众多研究表明，对重复性的常规决策，依据决策标准，简单模型的预测准确度高过人工判断。不管是做需求预测，还是医疗诊断，大学录取，都是如此。

比如同样的预测者，同样的产品，同样的环境，每次的预测都可能不一样。没有别的原因，根源就是人做判断时的不一致性：每次决策，人总是想调整些什么，否则觉得就跟没有增加价值似的。有个专门的名词，叫“虚幻的控制感”，就是用来描述人的这种心理。做了点什么，让你心里感觉更踏实；但因为每次的决策标准都有不同，决策的一致性就成了问题。

对于这种不一致性，我们可以考虑把预测拆分为两部分，有重复性的（存量）交给数据模型，没有重复性的（增量）拆分出来让判断。这样对于存量部分，就根本不让人来碰：如果预测模型都从数据中找不出规律的话，让人从数据里面看出则纯属徒劳。拆分以后，即便判断有不一致性，也只影响增量部分。试想想，存量是100，增量是20个，都让判断的话，误差10%就相当于12个；但如果只判断增量的话，误差就变成了2个，对整体的影响显著更小。

对于增量部分，我们要尽可能地借助统一的标准和决策流程，采取更加结构化的方式来应对。前面讲过的德尔菲专家判断法，从定义问题到组建专家团队、提供背景信息、循环判断等，就是这样的流程。再比如在定期的S&OP会议上，让各职能单列增量，加上基准预测，得到最终预测，也是结构化的做法。

此外，还有一系列的方法，也可以提高判断的质量：

• 在“从数据开始”上，人脑算不过电脑，不要调整数理统计的结果。如果数据有问题，直接调整数据，比如清除一次性需求，清洗短缺、过剩造成的需求异动等。

• 只做大的调整。制定严格的调整规则，什么能调整，什么不能，也有助于避免为了调整而调整（虚幻的控制感）。人工做的小调整往往让准确度更低，做还不如不做[1]。

• 调整百分比，而不是数量。百分比更加符合一般人的直觉。比如问某产品的销量可能增加多少，与问可能增长的百分比，后者一般更加容易判断。

• 避免过于乐观——研究表明，悲观的调整更准确，所以尽量不要拔高基准预测[2]。

• 采用费米估算法，把大的问题层层分解，然后适当估算，即便在微小要素上误差较大，也不会显著影响整体的判断质量。百度一下“芝加哥有多少钢琴调音师”就知道了。

• 聚焦背后的故事和假设，而不是数字。甚至让一线业务人员讲故事，由计划人员来量化（做判断）。这就相当于孩子放学回家，妈妈问饿还是不饿，很饿还是很不饿，而不是孩子究竟要吃几碗饭。

• 大的调整，以书面形式记录下来。一方面，这促使调整者更加认真对待；另一方面，这有利于后续闭环分析。管理层的主要调整，让他们签字确认——他们往往远离需求预测，调整的准确度不一定高。

• 形成闭环，反馈学习、改善。结果出来后，对比预测和实际值，反馈给判断者。比如哪些假设实现了，哪些没有；哪些估计准确，哪些不准确。判断能力是可以培养的。向失败学习：失败的例子让大家变得更聪明。