数据做决策，靠直觉还是靠观察？

一家连锁便利店把热饮上架时间从10月提前到9月中旬，依据是过去三年同期的气温走势：日均温降到18℃以下的日期，每年都在提前。这个决策不算复杂，但它背后有一条清晰的链条——记录、比对、调整。另一家店没有这样的记录，店长凭感觉在10月第一周上架，连续两年错过了降温前的两周销售窗口。差别不在聪明程度，而在有没有可用的数据。

直觉决策并非没有依据，它的依据是经验。经验的问题在于样本量小、反馈慢、容易被最近一次成功或失败放大。2019年一项针对零售采购的调研显示，采购人员对某类商品销量的预估，平均偏差在23%左右；而有连续12个月销售数据支撑的预估，偏差收窄到9%。数据的作用不是替代判断，而是把判断的起点从“我记得”挪到“记录显示”。这个挪动看起来小，累积起来差别很大。

不过，数据本身不会说话。同一组销售数据，可以读成“需求在涨”，也可以读成“促销拉动的短期波动”。区别在于有没有追问数据是怎么产生的。一个常见的例子：某款产品连续三个月销量走高，团队据此加大备货。事后复盘发现，销量上涨是因为渠道从两家扩展到五家，单店销量其实在往下走。如果只看总量走势，结论就是反的。观察数据时，得同时看结构、看口径、看是不是有新的变量进来了。

制造业对数据的用法更直接。一条产线把设备振动频率、温度、停机时长记录下来，做趋势比对，能在故障发生前几天看到异常。某汽车零部件厂的数据显示，提前预警的维修，平均停机时间比事后抢修少67%。但这不是“有了数据就能预测”的故事。这家厂花了半年时间清洗传感器数据，剔除了换班、检修、原料批次变化带来的干扰。没有这一步，预警系统每天报错十几次，工人干脆把提示关了。

数据在决策中的位置，取决于决策的类型。重复性高、反馈周期短的事，数据很好用，比如库存补货、排班、定价区间。变量多、反馈周期长的事，数据能提供参考，但很难单独决定，比如是否进入一个新市场、要不要砍掉一条产品线。后一类决策里，数据更像是一盏灯，照出几个关键路口，路怎么走还得结合对行业和组织的理解。把数据当唯一依据，和完全不用数据，是两种不同的偏科。

一个容易被忽略的问题是：数据只记录发生过的事。它对“没发生的事”是沉默的。用户没有投诉，不代表满意；某款产品没有退货，不代表它合适。有时候，最有价值的信息恰恰在数据之外——那些没被点击的按钮、没被填写的问卷、没被下单的购物车。做决策时，把数据当作一张地图，而不是终点。地图能告诉你路在哪，不能替你决定去哪。

回到开头那家便利店。后来他们不只记录气温，还记录了上架时间、促销方式、周边写字楼的入驻率。数据变多了，决策反而更谨慎，因为看得到变量之间的相互影响。数据与决策的关系，大概就是这样：它不保证做对，但能让做错的时候知道错在哪。下一次调整，就多一个参照。这种积累很慢，但没有更快的办法。