前面文章中，我们将方法论比作“刀”、数据比作“粮”，没有涉及谁更重要的问题。但如果必须二选一的，应该是：方法论更重要。
但这需要一个精确的注解：方法论决定了数据的“生死”——它定义了哪些数据值得看、哪些数据是噪音、以及这些数据究竟意味着什么。
一、9C系数的诞生
9C系数不是从数据里“挖”出来的。在2022年8月首次公开9C系数时，公式就已经确定了：
> 9C系数 = [（扣非净利润 + 经营性现金流净额）/ 2 - 财务费用] / 净资产
这个公式不是用大数据跑回归跑出来的，而是基于现实中真实痛点的逻辑推导：
- 为什么加经营性现金流？因为实践中见过太多“有利润没现金”的公司暴雷——这是逻辑判断，不是数据启示。
- 为什么减去财务费用？因为实践中见过太多高杠杆公司死于加息——这是风险认知，不是统计结论。
方法论在前，数据在后。 如果先看数据再定公式，那就不是9C系数了，那叫“数据拟合”——换个样本可能公式就变了。
二、数据的真正价值
如果说方法论定义了“怎么看”，那么数据回答的是“看什么”——具体到9C系数，就是参考线的数值怎么定。
- 回归线为什么是0.3？优质线为什么是0.2？警惕线为什么是0.1？
- 这些数字不是公式推导出来的，是在大量企业数据的基础上总结出来的。
这就是数据的价值：它不创造公式，但它给公式装上“刻度”。
如果没有数据，9C系数只能说“越高越好”，但决策者不知道0.15算好还是算差、0.08算危险还是算普通。数据给了方法论一个可操作的标准。
但请注意：参考线的调整，永远在9C系数的框架内进行。 数据可以建议把优质线从0.2调到0.18，但数据永远不会建议把“扣除财务费用”这个动作去掉。因为那是方法论的内核，数据无权修改。
三、对决策者而言
回到9C方法的应用场景：决策者时间稀缺，需要的是判断和结论，不是原始资料。
当一次9C资本决输出“应退”的定级时，决策者不需要看4524家公司的原始数据，他只需要知道：这个结论是怎么来的、依据什么逻辑、经过了哪些验证。
方法论提供的就是这个“逻辑链”。
它是一个完整的推理链条。数据在这个链条中扮演“证据”角色，但整个链条的骨架——逻辑关系、判断标准、决策规则——全部来自方法论。
如果只有数据，没有方法论，决策者拿到的会是一堆图表和一页数字，然后问：“所以呢？我该怎么办？”
方法论回答的就是这个“所以呢”。
四、一个必须澄清的误区
强调方法论更重要，并不是说数据不重要。
没有数据，方法论就是“悬在空中”的——参考线定不出来、趋势看不出来、造假识别缺乏对照基准。年度报告写不出来，闭门诊报告里的“行业位置”判断也无从谈起。
但两者存在一个明确的位次关系，方法论的位置是在数据之上的。
决策者最终需要的是“判断”，不是“报表”；是“结论”，不是“信息”；是一把能切开迷雾的刀，而不是一袋还没下锅的米。
9C方法论的独特价值，不在于它收集了多少数据，而在于它定义了“什么是好、什么是坏、什么是真、什么是假”，并给出了可重复、可验证的判断规则。