敏感性分析、决策树和蒙特卡洛模拟回答的是三个不同问题：哪个变量最值得盯、有明确分支时该选哪条路、多个不确定因素叠加后整体结果落在什么区间。三者可以单独使用，也可以按“先筛选、再决策、后给概率结论”的顺序衔接。下面按操作步骤说明每种方法的输入、动作、输出与完成标志，并用一个工期风险示例演示如何把结论回写到风险登记册和计划储备中。
要点总览（TL;DR）
- 敏感性分析回答“哪个变量影响最大”，用单变量变动和龙卷风图排序，适合建模初期快速锁定重点。
- 决策树回答“有明确分支时选哪条路”，把决策点、机会点和终端结果画成树，自右向左计算期望值。
- 蒙特卡洛模拟回答“整体结果的区间与达标概率”，对多个变量同时抽样，输出P50、P80等分位值和达标概率。
- 实用顺序是先做敏感性分析筛选关键变量，再用决策树处理关键决策，最后用模拟给出整体概率结论。
- 结论要转化为储备天数、承诺日期或方案触发条件，并回写风险登记册和项目计划，安排复核条件。
三种方法各回答什么问题
选择方法时先看你要回答的问题类型，而不是看哪种方法更复杂。敏感性分析适合建模初期，用较低的数据要求快速找出影响最大的变量；决策树适合存在清晰备选方案、每个方案后面还有概率事件的场景；蒙特卡洛模拟适合多个变量同时波动、需要给出整体区间和达标概率的场合。三者对数据的要求依次提高，结论的精细程度也依次提高。
三种方法的问题、输入与输出对照如下：
| 方法 | 回答的问题 | 主要输入 | 典型输出 | 适用条件 |
|---|---|---|---|---|
| 敏感性分析 | 哪个变量对结果影响最大 | 基准值、不确定变量清单、各变量的变动范围 | 关键变量排序表、龙卷风图 | 已有可计算的结果模型；变量可单独变动 |
| 决策树 | 在分支与概率下选哪条路径 | 决策点、机会点、分支概率、终端结果值 | 各方案期望值、推荐路径与备选路径 | 方案离散可枚举；分支概率可估计 |
| 蒙特卡洛模拟 | 整体结果的区间与达标概率是多少 | 输出指标的计算关系、关键变量的概率分布、抽样次数 | 累计概率曲线、P50/P80等分位值、达标概率 | 多变量同时不确定；有分布假设依据 |
一个实用的判断是：如果连哪些变量重要都不清楚，先做敏感性分析；如果问题本身是“选A还是选B”，用决策树；如果已经知道关键变量，需要向管理层说明“按期完工的可能性有多大”，用蒙特卡洛模拟。三种方法共用同一套变量和计算关系时，结论才能相互印证。
敏感性分析的操作步骤
敏感性分析的目标是产出一份按影响幅度排序的关键变量清单，作为后续建模和风险应对的重点。它的完成标志是：每个变量的变动范围有依据、排序结果可复现、关键变量已指定责任人。
操作按以下步骤进行：
- 确定分析对象与基准值。明确分析的是工期、成本还是收益，并给出当前计划的基准值，例如总工期120天、总预算800万元。基准值应来自已批准的计划版本，避免用口头估算。
- 列出不确定变量并设定变动范围。把可能影响结果的变量逐项列出，如某模块开发工时、外部接口交付时间、测试缺陷修复速度、关键人员到岗时间。每个变量给出合理变动区间，例如开发工时在基准值上下浮动20%，外部交付可能延后2至4周。范围依据历史数据、专家判断或合同条款，并记录来源。
- 单变量变动计算影响幅度。每次只改变一个变量，其余保持基准值，计算结果的变动量。例如开发工时上浮20%导致总工期增加9天，外部交付延后4周导致总工期增加12天。逐个变量完成计算。
- 排序并可视化。按影响幅度从大到小排列，形成关键变量排序表；用龙卷风图呈现时，每个变量一条横向条形，条形长度表示影响幅度，基准值居中，正负变动分列两侧，最长的条形排在最上方。
