你的數字該找誰覆核?三個條件決定找內部還是外部

分享
你的數字該找誰覆核?三個條件決定找內部還是外部

你把訂單資料倒進 AI,回購率、客單價都算出來了,報告完整,讀起來也合理。接下來你要拿這個數字調整明年的會員預算。

數字檢查與覆核這件事本身沒什麼好討論的,該做就是要做。比較難的是找誰。

以我的經驗,公司裡如果有符合下面三個條件的人,讓他先看過一遍,通常比找外面的人有用。三個條件有缺,才是外部的人能派上用場的時候。

以下這三個條件是我這些年經驗整理,提供參考。


數字沒有被看過一遍,會發生什麼?

同一份乾淨的訂單資料,光是「分母要不要把新客算進去」這一個選擇,回購率就可以差 6 個百分點(回購率怎麼算那篇有完整的計算)。29% 和 35%,這個差距大不大,要看你拿它來做什麼。

麻煩的其實不是這 6 個百分點,是報告上不會寫它用的是哪一種算法。當你拿它跟去年比、跟同業比,或是交給下一個接手的人,比較的基準可能根本不一樣。

而且這種錯誤不會自己浮出來。它不像系統當機那樣當場報錯,會安靜地待在報告裡,等到預算花完、活動辦完、數字還是沒動的時候,才會有人回頭問「當初那個數字是怎麼算的」。

《哈佛商業評論》2026 年 3 月有份關於 AI 腦過載的研究裡,出現腦過載的人,重大錯誤的發生頻率比其他人高 39%,而研究對重大錯誤的定義是「會影響安全、結果或重要決策的錯誤」(這份研究在當 AI 越來越聰明,你覺得越累還是越輕鬆?裡有完整的引用)。用 AI 用得越深,出錯的等級越高,不是只有打錯字那種錯。

數字沒檢查,花的只是一兩個小時。沒被攔下來的錯誤,可能要等到錢花完才有人發現。


條件一:有人知道你的資料是怎麼長出來的

這裡講的不是看得懂欄位名稱,是知道那些數字當初怎麼被填進去的。

  • 這個訂單狀態,是誰在什麼情況下改的?
  • 如果組織歷經換系統,前後兩套系統對「訂單完成」的認定一樣嗎?中間那批資料是不是人工補的?
  • 客服幫客人重新下單的時候,會不會產生一筆看起來像新客的紀錄?

這些細節有時候不被記錄在系統說明書裡,也不註記在任何一份報表上。它們在做過那件事的人的記憶裡。

而且這種人通常不是主管。最知道資料哪裡髒的,往往是倉管、客服、負責出貨的同事,或者做了很久的門市店長,離現場最近的人,不是職位最高的人。

怎麼判斷有沒有這個條件:想一個具體的問題問問看,例如「我們系統裡的『取消』和『退貨』是怎麼判斷的?」如果三個人給你三個答案,那份報表的分母就還沒有定案。


條件二:那個人願意說,而且說了不會有代價

這一條是三個裡面最難的,而且它不是能力問題,是組織問題。

很多公司其實有人知道數字不對。他可能在會議上聽你講那個回購率的時候,心裡就想「那個算法沒有排除批發單」。但他沒有說。

原因倒也不難理解:因為說了要花時間解釋,解釋完可能還要負責重算;如果那個數字是老闆自己算的,開口就等於指出老闆錯了;更現實的是,那個數字如果已經被講出去、甚至已經拿來做過決定,這時候說出來的人會變成打斷進度的那個人。

這一條對老闆比較不好聽,但還是得講:它成立與否,很大一部分取決於你自己。不是說你做錯了什麼,是位置的問題。決策權在你手上,別人衡量的就不只是「這個數字對不對」,還有「說了之後我要承擔什麼」。你越確定、講得越肯定,這個成本就越高。

我遇過一位主管,他自己很會用 AI,但他知道自己有盲點,所以每次跑完數據,會把原始檔案和他問 AI 的話一起交給熟悉現場的同事,請對方核對一遍。他不是不會用工具,是清楚工具不會告訴他哪裡不對。

他做的就是主動把材料交出去,而這件事沒有人能替他做。

怎麼判斷有沒有這個條件:回想最近一次,有人跟你說「這個數字可能不太對」是什麼時候?如果想不起來,有兩種可能:你的數字一直都對,或者沒有人敢跟你說。


條件三:指標的定義有寫下來

指的是一份文件,把常看的那幾個指標各自的分子是什麼、分母算誰、期間怎麼切、哪些訂單要排除,都寫在同一個地方。

有這份東西,覆核就變成一件單純的事:拿算出來的數字對照定義,符不符合,一看就知道。沒有的話,每次算都會重新想一次定義,而每次想出來的可能都不一樣。

最容易出事的是多個部門都會用到的數字。像毛利率,財務算的、採購算的、門市算的,如果沒有一份共同的定義,三邊講的可能是三件事(毛利率多少才合理那篇有各種算法的差異)。

三個條件裡,只有這一條是你自己坐下來就能補起來的,而且只要做一次。從最常看的三到五個指標開始就好,其他的之後再補。

怎麼判斷有沒有這個條件:拿同一個指標去問三個人,它的分母算誰。三個答案一樣,代表定義是存在的;不一樣,代表每個人心裡各有一套。


那,再叫一個 AI 檢查行不行?

