费马帕斯卡系统思维模型

先把这件事拆成两笔账：一笔是这个包年合同本身值不值，一笔是你作为主管合伙人，判断力该怎么建立。两笔账都算完，你就有硬理由了。

第一笔账：把“直觉是坑”变成可计算的期望值

你说“服务范围写得含糊”，这就是最该先补的数据，不是判断。先别急着拒绝，把这件事做成一个决策树：

备选一：接这个包年合同。

• 结果 A：客户实际需求少，你们用很少工时赚了包年费。概率？你过去三年类似包年客户里，有多少最终是这种“赚了”的情况？这是你手头现成的历史数据，先查。
• 结果 B：客户按含糊条款无限提需求，你们超工时严重，包年费覆盖不了成本。概率多少？同样看历史：过去接的含糊包年合同，超支比例是多少。
• 结果 C：中途扯皮，客户不满意，你们赔时间又丢口碑。概率多少？

备选二：不接，或只接“固定工时上限”的版本。

• 结果 D：客户接受修改条款，合同照签，风险可控。
• 结果 E：客户拒绝修改，去找别家，你们损失这笔收入。损失是多少？算清楚。

现在把每个结果的概率和金额填进去，算两边期望值。你会立刻发现一件事：你缺的不是判断，是数据。 那个“直觉是坑”翻译过来就是“结果 B 的概率你觉得很高，但你拿不出数字”。而资深律师能绕你，就是因为他知道你没数字，你只能用“我觉得”跟他吵。

所以你的硬理由不是“我觉得是坑”，而是：“按我们过去三年同类合同的数据，含糊条款的超支概率是 X%，超支金额中位数是 Y 万，这个包年费的期望值是负的。” 这句话一出来，没人能绕你。

第二笔账：用贝叶斯更新建立你的决策自信

你现在“觉得判断没依据”，本质是你把“单次决策的对错”和“决策方法的好坏”混在一起了。费马帕斯卡的框架告诉你：评判一套打法，要看长期大量决策的总期望，不是看单次结果。

你今天被资深律师绕进去，不意味着你的直觉错，只意味着你还没把直觉“翻译”成可检验的假设。做法是：

1. 每次开会前，把你要做的决策写成一页纸：备选方案、每个结果的概率（标依据来源）、期望值、最大回撤。
2. 开完会，把会议上新听到的信息（比如客户说“范围可以再谈”）标出来，用它更新你的概率——这就是贝叶斯更新。比如你原来觉得“客户会钻空子”的概率是 70%，他主动说可以限定范围，你把这个概率下调到 50%，再算一次期望值。
3. 存下每一张这样的纸。三个月后回头看：你估的概率准不准？哪类决策你系统性高估风险、哪类系统性低估？这就是你作为管理者的“决策仪表盘”。

收口建议

这个包年合同，不要用“接不接”来决策，用“怎么改条款”来决策。最该补的一块数据：翻过去三年的包年合同，把“最终实际工时 ÷ 预估工时”的比率算出来。 这个数一出来，你就能把“含糊的范围”翻译成“超支 40% 的成本”，然后拿着这个数去跟客户谈“要么限定工时上限，要么包年费加 40%”。谈得拢就接，谈不拢就走——这不是赌，是算清楚后的选择。

今天下班前，就把这个比率算出来。这是你作为主管合伙人第一个有数据支撑的决策。

先给直接判断：这桩合并，在对方客户资源的期望收益被量化之前，它本质上不是一个"补短板"的投资决策，而是一个"用确定的整合成本去赌不确定的或有负债"的期权。你隐约觉得不划算，是因为你直觉里已经把"管理乱"和"风险未披露"折算成了负期望值，但你没把它摆到账面上来。 你现在要做的不是说服合伙人，而是把这笔账拆成一张能摆在桌面上的期望值表。

第一步：把"合并"拆成四个结果，而不是一个结果

别再用"合并好不好"这种定性问题。按费马-帕斯卡的做法，列出所有可能路径，包含"什么都不做"：

1. 合并成功，客户顺利迁移——对方客户资源确实带来增量收入。
2. 合并成功，但客户流失——整合期管理混乱，对方客户流失三到五成。
3. 合并后爆出隐藏风险——那几桩未披露的案子变成诉讼或赔偿，直接吃掉合并收益。
4. 不合并——维持现状，自己补短板的成本与时间。

第二步：给每个结果估概率，并标注依据来源

这是关键，也是你必须对合伙人坦诚的地方。你的概率分三档：

• 有硬数据支撑的：对方报表里的客户留存率、客单价、过往收入——这些可以要求对方提供三年审计数据来验证。
• 行业基准可参考的：小所并入大所后客户流失率，行业里普遍在 20% 到 40% 之间（这是行业基准，不是拍脑袋）。
• 纯主观估计的：那几桩案子爆雷的概率——你没有数据，只能给区间，比如 10% 到 30%，并明确标注这是主观估计，需要靠尽职调查来修正。

