项目管理中的蒙特卡洛模拟：让风险可见

估算是对未来的一种断言。「五天」听起来很精确，却隐瞒了一个事实：同样一项任务，在糟糕的日子里要花八天，在顺利的日子里只需三天。用一个固定值来规划，就是在用一种幻觉来规划。蒙特卡洛模拟认真对待这种幻觉，把波动一并算进来，而不是把它平均掉。

什么是蒙特卡洛模拟？

蒙特卡洛模拟 通过反复的随机抽样来刻画不确定性。它不是用一个固定值来计算，比如「这项任务需要五天」，而是用概率分布，并让模型运行上千次。每一次运行都从这些分布中抽取随机值。最终得到的不是单一估算，而是一系列可能结果的分布。

由此，核心表述发生了根本性的转变。「项目将在 9 月 30 日完工」变成了「有 80% 的概率在 10 月 15 日前完工」。这个区别是实实在在的。前者是一个您无法兑现的承诺，后者则是一个委托方真正可以据以规划的表述。

项目管理中的蒙特卡洛模拟：逐步讲解

在项目管理中，模拟遵循一个清晰的流程。我们逐步走一遍，从单个活动到最终的概率曲线。

第 1 步：每项活动都获得一个区间。 您不再估算单一数字，而是估算三个：乐观值（O），即一切顺利时；最可能值（M），即正常情况；悲观值（P），即出现阻碍时。模型由这三个点构建出一个 三点分布。大多数抽样落在 M 附近，少数落在两端。想更深入的人，会有意识地选择形状：PERT-Beta 更看重 M，三角分布更粗略，但更易于解释。

第 2 步：一次运行为每个工期掷骰子。 单次运行为每项活动从其分布中恰好抽取一个随机工期，并据此算出一个可能的项目完工时间。这是一个可能的未来，不是平均值，而是一个具体的情景，就像为整个项目掷一次骰子。有时算出 27 天，有时 31 天。单独来看，一次运行说明不了什么。它只是众多运行中的一个。

第 3 步：决定结果的是网络，而不是简单求和。 工期不会沿着一条线简单相加。网络图中的 依赖关系 决定了路径；在多条路径汇向的 里程碑 处，起决定作用的是最晚的那条，也就是最大值，而不是平均值。这就是路径汇聚：即使每一条路径单独来看大多准时，每增加一条路径，至少有一条迟到的概率就会上升。不妨想象一场接力赛，由最慢的跑者决定整体用时。

第 4 步：10,000 次运行得出概率。 现在您重复掷骰子，例如 10,000 次。每次运行给出一个完工日期，合在一起恰好构成上面那个分布。把这些日期按升序排列，就形成了累积 S 曲线，您可以从中读出各个置信水平。P80 的意思很简单：在 100 个模拟世界中有 80 个，您能在这个日期之前完工。直方图和 S 曲线是同一组数据的两种视角；当您要承诺一个日期时，最终依据的是 S 曲线。

蒙特卡洛为何优于关键路径

正是第 3 步中的路径汇聚，解释了经典的 关键路径 为何会系统性地低估项目工期。它用固定工期计算，只考虑最长的那条路径，却忽略了多个活动同时出问题的概率有多大。这使得日期比确定性计划所暗示的更为脆弱。

龙卷风图：敏感性分析

作为副产品，模拟还提供了一份敏感性分析。龙卷风图显示哪些活动对整体不确定性的贡献最大。这样，您的 风险管理 就知道该从何处入手，而不必同时在所有地方戒备。

不确定性的三大构成

在模拟之前，值得先看看心智模型。不确定性有三种，它们并不是蒙特卡洛中相互竞争、供您选择的变体。它们是三个来源，您要把这三者都建模，好的模型会覆盖全部三种。所以问题不是「我选哪种变体」，而是「我的项目中存在哪些不确定性，以及我如何分别刻画每一种」。

波动性：日常的波动

每项活动有时长一些，有时短一些。这就是那条正负 X% 的波动带，也就是经典的蒙特卡洛，每项活动都获得一个分布。在这里，您是有意识地同时拧动所有旋钮，而不是某一个。妙处在于，许多细小的波动会通过网络图逻辑累加起来，并在路径汇聚处被放大。