- 输出关键变量清单与建模建议。清单中写明变量名称、变动范围、对结果的影响量、依据来源和责任人。影响最大的两到四个变量建议进入蒙特卡洛模拟的概率建模；若某个变量背后对应明确的方案选择，转入决策树分析。
需要注意，敏感性分析只反映单变量影响，变量之间的相关性不在这一步处理。若两个变量明显同向变动，应在建模建议中注明，留待模拟阶段处理。
决策树的操作步骤
决策树把有分支的选择问题画成从左到右的树，再用期望值比较方案。它的完成标志是：树结构完整、每个分支的概率和结果值有来源、期望值计算可复核、推荐方案与备选路径已记录。
操作步骤如下：
- 识别决策点、机会点与终端结果。决策点用方块表示，是你可以主动选择的节点，如“自研还是采购”；机会点用圆圈表示，是概率事件，如“供应商能否按期交付”；终端结果放在最右侧，写明结果值和单位，如“工期150天”“成本增加60万元”。
- 为各分支设定概率与结果值。机会点引出的各分支概率之和必须等于1。概率来源可以是历史交付记录、供应商履约数据或专家判断；采用专家判断时，记录判断人和判断依据。结果值应与敏感性分析使用同一套计算口径。
- 自右向左计算期望值。机会点的期望值等于各分支结果值乘以对应概率后求和；决策点取各可选方案期望值中的最优值，并在该方案分支上标注选择。逐层向左推进，直到最左侧的初始决策点。
- 处理概率估计的局限。对关键概率做高低两档试算，观察推荐方案是否翻转。如果概率在小幅调整后结论就改变，说明该决策对估计误差敏感，应补充数据或设计保留备选路径的方案。
- 输出决策建议。写明推荐方案、期望值、关键概率假设，以及触发切换备选方案的条件，例如“若供应商交付概率低于70%，改为自研”。
下面是一个简化的期望值计算示例（演示数据）：
| 方案 | 分支 | 概率 | 结果（工期，天） | 期望值 |
|---|---|---|---|---|
| 方案A：沿用现有供应商 | 按期交付 | 0.7 | 120 | 0.7×120+0.3×150=129 |
| 延后交付 | 0.3 | 150 | ||
| 方案B：增加一家备选供应商 | 按期交付 | 0.9 | 125 | 0.9×125+0.1×140=126.5 |
| 延后交付 | 0.1 | 140 |
按期望工期比较，方案B略优；但方案B需要付出额外的供应商管理成本，决策时应把这项成本一并计入结果值，而不是只看工期。
蒙特卡洛模拟的操作步骤
蒙特卡洛模拟对多个不确定变量同时抽样，重复计算输出指标，最终得到结果的概率分布。它的完成标志是：计算关系清晰、分布假设有依据、抽样可复现、分位结果已转化为储备或承诺日期的口径。
操作步骤如下：
- 确定输出指标与计算关系。明确模拟对象是总工期还是总成本，并写出变量之间的计算关系，例如总工期等于各阶段工期之和，或关键路径上各任务工期之和。计算关系应与项目计划中的逻辑一致。
- 为关键变量选择概率分布。常用分布包括三角分布、正态分布、对数正态分布和均匀分布。三角分布只需最小值、最可能值和最大值，适合专家判断为主的场景；对数正态分布适合右偏的成本或修复时间。选择分布时写明依据，例如历史同类任务的工期分布或责任人的经验判断。
- 设定抽样次数与随机种子。抽样次数通常取数千到上万次，次数过少会导致分位结果不稳定。设定固定的随机种子，保证同一组参数重复运行得到相同结果，便于复核和版本对比。
