2025年，杭州，一笔新能源并购：评审会上的一个"听起来很合理"的要求
并购评审会上常见的诉求，是把不确定性变得"看得见、可讨论"。
在 2025 年杭州的一笔新能源并购评估项目中，收购方评审专家开门见山：
"必须拆到单品，最好逐个项目做预测。要知道每个产品、每个项目的盈亏，未来才好决策。"
这句话之所以很难反对，是因为它符合一种直觉：
更细 → 更具体 → 更好决策。
但真正的问题不在"拆不拆"。真正的问题是——拆出来的"更具体"，到底是 信息变多了，还是只是 数字变多了？
flowchart LR A["整体预测"] --> B["拆到单品/项目"] B --> C{"拆出来的数字<br>能不能查证?"} C -- 能 --> D["信息增加<br>不确定性下降"] C -- 不能 --> E["数字增加<br>不确定性上升"]
先别急着点头：只问一个问题
如果"逐单品盈亏"真的能直接指导并购决策，它至少得满足一个前提：
同样的业务，在同样的口径下，盈亏结论应当相对稳定。
于是可以把讨论的问题，压缩到一个更细节的问题：
单品盈亏从哪里来？来自可核对的数据，还是来自不确定的分摊？
那要讨论的关键就呼之欲出了。问题往往不在收入端，而在成本端。
第一层：收入能拆出来，成本往往"钉不住"
在多数企业里，收入按产品/项目拆分相对容易。但成本端常常不具备同样稳定的归集维度：
- 产线与设备折旧——共用的
- 研发支持、供应链团队、质量体系——共用的
- 交付与售后资源——经常跨产品线流动
- 渠道返与市场投入——归宿并不稳定
一旦成本缺乏稳定的产品维度归集，"单品盈亏"就迅速退化为一个 口径问题：
按产量摊？按工时摊？按收入摊？按管理口径摊？
口径一换，盈亏可能随之翻转。
flowchart TD R["收入<br>往往可按产品/项目归集"] --> P["看起来可拆"] C["成本<br>大量共用资源"] --> S{"必须分摊?"} S -- 是 --> K["口径选择<br>(按产量 / 工时 / 收入…)"] K --> F["盈亏可能翻转"]
第二层：越往下拆，不确定性入口不是加一点，而是成倍增加
通常在说"拆到单品"时，很多时候下一句会跟着出现：
"再逐项目做预测。"
听起来只是"更细一点"。但从信息结构上看，它意味着：把一个总体预测，拆成许多条小预测。
每一条小预测都要新增一组假设：
- 该项目未来 销量/交付、价格、折扣、回款周期
- 关键原材料、良率、产能利用率
- 共用团队与共用资源的 分摊规则
从不确定性的角度看，这等价于：把一个不确定，拆成很多个不确定入口。
如果这些入口没有新增证据去约束，模型自由度会上升一个数量级。
flowchart TB U["一个总体不确定"] U --> U1["销量假设"] U --> U2["价格/折扣假设"] U --> U3["成本变量假设"] U --> U4["分摊口径假设"] U1 --> V["自由度上升"] U2 --> V U3 --> V U4 --> V V --> W["整体不确定性<br>可能上升"] style U fill:#e8f4fd,stroke:#4a90d9 style V fill:#fff3cd,stroke:#d4a843 style W fill:#f8d7da,stroke:#c0392b
分水岭：拆分是在"看清楚"，还是在"把问题拆碎"？
把话说得更直白一点：
如果拆分主要靠分摊才能完成，那么拆分到底是在 "发现"差异，还是在 "生成"差异？
一旦成本维度不透明，产品级模型就会变成"毛利的精细化包装"——看起来拆得很细，实际上拆的过程本身就在制造噪声。
更通俗地说：
- 能查、能核、能被数据约束住的细节 → 让不确定性变少
- 查不清、核不了、主要靠分摊"摊出来"的细节 → 让不确定性换一种形式变多
flowchart LR A["拆分"] --> B{"关键数字<br>能否核对?"} B -- "能" --> C["信息增量"] C --> D["不确定性减少"] B -- "不能" --> E["噪声扩散"] E --> F["不确定性增加"] style C fill:#d4edda,stroke:#28a745 style D fill:#d4edda,stroke:#28a745 style E fill:#f8d7da,stroke:#dc3545 style F fill:#f8d7da,stroke:#dc3545
最难的一步：并购评审里不可避免的取舍
到这里，粒度选择显露出本质。
整体毛利率起手——一种压缩
- 参数更少，不确定性入口更少
- 传导链条更短，偏差不易被长链放大
但压缩会损失结构信息：产品结构变化、渠道差异、生命周期差异可能被一起压扁。
拆到产品/项目——一种展开
- 结构信息更丰富，差异更可见
- 但参数更多，不确定性入口更多
如果缺少数据约束，展开会把不确定性拆碎并扩散。
因此这不是立场问题，而是信息判断：在压缩造成的信息损失，与展开带来的不确定性入口之间，找到使 总体不确定性最低 的平衡点。
flowchart LR subgraph 压缩["压缩（整体毛利率）"] A1["参数少"] --> A2["不确定性入口少"] A3["结构信息损失"] --> A4["差异被压扁"] end subgraph 展开["展开（产品级拆分）"] B1["差异更可见"] --> B2["结构信息丰富"] B3["参数多"] --> B4["不确定性入口多"] end 压缩 --> |"寻找平衡点"| C["总体不确定性最低"] 展开 --> |"寻找平衡点"| C
写在最后：让"信息增量净额"为正
可以把所有争论收束为：在把整体预测拆解到产品/项目的过程中，
新增信息（证据带来的约束）— 新增不确定性（新增参数 + 口径噪声）= 信息增量净额
- 净额为正 → 拆分带来可约束的结构信息，总体不确定性下降
- 净额为负 → 拆分主要增加自由度与噪声，总体不确定性上升
并购决策当然需要更具体的判断。但模型能提供的确定性，取决于信息是否真的存在，以及是否足以把不确定性约束到那个粒度。