数据是地图，决策是走路：一次零售库存的观察笔记

去年秋天，我跟踪了一家连锁便利店调整进货策略的过程。这家店在三个城市有47家门店，过去店长凭经验订货，结果A店酸奶经常剩到过期，B店却总在下午断货。总部后来做了一件事：把过去18个月的POS机销售数据按门店、品类、天气、星期几拆开，先算出一个“正常周”的基线。比如C店周三下午的饭团销量，基线是42个，上下浮动8个。这个数字不是拍脑袋来的，是18个月里所有周三下午的均值。有了基线，店长再订货时心里就有个锚点，而不是全靠感觉。

观察到的第一个方法是：先找基线，再看偏离。基线本身不复杂，麻烦的是数据清洗。他们发现有一家门店在2022年6月连续三天销量为零，查下来是那几天收银系统升级，数据没传上去。如果直接把这些零值算进去，基线会被拉低。团队最后剔除了异常点，用前后两周的均值补上。这个细节说明，数据不会自己说话，得有人先问一句“这个数为什么长这样”。走势也是同样道理，单看一天的涨跌没意义，把时间轴拉长到12周，才能看出是季节波动还是趋势变化。

第二个方法更实用：把预测拆成“大概率区间”而不是一个点。总部给每个门店的订货建议不是“订50个”，而是“建议区间45到58个，低于40可能缺货，高于65可能压货”。这个区间来自历史数据的标准差。以D店的三明治为例，工作日中午的销量均值是31个，标准差4.2个，那么32到40个之间覆盖了大约七成情况。店长在这个区间里，结合当天有没有附近学校考试、有没有下雨，自己定最终数字。跟踪了三个月，D店的报废率从7.3%降到4.1%，缺货投诉也少了。数据在这里的角色是画出一个范围，不是替人做决定。

第三个方法关于阈值。很多决策失误不是因为没看数据，而是看了太多数据，不知道哪条该触发行动。这家公司最后定了三条硬线：单店单品报废率连续两周超过8%，自动触发品类复盘；某单品销量走势连续三周下滑超过15%，触发下架评估；某门店缺货率单周超过5%，触发补货流程检查。阈值的好处是把日常观察变成规则，不用每天开会讨论。但阈值定多少，需要试。他们最初把报废率红线定在5%，结果触发太频繁，店长疲于应付，后来调到8%才合适。这说明数据规则本身也需要被数据检验。

不过，数据能帮的忙有边界。我注意到一个案例：E店在景区旁边，数据上看，五一假期前三天矿泉水销量是平日的6倍，但那年五一前一周一直下雨，预测模型按历史同期给出了高订货建议。店长犹豫了一下，还是订了。结果假期第一天放晴，游客暴增，货不够卖。第二天他临时补货，但物流要隔天到。事后复盘，数据没有错，错在把“历史同期”当成了“今年一定”。那年的天气预报在假期前三天已经显示转晴，只是没人把天气数据接进订货模型。数据与决策之间，缺的往往不是更多数据，而是把不同来源的数据放在一起看。

从这次观察里，我记下几条可操作的做法。第一，任何决策用的数据，先确认采集口径有没有变过，系统升级、换POS机、改分类，都会让数据断层。第二，看走势时至少拉长到8到12周，短期的波动多数是噪音。第三，预测给区间不给点，区间宽度反映的是不确定性，不是精确度。第四，阈值要少，三条以内，多了没人执行。第五，留一个“人工 override”的入口，允许店长基于现场观察推翻数据建议，但要求记录原因。三个月后回看这些记录，往往能发现模型漏掉的变量。

数据对决策的价值，更像地图对走路的价值。地图告诉你路况、距离、大概方向，但走不走、走多快、要不要绕路，还得看走路的人。那家便利店最后没有追求“全自动订货”，而是把数据当成一个每天早会上的参考项。店长们说，以前订货靠猜，现在订货靠看，但最后还是自己拍板。这个状态可能不够“智能”，但足够真实。决策的质量，不取决于数据多完美，而取决于用数据的人是否清楚：哪些是数据说的，哪些是自己判断的，哪些是运气。