EXA Enterprise
KR|EN|JP|CN|VN
Published on

BA04-3. [系列第二篇] 投资组合概率管理 — 用贝叶斯解读整个销售漏斗

BA04-3. [系列第二篇] 投资组合概率管理 — 用贝叶斯解读整个销售漏斗

投资组合概率管理 — 用贝叶斯解读整个销售漏斗

"只见树木不见森林的销售会错失全局。只有用概率俯瞰整片森林，战略才会显现。"

引言：从单个交易到整个销售漏斗

在系列第一篇中，我们探讨了如何计算单个交易的胜率 P(Win)。然而，现实中的销售组织不会只管理一个交易。在销售总监的办公桌上，几十、上百个交易正在同时推进。

“本季度的销售目标是500亿韩元。靠现在漏斗里的交易能达成吗？”

对于这个问题，传统的回答是将各个销售人员的自我评估进行简单加总：

交易销售人员预估概率交易价值预期贡献收入
A公司 ERP建设80%120亿96亿
B公司 云迁移60%80亿48亿
C公司 安全解决方案90%50亿45亿
合计250亿189亿

189亿？离500亿的目标还差得远。但是，这个数字有多可靠？A公司的“80%”是谁决定的？这个80%是高估了还是低估了？

贝叶斯投资组合管理为所有这些问题提供了在数学上诚实的答案。

第一部分：预期收入的贝叶斯计算

1.1 基本公式：概率加权收入

如果已经为每个交易 ii 计算了 EXAWin 的 P(Win)，那么整个销售漏斗的预期收入 (Expected Revenue) 就是：

E[Revenue]=∑i=1NPi(Win)×ViE[\text{Revenue}] = \sum_{i=1}^{N} P_i(\text{Win}) \times V_i

在这里，ViV_i 是交易 ii 的预期合同金额。

1.2 反映不确定性的三阶段预测

但是，仅仅有 P(Win) 是不够的。利用在系列第一篇中学习到的置信区间 (Credible Interval)，我们可以进行反映整个销售漏斗不确定性的三阶段预测。

利用每个交易的95%置信区间 [Pi,lower,Pi,upper][P_{i,lower}, P_{i,upper}]：

保守预测=∑i=1NPi,lower×Vi\text{保守预测} = \sum_{i=1}^{N} P_{i,lower} \times V_i 预期预测=∑i=1NPi(Win)×Vi\text{预期预测} = \sum_{i=1}^{N} P_i(\text{Win}) \times V_i 乐观预测=∑i=1NPi,upper×Vi\text{乐观预测} = \sum_{i=1}^{N} P_{i,upper} \times V_i

1.3 场景：包含5个交易的销售漏斗

交易交易价值P(Win)α + βCI LowerCI Upper成熟度
A公司 ERP120亿78.5%41.066.1%91.0%🌳 Mature
B公司 云计算80亿62.3%12.535.8%88.8%🌿 Growing
C公司 安全50亿85.2%55.075.9%94.5%🌳 Mature
D公司 AI200亿45.1%8.015.6%74.6%🌱 Early
E公司 维保30亿91.3%120.086.2%96.4%🌳 Mature
三阶段收入预测： 保守=120×0.661+80×0.358+50×0.759+200×0.156+30×0.862\text{保守} = 120 \times 0.661 + 80 \times 0.358 + 50 \times 0.759 + 200 \times 0.156 + 30 \times 0.862 =79.3+28.6+38.0+31.2+25.9=203.0 亿韩元= 79.3 + 28.6 + 38.0 + 31.2 + 25.9 = \textbf{203.0 亿韩元} 预期=120×0.785+80×0.623+50×0.852+200×0.451+30×0.913\text{预期} = 120 \times 0.785 + 80 \times 0.623 + 50 \times 0.852 + 200 \times 0.451 + 30 \times 0.913 =94.2+49.8+42.6+90.2+27.4=304.2 亿韩元= 94.2 + 49.8 + 42.6 + 90.2 + 27.4 = \textbf{304.2 亿韩元} 乐观=120×0.910+80×0.888+50×0.945+200×0.746+30×0.964\text{乐观} = 120 \times 0.910 + 80 \times 0.888 + 50 \times 0.945 + 200 \times 0.746 + 30 \times 0.964 =109.2+71.0+47.3+149.2+28.9=405.6 亿韩元= 109.2 + 71.0 + 47.3 + 149.2 + 28.9 = \textbf{405.6 亿韩元}

