数据驱动决策不是看报表，是先提问再用数据验证

Report Content

报告正文

很多公司说自己在搞"数据驱动"，落到实处是这样的：会议室挂上一块大屏，每周多出十几张报表，开会时大家盯着曲线看一圈，最后还是领导一句话定了。

数据是多了，决策方式一点没变。

真相是：数据驱动改的不是"看多少数据"，而是"决策的顺序"。 先把要做的决定和心里的假设说清楚，再拿数据去检验它，最后拍板的依然是人，只是拍板的理由从"我觉得"变成了"我们查过"。

学术上的说法很朴素。数据科学领域两位学者普罗沃斯特（Foster Provost）和福西特（Tom Fawcett）在 2013 年的论文里给过定义：数据驱动决策，指基于数据分析来做决定，而不是单凭直觉。

注意"单凭"两个字。它不排斥经验和直觉，排斥的是只有直觉、没有检验。

它的反面有个流传很广的外号，叫 HiPPO（Highest Paid Person's Opinion，说人话就是"工资最高那个人的意见"）。这个词出自网站分析专家阿维纳什·考希克，2006 年被微软的实验平台团队叫开。意思是：会上没有证据时，大家自然跟着职位最高的人走。

一个真正的数据驱动决策，大致走五步：

先问问题。 比如"这批设备要不要提前检修"，而不是"把设备数据都拉出来看看"。

再定指标。 用什么来判断"该修"？是故障次数、停机时长，还是维修成本？指标没定，数据再多也是一锅粥。

然后取数、分析。 这一步才轮到数据登场，而且只取和问题有关的那部分。

接着行动。 分析结论要变成一个具体动作，有人负责、有时间点。

最后复盘。 做完回头看：当初的判断对不对，指标选得准不准，下次怎么改。

很多企业卡在第一步。数据平台建好了，报表做了一堆，却没人说清楚"这张表是为哪个决定服务的"，于是报表越做越多，决策照旧靠拍脑袋。

换个能源企业常见的场景就更清楚。一座场站的负责人想知道"巡检频次能不能降"，顺序应该是：先写下假设"某几类设备故障率低，可以少巡"，再定用什么指标衡量风险，然后只调这几类设备的历史故障和巡检记录来验证。

验证通过，就先在一两个站试行，过一段时间再复盘对比。验证不通过，就老老实实维持原样。数据在这里的作用，是给一个想法把关，而不是凭空变出答案。

两组数字同涨同跌，不代表一个导致另一个。可能是季节、行情这类第三个因素在同时推它们。

互联网公司的办法是做对照实验（A/B 测试，把对象随机分成两组，只改一处，比较结果）。长期研究这一方法的微软前实验平台负责人科哈维等人明确指出，只看相关性来做判断，容易得出错误结论，随机对照实验是确认因果最可靠的办法。

这叫古德哈特定律，由英国经济学家查尔斯·古德哈特在 1975 年提出，后来被人类学家斯特拉森概括成一句流传更广的话：当一个指标变成目标，它就不再是好指标。

比如只考核"工单关闭数"，就可能出现问题没修好、工单先关掉的情况。数字好看了，现场没变好。

最容易取到的数据，不一定是最该看的数据。现场老师傅的判断、客户没说出口的抱怨，常常不在任何系统里。数据驱动不是只信系统里有的东西，而是清楚自己还缺什么。

有研究给过回答。麻省理工学院的布林约尔松等人在 2011 年发表研究，调查了 179 家美国大型上市公司，发现采用数据驱动决策的企业，产出和生产率比按其其他投入和信息技术使用水平所预期的高出约 5% 至 6%。

要说明的是，这是一项针对特定样本的统计研究，不等于任何企业照做都能多赚这么多。它说明的是方向：决策方式本身，也是生产力。

数据驱动决策，不是让数据替人拍板，也不是把报表越做越多。它是一种顺序：先提问、再定指标、再看数据、再行动、再复盘。

大屏和报表只是工具。真正的分水岭在于：拍板之前，有没有人认真问过一句"这个判断，我们拿什么验证过"。

为什么很多企业花了钱上系统，决策还是老样子？ 我们做了份《制造业/能源企业数字化转型成败复盘与方法论研究》——公众号后台回复关键词「AI」，领取深度报告。