很多坏决策，不是因为缺少复杂模型，而是因为没人愿意拿出三分钟做一道简单算术题。
创业者说：“中国有十四亿人口，我们只要拿到 1% 的市场份额。”
投资人说：“这家公司明年增长 30% 没问题。”
项目负责人说：“这个预算只多了几个亿，但战略意义巨大。”
销售团队说：“只要每个客户多买一点，收入就能翻倍。”
这些话听起来都有方向感，也都有想象空间。问题是，只要把数字拆开乘一遍，很多故事会立刻露出破绽。
基本算术与数量级估算要解决的，就是这个问题：
在被叙事、情绪和复杂模型带走之前，先用加减乘除判断它是否大致成立。
它不是让你成为数学家，而是让你养成一个很朴素的习惯：
任何重要判断，先算一算。
一、为什么简单算术是底层能力
很多人以为自己会算术。
可是真到关键决策时，他们并不会算。他们听故事，看趋势，感受气氛，相信权威，接受 PPT 上的精美数字，却没有亲手把几个核心数字拆开。
基本算术不是计算能力，而是计算习惯。
比如一个项目声称三年后能做到 10 亿收入。你不需要一开始就打开复杂模型，先问几个简单问题：
- 产品单价是多少？
- 需要多少付费客户？
- 每个客户从哪里来？
- 获客成本是多少？
- 毛利率是多少？
- 团队和渠道容量能不能支撑？
如果产品单价是 100 元，要做到 10 亿收入，就需要 1000 万次购买。假设复购不高，就要触达远超 1000 万的人群。再加上转化率、渠道成本、库存、客服、退款和竞争，这个故事可能在第一轮乘法里就塌了。
很多商业计划不是错在战略，而是错在算术。
数字一旦落到单位、数量、时间和成本上，就很难继续用宏大叙事糊弄自己。
二、数量级估算：不求精确，先求靠谱
数量级估算，也就是费米估算，核心不是求精确答案，而是求一个大致正确的量级。
你不需要知道一个城市到底有多少钢琴调音师。你可以这样估：
城市人口多少？
大约多少户家庭？
多少家庭有钢琴？
每架钢琴一年调几次？
一个调音师一年能调几架？
把这些粗略数字乘除一下，就能得到一个大概范围。
这个范围可能不是 100% 准确，但它可以告诉你答案是几十、几百，还是几万。这已经足够有用了。
很多决策并不需要精确到小数点后两位。你只要知道：
这件事差不多能不能成立？
它是差了 20%，还是差了 10 倍？
如果一个项目需要 1000 万用户才能打平，而现实可触达用户大概只有 50 万，那就不必继续纠结模型里折现率该用 8% 还是 10%。
数量级错了，精确没有意义。
三、数量级直觉：百万、十亿、万亿不是“都很多”
人的大脑很不擅长处理大数字。
百万、十亿、万亿，在直觉上都容易被归为“很多”。但它们之间的差距不是大一点，而是完全不同的世界。
一个好用的换算是秒数：
100 万秒，大约 11.5 天。
10 亿秒，大约 31.7 年。
1 万亿秒，大约 31700 年。
百万和十亿之间，不是“多三个零”这么简单，而是 11 天和 32 年的差距。
这种数量级直觉在商业和政策判断里特别重要。
一个公司从 1000 万收入增长 30%，是多 300 万。可能靠几个大客户、一个小渠道、一次活动就能做到。
一个公司从 500 亿收入增长 30%，是多 150 亿。它需要新增的客户、产能、供应链和市场空间完全不是同一个量级。
同样是“增长 30%”，在不同基数上含义完全不同。
所以，看到任何大数字，都要问：
这个数字大概相当于什么？
和已知参照物比，是什么量级？
它需要多少人、多少钱、多少时间、多少产能来支撑？
一旦有了参照，很多听起来吓人的数字会变小，很多听起来轻松的目标会变得离谱。
四、餐巾纸测试：商业模式能不能先粗算通
一个商业模式，不一定能在一张餐巾纸上完全解释清楚，但至少应该能在餐巾纸上粗算出方向。
比如一家线下门店：
每天多少客流？
客单价多少？
毛利率多少？
房租和人工多少？
一天要卖多少单才能打平？
如果算完发现每天需要 800 单才能覆盖成本，而门店位置一天最多也就 300 个潜在顾客经过，那就不用再听“品牌调性”和“社群运营”讲得多动人。
比如一个 SaaS 产品：
客单价多少？
客户生命周期多久？
获客成本多少？
毛利率多少？
客户流失率多少？
销售回款周期多久？