向管理层报告：“以当前的销售漏斗为基准，本季度的预期收入为304亿韩元。保守估计为203亿，乐观估计为406亿。为了实现500亿的目标，我们需要额外获取约100~200亿规模的新交易。”

这就是不只报告一个数字（“304亿”），而是同时报告不确定性范围的贝叶斯方法。管理层可以在保守方案（203亿）和乐观方案（406亿）之间，做出认知到风险的决策。

第二部分：交易优先级矩阵 — 应该把精力投入到哪里

2.1 P(Win) × 交易价值矩阵

销售资源是有限的。5名销售人员无法同时管理50个交易。核心在于应该把重点放在哪些交易上。

我们使用二维矩阵进行分类：

交易价值 高 (≥ 100亿)交易价值 低 (< 100亿)
P(Win) 高 (≥ 70%)🔴 最优先：全身心投入🟡 效率：快速完成签约
P(Win) 低 (< 70%)🟠 战略：集中培养或放弃🟢 观察：最小化管理

应用到上面的5个交易中：

  • A公司 ERP (120亿，78.5%) → 🔴 最优先
  • D公司 AI (200亿，45.1%) → 🟠 战略 (价值最大但概率低 → 需要集中培养)
  • C公司 安全 (50亿，85.2%) → 🟡 效率 (快速完成合同)
  • B公司 云计算 (80亿，62.3%) → 🟡/🟠 边界 (需要收集更多信号)
  • E公司 维保 (30亿，91.3%) → 🟡 效率 (基本确定，最小化管理)

2.2 考虑证据成熟度的优先级调整

即使 P(Win) 很高，如果证据成熟度是 🌱 Early，那么这个概率也是不稳定的。D公司 AI 交易（200亿，45.1%，🌱 Early）的置信区间 CI 是 [15.6%, 74.6%]，范围极其宽泛。

Expected Value=P(Win)×V=0.451×200=90.2亿\text{Expected Value} = P(\text{Win}) \times V = 0.451 \times 200 = 90.2 \text{亿}

但在保守情境下：

Conservative=Plower×V=0.156×200=31.2亿\text{Conservative} = P_{lower} \times V = 0.156 \times 200 = 31.2 \text{亿}

预期值90.2亿与保守值31.2亿之间的差距高达59亿。这个差距越大，意味着风险越高。

EXAWin 将此显示为预期值波动率 (Expected Value Volatility, EVV)：

EVV=(Pupper−Plower)×V\text{EVV} = (P_{upper} - P_{lower}) \times V
交易EVV解释
D公司 AI(0.746 - 0.156) × 200 = 118.0亿非常不稳定，急需补充证据
B公司 云计算(0.888 - 0.358) × 80 = 42.4亿不稳定，需要收集证据
A公司 ERP(0.910 - 0.661) × 120 = 29.9亿稳定，集中精力签约
C公司 安全(0.945 - 0.759) × 50 = 9.3亿非常稳定，收尾阶段
E公司 维保(0.964 - 0.862) × 30 = 3.1亿确定，只需日常跟进

战略洞察：D公司 AI 交易的预期值为90亿，但 EVV 高达118亿。这是一个强烈的警告：“这一个交易就可能左右整个季度的业绩，但目前证据还太少。”必须将最优秀的销售人员投入到D公司，迅速将证据成熟度从 🌱 提升到 🌿 再到 🌳。

第三部分：资源的优化配置 — 有限时间的数学

3.1 边际预期值 (Marginal Expected Value)

我们可以计算销售人员的1小时时间对各个交易产生的边际预期值。对于 P(Win) 在50%左右的交易，增加1小时的活动可能会使概率提高3~5个百分点；但对于已经达到90%的交易，再投入1小时可能连1个百分点都提不高。

