什么时候该建模，什么时候不该

被问得最多的问题不是“你们能不能做”，而是“我这个问题值不值得做”。我们内部的判断标准很简单，三条，缺一条就劝退。

第一条：这个决策足够贵，且会重复发生

建模的成本是固定的，收益却取决于决策的金额和频次。开一家店的错误成本是几十万，一年开三十家，这就值得算；办公室采购哪个品牌的打印机，一年一次、差价几千块，凭经验拍板更划算。

重复性尤其重要。一次性的决策就算金额大，模型也只用一次，摊销不下来；而备货这种每天都在做的决策，模型上线之后每天都在产生价值。所以我们更愿意接“高频 × 中等金额”的项目，而不是“一次性 × 大金额”的。

第二条：数据能覆盖你想问的那个变化

这条最容易被忽略。想知道“降价 10% 客流会怎么变”，前提是历史上价格变动过——如果三年没调过价，再多的交易数据也估不出弹性，因为数据里根本没有价格变化这个信号。同理，想预测新业态门店的销量，而你所有的历史门店都是同一种业态，模型只能外推，外推就意味着不确定性大到无法作为决策依据。

判断方法很直接：把你想问的问题写成“当 X 变化时，Y 会怎样”，然后去数据里找 X 变化过的记录。找不到，就先设计一次小范围试验制造数据，而不是硬算。

第三条：结论能被检验，也能被执行

能被检验，指的是模型给出的答案在未来某个时点会被现实证实或证伪——预测的销量三个月后可以对账，推荐的点位开业后可以复盘。不能被检验的结论，本质上是意见不是模型。

能被执行，指的是结论落到具体的人和动作上。“建议优化供应链效率”没法执行；“这 12 家门店的午市备货量下调 15%，由区域经理在系统里改参数”可以执行。我们在立项阶段就会问：如果模型算出来是这个答案，谁在什么系统里改什么？答不上来，这个项目大概率会变成一份没人用的报告。

不该建模的时候，我们通常建议什么

• 问题其实是“看不清现状”，不是“算不出未来”——先把报表做对，成本低得多。
• 数据缺关键字段——先补数据采集，哪怕只是让店长每天多填一个字段，三个月后再来算。
• 决策的真正阻力是组织而不是信息——大家心里都知道该关掉哪几家店，缺的是拍板的人，不是模型。这种情况模型只会变成推卸责任的工具。

我们在第一次沟通里就会把这三条过一遍。判断下来不值得做，我们会直说——留住一个“这次没做成但记住你很实在”的客户，比做一个双方都不满意的项目划算。