数据好看，决策难做：一个观察者的笔记

做行业观察这些年，我越来越觉得，数据本身不产生决策，它只是把决策的难度换了个位置。去年接触过一家区域连锁超市，他们上线了销量看板，每天更新各门店的SKU动销率。老板第一反应是砍掉动销后20%的商品。执行三个月后，整体毛利反而掉了4个百分点。原因不复杂：那些低动销商品里，有一部分是老年顾客专程来买的，砍掉之后连带损失了其他购买。数据没错，错的是把相关当因果。

这件事让我重新审视一个老问题：数据在决策链条里到底该放在哪一步。我的经验是，数据适合回答“发生了什么”，不太适合直接回答“该做什么”。2022年我跟踪过一家快递加盟商的排班调整，他们用过去六个月的派件量做预测，把周末的临时工砍了三分之一。结果第一个月就爆仓，因为那半年恰好覆盖了两次电商大促，周末峰值被拉高了，模型把特殊当成了常态。走势判断里，时间窗口的选择比算法本身更关键。

后来我跟他们的运营主管聊，他说了一句挺实在的话：“数据告诉我上周六派了8000件，但没告诉我这周六会不会因为隔壁小区封路而少2000件。”这句话点出了预测的边界。预测能给出概率区间，但决策往往需要处理区间之外的意外。我的观察是，成熟的团队会把数据分成两层用：一层是趋势层，看月度、季度的方向；一层是异常层，盯单日或单周的偏离。两层混在一起看，就容易把噪声当信号。

再说一个正面例子。杭州有一家做同城配送的小公司，规模不大，日均单量3000左右。他们没买昂贵的调度系统，而是让调度员每天记录三个数：上午9点的待派单量、骑手在线率、以及前一天的取消率。连续记录了四个月后，他们发现取消率超过6%的日子，第二天上午的待派单量通常会高出均值15%左右。基于这个规律，他们提前在那些日子多排10%的机动骑手。半年下来，超时率从8.2%降到了5.7%。这里面没有复杂的模型，核心是持续观察加小步验证。

我常被问到，数据量要多大才够做决策。这个问题本身可能问反了。更实际的问法是：你打算用这个数据承担多大的决策风险。如果只是调整货架陈列，一周的数据就能试；如果要改仓库布局，至少得看一个完整的季节周期。2021年我见过一个家具品牌，用两周的线上浏览数据决定砍掉一款沙发，结果那款沙发在线下门店的转化率是线上的三倍。数据量不小，但结构错了。

还有一个容易被忽略的点：数据呈现的方式会反过来影响决策者的判断。同一组销售数据，用折线图画出来和用柱状图排出来，讨论的焦点会不一样。折线图让人关注变化速度，柱状图让人关注绝对差距。我参加过几次复盘会，发现把图表从折线换成柱状之后，大家讨论的问题从“为什么增速掉了”变成了“哪个区域拖了后腿”。这不是图表骗人，而是视觉暗示在引导注意力。做数据观察的人，得对自己用的呈现方式有警觉。

回到决策本身。我的经验总结起来大概三条：第一，数据用来缩小选项范围，不用来直接拍板；第二，任何预测都要配一个“如果错了怎么办”的预案；第三，观察的节奏比观察的精度更重要，日报、周报、月报各有各的用途，混着用容易乱。这三条都不新鲜，但真到做决定的时候，能想起来的人不多。数据是工具，决策是责任，这两件事最好别混为一谈。