数据与决策 数据系列 第一篇
AI 时代，能指导决策的数据藏在哪里？
大厂系统里的数据很多，却往往在录入时就被润色过。好的 FDE，要从一线的粗数据里，提炼出没有写进报表的隐信息。
这段时间，社交媒体上常能看到一种说法，是专门说给一人公司（OPC）和小团队听的：Salesforce、金蝶、用友这些当年的 SaaS 巨头，手里握着大量企业数据，等它们真正进场，将会改变一切。
可就在前两天，又有企业家说，现在自己带着小团队动手搓一搓，CRM 也好，ERP 也好，都能做出来。
两种声音放在一起，中间其实卡着一个矛盾。
一、一个说不通的地方
如果数据真的有用，AI 又真的够强，那么最先做出惊艳垂类应用的，理应是这些手握数据的老厂。
可现实是另一番景象。不停推出新产品的，是互联网大厂和模型公司：WorkBuddy、Codex、Claude Cowork、豆包、DuMate，一个接一个。它们几乎都是通用的办公或编程智能体，不是从某个行业的数据库里长出来的，而是直接长在干活的地方：文件、表格、网页、代码和对话。
要解释这件事，只有两种可能：要么是巨头不够强，要么是它们守着的底层数据，没有那么有用。
我们并不认为是巨头不够强。它们有成熟的工程团队、充足的资金，也比谁都懂企业软件怎么卖。那么结论就只剩一个：那些被当作护城河的底层数据，并没有想象中那么有用。
反倒是巨头们多年维护的关系网，才是它们到今天还没有倒下的原因。
这张关系网里，有多年来和客户财务、IT 部门攒下的信任，有成熟的实施伙伴和渠道，也有换系统时谁都不愿意承担的那份麻烦。关系网本身其实也是一种数据：谁拍板，谁信得过谁，客户真正担心的是什么。只是这类数据从不对外公开，也不在大家常说的那些数据库里。巨头们也不会公布，自己真正的核心竞争力是什么。
巨头的事就说到这里。我们是做 FDE 的团队，不去聊巨头的基本面。不过这件事留下了一条线索：真正值钱的数据，往往不在大家看得见的那一层。所以我们更想聊的是另一个问题：在 AI 时代，真正能指导决策的数据，到底是什么？它们又藏在哪里？
二、“面数据”：录入那一刻，就被润色过了
大部分 ERP 和 CRM 里存着的，是我们所说的“面数据”。
这个“面”，有三层意思。它是面上的数据，只记结果，不记过程；它是面向上级的数据，是员工需要向上提交的东西；它还多少带着一点面子，每一条在录入的那一刻，就已经被收拾得体体面面。
收拾不等于造假。更多时候，它只是一种很自然的润色。同一件事，在系统里和在一线，常常是两个样子。
系统里记的：客户对价格有顾虑，持续跟进中。
一线的原话：对方采购说，老板让他再比一家，要个更低的价，而且拍板的人已经换了。
系统里记的：项目整体可控，个别环节略有延迟。
一线的原话：供应商的料还没到，现场一直在等，谁也不想当第一个把这件事说出来的人。
系统里记的：本月客诉较上月有所下降。
一线的原话：有几家老客户不再投诉了，因为他们已经开始试别家的货。
系统里的那几句，每一句都不算错，甚至挑不出毛病。可真正要做决定的人，最需要的恰恰是一线的那一句。
这不是员工的问题，而是结构的问题。录入的人要花时间，要承担被追问的风险，却很少能从这些数据里得到什么帮助。在这样的结构里，选一个稳妥的选项、写一句不出错的话，是最合理的做法。表单上的下拉菜单，也在把复杂的现实压进几个固定的格子里。再加上一个老道理：一个数字一旦变成考核目标，就很难再如实反映情况。
所以，面数据有一个特点：它很少出错，也很少说出问题。
三、为什么“看起来还行”最危险
说到底，这是一个数学问题。
信息论里有一个朴素的直觉：一条消息越在意料之中，它带来的信息就越少。一份每周都写着“进展顺利”的周报，读的人几乎能猜到下周会写什么，它能告诉你的东西，也就所剩无几。
润色还会做另一件事：把波动磨平。每往上汇报一层，就像做了一次平均，那些极端的、刺耳的、不好归类的内容，最先被拿掉。可问题往往就藏在被拿掉的地方：某一个客户、某一条产线、某一个时段里的异常。
