如何使用数据进行决策？

日常生活里，我们决策往往凭借的是感觉、经验。

但很明显，感觉很多时候会不靠谱，让我们决策失误。

如果能有个决策模型，确定的条件出现就触发特定的行动，那我们的决策水平就会高很多。

比如，如果孩子发烧到38度以上，就给孩子吃退烧药；如果不到38度，什么都不做。在这里，体温就是设定的关键变量，体温的不同决定不同的行动，这就是决策模型。

刚才这个案例，暗示了用数据指导决策需要解决的三个问题：

第一，如何理解你面对的挑战；

第二，如何建立决策模型；

第三，如何找到决策模型中需要的数据。

如何理解你面对的挑战？

真正理解自己面对的挑战，是建立模型和用数据指导决策的前提。究竟怎么才能理解面对的挑战呢？

答案就是研究，用科学方法研究。

举个例子：

我们的任务是解决高速公路的交通拥堵。怎么理解这个问题的实质呢？如果你认为这是因为道路太少，那就会被现实狠狠打脸。新修的高速路开始很好走，但不多久就会拥堵。因为以前不走高速的现在来了，以前提前出发的现在改时间了，以前坐公交的现在开车了，这些都会造成拥堵。所以，增加新路没用。

怎么办呢？我先告诉你一个解决方案：在高速公路的入口处安装匝道控制仪，这个控制仪就监控一个数据——车流量。如果车流量高于每小时3900辆，就关闭入口。

为什么要这样做呢？我试着转述一下决策者的理解。

数据显示，40%的交通拥堵源于道路设计问题，比如三车道突然变成两车道。但是这方面的问题只会造成一般拥堵，而且可预测。另外40%的拥堵源于交通事故和坏天气，这会引起超乎寻常的大拥堵，而且不可预测。

另一方面，高速路有一个奇怪的效应，就是一旦发生拥堵，不但平均车速迅速下降，而且交通容量也会迅速下降。比如，本来一段路的容量是每小时100辆车，拥堵时可能只能容纳60辆。也就是说，交通容量降低是拥堵的结果，而不是拥堵的原因。

所以，拥堵不是道路的交通容量的问题，而是异常波动问题。只有减少异常波动，才能缓解拥堵！

匝道控制仪的作用就是维持稳定的车流量，从而保证道路上的车速和出行时间的稳定性，进而减少交通事故的发生概率。交通事故减少，又反过来进一步保证了车速和时间的稳定。事实证明，这个方案非常成功。

你看，先是把高速路拥堵这个挑战理解为异常波动的问题，才有了后面的具体解决方案。所以，理解挑战是建立决策模型的前提。

如何搭建决策模型？

理解了挑战，知道自己面对的到底是什么问题之后，接下来是第二步，怎么搭建决策模型呢？

决策模型的形式很简单，就是找到一个或者几个关键变量，建立变量的数值与行动之间的规则。

但这只是表象。其中的关键是，从理解挑战到建立决策模型中间有一个重要的转换，就是从解决一个问题转换成理解一个机制。

对高速路的案例来说，我们要把“干什么能降低拥堵”转换成“相关因素如何影响交通状况”。

这两个问题是非常不同的。你一定要体会两者的不同。解决一个问题，只是解决一个症状，这个症状可能仅仅是一个机制的特别情况。不真正了解这个机制，你就没法解决这个问题。看起来决策模型只是在通过操纵变量影响结果，但其实搭建决策模型的前提是全面理解这个机制。

而且你要明白一点，即使挑战的本质相同，但只要操控变量的选择不同，也会让决策模型不同。

举个例子，迪士尼乐园也存在很多热门景点都有的问题——排队，这让游客怨声载道。不管你的设计容量有多大，是平日还是假日，排队都不可避免。因为游客人数和到达时间是不均衡的，有时多有时少。你看，这个问题与交通拥堵的性质一样，也是异常波动的问题。

但是迪士尼认为，这是一个知觉管理问题。排队的绝对时间是一回事，排队的心理感受是另一回事。所以他们的解决方案是，一方面，在排队的路上安排各种内容，让你有的看，不会觉得无聊；另一方面，设计一个快速通行卡，你拿到速通卡，按照约定的时间来，排队时间就会在5分钟以内。

