为什么要为商业问题建模？
商业决策最大的特点是"答案没有标准卷"——定高了卖不动，定低了不赚钱；备多了砸在手里，备少了错失销量；增长数据看着好看，可能只是昙花一现。建模的价值，恰恰在于把这些两难局面转化成"在某些假设下，最优选择是什么"的清晰问题，让你即使拿不到完美数据，也能在合理假设下推导出一个"足够好"的方向。每个案例依旧按"现实场景 → 建模思路 → 数学表达 → 示例计算 → 反思与延伸"的结构展开,帮助你把对一个产品或生意的直觉，过渡成一个可以验证、可以迭代的模型。
- 需求会随价格变化，而且变化的方式可以刻画：价格每动一点，销量会跟着动多少——这种"敏感度"本身就是一个可以估计的量，找到它，定价就从"猜"变成了"算"。
- 不确定性不是借口，而是可以被纳入决策的变量：需求会有波动、用户会有流失，与其假装它们不存在，不如把"波动有多大""流失到什么程度算正常"也写进模型里，决策自然更稳健。
- 增长不是一条直线，而是多种力量的叠加：留存、转化、口碑传播……任何一个增长曲线的背后,都是若干简单规律相互作用的结果，理解了这些规律，才能分辨"这个增长能不能持续"。
如果你想看看同样的建模视角还能用在哪些领域，这里还有几本姊妹篇案例库：《生活与职场建模实验室》（通勤、租房、作息、薪资、跳槽）、《时事新闻建模实验室》（AI就业冲击、高温电网、养老金、舆论传播）、《体育与竞技建模实验室》（夺冠概率、配速策略、损伤风险）、《健康与生活方式建模实验室》（体重、用药、训练恢复）、《城市与环境建模实验室》（拥堵、垃圾分类、碳达峰）。
定价决策
新品定价该怎么定：基于价格弹性与利润最大化的定价模型
价格弹性
需求函数
利润最大化
微积分优化
现实场景
一款新产品即将上市,定价会议上常常陷入两派争论："定低一点走量""定高一点保利润"——双方都有道理，却都说不出"到底应该是多少"。定价从来不是孤立的数字游戏，它同时牵动着销量和单位利润这两个此消彼长的因素。
建模思路
定价问题的核心在于回答一个看似简单的问题："如果把价格提高 10%，销量会下降多少？"——这种"销量对价格变化的敏感程度"，经济学上称为价格弹性。一旦能用一个需求函数把"价格"和"销量"联系起来，整个定价问题就转化成了一个纯粹的数学优化问题：利润 = （价格 − 成本）× 销量,而销量本身又是价格的函数,对这个利润表达式求导、令导数为零，就能解出让利润最大化的价格点。这正是用微积分处理"此消彼长"型决策问题的经典范式。
数学表达
线性需求函数：Q(P) = a − b·P
利润函数：π(P) = (P − c) · Q(P) = (P − c)(a − b·P)
最优定价：P* = (a + b·c) / (2b)，由 dπ/dP = 0 解得
P 为定价，Q 为对应销量，c 为单位成本，a、b 为需求函数的参数（a 反映市场容量，b 反映价格敏感度，可由历史数据或小范围试销估计）。P* 即利润最大化时的最优定价。
示例计算
设某新品单位成本 c=40 元，通过试销估计需求函数为 Q(P) = 1000 − 8P，代入公式得最优定价 P* = (1000 + 8×40)/16 = 82.5 元，对应预期销量 Q ≈ 340 件、预期利润 π ≈ 14,450 元。对比"低价走量"策略（定价 60 元，销量约 520 件，利润约 10,400 元）和"高价保利"策略（定价 100 元，销量约 200 件，利润约 12,000 元），模型给出的 82.5 元定价点反而比两种"经验直觉"策略的利润都更高——这正是"此消彼长"中那个不那么直观的平衡点。
反思与延伸
这个模型最有意思的地方在于：最优解往往不在两个极端（最低价或最高价），而在中间某个不那么显眼的位置——这与很多人"越低越走量、越高越赚钱"的朴素直觉恰好相反。当然，模型的可靠性高度依赖需求函数的准确性，现实中的需求曲线可能并不是线性的，竞争对手的反应、品牌溢价、心理定价（比如 99 元和 100 元的微妙差异）等因素也未必能完全装进一个简单公式。但即便如此，这套"建立目标函数 → 求导找极值"的思路，仍然是处理"增加一项、损失一项"型决策的通用范式，可以迁移到广告投放强度、促销力度等大量类似问题上。
库存决策
生鲜该进多少货：基于报童模型的概率库存优化
报童模型
概率分布
临界分位数
成本权衡
现实场景
生鲜超市、面包店、鲜花店都面临同一个难题：今天到底该进多少货？进多了，卖不完的当天就要打折甚至报废；进少了，傍晚货架空了，眼看着顾客转身去了隔壁店。需求本身是不确定的——有时候是平日的 80 份，有时候赶上周末能卖到 150 份——"该备多少"看似只能凭经验拍脑袋。
建模思路