- 运行模拟并解读结果。重点看累计概率曲线：P50表示有50%概率不超过的结果值，P80表示有80%概率不超过的结果值。同时读取达标概率，例如“在130天内完工的概率为72%”。解读时说明结果依赖的分布假设，不把某一分位值当作确定结论。
- 把结果转化为管理口径。若以P80作为承诺日期，则P80与P50之间的差值可作为进度储备的参考；成本同理，用目标成本与高分位结果之间的差额确定应急储备。储备口径需经项目负责人和财务确认后写入计划。
模拟参数应整理成表，记录变量名称、分布类型、参数值、依据来源和责任人，作为结果复核和后续更新的基础。
角色分工与各步骤交付物
定量分析停留在个人表格里，通常是因为输入没有责任人确认、结论没有交接对象。要让分析进入管理动作，需要在开始前明确谁提供输入、谁执行计算、谁使用结论、谁负责复核。
| 角色 | 主要动作 | 交付物 |
|---|---|---|
| 项目经理 | 确定分析对象与基准值，组织变量清单，汇总结论并回写计划 | 分析范围说明、基准计划版本、结论回写记录 |
| 职能负责人 | 提供本领域变量的变动范围与依据，确认结果值口径 | 变量范围说明及依据 |
| 风险责任人 | 确认所负责风险对应变量的概率与分布假设 | 概率与分布确认记录 |
| 财务或数据分析人员 | 执行敏感性排序、期望值计算与模拟运行，输出图表 | 排序表、决策树计算表、模拟参数表与结果图 |
| 评审人（项目负责人或风险委员会） | 复核假设依据与计算过程，确认储备与承诺日期口径 | 评审意见与确认结论 |
交接方式建议固定为：分析结论形成后，更新风险登记册中对应风险条目的概率、影响和应对措施，同时在项目计划中调整储备或里程碑日期。风险登记册中的条目应能追溯到具体的分析版本，便于后续偏差出现时回看假设是否失效。
在工具承载上，分析结论最终要落到可跟踪的风险条目和计划中。ONES 瀑布项目管理解决方案支持用项目计划创建工作分解结构、为任务设置前后置依赖，并用里程碑标记重要时间点与决策点；也支持设置计划和里程碑基线，对比计划与执行的偏差，帮助提早识别风险。将模拟得到的储备和承诺日期写入计划后，基线与实际偏差的对比可以作为假设复核的触发信号。具体功能范围以实际版本与套餐为准。
一个工期风险的完整示例
以下为演示情景，数值仅用于说明方法衔接，不代表真实项目数据。
案例背景。某系统上线项目计划工期120天，关键路径包含需求确认、开发、接口联调、测试四个阶段。团队识别出四个不确定变量：开发工时、外部接口交付时间、测试缺陷修复速度、关键人员到岗时间。
第一步：敏感性分析筛选。以120天为基准，逐项变动变量并计算总工期变化。结果显示：外部接口交付延后4周使总工期增加12天，开发工时上浮20%增加9天，缺陷修复速度下降30%增加6天，关键人员延后2周到岗增加3天。前两个变量被列为关键变量，其中外部接口交付背后存在明确的供应商选择问题，转入决策树分析。
第二步：决策树处理方案选择。针对外部接口，比较“沿用现有供应商”和“增加备选供应商”两个方案。按前文示例的概率与工期结果计算期望工期，方案B略优；把备选供应商的管理成本计入后，两方案差距缩小。评审后决定沿用现有供应商，同时约定若交付概率评估低于70%则启动备选方案，该触发条件写入风险应对措施。
第三步：蒙特卡洛模拟给出整体结论。对开发工时、接口交付时间、缺陷修复速度三个变量分别设定分布，运行一万次抽样。结果：P50为118天，P80为131天，在125天内完工的概率约为65%。项目负责人确认以P80对应的131天作为对外承诺日期的参考，P50与P80之间的13天作为进度储备写入计划。