事件风险：离散的风险事件

供应商要么掉链子，要么不会。资源要么生病，要么没有。这不是「工期正负百分之十」，而是「以概率 p 发生事件 X，随后 Y 推迟 Z 天」。在这里，您不是在每个值周围放一条带子，而是在少数几个关键处放一个开/关开关：以概率 p 发生该事件，否则不发生。

结构风险：分支与重复

第三种来源不在于某项活动的工期长短，而在于它是否真的会如计划那样顺利完成。验收可能不通过，审批可能被驳回，检查步骤可能不达标。这时，活动不会在第一次尝试时就完成，而是会引出一条返工循环：一项在顺利的计划中根本不会出现的额外活动。事件风险延长的是一个已有的工期，而结构风险改变的则是网络图本身。

在模拟中，您把它刻画为一个概率性的分支：在每次运行中，一个随机开关以概率 p 决定是否插入带有自身工期分布的重复循环。在 10,000 次运行中，这会表现为分布右侧的第二个峰，正是返工风险的典型特征。而一个只知道顺畅流程的计划，恰恰会忽略这些情形。

最好的模型会把这三者结合起来：在所有活动上有一层基础波动，在真正可能翻盘的关键点上加上几个离散的风险开关，再在某个活动可能失败并触发返工之处加上一个分支。

相关性：把三者括在一起的边框

这三个构成要素很少彼此独立地起作用，上方图中的边框正说明了这一点。恶劣天气不会只延误一项户外活动，而是同时延误所有户外活动；一家不堪重负的供应商会波及每一笔订单，而不只是其中一笔。这就是 相关性：一个共同的驱动因素，会在同一次运行中把多个活动拉向同一个方向。

相关性并不是第四个构成要素，而是把这三者括在一起的边框。它决定了众多细小的波动究竟是相互抵消，还是彼此叠加放大。若把风险错误地建模为彼此独立，就会系统性地低估跨度，因为不相关的偏差在平均意义上会相互抵消，而相关的偏差不会。在实践中，这往往是通向一个现实的 P80 的最大杠杆。

蒙特卡洛模拟的调节旋钮

除了「我建模什么」这个问题之外，还有几条您确实需要做决定的轴。

每项活动的分布形状。 三角分布（O、M、P）简单、直观，非常适合用来讲解。 PERT-Beta 分布 更看重最可能工期，曲线也更平滑；它是项目管理中事实上的标准，也是我们的推荐。当您确实只知道最小值和最大值时，均匀分布更合适。对数正态分布适合那种向上拖着长尾的工期，因为任务很少会快很多，但有时会慢很多。

模拟的目标量。 最常见的问题是进度（Schedule Risk，进度风险）：您何时完工。此外还有成本风险（Cost Risk）：项目最终花费多少。两者可以耦合，因为延期会产生额外成本，比如违约金或仓储费。供应商比较这类问题恰恰需要回答它，在那里进度与价格相互权衡。

还剩第三条轴：这些分布的数字究竟从何而来，也就是输入不确定性。这里决定了模拟是建立在可靠的数据之上，还是建立在一种直觉之上。

输入不确定性从何而来。 最可靠的是经验数据，也就是经验频率，比如一段交付历史。其次是专家判断，也就是在没有数据时经典的 O/M/P 估计。还有 Merlin Project 的 计划/实际对比：Merlin 为每项活动同时保存计划值和实际值。在一个进行中的项目里，您可以从过往活动的偏差中测量出典型波动，而不必去估算它。这样，您的模拟便取材于真实的项目数据，并随着每一项活动的完成而变得更可靠。

从理论走向实践

长期以来，蒙特卡洛模拟既费力又只属于专业工具的领域，还要手工维护三点估算。借助 Merlin Project 中的 MCP 服务器，AI 直接读取您的项目计划，并按一句话的要求完成模拟。您只需一句话请 Claude 从您的计划中模拟 10,000 个项目进程，便能得到对带有 P50、P80 和 P90 的 S 曲线的解释。从前那个需要自行维护数据的专门工具，如今变成了对 Claude 说的一句话。

具体是什么样子，从设置、示例提示词到两个完整算过的案例，都在实践篇中展示：如何借助 Merlin Project 和 MCP 服务器进行蒙特卡洛模拟。

结构化的风险管理在项目中有多值得，还可参见我们关于 Riskology 的文章，那是 Atlantic Systems Guild 的蒙特卡洛方法。

如果您对这篇博客文章有任何疑问或希望参与讨论，欢迎您在我们的论坛中发帖。