这与边际收益递减规律 (Law of Diminishing Returns) 是一致的：

MEVi=∂Pi∂t×Vi\text{MEV}_i = \frac{\partial P_i}{\partial t} \times V_i

在 P(Win) 处于中间区间（40~60%）的交易中，MEV是最高的。把时间投入到已经很确定的交易或已经决定放弃的交易上，是低效的。

3.2 实战分配示例

假设每周40小时中，可用于销售活动的时间 = 30小时：

交易P(Win) 区间分配时间战略
D公司 AI45.1% (中间)12小时集中培养 — 技术验证(PoC)，与决策者会面
B公司 云计算62.3% (中间)8小时信号收集 — 补充产品演示，调整报价
A公司 ERP78.5% (高)5小时签约 — 最终条件谈判
C公司 安全85.2% (高)3小时收尾 — 审查合同条款
E公司 维保91.3% (基本确定)2小时管理 — 确认签字日程

核心原则：“不要把时间浪费在已经确定的交易上。要在不确定的交易中，投资那些价值高的。”这就是基于概率的资源配置的本质。

第四部分：销售漏斗健康指标

4.1 加权销售漏斗覆盖率 (Weighted Pipeline Coverage)

传统的漏斗覆盖率仅仅是“漏斗总额 / 目标”的比例：

简单 Coverage=∑Vi目标=480亿500亿=0.96x\text{简单 Coverage} = \frac{\sum V_i}{\text{目标}} = \frac{480\text{亿}}{500\text{亿}} = 0.96x

但这忽略了 P(Win)。贝叶斯加权覆盖率为：

加权 Coverage=∑Pi×Vi目标=304.2亿500亿=0.61x\text{加权 Coverage} = \frac{\sum P_i \times V_i}{\text{目标}} = \frac{304.2\text{亿}}{500\text{亿}} = 0.61x

而保守覆盖率为：

保守 Coverage=∑Pi,lower×Vi目标=203.0亿500亿=0.41x\text{保守 Coverage} = \frac{\sum P_{i,lower} \times V_i}{\text{目标}} = \frac{203.0\text{亿}}{500\text{亿}} = 0.41x

管理层解读：简单覆盖率0.96x看起来“差不多能达成”，但加权覆盖率0.61x意味着“存在巨大缺口”，保守覆盖率0.41x则意味着“面临严重风险”。现实是由概率来诉说的，而不是单调的数字。

4.2 目标达成概率 (Goal Achievement Probability)

更进一步，我们可以直接计算“达成500亿目标的概率”。假设各个交易是独立的，那么总收入的分布就变成了各个伯努利随机变量之和。

通过蒙特卡洛模拟迭代10,000次：

  • 在每次模拟中，交易 ii 以 PiP_i 的概率成功（带来收入 ViV_i），以 (1−Pi)(1 - P_i) 的概率失败（收入为0）
  • 10,000次模拟中，总收入 ≥ 500亿 的次数比例 = 目标达成概率

以当前的销售漏斗来看，达成500亿的概率 = 约 12.3%。

“如何才能将达成概率提高到50%以上？” → 将D公司 AI 交易的 P(Win) 从 45% 提高到 70% = 34.7% → + 新增2个100亿规模的交易（P(Win) 50%） = 51.2%

第五部分：投资组合再平衡 — 何时放弃，何时推进

5.1 止损标准 (Cut-off Threshold)

我们不可能把所有的交易都推到底。如果 P(Win) 持续下降，且在证据成熟度达到 🌳 Mature 的情况下依然低于30%，那么这个交易实际上已经丢失了。

EXAWin 的放弃建议条件：

  1. P(Win) < 25% AND 证据成熟度 ≥ 🌿 Growing
  2. 连续3次会议中 S⁻ > S⁺（负面信号压倒正面信号）
  3. Momentum P(Win) 比基础 P(Win) 低 15%p 以上（近期趋势恶化）

5.2 集中培养标准 (Nurture Priority)

相反，有些交易虽然 P(Win) 还很低，但增长潜力巨大：

  1. P(Win) = 30~50% AND 证据成熟度 🌱 Early（仍处于收集证据的早期）
  2. 交易价值排名前20%
  3. 在最近的会议中出现过至少1次 SA 5.0 信号

这些交易有可能通过1~2次关键会议实现 P(Win) 的飙升。这是在战略性地利用贝叶斯的核心特性 — 早期的一个证据就能带来概率的巨大变化。

第六部分：时间序列投资组合追踪 — 每周诊断森林的健康

6.1 每周销售漏斗仪表板

每周一，销售总监会在一个屏幕上查看以下指标：

指标本周上周变化信号
交易总数4845+3🟢 新增流入
加权销售漏斗304.2亿287亿+17.2亿🟢 增长
保守销售漏斗203.0亿198亿+5.0亿🟡 略微增加
目标达成概率12.3%10.8%+1.5%p🟡 改善中
平均 P(Win)58.2%56.7%+1.5%p🟢 健康
P(Win) < 30% 的交易数87+1🔴 候选放弃项目增加
沉默惩罚警告5件3件+2🔴 急需跟进