结论回写。风险登记册中更新三条记录：外部接口交付风险补充概率假设与触发条件；开发工时风险补充分布参数与责任人；新增一条“整体工期储备”记录，注明分析版本、P80口径和复核时间。项目计划中调整里程碑日期并保存基线，后续实际进展与基线的偏差超过设定阈值时，触发对分布假设的复核。
完成检查与常见误用
定量分析的质量取决于假设是否可追溯、结论是否转化为管理动作。交付前可按以下清单逐项核对：
- 分析对象、基准值和分析版本已记录，基准值来自已批准的计划。
- 每个变量的变动范围或概率分布都有依据来源，专家判断注明了判断人。
- 概率与分布假设经风险责任人或职能负责人确认，并有确认记录。
- 决策树各机会点分支概率之和为1，期望值计算过程可复核。
- 模拟设定了抽样次数和随机种子，同一组参数可复现结果。
- 结论已转化为具体动作：储备金额或天数、承诺日期、方案选择或触发条件。
- 结论已回写风险登记册和项目计划，条目可追溯到分析版本。
- 结果以区间和概率表述，单点值仅作为参考，未当作确定结论使用。
- 已安排复核时间或触发条件，假设失效时能够重新分析。
常见误用集中在几处。一是把敏感性分析的排序当作概率结论，忽略了变量之间的联合波动；二是在决策树中使用未经确认的主观概率，且不做敏感性试算，导致推荐方案对估计误差过于敏感；三是在数据严重不足时仍设定精细分布并输出多位小数的分位值，给出超出数据支撑的精确感。数据不足时，缩小建模范围、采用区间更宽的分布或先补充历史数据，比强行建模更可靠。另一类误用是分析完成后只提交图表，没有更新风险登记册和计划储备，导致结论无法进入后续的跟踪与复核。
常见问题
三种方法必须按顺序全部做一遍吗？
不必。三种方法各自可以独立使用，按顺序衔接是为了让结论相互印证。如果问题只是找出影响最大的变量，做完敏感性分析即可；如果面对的是明确的方案取舍，决策树单独使用也能支撑决策。只有需要向管理层说明整体达标概率时，才需要蒙特卡洛模拟。判断依据是你要回答的问题类型，以及现有数据能否支撑相应的方法。
变量数据很少，还能做蒙特卡洛模拟吗？
可以缩小建模范围，但要避免给出超出数据支撑的精确结论。数据不足时，可先用三角分布，只要求最小值、最可能值和最大值三个参数，并采用较宽的区间；同时减少纳入模拟的变量数量，把重点放在敏感性分析筛出的关键变量上。如果连区间都无法估计，先补充历史数据或组织责任人判断，比强行设定精细分布更可靠。
决策树里的概率只能靠主观判断，结论可信吗？
主观概率可以用，但需要记录判断人和判断依据，并对关键概率做高低两档试算。如果概率在小幅调整后推荐方案就发生翻转，说明该决策对估计误差敏感，应补充数据，或在方案设计上保留切换备选路径的条件。把触发条件写进风险应对措施，比追求一个精确的期望值更有管理价值。
模拟得到的P80日期可以直接作为对外承诺吗？
P80表示有80%概率不超过的结果值，是否作为承诺日期取决于项目对延误的容忍程度和合同约定。以P80作为承诺日期时，P50与P80之间的差值可作为进度储备的参考；若延误代价很高，也可能选择更高的分位值。这一口径需要项目负责人和相关方确认后写入计划，并在假设变化时重新分析。
分析结论做完后，怎么保证后续真的被跟踪？
关键是让结论落到可跟踪的条目上：更新风险登记册中对应风险的概率、影响和应对措施，在项目计划中调整储备或里程碑日期，并注明分析版本和复核触发条件。使用 ONES 瀑布项目管理解决方案时，可以用项目计划创建工作分解结构、设置任务前后置依赖和里程碑，并通过计划与里程碑基线对比计划与执行的偏差；偏差超过设定阈值时，即可触发对分布假设的复核。具体功能范围以实际版本与套餐为准。
