞品、政策会不会调整。2021年教培行业的数据再好，也挡不住“双减”政策落地。这不是数据的错，是决策者需要把“数据之外的信息”也纳入考量。一个可操作的方法是：做决策时列出三个清单——数据支持的结论、数据无法回答的问题、以及如果判断错了的补救成本。第三项尤其重要。补救成本低的决策，可以大胆试；补救成本高的，必须留足安全边际。

回到开头那家便利店。后来他们改了一个做法：任何单店销量异动超过30%，先不调整库存，而是让店长拍一张门口的照片，再查一下周边三公里内有没有新开学校、工地或地铁口。这个动作只需要两分钟，但把“数据异常”变成了“观察线索”。三个月后，他们发现真正需要长期调整库存的，只有两家店。其余都是短期因素。数据没有变，决策质量却变了。

说到底，数据是决策的副驾驶，不是自动驾驶。它提供路况、速度和方向参考，但握着方向盘的人，仍然需要看路、判断天气、决定什么时候变道。对刚接触数据决策的人来说，最实用的起步方法不是学复杂模型，而是养成三个习惯：看走势不看单点，问来源不问结果，留区间不留死数。做到这三点，大多数日常决策的准确率就能明显提升。