報表不是資料，是議程｜算完之後，人在那一步做什麼

前面三篇講的都是機器那一側：資料怎麼進來、怎麼洗乾淨、怎麼算出人眼看不到的關係。這一篇講機器停下來之後的那一步。

先講結論：報表的本質是排序，而排序就是決定今天不看什麼。這一步目前沒辦法省略，它同時是整個系統的瓶頸和它的價值所在。

算完不會自己變成行動

資料算完，我手上會有一份清單：哪些頁在掉、哪些需求沒人承接、哪些文章在互相搶、哪些內容過期了。

每一條都是對的，每一條都值得處理。問題是它們加起來超過任何人一週能做的量。

所以報表真正在做的事，不是「告訴我發生了什麼」，是「告訴我先看哪一個」。而先看哪一個的另一面，就是決定其他的今天不看——這件事沒有辦法從資料本身推出來，因為資料不知道我這個月想把力氣放在哪裡、不知道我下個月有什麼別的事、也不知道哪一塊對我的生意比較重要。

換句話說，報表把「發生了什麼」處理完了，剩下的「所以呢」還在人身上。

機器排得出優先度，排不出「我知道這篇有問題」

排序有一部分是可以交給機器的，而且應該交。頁面掉了多少、多久沒更新、排名在第幾頁、有沒有人在搶，這些都有數字，寫成規則讓機器每次自動排好，比人排得穩定，也不會今天心情不好就漏掉。

但有一類永遠排不進去：我自己知道某一篇裡有個數字算錯了。

這件事沒有任何欄位記著。它不會讓排名掉、不會讓流量少、在所有指標上都完全正常。它只存在於我的記憶裡，而我必須手動把它插到隊伍最前面。

我花了一段時間才接受這不是系統沒做好，而是這件事本來就不在資料的觀測範圍裡。機器能排的是「看起來該修的」，排不出「我知道它錯了的」。

一個當天發生的例子

寫這個系列的時候，我讓 AI 幫我盤點整套系統裡有哪些資料源。

它交出一份清單，其中一條寫著我有一條銀行帳戶的月結資料管線在運作。

我看到那條的反應是：這什麼？這不是掛在這個網站底下的東西啊。

回頭查，那張表一筆資料都沒有。它只是一個當初預留的空位，欄位都建好了、名字也取好了，但管線從來沒有接上去，真正的資料在另一台機器的手工檔案裡，跟這個系統完全沒有關係。

AI 沒有說謊，它看到的東西都是真的：那張表存在、欄位齊全、命名合理。它推論出「這是一條在運作的管線」，在資料層面完全講得通。

錯的地方在於，那個推論需要一個資料裡沒有的前提——我對自己事業版圖的認知。我知道銀行那件事不住在這裡，所以那句話一出現我就覺得不對。

機器能告訴你欄位存在，不能告訴你「這不合理」。

這個例子我特別留下來，因為它不完美，而且犯錯的是機器那一側。它比任何抽象的論證都更能說明第四步為什麼還在。

行為資料與人講的話，是兩種證據

還有一件事報表算不出來。

我可以從資料看出一篇文章的表現在掉、一個讀者好幾期沒開信、一塊主題的需求在縮小。這些都是行為，都是真的。

但資料回答不了「他為什麼願意推薦我」。

這就是為什麼我在整張地圖上留了一個位置給 NPS。它只有一題，問的不是你喜不喜歡，而是你會不會推薦給別人。這一題的答案不在任何後台裡，只能去問。

兩種證據要分開看，也不能互相取代。行為資料量的是「發生了什麼」，NPS 量的是「在他心裡值多少」。一篇文章可以流量很好但沒有人會提起它，也可以流量普通卻是別人介紹我時會拿出來的那一篇。只看前者，我會把後者砍掉。

所以第四步是什麼

把這些放在一起，人在這一步做的事其實只有三件：

• 決定今天不看什麼。這是排序的另一面，也是最常被跳過的一件。
• 把資料看不到的東西插進來。包括我知道哪裡有問題，也包括我知道這個月想往哪裡走。
• 判斷一個結論能不能成立。兩個數字出身不同的時候，結論要收到什麼程度，這件事沒有標準答案。

這三件都還在我身上。但這一年我做的大部分工程，其實是在把它們一件一件交出去——有些交得掉，有些交不掉，還有兩件是我刻意不交的。

那是下一篇，也是這個系列的最後一篇。

本文關鍵字：報表設計、優先度排序、NPS、資料判讀、內容經營