产品经理的数学课 · 第17讲

蒙特卡洛模拟：用随机数理解不确定性

你无法预测未来，但你可以模拟成千上万种可能的未来，看看哪些结果更可能发生。

---

前言

你的产品下个月要上线一个新功能。你估计：

• 开发时间：3-5 周
• 用户增长：1000-5000 人
• 转化率：2%-8%

老板问：「下个月能赚多少？」

你怎么回答？

• 乐观估计：5 周开发完，5000 用户，8% 转化率 → 400 转化
• 悲观估计：5 周开发完，1000 用户，2% 转化率 → 20 转化
• 最可能估计：4 周开发完，3000 用户，5% 转化率 → 150 转化

但这些都是点估计——现实不会正好是这些数字。

蒙特卡洛模拟：用计算机模拟成千上万次，每次都随机抽取开发时间、用户增长、转化率，看看最终结果的分布。

模拟 10000 次后，你发现：

• 50% 的概率转化 > 120 人
• 90% 的概率转化 > 50 人
• 10% 的概率转化 > 300 人

这比任何点估计都有用——它告诉你结果的不确定性有多大。

---

核心概念

蒙特卡洛模拟的基本思想

蒙特卡洛模拟（Monte Carlo Simulation） 是一种用随机数模拟不确定性的方法：

1. 定义输入变量的概率分布（开发时间、用户增长、转化率）
2. 随机抽取输入变量的值（从概率分布中抽样）
3. 计算输出结果（转化人数）
4. 重复很多次（比如 10000 次）
5. 分析输出结果的分布（均值、标准差、分位数）

概率分布：输入变量的不确定性

每个输入变量都有一个概率分布：

均匀分布（Uniform）：每个值的概率相等

• 开发时间：3-5 周，均匀分布
• P(开发时间 = x) = 1/(5-3) = 0.5，3 ≤ x ≤ 5

正态分布（Normal）：均值附近概率高，远离均值概率低

• 用户增长：均值 3000，标准差 1000
• P(用户增长 = x) ~ N(3000, 1000²)

三角分布（Triangular）：最小值、最可能值、最大值

• 转化率：最小 2%，最可能 5%，最大 8%
• 三角分布：2%, 5%, 8%

随机抽样：从分布中取值

随机抽样：从概率分布中随机取一个值。

例子：开发时间服从均匀分布 [3, 5]。

• 第 1 次模拟：随机抽到 3.7 周
• 第 2 次模拟：随机抽到 4.2 周
• 第 3 次模拟：随机抽到 3.1 周
• …

输出分布：结果的概率

模拟 10000 次后，你得到 10000 个输出结果。分析这些结果的分布：

例子（转化人数）：

统计量	值
均值	150 人
标准差	80 人
5% 分位数	30 人
25% 分位数	90 人
50% 分位数（中位数）	140 人
75% 分位数	200 人
95% 分位数	300 人

解读：

• 50% 的概率 > 140 人（中位数）
• 90% 的概率 > 30 人（5% 分位数）
• 10% 的概率 > 300 人（95% 分位数）

风险量化：VaR 和 CVaR

VaR（Value at Risk）：在给定置信水平下，最大可能损失。

例子：95% VaR = -50 万，意味着有 5% 的概率亏损超过 50 万。

CVaR（Conditional VaR）：超过 VaR 时的平均损失。

例子：95% CVaR = -80 万，意味着如果亏损超过 50 万，平均亏损 80 万。

敏感性分析：哪个变量影响最大？

蒙特卡洛模拟可以告诉你哪个输入变量对结果影响最大。

例子（相关系数）：

变量	与转化人数的相关系数
用户增长	0.85
转化率	0.72
开发时间	0.15

结论：用户增长影响最大。如果想提高转化人数，应该优先提高用户增长。

---

产品经理的应用

应用场景一：收入预测

你的 SaaS 产品有 3 个不确定变量：

变量	分布	参数
新客户数	正态	均值 100，标准差 20
转化率	三角	最小 5%，最可能 10%，最大 15%
ARPU（客单价）	正态	均值 500 元，标准差 100 元

模拟结果（10000 次）：

统计量	月收入
均值	52,500 元
标准差	18,200 元
5% 分位数	25,000 元
95% 分位数	85,000 元

结论：

• 期望月收入 5.25 万
• 有 90% 的概率收入在 2.5 万到 8.5 万之间
• 可以用这个范围做预算规划

应用场景二：项目时间估算

你的项目有 5 个任务，每个任务的时间不确定：

任务	最短	最可能	最长
需求分析	2 天	3 天	5 天
设计	3 天	5 天	8 天
开发	5 天	8 天	12 天
测试	3 天	4 天	6 天
部署	1 天	1 天	2 天

模拟结果：

统计量	项目总时间
均值	22.5 天
标准差	4.2 天
95% 分位数	30 天

结论：

• 期望 22.5 天完成
• 有 95% 的概率 30 天内完成
• 可以承诺 30 天交付（高置信度）

应用场景三：定价决策

你正在决定新产品的价格：

价格	需求量（正态）	收入 = 价格 × 需求量
99 元	均值 5000，标准差 1000	均值 495,000 元
129 元	均值 3500，标准差 800	均值 451,500 元
159 元	均值 2000，标准差 500	均值 318,000 元

