你在算期望吗？

前言：很多决策看似靠直觉，其实都在和概率打交道。营销预算怎么分配、功能优先级如何排序、投资是否值得入场，背后都需要一个朴素却强大的框架：期望值。当你问“你在算期望吗？”，其实是在拷问决策是否真的基于数据与风险评估，而非感觉。

期望值并不复杂，它是不同结果的加权平均：用每个结果发生的概率去“加权”它的收益或损失。换句话说，期望值=各结果收益×对应概率之和。这让“概率”“风险”“投资回报”可以落到一条清晰的计算线上，而不是模糊的印象分。

为什么要算期望？因为它能把不确定性转化为可比较的数字，帮助你在数据分析中避免“样本看起来好”“单次表现亮眼”的错觉。比如在广告投放、A/B测试或产品定价中，期望收益能让方案在不同规模与成本下公平竞争。

案例：某电商做A/B测试，目标是提升下单转化。

• 方案A：转化率3%，预计曝光10万，单次下单毛利20元，固定成本5000元。
• 方案B：转化率2.6%，预计曝光20万，单次下单毛利18元，固定成本7000元。 用简单期望公式估算利润：期望利润=毛利×曝光×转化率−固定成本。A≈20×100000×0.03−5000=55000元；B≈18×200000×0.026−7000=86400元。直觉可能更偏爱“更高转化率”的A，但期望值显示，考虑规模和成本后，B的综合回报更优。

在实践中，算期望不只是套公式，更要关注三个细节：

• 明确随机变量：到底在算转化、留存还是复购？指标不同，结果含义完全不同。
• 别忘了样本量与波动：期望值是平均意义上的结果，样本太小会让“均值”被噪音掩盖；结合方差或置信区间更稳妥。
• 计算边际期望：新增1万元预算的增量收益常与总期望不同；边际分析能避免过度投入。

在产品决策中，RICE评分（Reach×Impact×Confidence/Effort）本质就是把“影响×概率（信心）”除以成本，做出以期望值为核心的优先级排序。用相同思路，你也可以把营销“期望ROI”、风控“期望损失”、运营“期望留存”纳入一张对比表，先算再选。

归根结底，期望值是一种思考习惯：把每个可能结果、对应概率、成本和规模放在一起，形成可验证、可迭代的决策模型。当你下次面对数据与不确定性，不妨先问自己：我真的在算期望吗，还是在追逐一次性的好看数字？