我们亚马逊的很多重要决定是能够根据数据来做出的。决定有对错之分， 也有好坏之分，数学能告诉我哪个是哪个。这些是我们最喜欢做的决定。
开一个新的执行中心就是一个例子。我们用现有执行中心的网络的历史来预测季节高峰，并模拟增加新容量的其他途径。我们关注预期产品组合包括产品的尺寸和重量，来决定我们需要多少的空间以及我们是否需要一个设施来安放更小的可分类商品，或者是那些需要单独运送的大件物品。为了减少配送时间以及超出计划的运输费用，我们基于与顾客、与交通枢纽和现有设施的距离来分析备选地点。定量分析帮助我们更好的提升客户体验并改善我们的成本结构。
同样的，我们大多数的库存采购决定是可以被数字模拟和分析的。我们希望库存有货，并且能够立即可以提供给顾客的，我们希望最小库存总量来保持存放商品的库存的成本是低的，从而保证商品的低价。为了实现这两个目标，会得出一个正确的库存量。我们使用历史购买数据来预测一个产品的客户需求，以及这个需求的波动。我们利用卖家历史表现的数据来预测补货次数。我们基于入库和出库的成本、储藏的成本以及预测顾客的地理位置来决定一个商品在执行中心网络存放的位置。通过这些途径，我们在自己的屋檐下存放了超过了1百万件独特的商品，是顾客马上可以购买到的，同时每年的库存周转仍超过14次。
上述决定需要我们作出一些假设和判断，但在这些决定中，判断和建议仅仅起次要作用，重活是由数学计算来完成的
如你可以预想，不是所有我们的决定都能通过这种令人令人称羡，基于数学的方法做出的。有时候我们有很少，甚至没有可供参考的历史数据来指引我们，前瞻性实验室不可能、不现实的。尽管数据、分析和数学计算起了些作用，这些决定的起主要作用的是判断。
正如我们的股东所知，我们决定在我们的效率和规模能够达成的范围内，年复一年的，持续大力度的为顾客降低商品价格。这是一个不能基于数学做出的决定。事实上，我们在做降价决定的时候是反数学的，因为数学计算得出的结果是让我们提高价格！我们对于价格弹性有相当多的数据。通过精确地计算，我们能够预测某个百分比的降价会带来某件商品销量的一定百分比的提升。几乎很少有例外的是，短期量的提升是无法弥补价格降低带来的损失的。然而我们的量化计算所理解的价格弹性是着眼于短期的。我们能够预估降价将对未来一周或一季度销量带来的影响。但我们无法用数学预估持续的低价在五年或十年甚至更长的时间长度对我们生意带来的影响。我们的判断是低价形式带来的持续回归效率提升，和给顾客带来的规模经济创造了一个正向循环，从长期看给我们带来了明显更多的自由现金流，从而打造了一个更具有价值的亚马逊。我们对免费超级省运送项目和Prime会员项目做出了相似的判断——两个从短期看都是很贵的，但我们相信从长期角度是重要和有价值的。
另一个例子是，在2000年我们推出了第三方卖家来和我们的直营业务直接竞争。推出一个产品详情页上面同时放上亚马逊直营和第三方卖家的商品看起来是很冒险的。公司内部和外部都有不少人好意提醒这将会蚕食亚马逊直营的销量，而聚焦顾客的创新通常都是这样，没有办法事先证明会不会有效。我们的买家指出，将第三方卖家引入亚马逊会使得库存预测更加难做，如果我们“”在商品详情页上败给了某个第三方买家”我们的库存就会积压起来。然而我们的判断是，如果第三方卖家能够提供比我们更低的价格更好的商品可得性，我希望我们的顾客能够轻易被这些商品触达。
慢慢的，第三方售卖变成了我们业务中成功又重要的一部分，第三方售出的货品数量从2000年占总数的5%增长到了2005年的28%，这是在我们的总营收增长了三倍的情况下取得的成绩
基于数学计算的决策会获得广泛的同意，而基于判断的决策通常会马上引起争议和辩论至少是在进行实践和展现效果之前都是这样。任何无法忍受争议的机构肯定把自己的决定局限在第一种类型。在我们看来，这样做不仅能够限制争议同时很大范围的限制了创新和长期的价值创造。
我们制定决策的根本哲学已经在1997年的股东信中阐述了。这里可以摘录一下：
-我们要全力以赴的持续聚焦顾客
-我们将继续基于长期的市场领导地位来做出投资决定，而不是基于短期的利润考量或者短期华尔街的反应。
-我们将继续分析性的考量项目和投资的有效性，放弃那些没办法提供可接受回报的项目，而加码那些运作的做好的项目。我们将同时在成功和失败中学习
-我们将在我们看到有足够可能性来获得市场领先优势的领域做出大胆的投资。其中的一些将会获得成功，而有一些则不会。我们将从两者中学到宝贵的经验
你可以相信我们会把定性分析的文化和做出大胆觉得的意愿相结合。我们这么做的时候，将会从顾客出发，倒推我们的工作。在我们看来，这是为股东创造出价值的最佳途径。