板块一 · 273 万元投入构成 DE
核心洞察：AI系统仅占4%，最大的成本（44%）是合规认证与检测。出海的真门票是合规，而非软件。
| 项目 | 金额区间 (万) | 占比 | 可视化 |
|---|---|---|---|
| 认证与检测 (BRCGS/FSC等) | 110 – 130 | 44% | |
| 市场试点与客户开发 | 70 – 85 | 28% | |
| 首年新增运营 (人员/差旅) | 55 – 65 | 22% | |
| AI 系统 (基建/API/部署) | 8 – 12 | 4% |
四项中值合计 267.5 万，取整计为 273 万，三年摊销年均约 91 万。
动态预算模型 · 拖动看总额与占比如何变化
- 四项预算都可拖动，总额、占比、甜甜圈与堆叠条实时重算。
- 可现场演示：认证费用超支、或 AI 投入翻倍时，成本结构会怎么变。
板块二 · WACC 折现率测算 E
- 结果取整为 15%，用于后续所有板块的折现率。
- 论文主动披露的保守之处：若按 Hamada 公式调整杠杆， WACC 升到 15.87% —— 核心结论依然成立。
板块三 · 核心财务测算 NPV & IRR E
折现累计现金流瀑布图 (万)：
板块四 · 敏感性分析 (龙卷风图) E
成本与折现率的波动在合理区间内无法把 NPV 打穿至负值。
| 变量 (基准值) | 下行端点 → NPV | 上行端点 → NPV | NPV摆幅 |
|---|
板块五 · 情景分析 E
| 情景 | 三年在手客户 | NPV | IRR | 业务结果 |
|---|
板块六 · 决策一：12个月回本承诺 AB
说明：第一阶段 AI 系统部署不依赖任何「转化率」假设。只要询盘量存在，节省的工时成本就能确保回本。
| AI单条成本 | 7元 | 8元(基准) | 9元 | 12元 | 15元 | 20元 | 25元 |
|---|---|---|---|---|---|---|---|
| 回本月数 | 7.3月 | 7.5月 | 7.7月 | 8.6月 | 9.6月 | 12.0月 | 16.0月 |
每处理一条询盘，成本差多少
这笔钱几个月赚回来
压力测试 · AI 成本推高会怎样
- 论文实测区间是 7–9 元。
- 往右推到 20 元（约 2.5 倍，模拟多轮调用加人工复核）， 看回本期还守不守得住 12 个月。
板块七 · 蒙特卡洛模拟 (10,000次) E
通过在各变量区间内随机取值计算 NPV，展示动态参数空间下的风险敞口。
| 亏损概率 | 最差情况 | P10 (悲观) | 中位数 | 平均值 | P90 (乐观) | 最好情况 |
|---|---|---|---|---|---|---|
高级模块 · 预算配置优化引擎 ADVANCED E
- 这是一个带约束的组合优化问题 —— 总额有上限、每项有业务下限，要在可行域里找最优点。
- 也是机器学习在企业财务规划中最有价值的应用场景之一。
- 下面先说清 ML 在这类问题里究竟扮演什么角色， 再给出本项目的求解方式与选择理由。
机器学习在财务预算优化中的四个真实角色
当目标函数昂贵（需跑仿真、或需等真实业务反馈数月），先用 ML 拟合一个便宜的 替代函数，再在替代函数上做成千上万次搜索。这是 ML 在优化中最主流的用法。
XGBoost · LightGBM · Gaussian Process用高斯过程或 TPE 建模「参数→结果」的后验分布，每次都挑信息量最大的点去试， 因此在预算有限（只能试几十次）时远比网格搜索高效。超参数优化的主力方法。
Optuna · Hyperopt · scikit-optimize · Ray Tune预算配置定下来后，需要回答「为什么是这个配置」。树模型的特征重要度与 SHAP 值 能把贡献拆到每一项投入上，这正是评审与投委会要看的东西。
SHAP · Permutation Importance · Random Forest预算优化的输入（客户数、转化率、单客营收）本身可以由 ML 预测。 有了历史询盘与成交数据后，这一层能把「团队假设」换成「模型预测」。
Prophet · LSTM / Transformer · Gradient Boosting本模块用的是 约束优化 + 进化算法（拉丁超立方采样 + 遗传算法）， 没有用监督学习模型。理由要在答辩时如实说明：
- 没有训练集。监督学习需要历史样本（X→y）。浩威的 AI 出海项目是首次实施， 不存在「过去 N 次类似投资的结果」可学。用 1 个数据点训练随机森林， 学出来的只是那个点本身。
- 目标函数是确定性的。NPV 由公式唯一决定，不含噪声、没有隐藏规律。 代理模型的价值在于「替代昂贵的仿真」，而这里的公式求值只要微秒 —— 用 ML 逼近一个已经精确知道的公式，必然比公式本身更不准。
- 超参优化优化的是错误对象。Optuna 调的是模型超参（树深、学习率）， 不是商业变量。它不会告诉你「客户数该定几家」。
什么时候该切到 ML？阶段一试点跑满 6–12 个月、积累起真实询盘与成交数据之后： 那时用 LightGBM 预测转化率、用 Optuna 做贝叶斯优化搜配置、用 SHAP 解释贡献， 整条链就都成立了。这也是本项目决策二「暂不承诺」的另一层含义 —— 先把数据攒够，再让模型说话。
约束条件
- 拉丁超立方采样：在可行域内均匀铺 3,000 个初始点（比纯随机覆盖更匀）。
- 遗传算法：跑 60 代， 每代 300 个个体 —— 锦标赛选择 + 高斯变异 + 精英保留。
- 投影法强制约束：不会给出违反预算上限或业务下限的解。
最优配置
变量词典 · 全部 38 个可调变量 速查
- 本页每个滑块在这里都有一条 —— 它是什么、调高会怎样、论文取的是什么值。
- 「调高会怎样」里的数字全部是在本页实测出来的， 不是估算 —— 评审当场可以让我们拖着验证。
- 等级描述的是来源渠道， 不代表可信度高低 —— 这点最容易被误解。
- NPV、IRR、SOM 一律是 E 类， 因为它们是在假设上算出来的，不是查到的。