数据不替你做决定，但能改变你看问题的方式

一家区域连锁超市的采购主管曾跟我聊过一件事。2022年夏天，他们的一款气泡水销量连续三周下滑，采购团队的第一反应是减少订货。但运营同事拉出过去两年的销售数据后发现，这款产品在每年7月中旬都会出现一个短暂低谷，随后反弹，原因是附近一所高校放假，而8月下旬开学后销量会回升15%左右。如果只看那三周的走势，砍单是合理动作；放到更长的数据序列里，不动才是对的。最后他们维持了原计划，8月底果然等来了反弹。

这个例子不算复杂，但它指向一个常被忽略的事实：数据本身不给出答案，它只是把不同时间尺度上的规律摊开给你看。决策者真正面对的，不是“数据说了什么”，而是“我该用哪个尺度的数据来回答眼前的问题”。选错了尺度，再精确的数字也会把人带偏。

零售业有个更隐蔽的坑。某快消品牌曾根据历史销售数据做季度预测，模型显示某款洗发水在华东区应该保持8%的环比增长。但实际执行两个月后，增速只有2%。复盘时发现，模型用的是过去三年的出货数据，而这三年恰恰是渠道压货最严重的时期——经销商仓库里积压的库存，在数据上表现为“已售出”。当公司后来调整口径，改用终端扫码数据重新跑预测，增速预期立刻降到了3%左右，和实际结果接近了很多。问题不在算法，在数据源本身带了一层滤镜。

这类事在制造业和物流业同样常见。一家做城配的物流公司曾试图用历史订单量来预测车辆调度需求，结果每逢大雨天就爆仓。后来他们在模型里加了一个变量：过去72小时的天气预报。仅这一项，就让调度准确率提升了近20个百分点。有意思的是，天气预报数据并不新鲜，一直都有，只是之前没人想过把它和订单数据放在一起看。所谓“数据驱动决策”，很多时候不是缺数据，而是缺把两组看似无关的数据连起来的那根线。

但我也见过反过来的情况——数据太多，决策反而变慢。某电商平台的中层管理者告诉我，他们内部有一张实时看板，上面滚动着三十多个指标：转化率、客单价、复购周期、退货率、页面停留时长……每次大促前调整策略，团队都要花半天时间争论“看哪个指标”。后来他们做了一个粗暴的减法：只保留三个与当季核心目标直接相关的指标，其余全部折叠。决策效率反而上去了。这说明数据在决策中的价值，不在于“全”，而在于“对准”。

从这些案例往回看，数据对决策的作用大致可以分三层。第一层是验证：你有一个判断，数据告诉你对不对。第二层是修正：数据暴露出你没想到的变量，比如天气、开学时间、渠道库存。第三层是重构：数据让你意识到原来的问题问错了——比如“该不该砍单”可能不是关键，“该用出货数据还是终端数据”才是。多数人停留在第一层，少数人会走到第二层，能到第三层的，往往需要跨部门的观察和反复试错。

这也解释了为什么“预测”这件事在商业决策里经常被高估。预测的准确率当然重要，但更关键的是：当预测错了，你的决策链条能不能快速调整？一家做生鲜配送的公司曾分享过他们的做法：每天凌晨根据前一天的销售数据和当天的天气、节假日信息生成补货建议，但补货量最终由门店店长在系统建议的基础上做±20%的手动调整。系统负责给出基准线，人负责处理系统看不到的局部信息——比如隔壁新开了一家早餐店，或者某个小区突然封路。这种“数据打底、人工微调”的模式，比纯算法或纯直觉都更稳。

说到底，数据与决策的关系，不是“数据告诉你该怎么做”，而是“数据帮你把问题的轮廓画得更清楚”。它不能替你承担决策的责任，但能让你在按下按钮之前，多看见几个原本看不见的角落。对做观察的人来说，这或许是最值得记录的一点：好的决策，往往不是选对了答案，而是问对了问题。