别给伪精确的数。如果对方报表显示客户资源值 2000 万，你就写"假设值 2000 万（待审计验证）"。

第三步：算期望值，重点看最坏情况

假设合并后客户资源年贡献 500 万，整合成本 300 万，爆雷潜在赔偿 800 万。粗算：

• 结果 1（概率 40%，主观估计）：收益 500 - 300 = 200 万
• 结果 2（概率 30%，行业基准）：收益（500 × 60%）- 300 = 0 万
• 结果 3（概率 20%，主观估计）：收益 -300 - 800 = -1100 万
• 结果 4（概率 10%，主观估计）：收益 0 万

期望值 = 0.4 × 200 + 0.3 × 0 + 0.2 × (-1100) + 0.1 × 0 = 80 - 220 = -140 万。

这个数字是负的，但更关键的是最大回撤是 -1100 万。即使期望值勉强为正，只要这个回撤超过所里能承受的底线（比如净资产的三成），就不该做。

第四步：用贝叶斯更新锁定最该补的数据

你现在最不确定的是两个概率：爆雷概率和客户留存率。这两项决定了期望值的正负。所以你的下一步不是跟合伙人争"划算不划算"，而是说：

**"在尽职调查完成前，任何合并讨论都是基于主观概率的赌博。我建议立项做两周专项尽调，重点查那几桩案子的诉讼状态和潜在赔偿上限，费用估计 20 万。这 20 万买的是把'爆雷概率'从主观

先把胜诉率从“招牌”的位置上拿下来，它不是一个决策指标，它是一个结果统计指标。你感觉到的那个逻辑上的坑，叫单次结果偏差和样本与决策对象错配——你拿一个历史统计量去预测一个具体案件的结果，这本身就是两套逻辑。

胜诉率这个指标真正的问题在哪

胜诉率的计算方式是“赢的案件数 ÷ 总案件数”。它有三个结构性缺陷：

第一，它不区分案件难度。一个所里全是简单催收案，胜诉率 90%；另一个所专接疑难商事纠纷，胜诉率 60%。后者水平可能远高于前者，但客户只看数字。你对外宣传胜诉率，等于默认所有案件同权重——这在数学上就是错的。

第二，它是事后统计，不是事前预测。胜诉率描述的是“过去这批案子”的结果分布，而你在接案时面对的是“这一个具体案子”。两者的条件概率完全不同。你上个月那个案子，按老经验判断能赢，说明你的先验概率可能给高了——但输掉这一个案子，不等于你的判断体系错了。好决策可能因运气差而失败，这是概率论的基本常识。

第三，它被客户当成了承诺。客户听到“胜诉率 90%”，大脑自动翻译成“我这案子有 90% 把握赢”。但你的 90% 是历史均值，不是这个案子的条件概率。客户拿它说事，本质上是你在用一个统计量做营销，而这个统计量天然会被误读为对单个案件的保证。

该换什么指标？不是换掉胜诉率，而是增加决策层指标

接案决策应该用期望值，而不是胜诉率。具体拆法：

1. 列结果：这个案子接，可能的结果是——胜诉（拿到全部或部分标的）、败诉（赔诉讼费+时间成本+可能的反向赔偿）、调解（部分回收）、拖长（时间成本折现）。别忘了“不接”也是一个选项：不接的收益是 0，损失是机会成本。

1. 估概率：不要拍脑袋说“我觉得能赢”。把赢的概率拆成三档依据——同类案件的历史判决数据（硬数据）、你团队办过类似案子的胜率（半硬数据）、你对法官倾向和证据链的主观判断（纯主观）。三档分开标，别混成一个数。上个月那个案子，你大概率是把主观判断当成了硬数据。

1. 算期望值：假设标的 100 万，你估赢的概率 70%，赢拿 100 万，输赔 10 万成本。EV = 0.7×100 + 0.3×(-10) = 67 万。如果你估赢的概率其实只有 50%，EV 就变成 45 万。差距全在概率估得准不准——这才是你该花力气的地方，不是纠结胜诉率这个牌子。

1. 看最大回撤：期望值 67 万很漂亮，但如果败诉会导致客户反诉、声誉受损、监管介入，这个回撤你承受不起，那再高的 EV 也不该接。期望值不是全部，先看最坏情况你能不能活。

关于对外宣传

胜诉率可以继续挂，但要改口径。两个改法：

把“胜诉率”改成“客户满意度”或“标的回收率”——回收率比胜诉率诚实，因为调解、部分胜诉都算回收，而且它和客户利益直接挂钩。

如果坚持用胜诉率，必须加限定语：“近三年同类案件胜诉率”“本所代理的合同纠纷类案件胜诉率”。把分母收窄，客户误读的空间就小。

收尾动作

这个月内，把你所里过去两年的案件按“案件类型、标的区间、对手方类型”三个维度做一次复盘，算出每个细分维度的胜诉率。以后接案，先查这个细分数据，再结合你对具体案子的判断，给客户一个区间而不是一个数：“这类案子我们历史胜诉率 60%-70%，但你这个案子的证据链偏弱，我估计在 50% 上下。”——这句话比任何招牌都更能建立信任，因为它诚实。