这正是运筹学中一个历史悠久的经典问题——"报童问题"：一个卖报纸的小贩，每天要决定进多少份报纸，卖不完的废纸不值钱，卖完了又会错失后续的顾客。它的关键洞察在于，备货过多和备货不足造成的损失往往并不对等——废弃一份生鲜的损失，和卖断货错失一位顾客（包括可能流失的回头客）的损失，通常是两个不同的数字。模型的核心，就是把"需求是不确定的"这件事直接写进公式：把需求看作一个服从某种概率分布的随机变量，再综合"备多了的代价"和"备少了的代价"两者的相对大小，推导出一个最优的"备货应该覆盖到需求分布的第几分位"。
数学表达
临界分位数：CR = C_under / (C_under + C_over)
最优备货量：Q* 满足 P(需求 ≤ Q*) = CR，即 Q* = F⁻¹(CR)
C_over 为备货过多时每单位的损失（如生鲜报废成本减去折价回收），C_under 为备货不足时每单位的损失（如错失的毛利加上潜在的顾客流失成本）；F 为需求的累积分布函数，CR（临界比率）越接近 1，说明"备少了"的代价相对更大，最优备货量也应相应更高。
示例计算
设某款熟食每份毛利 12 元、报废净损失 8 元（C_under=12, C_over=8），算得临界比率 CR = 12/(12+8) = 0.6；若历史数据显示日需求大致服从均值 100、标准差 25 的正态分布，查表得到第 60 百分位对应的需求量约为 106 份——也就是说，最优备货量应定在约 106 份左右，而不是直接照搬"平均卖 100 份就备 100 份"的简单做法。这个数字比"按平均值备货"高出约 6%，恰恰是为了对冲"备少了"代价更大这一结构性失衡。
反思与延伸
报童模型最深刻的启示是：当"过多"和"不足"两种错误的代价不对等时，最优策略本身就应该是"有偏的"——不应该简单地瞄准"预期最可能发生"的情形，而要瞄准能让两种错误的期望损失相互平衡的那个点。这种思路的应用远不止库存：会议室预订该留多少缓冲时间、保险公司该收多少保费、甚至个人选择"该不该多备一份简历投递"，背后都是同一种"不确定性下、两类错误代价不对等"的权衡结构。模型给出的不是"标准答案"，而是一种把模糊的"留有余地"转化为具体数字的方式。
产品增长
APP的增长还能走多远：基于留存曲线与网络效应的增长模型
留存曲线
幂律衰减
网络效应
用户规模预测
现实场景
一款新 APP 上线后用户数据一路走高，团队一片振奋："照这个势头，半年后用户规模能翻三倍！"——但几个月后增长曲线突然放缓，甚至开始掉头向下。"增长能不能持续""真实的天花板在哪里"，仅靠盯着当下这条上扬的曲线，往往很难回答。
建模思路
一个产品的用户规模，本质上取决于两股相互拉扯的力量：一边是新用户不断涌入，另一边是老用户在持续流失。要预判增长的走向，就不能只看"今天涨了多少"，而要分别刻画这两股力量各自的规律——用户流失往往不是匀速的：留下来的人，留存意愿会越来越强（"留存曲线"通常呈现先快速下降、后逐渐趋缓的形态，可以用幂律或指数衰减来近似）；与此同时，当用户基数足够大时，"朋友也在用、不用就跟不上节奏"这样的网络效应会反过来放大新用户的涌入速度。把"留存衰减"和"网络效应带来的获客加速"两股力量写进同一个动态模型里，就能更理性地回答"增长还能走多远"。
数学表达
留存曲线（幂律近似）：R(t) = R_1 · t^(−β)
网络效应增益的获客速率：New(t) = g · N(t) · (1 − N(t)/K)
用户规模演化：N(t+1) = N(t) · 留存率综合效应 + New(t)
R(t) 为第 t 期仍活跃的用户比例，β 为衰减速度（β 越大，留存下降越快）；New(t) 为网络效应驱动的新增用户，g 为基础增长系数，K 为市场容量上限——括号中的 (1 − N/K) 项体现"越接近天花板，增长越难"的现实约束。
示例计算
设某 APP 当前活跃用户 N=50 万，估计市场容量 K=300 万、留存衰减指数 β=0.35。若团队简单按"近 3 个月平均月增速 18%"线性外推，半年后预测用户数约 128 万；但代入留存曲线和网络效应模型综合计算后，半年后的预期规模约为 96 万——比线性外推低了约 25%。差异的原因在于：线性外推假设了"现在的留存率会一直保持"，而模型则刻画出留存率会随用户群扩大、新鲜感衰减而逐步走低，增长曲线终将从"指数上扬"过渡到"逐渐趋缓接近天花板"的 S 形态。
反思与延伸
这个案例最值得记住的一点是：任何增长曲线的"现在"都不能简单外推到"未来"，因为增长背后往往是多股此消彼长的力量在相互作用——留存的自然衰减、网络效应的自我强化、市场容量的硬约束。一份靠谱的增长预测，不是"把过去的斜率画到未来"，而是分别识别出这些驱动力，再判断它们各自的走向和相互的角力。这套"分解驱动力 + 动态演化"的视角，同样适用于判断一个新兴行业、一项新政策、甚至一段人际关系的"热度"能持续多久。