点此 见原知乎回答
战略规划所需的精度基本上用不着数学模型。数学模型更多被用在战术制定，而不是战略规划上。 硬要说的话，可能是线性回归吧，不会更复杂了。
举个例子：比如我是一家卖运动饮料的大型外企，现在想要制定是否进入中国市场的战略。在这个过程中，我会考虑许多非量化的因素——比如消费者偏好、政府监管、进出口贸易政策、竞争环境、供应链布局等等。当然也会有一些量化的因素，比如市场体量、落地成本等等。这些量化的部分只是所有决策因素中的一部分，并没有特别重要。我们只需要大致知道市场未来5年的体量即可，并不需要——也不可能——预测自己具体的营业收入。切记：战略不是“我们明年要在中国市场达到1千万营收”，而是“我们要在未来5-10年在中国市场立足，建立竞争优势和完成供应链布局，使得中国市场成为我们新的全球增长点。”所以对于支持这样的战略决策，在量化的部分用线性回归预测一下市场体量就已经绰绰有余了。战略被拆解成目标和手段之后，数学模型才能起到更大的作用——比如在哪些城市建厂可以优化供应链的整体成本。
事实上，在企业目前的实际操作中，在这些战略问题上很多时候就只是看看过去几年的数据然后拍个脑袋。这么做大多数时候也没毛病，因为行业的总体量足够大，大部分时候也足够稳定，所以偏差不了多少。2018年我国功能饮料零售总额约为460亿元，哪怕预测偏差个几亿元，也只是零头而已。
以目前企业的信息化程度，人们都更相信拍脑袋而不是数据模型。对于未来5年运动饮料市场的趋势预测，假如你殚精竭虑搞了个复杂的机器学习模型，算出来每年8.46%的增长率（精确到小数点后两位哦），会有决策者来问你：为什么不是9%？为什么不是20%？数学模型是怎么算出这个数的？你费尽心思去解释这一切，到头来还不如有人说“过去五年的增长率大致为8%并且逐年递增，所以未来五年大约是每年10%”。所以你看，这里线性回归已经是天花板了。任何需要复杂数据模型来解释的论据都很难被作为战略决策的依据，因为大部分人（大部分决策者）搞不懂，也不需要搞懂到那么精细的程度。