estimation-fermi

费米估算

目录

• 工作流
• 常见模式
• 防护措施
• 快速参考

示例

问题：芝加哥有多少钢琴调音师？

分解：

1. 芝加哥约有 300 万人 ÷ 每户 3 人 = 100 万户
2. 约每 20 户有 1 户拥有钢琴 = 5 万架钢琴，每年调音一次
3. 调音师：每年工作 250 天 × 每天调音 4 次 = 每年调音 1,000 次
4. 50,000 ÷ 1,000 = 约 50 名钢琴调音师（实际约为 80～100 名，数量级相符）

工作流

复制此清单并跟踪进度：

Fermi Estimation Progress:
- [ ] Step 1: Clarify the question and define metric
- [ ] Step 2: Decompose into estimable components
- [ ] Step 3: Estimate components using anchors
- [ ] Step 4: Bound with upper/lower limits
- [ ] Step 5: Calculate and sanity-check
- [ ] Step 6: Triangulate with alternate path

步骤 1：澄清问题并定义指标

准确重述问题（单位、范围、时间范围）。确定估算结果会影响什么决策（方向性答案是否足够？是否需要确定数量级？）。有关问题澄清框架，请参阅 resources/template.md。

步骤 2：分解为可估算的组成部分

将未知量拆分为可知部分的乘积或商。选择分解策略（自上而下、自下而上、量纲分析）。有关分解模式，请参阅 resources/template.md。

步骤 3：使用锚点估算各组成部分

以已知数量（人口、物理常数、市场规模、个人经验）为估算依据。明确说明假设。有关锚点来源和校准，请参阅 resources/methodology.md。

步骤 4：用上下限界定范围

计算乐观（上限）和悲观（下限）估值，以界定答案范围。检查决策是否会随估算范围而改变。有关基于约束条件界定范围的方法，请参阅 resources/methodology.md。

步骤 5：计算并进行合理性检查

计算估算值，四舍五入至 1～2 位有效数字。根据现实情况进行合理性检查（答案是否经得起直觉检验？）。有关验证标准，请参阅 resources/template.md。

步骤 6：用其他路径进行交叉验证

使用不同的分解方式重新估算，以进行验证。检查两种路径得出的结果是否处于相同数量级。使用 resources/evaluators/rubric_estimation_fermi.json 进行验证。最低标准：平均分 ≥ 3.5。

常见模式

模式 1：市场规模测算（TAM/SAM/SOM）

• 分解：总人口 → 目标细分群体 → 可服务市场 → 可触达市场 → 价格点
• 参考依据：人口普查数据、行业报告、类似市场、渗透率
• 范围：乐观情形（高渗透率、高端定价）与悲观情形（低渗透率、折扣定价）
• 合理性检查：与该领域上市公司的营收、VC 对市场规模的估算进行比较
• 示例：电商 TAM = 美国人口 × 在线购物比例 × 年均支出

模式 2：基础设施容量

• 分解：用户数 → 每位用户的请求数 → 每个请求的计算/存储需求 → 开销
• 参考依据：类似服务（Instagram、Twitter）、已知容量（EC2 实例限制）、负载测试数据
• 范围：峰值（黑色星期五）与平均负载，增长轨迹（每年增长 2 倍与每年增长 10 倍）
• 合理性检查：每位用户的成本应低于 LTV，并与类似规模的公有云账单进行比较
• 示例：所需服务器数 =（DAU × 每位用户的请求数 × 每个请求的毫秒数）÷（实例容量 × 利用率）

模式 3：人员配置/员工人数

• 分解：待完成的工作（功能、工单、客户）→ 每人的生产力 → 开销（会议、支持）
• 参考依据：行业基准（每 X 位用户对应的工程师数、每 Y 位客户对应的支持专员数）、团队速度、招聘周期
• 范围：经验丰富的团队（高生产力）与新团队（适应期），紧迫的时间表（赶工）与可持续的节奏
• 合理性检查：员工人数增长应与营收增长曲线相匹配，并与规模相近的同行进行比较
• 示例：所需工程师数 =（路线图中的故事点数 ÷ 每位工程师的速度）+ 20% 的开销

模式 4：财务预测

• 分解：营收 = 用户数 × 转化率 × ARPU，成本 = COGS + 销售/营销 + 研发 + 管理费用
• 参考依据：队列数据、行业 CAC/LTV 基准、可比公司的指标、历史增长
• 范围：乐观情形（高增长、高效扩张）与悲观情形（增长缓慢、成本上升）
• 合理性检查：规模扩大后，利润率应接近行业常态；增长率应遵循 S 曲线，而非永远呈指数增长
• 示例：第 2 年营收 = 第 1 年营收 ×（1 + 增长率）×（1 - 流失率）

模式 5：影响评估

• 分解：总影响 = 受影响的单位数 × 单位影响 × 持续时间
• 参考依据：排放因子（kg CO2/kWh）、转化率（项目 → 行为改变）、先例研究
• 范围：保守情形（采用率低、影响较小）与乐观情形（采用率高、影响较大）
• 合理性检查：影响应呈线性或次线性增长（边际收益递减），并与类似干预措施进行比较
• 示例：节省的碳排放 =（改用方案的用户数 × 每年行驶里程 × 每英里排放量）- 基准值