這是我自己也想過的問題。AI 沒有條件二的限制,你要它挑毛病它就會挑,不會考慮講出來之後要承擔什麼。

問題在於,覆核是否有用,看的是那個檢查夠不夠獨立。換一個 AI,換不掉出題的那個人:兩次提問都是你下的,你沒想到要問的事,第二次一樣不會被問到,同一個盲點會用同樣的方式再出現一次。

還有一類東西,AI 讀不到。這跟有沒有把資料餵給它無關,那件事發生的時候就沒有被正確記下來:客服口頭答應的退換貨,單子上或許不會留下痕跡;月底為了衝業績被壓到下個月才入帳的訂單,系統裡看起來就是下個月的訂單;倉管發現盤點差異,自己開一張調整單補平。

AI 讀到的是已經被改過的那筆紀錄,它沒辦法知道那筆紀錄跟實際發生的事不一樣。

所以條件一跟條件二要落在同一個人身上,才有用。知道實情的人通常不敢說,敢說的 AI 不知道實情。三個條件裡最難的就是這一層。


什麼情況下,內部的人會不夠?

三個條件都有,也不代表所有狀況都能在內部解決。有幾種情形,內部覆核會比較吃力:

要查的事橫跨好幾個部門。 每個人都很清楚自己那一段,但沒有人的位置看得到接起來之後的樣子。資料出問題的地方常常就在接縫上。

問題可能出在制度本身。 像獎金怎麼算、分潤怎麼設計,這類題目內部每個人都是利害關係人,要他中立地說「這個設計有問題」,難度跟條件二是同一種。

剛換完系統。 前後兩套系統對同一個欄位的認定常常不一樣,資料接起來的那段最容易出問題,而且會一路帶到後面每一份報表。這種時候連熟悉現場的同事也是第一次遇到。


三個條件對照下來,你缺的是哪一個?

三個條件同時成立的公司我遇過,不算多。這種情況下覆核的機制其實已經長在公司裡面了,通常會直接建議不用另外找人。

缺第三個最好處理。 自己花半天把定義寫下來就補上了,不需要找任何人。

缺第一個,要補的是內部的紀錄跟交接。 外部的人再熟悉指標,也不會比在現場十年的倉管更知道那批資料哪裡怪。不過外部的人有另一種用處:知道該去問誰、該問哪一題,這會比自己從頭摸索快一些。

缺第二個比較麻煩。 因為那不是找到一個懂數字的人就能解決的,你需要的是一個講出「這個數字不對」不用付出代價的人。這種角色在公司內部通常很稀缺,而它偏偏是三個條件裡最關鍵的一個。

如果你正在看一份自己不太確定的數字,想找人一起看一眼:

60分鐘諮詢,幫你解一個問題

常見問題

Q:我自己用 AI 算的數字,該找誰覆核?

A:先看公司裡有沒有這樣的人——知道那些資料當初是怎麼被填進去的、願意直說、而且你們的指標定義有寫下來。三個條件都有,內部覆核通常就夠了;缺了條件,外部的人比較能幫上忙。

Q:再叫另一個 AI 幫我檢查一次,不行嗎?

A:AI 願意說,這點沒問題,你要它挑毛病它就會挑。但兩次提問都是你下的指令,你沒想到要問的事,第二次一樣問不到。而且有些資料在系統裡的紀錄本身就是錯的(口頭答應的退換貨、被壓到下個月才入帳的訂單),AI 讀到的是改過的那一筆。知道實情的人通常不敢說,敢說的 AI 不知道實情。

Q:找誰覆核比較好?

A:優先找離現場最近的人,不是職位最高的人。倉管、客服、出貨人員、資深店長,通常比報表系統更知道資料哪裡髒。他們不一定懂統計,但他們知道那個欄位當初是怎麼填的。

Q:公司沒有人可以覆核怎麼辦?

A:先看是哪一種「沒有」。如果是沒有人知道資料細節,要補的是內部的紀錄與交接;如果是有人知道但沒有人願意說,要處理的是說真話的成本,這個比較難,也是外部的人比較容易介入的地方。

Q:什麼情況下內部覆核會不夠,需要找外部的人?

