图 11 － 8 选择中止枝

从以上分析可见，制造部长应停止将产品投入市场。但是这样做，就不可能进一步收集到产品实际投入市场以后的情报了。

为了进行正确的预测，有各种搜集情报的方法。预测应把握两大原则： 一是如果收集到情报，就必须能够据此情报作出正确的预测；二是不要花费时间和金钱去搜集超出需要的数据。

回归分析

回归分析比预测更为复杂，一般要借助计算机进行数据计算。也许有人一听就会皱眉头，确实，回归分析技术有些高深，如果你在企业中看到一群人在谈论回归分析的话，差不多可以肯定其中有一两位 MBA 或经济学博士。回归分析是将预想的可能出现的结果，在计算机上实际模拟的一种技

术，采用此技术，能分析出现在的情况及与过去类似的情况，搞清所有时事项可能产生影响的要素。

下面我们来看看美国职业棒球队比赛时，主场比赛观众的预测方法。 首先要考虑对观众数量有影响的各种因素，如比赛球队、比赛时间、比

赛季节、星期几、平均票阶、客队和主队的明星队员、气温、电视转播、全部比赛场次数量等等。

其次，在计算机上输入有关各要素的各种变量数据和各场的观众数，以及过去各比赛季节等信息。

使用回归分析方法，须用计算机进行数千个数据的处理，才可知道哪种变量对观众数量影响最大。根据回归分析所得出的影响要素及其结果的关系，可以说明今后的趋向。

美国 1981 年秋天进行的有关这一问题的调查分析结论是，对观众数量最具影响力的，是有无明星选手参加比赛和该场比赛是否为决赛两个主要因素，而电视是否转播，对观众的数量影响并不很大。这个调查结果，对承办

者来说是很有意义的。

由以上结果可知，纽约·尼克思队给著名球星哈特里克·阿温很高的年薪无可厚非，达克·富罗蒂的年薪猛增也理所当然。因为人们大多是来看他们表演的。可见回归分析证明了直感的正确性。

抽样

决策者为收集预测数据还有一个方法，就是选择对于结果有象征性的若干实例，以此来预测结果。相信此技术效果的人们，称之为推销试验。

生产新型口香糖的制造部长，为预测产品实际在全国有无反响，准备在一些地区进行推销试验。抽样越多，收集的情报就越准。另外，试销和抽样要花费大量的时间和金钱，但产品实际投入市场后却不一定能够成功。经营者不断盘算的是“为获得更准确的情报，准备花多少钱？”

哈佛的管理经济学讲座，教给学生们对此类问题应采取的正确方法。决策者对不完整的情报，是不会投入很多资金的。而要获得完整的情报（能使决策者作出正确的判断），又必须投入相当多的资金。这方面的例子，从下面新型口香糖投放市场就可以看出。制造部长在没有进行试销的情况下，预测成功率为 30％；失败率为 70％，因而制造部长选择了 EMV 值最高的中止方案，如图 11—8 所示。

后来，制造部长经过市场调查，得到成功率是 30％，失败率为 70％的完整情报，根据此情报整理的决策树如图 11—9 所示

完整情报预测成功

(30%)

完整情报预测失败

(70%)

图 11 － 9 完整情报预测

投放

550 万

中止

0

投放

－ 350 万

中止

0

如果根据完整情报来决定是否将新产品投放市场，则如图 11—10 所示，

EMV 值为 165 万美元。这时，为得到完整情报的费用即为 165 万美元。

如果制造部长认为投资在 165 万美元以下，则不能进行充分的市场调查，他就会中止调查，而基于现有的情报作出决策。我们应预先凭直感就弄清楚，如果抽样本身没有多大意义，也就不必去花费钱财了。

敏感性分析

尽管认为试销不做为好，但又不能确定决策树的假设是否正确，产品也

无法进入市场时，该如何是好呢？

HBS 的学生要学习敏感性分析，来判断自己的假设在分析中具有何种重要性。这里要说明盈亏平衡点分析和非货币价值分析二种情况，但在说明之前有一点必须明确，那就是并非分析者描述了决策树就可万事大吉了，而是要把输入公式中的重要情报整体作一下重新分析。

例如，制造部长虽已得出成功和失败的概率，但是不能判断其结果是否正确。为检查这种假设的敏感性，部长会自问，怎样才能开拓一个具有取消中止计划的充分魅力的市场呢？盈亏平衡分析应是解决这一问题的不可缺少的分析方法。

如果用管理经济学的语言来说，就是有多大的成功概率时，投放战略和放弃战略会处于同一水平之上。

我们设成功的概率为 X，失败的概率则为 1—X。投放市场方案的 EMV 值， 可按预计利益为 550 万美元与损失为 350 万美元的加权平均计算。如图 11—

  1. 所示。

5 500 000（X）＋[－3 500 000（1－X）]＝0

5 500 000（X）－3 500 000＋3 500 000X＝0

9 000 000（X）＝3 500 000

X＝0.389＝成功概率

于是，当成功概率超过 38.9％时，只要决策是基于 EMV 值

成功(x)

投放

550 万

失败(1 － x)

－ 350 万

中止

0