模拟结果（考虑需求的不确定性）：

价格	期望收入	收入标准差	5% 分位数
99 元	495,000 元	99,000 元	335,000 元
129 元	451,500 元	103,200 元	285,000 元
159 元	318,000 元	79,500 元	190,000 元

选择 99 元——期望收入最高，且 5% 分位数也最高（风险最低）。

---

常见误区

误区一：精确的输入 ≠ 精确的输出

「我精确估计了每个变量，输出应该很精确」

不确定性会累积。即使每个输入只有 20% 的不确定性，输出的不确定性可能超过 50%。这就是为什么需要蒙特卡洛模拟——它量化了累积的不确定性。

误区二：只看均值

「期望值是 150 人，我们就按 150 人规划」

均值只是中心趋势。你需要看整个分布——特别是尾部风险（5% 分位数）。规划应该基于分位数，不是均值。

误区三：分布假设错误

「用户增长服从正态分布」

正态分布是对称的，但用户增长通常右偏（有很多小值，少数大值）。用错误的分布会得到错误的结果。

误区四：忽略相关性

「开发时间和转化率是独立的」

如果开发时间长（延期），用户增长可能受影响（错过市场窗口）。变量之间可能有相关性，忽略相关性会低估风险。

---

PM/BA 应用

场景	蒙特卡洛工具	决策价值
收入预测	概率分布 + 模拟	量化收入不确定性
项目时间	任务时间分布	估算交付日期
定价	需求不确定性	选择最优价格
风险评估	VaR/CVaR	量化最大损失
敏感性分析	相关系数	找出关键变量

---

课后测验

题目 1

你的蒙特卡洛模拟显示：收入的 5% 分位数是 10 万，95% 分位数是 50 万，均值是 25 万。以下哪种说法最准确？

A. 你一定会赚 25 万
B. 有 90% 的概率收入在 10 万到 50 万之间
C. 最可能的收入是 25 万
D. 收入超过 50 万的概率是 10%

查看答案与解析

答案：B（有 90% 的概率收入在 10 万到 50 万之间）

5% 分位数 = 10 万，意味着有 5% 的概率 < 10 万，95% 的概率 > 10 万
95% 分位数 = 50 万，意味着有 95% 的概率 < 50 万，5% 的概率 > 50 万

所以 90% 的概率在 10 万到 50 万之间（100% - 5% - 5% = 90%）。

A 错误：均值不是确定值
C 不确定：均值不一定是最可能值（取决于分布形状）
D 错误：超过 50 万的概率是 5%，不是 10%

题目 2

蒙特卡洛模拟显示：变量 A 与结果的相关系数是 0.9，变量 B 是 0.3。这意味着：

A. 变量 A 对结果影响更大
B. 变量 B 对结果影响更大
C. 两个变量影响一样大
D. 无法判断

查看答案与解析

答案：A（变量 A 对结果影响更大）

相关系数绝对值越大，变量与结果的线性关系越强——对结果影响越大。

0.9 > 0.3，所以变量 A 影响更大。

行动：如果想控制结果的不确定性，应该优先控制变量 A 的不确定性。

题目 3

你模拟了 1000 次，发现 5% 分位数是 -20 万。这意味着：

A. 有 5% 的概率亏损超过 20 万
B. 有 95% 的概率亏损超过 20 万
C. 期望亏损是 20 万
D. 最大亏损是 20 万

查看答案与解析

答案：A（有 5% 的概率亏损超过 20 万）

5% 分位数 = -20 万，意味着有 5% 的结果 < -20 万（即亏损超过 20 万）。

这是 VaR（Value at Risk）：在 95% 置信水平下，最大亏损是 20 万。

B 错误：95% 的概率 > -20 万（亏损不超过 20 万）
C 错误：均值可能不是 -20 万
D 错误：最大亏损可能远超 -20 万（只是概率很低）

---

本课要点

1. 蒙特卡洛模拟 = 随机抽样 × 重复 × 统计分析——量化不确定性
2. 输入是概率分布，不是点估计——反映变量的真实不确定性
3. 输出是结果的分布——告诉你结果的不确定性有多大
4. VaR 和 CVaR：量化尾部风险——最坏情况有多坏
5. 敏感性分析：找出关键变量——控制哪个变量最有效

---

延伸阅读

• Metropolis & Ulam, 《The Monte Carlo Method》 — 蒙特卡洛模拟的原始论文
• Robert & Casella, 《Monte Carlo Statistical Methods》 — 蒙特卡洛方法的教材
• Glasserman, 《Monte Carlo Methods in Financial Engineering》 — 金融领域的应用

---

下一步

下一课：贝叶斯思维：从数据中更新信念 — 用贝叶斯定理从数据中学习。

---

工具提示：用 Excel 的 @RISK 插件或 Python 的 numpy 做蒙特卡洛模拟。从简单模型开始（3-5 个变量），逐步增加复杂度。