A:例如要查的事橫跨好幾個部門、沒有人看得到接起來的全貌;問題可能出在制度本身,內部每個人都是利害關係人;剛換完系統,前後兩套的欄位認定不一樣,熟悉現場的同事也是第一次遇到。


本文作者有 18 年企業現場營運管理經驗,專注中小零售業的指標診斷與獲利結構優化。


延伸閱讀

Read more

櫃姐一離職,熟客就跟著走?客戶名單怎麼留在公司

櫃姐一離職,熟客就跟著走?客戶名單怎麼留在公司

以前曾遇過公司的百貨專櫃要撤點,有位績效非常好的美容師不願調整服務地點,離職後其他美容師轉述,她在外面開了工作室,而她服務過的客人都沒再回來。當時附近還有其他櫃位,客人的會籍也直接幫忙轉了過去,地點沒差多少,還是有部分熟客就是沒有出現。 撤櫃掉客,在有百貨櫃的品牌並不少見。多數人的第一個反應,是趕快把會籍轉到最近的櫃點,地點的問題解決了,客人應該就會回來,但這個做法只處理了其中一種流失。轉會籍接得回跟著地點的客人,跟著人走的熟客,換了地點也不一定回來,要靠名單從源頭就歸公司才留得住。 轉了會籍,為什麼還是有客人沒回來? 撤櫃後沒回來的客人,大致可以分成兩種。 一種是跟著地點的。來這個櫃,是因為離家近、下班順路,或是逛百貨時順便。這類客人在意的是方便,櫃撤了,只要附近還有差不多方便的地方,轉會籍、再給一點轉櫃的禮遇,多半願意過去。 另一種是跟著人的。來這裡,是因為熟悉的那位櫃姐或美容師,自己的膚況、用過什麼、上次說過哪裡不滿意,對方都記得,換一個新的人,等於要從頭講一次。這類客人在意的不是地點,所以新櫃點再近也不一定會去;如果原本那位櫃姐換了品牌,或像前面那位美容師自己出

當 AI 越來越聰明,你覺得越累還是越輕鬆?

當 AI 越來越聰明,你覺得越累還是越輕鬆?

前陣子我用 AI 討論一篇文章的方向,來回改了四五輪。它每一版都寫得完整、讀起來也站得住,但我每一版都得停下來想:這個論點的根據是什麼?跟我在現場看過的對得上嗎? 結果是:這次花的時間雖然比我自己從頭寫來的少,但耗費的精神比較多。操作輕鬆了,判斷點卻變更多。 如果你也有這種感覺,用得越順、產出越快,但一天下來腦袋更沉,那不是你的錯覺,也不是你不夠會用。 為什麼用 AI 反而更累? 波士頓顧問公司(BCG)的研究團隊在 2026 年 3 月的《哈佛商業評論》發表了一項調查,把這個現象命名為 AI brain fry,中文可以譯作「AI 腦過載」,定義是:因為過度使用或監督 AI 工具,超出個人認知容量所產生的心理疲勞。[註1] 研究調查了 1,488 名美國全職工作者。在有使用

回購率怎麼算?同一份資料,卻算出兩個數字

回購率怎麼算?同一份資料,卻算出兩個數字

前陣子有人問我,他們總經理自己會用 AI,把訂單資料倒進去就算出了客單價和回購率,報告很完整。現在公司要照這個數字調會員經營的預算,但他心裡不踏實,因為他沒看到過程。 他問我要怎麼質疑這個數字。而這件事的難處在於:定義沒有寫下來,就無法對答案。 要說一個回購率不對,得先講得出對的算法長什麼樣,否則對話會停在「你覺得怪」跟「我覺得沒問題」,誰也說服不了誰。而回購率這個指標的麻煩就在這裡:它沒有唯一的算法。同一份乾淨的訂單資料,兩個人用兩種定義去算,可以差好幾個百分點,而且兩個都對。 如果你自己就是那個把資料倒進 AI 的人:你可能不會知道自己沒問什麼。 所以這篇先把回購率的定義拆開講,再講拿到一個回購率數字的時候,可以從哪裡檢查。 1. 回購率怎麼算? 1.1 回購率的公式是什麼? 回購率衡量的是「客人買過之後,有沒有再回來」。最常見的寫法是: 回購率 = 重複購買的客戶數 ÷ 客戶總數 × 100% 公式本身沒有爭議,爭議在分子跟分母各自該放誰。 1.2 分母要不要算進新客?

lock-1
AI 把報告做得很好,然後呢?

AI 把報告做得很好,然後呢?

前陣子我把自己網站的搜尋數據丟給 AI,請它幫我看看現況。它回來的報告比我預期完整:哪些頁面有被收錄、哪些網址已經失效、哪些關鍵字有缺口沒補到,一項一項列好,還附上判讀。 這些數據本來就在後台,我自己也看得懂,只是讓它代勞。但我得承認,它整理得比我有耐心,判讀也沒什麼可挑的。這件事已經過了「AI 能不能幫忙」的階段:它已經會做,而且做得很好。 我接著問下一題:「所以,這個免費下載要不要改版?要不要乾脆做成付費商品?」 它給了兩條路的優缺點,各自附上根據,格式漂亮,邏輯通順。但看完我發現,決定還是在我桌上。它把材料全部備齊,就是沒有替我決定。 不是它不肯。我如果明確要它替我決定,它會很乾脆地選一條,甚至直接動手做。它沒替我決定,是因為我的指令一直是:給我選項跟根據,決定我自己來。 為什麼我堅持這樣用?這篇想講的就是這件事。 AI 可以替你決定,不能替你承擔。 AI 接手的是哪一層? 以前「會看報表」