如果每获得一个客户要花 3000 元，而客户一年只付 1000 元，还很快流失，那么增长越快，烧钱越快。
餐巾纸测试的目的，不是替代深入分析，而是过滤明显不成立的东西。
它问的是：
在进入复杂模型之前，这个故事最基本的收入、成本、利润、时间关系通不通？
如果不通，复杂模型通常只是在给错误穿衣服。
五、投资中的基本算术
投资里，基本算术常常比复杂叙事更诚实。
一家公司市值 1000 亿，净利润 20 亿，市盈率就是 50 倍。要让投资者获得合理回报，要么利润大幅增长，要么估值继续维持高位，要么两者都发生。
你可以继续问：
利润要增长到多少，当前价格才合理？
这个增长需要多少收入？
收入增长需要多少市场份额？
市场份额增长需要击败谁？
资本投入和利润率能否支撑？
每问一层，故事就离现实更近一点。
资本回报率也可以用简单算术看。
如果一家公司投入资本回报率只有 6%，而资本成本也是 6%，它扩张得再快，也没有创造多少价值。它只是把更多钱投进一个不能产生超额回报的机器里。
增长本身不等于价值创造。
真正重要的是：
新增投入能否获得高于资本成本的回报？
这道题并不复杂，却能筛掉大量“高速增长但不赚钱”的故事。
复利也可以用简单心算初筛。
72 法则很好用：
72 / 年化收益率 ≈ 翻倍所需年数
年化 12%，大约 6 年翻倍。
年化 6%，大约 12 年翻倍。
年化 3%，大约 24 年翻倍。
当有人承诺稳定年化 30%，你可以立刻算出大约 2.4 年翻倍。再往后推十年，结果会大到离谱。这个时候，不要先兴奋，先问：什么机制能长期支撑这样的回报？
六、先算再听故事
故事有用。
故事能解释客户为什么买，团队为什么强，行业为什么变，产品为什么有未来。
但故事必须接受数字检验。
很多坏项目的顺序是反的：先被故事打动，再让数字配合故事。增长率调高一点，成本率调低一点，转化率乐观一点，终值倍数放大一点，模型就漂亮了。
这不是分析，是装饰。
更好的顺序是：
先算关键约束，再听故事解释为什么这些约束会改变。
如果算术显示一个项目需要极高转化率，故事就必须解释为什么转化率能这么高。
如果算术显示利润率远高于行业平均，故事就必须解释护城河在哪里。
如果算术显示现金流撑不过六个月，故事就必须解释融资或收款为什么确定。
如果算术显示市场空间不够，故事就必须解释市场边界为什么被重新定义。
数字不是故事的敌人。数字是故事的边界。
七、伪精确比粗略正确更危险
很多人被精确数字迷惑。
一份商业计划写：
第三年收入 2.847 亿元，净利润率 13.6%。
看起来很专业。但如果这些数字来自一串脆弱假设，它们并不比“大约 3 亿收入、10% 左右利润率”更可靠。
未来本来就有大量不确定性。精确到小数点后几位，常常不是严谨，而是幻觉。
数量级估算反而更诚实。
它承认自己粗略，但努力抓住核心关系：
大概多少客户？
大概多少价格？
大概多少成本？
大概多少利润？
大概需要多久？
当然，这不代表永远粗略就够。
早期筛选时，数量级判断很有用。进入交易、合同、预算、工程、会计和风控时，该精确就必须精确。
关键是知道什么时候用什么精度：
方向判断，用数量级；
执行落地，用精确数。
不要用复杂精确掩盖方向错误，也不要在需要精确的地方拿“大概差不多”糊弄。
八、基本算术如何防止被骗
很多骗局和坏项目，都怕简单算术。
“只要每天涨 1%，一年收益惊人。”
那就算一年复利是多少，再问这种稳定性凭什么存在。
“市场空间有万亿。”
那就算目标客户、真实付费率、客单价和可触达渠道。
“这个项目很快能自我造血。”
那就算固定成本、毛利率、回款周期和现金缺口。
“这个平台只抽一点点佣金。”
那就算交易规模、补贴成本、获客成本和履约成本。
“这个城市多修几条路就不堵了。”
那就算车辆增长、道路容量、通勤距离和诱导需求。
算术不能识别所有骗局，但它能过滤掉很多低级骗局。
尤其是那些靠“大市场、小份额、高增长、轻资产、低成本、快回本”堆出来的故事，最需要被拆成单位经济学。
一个好的习惯是：
每听到一个宏大数字，就把它除到最小单位。
每听到一个宏大目标，就把它拆成每天、每人、每单、每平方米、每客户。
当数字落到具体单位上，幻想会变得笨重，现实会自己说话。
九、日常训练方法
第一，练习心算。
