1. 课程导入与业务建模全景

业务决策的难点，往往不在于“算不出来”，而在于“不知道该算什么”。一位运营经理想知道下周该备多少库存，一位风控主管想判断某类客户是否值得提额，一位生产计划员想弄清换线频率与交付延误之间的关系——这些问题的共同点是：它们最初都以自然语言、经验判断和模糊目标的形式出现，而最终需要转化为可计算、可验证、可解释的数学结构。本课程要训练的，正是这条从业务问题到数学模型的转化能力。

所谓数学模型，是对现实业务对象及其关系的简化表达。它由三部分构成：决策变量（我们可以控制或选择的东西，如订货量、排产顺序、授信额度）、目标函数（我们想优化或达成的量，如成本最小、利润最大、延误最少）、约束条件（现实资源与规则的限制，如产能上限、预算、服务水平要求）。三者缺一，模型就无法真正支撑决策：只有目标没有约束，会得到“无限订货最省事”这类荒谬结论；只有约束没有目标，则无法在可行方案中做出选择。

从业务语言到数学语言的四类转化

实际建模中，业务表述通常需要经过几次“翻译”。第一层是对象识别：把业务名词对应为变量或参数，例如“每个门店每周的补货量”是决策变量，“门店日均销量”是随机参数。第二层是关系识别：把业务规则写成等式或不等式，例如“总配送量不超过车队运力”写成求和约束。第三层是不确定性处理：销量、价格、故障间隔往往不是确定值，需要用分布、情景或区间来刻画。第四层是评价口径：明确目标是期望成本、最坏情况损失，还是达标概率，这直接决定模型类型与求解方法。

全景视角：模型在决策链条中的位置

数学模型并不是决策的全部。它上游连接业务问题与数据，下游连接求解、解释与执行。下图给出本课程贯穿始终的建模全景：左侧是业务输入，中部是模型构建的核心环节，右侧是决策输出与反馈回路。可以看到，数据质量、假设合理性与结果解释三者共同决定模型是否真正可用。

图中最容易被忽视的是右下角的反馈回路。模型上线后，实际销量与预测的偏差、约束被临时突破的频率、决策者对推荐方案的接受度，都是判断模型是否需要修正的信号。建模能力不仅体现在“建出来”，更体现在“知道何时该改”。

课程任务线与工具链概览

本课程共 30 章，整体沿“问题—结构—求解—验证—落地”推进，但不同章节会侧重不同环节。前期聚焦问题拆解与变量识别，中期覆盖线性规划、整数规划、网络与排队、概率与统计建模、仿真等常用结构，后期进入多目标权衡、灵敏度分析、模型评估与业务沟通。工具链方面，电子表格适合快速原型与教学演示，Python（如 PuLP、SciPy、pandas、SimPy）适合规模化建模与仿真，专业求解器用于较大规模优化问题。工具只是载体，选择依据是问题规模、可解释性要求与团队维护成本。

一个贯穿示例：周度补货决策

为让抽象逻辑具体化，设某零售企业有 3 家门店，每周需决定各店补货量。示例参数如下（均为教学假设）：门店 A、B、C 的周需求均值分别为 120、80、150 件，单位缺货损失为 8 元/件，单位库存持有成本为 2 元/件，配送中心每周总运力为 320 件。若只按均值补货，总补货 350 件会超出运力，模型必须做取舍；若考虑需求波动，则需引入安全库存或情景分析。这个简单例子已经包含变量、目标、约束与不确定性四要素，后续章节会逐步加入提前期、批量折扣与多周期联动。

学习本章后，你应当能够用自己的业务场景回答三个问题：我要决定的量是什么？我受哪些现实条件限制？我如何判断一个方案比另一个更好？能清楚回答这三点，转化逻辑就已经建立；剩下的，是把它写成数学形式并交给合适的工具去求解。