6.2 趋势分析：销售漏斗变健康了吗？

4周以来的加权销售漏斗走势：

  • 第1周：245亿
  • 第2周：267亿
  • 第3周：287亿
  • 第4周：304亿

线性趋势：每周约增加20亿。如果保持这个趋势，8周后大约是460亿。接近但未达到500亿的目标。

战略判断：“目前的趋势良好，但要达成目标还需要额外的刺激。D公司 AI 交易的 P(Win) 提升，或者有大型新交易流入是核心变量。”

结论：看清森林的眼睛

单个交易的 P(Win) 只是一棵树的健康状况。但销售总监需要关注的是整片森林的健康。

贝叶斯投资组合管理能够实现以下目标：

  1. 诚实的收入预测：不仅提供预期值，还同时给出保守/乐观的范围
  2. 资源的优化配置：将精力集中在边际预期值最高的交易上
  3. 风险的早期预警：通过 EVV（预期值波动率）识别不稳定的交易
  4. 战略性决策：为放弃、培养、签约提供客观标准
  5. 建立管理层信任：构建用概率而非直觉来对话的文化

在系列第三篇中，我们将探讨利用条件概率进行竞争对手分析 — “如果竞争对手介入这个交易，我们的 P(Win) 会发生怎样的变化？”

作者：EXA Bayesian Research Lab
发布：EXAWin Technical Series — Vol. 2
关键字：#BayesianPortfolio #PipelineManagement #SalesForecast #ResourceOptimization #EXAWin

Bayesian EXAWin-Rate Forecaster

通过贝叶斯更新实时分析谈判中的细微信号，精确预测销售成功率。有了 EXAWin，销售将从单纯的直觉进化为最完美的现代数据科学。

立即开始

Comments0

Deep Dive

More in Bayesian

Explore Archive →
BA04-1. [小说] 西贡的概率 — 数据战胜直觉的那一天 (上)
Bayesian
小说
EXA Intel

BA04-1. [小说] 西贡的概率 — 数据战胜直觉的那一天 (上)

胡志明市超高层公寓预售市场。依靠直觉的王牌销售与数据驱动的新人之间的对决。本小说将展现EXAWin贝叶斯引擎如何成为东南亚房地产销售竞争中的制胜工具。第一部：暴风雨前的宁静 — 西贡的两名销售员。

ANALYSIS
BA04-2. [小说] 西贡的概率 — 数据战胜直觉的那一天 (下)
Bayesian
小说
EXA Intel

BA04-2. [小说] 西贡的概率 — 数据战胜直觉的那一天 (下)

胡志明市480套公寓预售战争的结局。潘老板的签约、俊的觉醒，以及朴俊赫的EXAWin带来的逆转。直觉与数据的对决终于迎来了结论。

ANALYSIS
BA111. 动态缓冲与倒排排程：以交期为基准重构工厂的方法
Bayesian
生产排程
EXA Intel

BA111. 动态缓冲与倒排排程：以交期为基准重构工厂的方法

本文是一篇叙事，描绘了通过EXA的贝叶斯算法与生产排程引擎这一先进系统，解决制造现场长期混乱的过程。它摆脱过去盲目的推动式生产方式，引入基于数据的仿真与倒排排程，精密控制工序瓶颈。系统通过实时数据学习设定动态缓冲，并将优先级重新调整为基于保障交期的瓶颈工序能力来优化排程，而不是单纯追求设备稼动率。最终，通过抑制不必要的在制品并确保保护能力，工厂即使减少物理稼动时间，盈利能力与交期命中率反而上升，迎来革新性变化。这展示了人类直觉与冷静数据计算结合后实现的需求牵引型(Pull)生产体系的完成形态。

ANALYSIS
BA04-3. [系列第二篇] 投资组合概率管理 — 用贝叶斯解读整个销售漏斗 | EXA Enterprise