不用追求快到像计算器。只要能在脑中快速估出大概范围：多大、几倍、多少年、够不够。
第二，记住常用锚点。
比如人口、GDP、行业规模、常见利润率、常见转化率、常见成本结构。锚点越多，估算越快。
第三，把百分比换成绝对数。
“增长 20%”不够，要问多了多少钱、多少客户、多少产能、多少员工、多少门店。
第四，把总量拆成单位。
总收入拆成客户数 x 客单价 x 购买频次。利润拆成收入 x 利润率。现金流拆成回款、付款、库存和费用。
第五，常做费米问题。
比如：一个商场一天能卖多少杯咖啡？一个小区一年能产生多少快递？一条短视频要多少播放量才能养活团队？一个城市能支撑多少家同类门店？
你不需要每次都答对。关键是训练自己把大问题拆成可估的小问题。
十、常见误区
第一个误区，是只算自己想看的数字。
很多人会算市场规模，不算获客成本；算收入，不算回款；算毛利，不算固定成本；算增长，不算资本需求。真正的算术要把关键约束都放进去。
第二个误区，是把估算当结论。
估算只是筛选工具。它告诉你“这个方向大概可疑”或“大概值得继续看”，不等于最终答案。
第三个误区，是忽略基础比率。
如果起点错了，后面算得再漂亮也没用。你估市场、估转化率、估复购、估利润率，都要尽量找真实锚点，而不是凭希望填数。
第四个误区，是被精确模型吓住。
复杂表格不一定更接近真相。有时一个模型 20 个假设里，只要 2 个核心假设错了，整个结论就废了。
第五个误区，是该精确时还停留在粗略。
数量级估算适合早期判断，不适合替代合同、工程、会计、税务和交易细节。粗略判断通过之后，要切换到更细的验证。
十一、和其他思维模型的关系
基本算术与数量级估算，是很多模型的底层工具。
它和第一性原理相连。第一性原理拆事实，基本算术把事实之间的数量关系算出来。
它和乘法系统思维相连。多个环节同时成立时，要把概率和可靠性相乘，而不是凭感觉说“大概率”。
它和决策树理论相连。决策树上的概率、收益和损失，都需要基本算术支撑。
它和概率思维与期望值相连。期望值本质上就是概率乘以收益再加总。
它和复利效应相连。复利、72 法则、长期回报，都离不开指数和乘法直觉。
它和安全边际相连。安全边际就是价格、价值、误差和下行空间之间的算术关系。
它和条件概率与基础比率相连。估算的第一步，常常是找一个可靠的基础比率。
它和能力圈相连。你没有行业锚点，就很难估出合理数量级。看不懂数字结构的领域，通常也不在能力圈内。
十二、使用检查清单
面对一个商业故事，先问：
- 收入 = 客户数 x 客单价 x 购买频次，这三个数大概是多少？
- 成本里哪些是固定成本，哪些是变动成本？
- 毛利能不能覆盖获客、履约、管理和资本成本？
- 打平需要多少销量？现实容量够不够？
面对一个投资机会，问：
- 当前市值对应多少利润、现金流或资产？
- 当前价格隐含了多高增长？
- 这个增长需要多大市场份额？
- 资本回报率是否高于资本成本？
- 用 72 法则看，承诺回报意味着多久翻倍？合理吗？
面对一个大数字，问：
- 它大概相当于什么？
- 是百万、十亿，还是万亿？
- 和人口、GDP、行业规模、公司收入、个人收入相比，是什么量级？
- 如果拆到每天、每人、每单，是否仍然合理？
面对一个精确模型，问：
- 关键假设是哪几个？
- 哪个假设一错，结论就会反转？
- 这些假设有真实锚点吗？
- 这个模型是在发现真相，还是在服务既定结论？
最后问一句：
如果只用一张纸和四则运算，这个判断还站得住吗？
十三、一句话总结
基本算术与数量级估算，是思维的地基。
它提醒你：
先算数量级，再谈战略；
先看单位经济，再听愿景；
先判断大概通不通，再进入复杂模型。
一个粗略但方向正确的估算，胜过一套精确但假设荒唐的模型。
芒格式的清醒，很多时候并不神秘。它只是比别人更早拿起铅笔，把该算的数算了一遍。
来源说明
- 《查理·芒格的思维模型·完整版》：基本算术与数量级估算、费米估算、数量级直觉、72 法则、条件概率与基础比率等相关内容。
- 《穷查理宝典》：芒格关于基础数学、心算、商业判断、避免被故事和激励误导的相关思想。
- 本文也与资料库中“第一性原理思维”“乘法系统思维”“决策树理论”“概率思维与期望值”“复利效应”“安全边际”“能力圈”等模型互相连接。