在正式開啟本文之前，請先問問自己是否有過以下這種情況：

- 點外賣時，美團/餓了麼

比你更懂

你想要吃什麼？

- 看影片時，抖音/快手的推送

總是

能讓你一直

不停

刷下去？

在資訊時代，

大資料和演算法的敏銳嗅覺也許已經遠遠超過了人類自己

。

基於海量資料的支援和精妙演算法的估計，各種模型推算出的對於各種情境下的預判和決策，往往會更為準確。因此有很多公司開始逐步

使用DDD（data-driven decision-making）工具的幫助，以完成各類決策的制定。

但是，機器也有錯的時候呢？演算法再精準，樣本資料覆蓋不全，對實際情況考察不夠的情況也時有發生，因而在實際的應用中，機動的管理者們的酌情處理能力就顯得格外重要——

畢竟美團演算法再精準，你還是會偶爾想要換個口味不是？

但隨著DDD工具的愈加完善和普及性應用，對經理等管理者們是否還需要開放酌處權呢？又需要放開多少？這對公司的效益又會產生多少影響呢？

為回答這些問題，研究者們與一家大型汽車配件零售公司合作，對此進行了實證研究。

背景

·SKUs與DDD

stock-keeping units

（SKUs）即庫存單位，本實驗中以此作為標識汽車零售配件庫存的基準單位。

data-driven decision tools（DDD）

即資料驅動決策工具，現已經被廣泛地應用到公司的各類決策制定之中。

·零售商角色

零售商（也即類別經理）及其團隊成員執行著零售組織的核心職能。每個零售商單獨負責所有與類別相關的活動：分類決策、採購、庫存補充以及定價和促銷等。零售商們往往需要對

零件庫存管理

做出許多戰略，戰術和運營方面的決策。

·產品線評估

零售商每四周都會在本地資料庫中識別出無用的SKU，並將其移除。

第一步：

DDD會基於複雜的機器學習演算法，利用大量不同的資料變數來生成預測。例如，如果該SKU在上一年未在商店中銷售，而在下一年在該商店中銷售該產品的可能性低於維持盈利能力所需的閾值，則該產品將被標記為“需要從該商店中移除”。

第二步：

在由DDD生成所要刪除的SKU商店組合列表後，商家會對此重新進行稽核：如果商家拒絕DDD工具的建議，則該產品還會繼續保留在庫存當中，並且在銷售後重新補充庫存；而對於商家同意刪除DDD工具的SKU配件，對該配件的補貨會立即停止，剩餘的庫存則被出售給客戶。

零售商與研究者們想透過進一步的實證研究，判斷自動執行產品刪除決策的可能性——

還需要

商家們對DDD判斷結果的再次判斷和一票否定權嗎？

實驗

1.任務機制

本實驗在實際的產品線審查流程中引入了一項實驗干預措施。

DDD工具確定了30，731個要移除的SKU，每個SKU中的儲存都被隨機分配為處理組和對照組。在DDD工具生成清除清單之後及商家重新判斷之前，在後臺對資料進行了隨機化。因為商家們不知道該實驗，因此他們仍然會像往常一樣地進行處理。零售商隨機選擇85％的商店（對照組），對這一部分資料維持原有的處理措施；對於其餘15％的商店（處理組），則直接執行DDD工具的刪除決策，完全剔除商家們的進一步處理及對應SKU的補貨。

研究者們發現，根據處理組和對照組之間的SKU預測，商店的銷售量及銷售價值在統計上幾乎沒有差異。

2.測算measures

研究者們在實施干預措施後的一年（13個計劃期）內跟蹤兩組中每個商店中這些SKU的定期可用性和銷售情況。我們將績效衡量為SKU在干預後的13個期間內在商店中產生的年利潤（PRFT）。

處理組和對照組的對照共有五種情況

在對照組中，無論商家們是同意還是拒絕DDD所給出的刪除清單，決策都會被執行。而對於處理組，則直接實施DDD工具關於從已識別商店中刪除SKU的建議。研究者們分別對這兩組中的情況，將13個期間的利潤相加，由此計算不同情況下獲得的年度利潤。

3.商家們的酌處權的價值究竟是什麼？

由於商家們可能擁有DDD工具所不具備的一些私人資訊和渠道，如果以這些資訊作為依據，那麼他們所做出的決策可能會比DDD工具更加對公司利潤有益。但是這種益處並不是可控的，商家仍然有可能缺乏有效的私人資訊，或是由於其他種種原因而導致錯誤的判斷。

為了檢查處理組效的效果，研究者們使用如下回歸規範：

研究者在下表中以巢狀的方式展示了迴歸分析的結果：

RCT1（無固定效果），RCT2（SKU固定效果）和RCT3（SKU和儲存固定效果）顯示了主要效果模型的結果，即處理組的影響效果。RCT1，RCT2和RCT3的平均治療效果分別為0。0075、0。0076和0。0079。而所有估計值均為5％。

研究者們發現，

限制甚至取消商家們的酌處權反而可以提高公司的盈利能力。

4.酌處權在什麼樣的情況下更有價值？

研究者們使用零售商指定的分類（與行業規範一致）來識別SKU的PLC：

成長階段（汽車使用年限<= 5年）；成熟階段（用於5年以上但≤10年的汽車）；下降階段（使用年限>10年）。

由此計算出成熟和下降階段的SKU增長分別為6。30％，72。72％和20。95％。而增長階段產品（36。19％）的平均變異係數高於成熟階段產品（22。10％）和下降階段的產品（24。03％）。而上一年度每個SKU增長階段，成熟階段和下降階段產品的平均銷售額分別為2。12（4。51），4。51（18。48）和6。02（17。68）。

這表明，

商家的酌處權對具有較高不確定性和較低資料可用性的成長階段產品更為有益。

但是，

對於處於成熟階段和下降階段的SKU，商人的干預則反而會會損害其盈利能力

（由此減少的利潤分別為其毛利率的7。82％和17。89％）。

小小總結

經過本次的實證實驗，零售商們發現

抑制商家們的酌處權是極有必要

的，因為這對利潤的影響要比他們想象的還大。但是，他們也並不想讓商家們等關鍵決策者感到被疏遠。因而他們正在進行一種試點測試：即

允許商家更改演算法輸入的某些方面

，但

不再擁有直接否決DDD工具輸出結果的酌處權

。

而由大資料和演算法支援的決策自動化，也有望在不久的將來改變許多行業的工作性質。

——“由於自動化的力量，每個零售組織的歷史核心（即銷售職能）正處於一個關鍵的拐點”。

本研究僅關注了

決策自動化對短期盈利的影響

。而未來的研究則可以更加關注於取消商家們酌處權後的長期影響：例如，對供應商之間關係的改變以及對管理者們技能的影響等。短期內的決策制定自動化或許會幫助我們做出更為合理的規劃，但是對於自動化變革的腳步卻需要緩步慢行，需要考慮到對於產業和現有環境方方面面的影響。

畢竟，資料和演算法只是我們的工具，我們卻絕不能反過來被它們所捆綁。