汇总有时还会悄悄改变结论本身。分开看，每个区域的毛利率都在变好；合起来看，整体毛利率却在下滑，只因为低毛利区域的占比变大了。每一张表都没有算错，拍板的人却可能被带向相反的方向。
几层汇总下来，报表会呈现出一种很微妙的状态：
每一层都没有说谎，合起来却不是真相。
数字单独看都说得过去，放在一起也显得还行，只是反映不出问题。很多企业家心里那种说不清的别扭，往往就来自这里：报表挺好看，结果却总差一点；每个部门都说没问题，问题却一直都在。
老厂缺少这种意识，并不奇怪。它们的产品本身就是那张表单，服务的是看报表的人，多年积累下来的，也正是被润色过的那一层。企业家亲手搓出来的 CRM，往往也是一张新的表单，成本是降下来了，盲区却原样继承了下来。
要感觉到数据在流转中怎样被一层层磨平，需要一点数学上的直觉。这和聪明与否无关，只是很少有人会从这个角度，去看自己的公司。
四、真正有用的数据，藏在粗糙的地方
那么，能指导决策的数据，究竟藏在哪里？
答案有点反直觉：它们大多不在系统里，而在还没来得及被整理的地方。群聊里一句随口的抱怨，客服对话里客户的原话，现场随手拍的照片和语音，一份改了又改的报价，一张被打回又重新提交的审批，工单备注里那句“客户态度一般”。
我们把这些叫作粗数据。它们凌乱、口语化、不成格式，却保留着信息的锐度。粗数据里最值得读的，往往不是某一条内容本身，而是它留下的痕迹。
修改的痕迹
一份报价从第一版改到最后一版，删掉了什么，又加上了什么，往往比最后那一版更能说明客户在想什么。
时间的痕迹
客户的回复从当天变成隔天，审批在某个环节停得越来越久。这些时间上的变化，比任何一句“跟进中”都诚实。
缺失的痕迹
没有被说出来的，也是信息。一个销售突然不再更新某个客户，一个项目群突然安静下来，往往比一条差评更值得留意。
矛盾的痕迹
系统里写着“已发货”，客户群里却在问货到哪了；周报写着“可控”，现场照片里的进度却和上周没什么两样。两个来源对不上的地方，通常就是真相露出来的地方。
从这些痕迹里，把没有写进报表的那部分推理出来，就是我们所说的隐信息。它不是谁故意藏起来的，只是在层层上报的过程中，被自然地磨掉了。
五、好的 FDE，是把上下文还给每一个人
所以，真正好的 FDE，不是再给企业加一张表单，也不只是给老板做一块更漂亮的看板。
它要做的，是顺着一线本来就在产生的粗数据，把上下文铺好，让每一个人在做决定的那一刻，手边就有更接近真实的信息。销售回复客户之前，能看到这位客户一路以来的原话和语气变化；主管拿到的是偏差和异常，而不是又一份“一切正常”的汇总；老板看到的，是此刻真正卡住公司的那个瓶颈。
这里有一个很容易被忽略的地方。
数据只往上走，人就会润色；数据能回到自己手里、帮自己把事做好，人才更愿意说实话。
上下文一旦流回一线，润色的动力就会变小，粗数据也会越来越可信。这是一个会慢慢变好的循环。
这件事还有一个前提：边界。在我们坚持的交付标准里，有“无感”，不让员工为此多填一张表；有“权限边界”，哪些数据能读、谁能看到什么，事先讲清楚，并经过授权；也有“可追溯”，每一个推理出来的判断，都能回到它所依据的原始痕迹，让人自己去核对。
有边界，是对人的尊重；尊重之后，才会有真正的数据。
一个觉得自己被盯着的人，只会把话说得更圆，粗数据也就不再粗了。我们要的是决策更接近真实，而不是盯住某一个人。
AI 在这里最有价值的角色，是一个耐心的读者。它不嫌凌乱，不怕口语，能把散落在群聊、语音、照片和修改记录里的碎片拼到一起，推理出真实的一面，而不是一幅你好我好大家好的画面。
通用智能体解决的，是“会不会干活”。可每一家企业的真实情况，都藏在它自己的粗数据里。把这段路铺好，需要有人走到一线去，这也正是 FDE 里“前线部署”的意思。
写在最后
回到开头的那个矛盾。巨头系统里的数据很多，但往往失真；小团队能很快搓出一套系统，但如果喂进去的还是面数据，得到的也只是一张更快的表单。
真正拉开差距的，是能不能从粗数据里，提炼出隐信息。
如果你是一位企业家，最近总觉得决策有些不对劲，欢迎和我们聊一聊。不一定要马上上什么系统，我们可以先一起看看，那些没有写进报表的信息，藏在哪里。