统计下来，其实游客等待的总时长并没有减少，但因为确定地知道何时可以进入游戏，就可以先安排别的事情，比如吃饭、购物等，所以你就不觉得自己在排队。问题就用这种方式解决了。

对迪士尼的案例来说，它没有解决“如何不排队”的问题，而是要知道“什么因素塑造了游客对排队的不同感觉”，然后去提高游客排队的感受。尽管迪士尼和高速路管理者面对的挑战的本质相同，但这一点差异，使得他们的决策模型不同。

搭建模型时，还有一点要注意的就是对变量的选择。只有选择了准确的操控变量，模型才是靠谱好用的。

我说一个真实的例子：

《黄碧云的小店创业课》里有一个例子。对小店经营者来说，有些商品快没了要补货，有些商品卖不动要促销。那么多商品，靠一两双眼睛肯定盯不过来，借助哪个变量来决策呢？

黄碧云说，大部分人都是看库存周期，这是不对的。为什么？因为库存周期是各种商品库存周期的平均值。这样，高周转的商品，比如水果，和低周转的商品，比如进口牛奶，数据相互抵消，可能整体库存周期看起来很漂亮，但还是有的缺货，有的积压。正确的应该用“款库比”，就是用应付账款余额除以库存金额得出来的比例。

你看，即使选择了正确的决策模型，对其中变量的选择也是一件很重要的工作。

如何找到需要的数据？

款库比这个变量，数据是现成的。

但很多情况是，我们知道一个变量重要，可就是没有数据。

比如，员工稳定是公司良好运作的前提，可怎么操作员工稳定这个变量呢？可以看员工的满意度。但是，满意度是一个概念，到哪里找这个数据呢？问卷调查根本不行，就算员工愿意说实话，你能天天做问卷调查吗？

于是，这就进入了第三步——如何找到决策模型中需要的数据？这个问题的本质就是，如何量化一个事物。

有一家公司给每位员工发一袋玻璃球，有红色的、黄色的和蓝色的。

员工每天下班时，根据自己的情绪向本部门的瓶子里投入一颗球。高兴就投红色的，一般就投黄色的，沮丧就投蓝色的。第二天早上，CEO发现哪个部门的蓝色球比平时多，就启动约谈。你看，这个量化方法是不是简单又好使？

这里，我希望你建立一个信念，没有不能量化的事物。

当然，量化有专门的方法。再给你讲一个真实的案例：

量化专家哈伯德接到一项任务，美国海军想预测伊拉克战场上海军陆战队的燃油需求量。军队执行任务，燃油量消耗极大，可又绝不能出现燃油耗尽的情况，所以供应多少才合适就是一个量化难题。

哈伯德把这个难题分拆成了三个部分——护送部分、战斗部分和常用设备部分。

常用设备部分比较稳定，沿用已经有的管理办法就好。

对护送部分的主要影响因素，哈伯德做了专项试验——在车辆上装上燃油流量表，收集并分析数据。最后得出结论，在护送部分中，所有变量里不确定性最高的就是路况。这样，先用无人机和卫星等对即将要走的路线做勘查，这部分不确定性就大大降低了。

战斗部分是另一种情况。分析发现，影响耗油量的最大因素不是作战，而是部队是不是以前来过这里。如果部队进入了陌生的地方，他们就会让耗油量巨大的发动机不停机，以便随时应对危险。而一旦发动机停机，就不能立刻启动了。所以，只要知道部队之前是否到达过此次执行任务的区域，就能准确估计耗油量了。

最终，哈伯德制作了一个Excel表格，后勤人员只要输入各种变量的数字，就可以输出预计的燃油量需求数值，按照这个预测去供给就好了。

请注意，哈伯德没有限制一线部队的使用，只是降低了燃油需求的不确定性的程度，就大幅地解决了问题。据统计，这个决策模型为每支海军陆战队每年节省5000万美元。

从燃油这个案例中，我们也可以得到一个启示，量化的实质就是降低不确定性！