防护原则

1. 明确说明假设：每个费米估算都建立在假设之上。请让假设清晰可见（“假设每年有 250 个工作日”“如果转化率约为 3%”）。未说明的假设会造成虚假的精确感。

2. 追求数量级，而非精确度：目标是 10^X，而不是 X.XX。四舍五入到 1–2 位有效数字（50，而不是 47.3；3M，而不是 2,847,291）。如果决策需要精确数据，就去获取真实数据。

3. 逐步拆解，直到各组成部分都可估算：不断拆解，直到得到可以根据知识或经验进行估算的数量。如果某个组成部分仍然让你觉得“我怎么会知道？”，就继续拆解。

4. 采用多种路径（三角验证）：通过不同的拆解方式（自上而下与自下而上、供给侧与需求侧）估算同一数量。如果不同路径的结果相差不超过 3 倍，可信度就会提高。如果相差 10 倍以上，就调查哪种拆解方式有问题。

5. 界定答案范围：计算乐观和悲观情形，为现实情况划定范围。如果在整个范围内决策都不变，范围就没那么重要。如果决策会改变，就投入更多精力进行更好的估算。

6. 对照现实进行合理性检查：与已知数量比较，使用量纲分析（单位应正确抵消），并检查极端情况（如果所有人都做 X，会怎样？是否违背物理规律？）。

7. 用已知问题校准：练习回答有可验证答案的问题，以发现个人偏差（高估？低估？锚定效应？）。

8. 承认不确定性范围：适当将估算表示为范围（“1 万至 10 万名用户”“可能为 100 万至 500 万美元”）。

常见陷阱：

• ❌ 锚定在错误的数字上：使用无关或有偏差的起始数字。如果有人问“是 100 万吗？”，即使毫无依据，你也可能被这个数字锚定。
• ❌ 重复计数：在拆解中将同一数量计算两次（企业数量已包含员工，却同时计算企业和员工）。
• ❌ 单位错误：混淆日和年、百万和十亿，或货币换算错误。务必检查单位。
• ❌ 幸存者偏差：根据成功案例进行估算（用独角兽企业的创业公司平均收入，而未计入失败者）。
• ❌ 线性外推：在增长呈指数级（或反之）的情况下假设线性增长。增长率会随时间变化。
• ❌ 忽略约束：物理限制（速度不能超过光速）、经济限制（市场不可能永远比 GDP 增长得更快）。

快速参考

关键资源：

• resources/template.md：澄清框架、分解策略、估算模板、合理性检查标准
• resources/methodology.md：锚定技巧、界定方法、三角验证方法、校准练习
• resources/evaluators/rubric_estimation_fermi.json：分解、假设、界限和合理性检查的质量标准

常用锚点：

人口统计：

• 美国人口：约 3.3 亿，家庭：约 1.3 亿，劳动力人口：约 1.65 亿
• 世界人口：约 80 亿，城市人口：约 55%，互联网用户：约 50 亿

商业：

• 《财富》500 强营收：10 万美元至 6000 亿美元（中位数约 300 亿美元）
• 初创公司估值：种子轮约 500 万至 1000 万美元，A 轮约 3000 万至 5000 万美元，独角兽 >10 亿美元
• SaaS 指标：CAC 约 1000 至 5000 美元，LTV/CAC 比率 >3，年流失率 <5%

技术：

• AWS EC2 实例：约 1 万次请求/秒，S3 存储：0.023 美元/GB/月
• 移动应用：每位用户每天约 5–10 个屏幕，每个会话 50–100 次 API 调用
• 网站：每个会话约 2–3 个页面，会话时长 1–2 分钟

实体事物：

• 人：约 70 千克，每天 2000 千卡，睡眠 8 小时
• 汽车：约 25 mpg，每年 1.2 万英里，新车 3 万美元，使用寿命 20 万英里
• 房屋：约 2000 平方英尺，美国中位数价格 30 万美元，30 年期抵押贷款

换算系数：

• 1 年 ≈ 250 个工作日 ≈ 2000 个工作小时
• 100 万秒 ≈ 11.5 天，10 亿秒 ≈ 32 年
• 1 英里 ≈ 1.6 千米，1 千克 ≈ 2.2 磅，1 加仑 ≈ 3.8 升

分解策略：

• 自上而下：从总人口开始，逐步筛选（美国人口 → 汽车所有者 → 电动汽车买家）
• 自下而上：从单个单位开始，逐步扩展（单家门店营收 × 门店数量）
• 速率 × 时间：流量速率 × 时长（客户数/天 × 天数/年）
• 密度 × 面积/体积：浓度 × 空间（人数/平方英里 × 城市面积）
• 类比缩放：以已知的相似系统为基准，根据规模调整（竞争对手营收 × 我们的市场份额）

典型估算时间：

• 简单问题（1–2 层分解）：3–5 分钟
• 市场规模估算（3–4 层）：10–15 分钟
• 复杂业务案例（多个指标、三角验证）：20–30 分钟

需要升级处理的情况：

• 决策要求高精度（不确定性小于 2 倍）
• 即使考虑界限，估算结果仍跨越超过 2 个数量级
• 没有合理的分解路径（未知因素过多）
• 利益相关者需要置信区间和严格的统计分析 → 投入资源收集数据、进行详细建模并咨询专家

所需输入：

• 问题（我们要估算什么？单位是什么？范围是什么？）
• 决策背景（哪些决策取决于这个估算？需要多高的精度？）
• 已知锚点（我们知道哪些相关数量？）

生成的输出：

• estimation-fermi.md：问题、分解、假设、计算、界限、合理性检查、三角验证，以及带置信范围的最终估算