S1. 多准则决策分析¶

案例来源: decision-os
决策类型: 战略方案选择
方法论: 加权评分 + 敏感性分析 + 系统思考
预计阅读时间: 12 分钟

1. 决策背景¶

业务场景¶

某 SaaS 公司面临产品战略选择： - 候选方向：5 个 (新功能/新市场/收购/合作/维持) - 决策周期：季度 - 决策者：CEO + CTO + CFO + CPO - 影响：未来 1-3 年发展方向

决策目标¶

结构化评估各方案
平衡短期收益与长期价值
达成高层共识
决策过程可追溯

2. 方法论：多准则决策分析 (MCDA)¶

决策框架¶

目标定义 → 准则建立 → 权重分配 → 方案评分 → 敏感性分析 → 决策

评估准则¶

类别	准则	权重
财务	ROI (3 年)	25%
财务	收入增长	15%
战略	竞争优势	20%
战略	市场潜力	15%
执行	实施难度	15%
风险	风险水平	10%

3. 决策实施¶

方案评分¶

import pandas as pd
import numpy as np

# 方案评分 (1-10 分)
alternatives = pd.DataFrame({
    '方案': ['新功能 A', '新市场 B', '收购 C', '合作 D', '维持现状'],
    'ROI': [8, 7, 9, 6, 4],
    '收入增长': [7, 9, 8, 5, 2],
    '竞争优势': [8, 7, 9, 6, 3],
    '市场潜力': [7, 9, 7, 8, 3],
    '实施难度': [7, 6, 4, 8, 9],  # 分数越高越容易
    '风险水平': [7, 6, 5, 8, 9]   # 分数越高风险越低
})

# 权重
weights = {
    'ROI': 0.25,
    '收入增长': 0.15,
    '竞争优势': 0.20,
    '市场潜力': 0.15,
    '实施难度': 0.15,
    '风险水平': 0.10
}

# 加权评分
alternatives['总分'] = sum(
    alternatives[criterion] * weight 
    for criterion, weight in weights.items()
)

# 排名
alternatives = alternatives.sort_values('总分', ascending=False)

敏感性分析¶

# 测试权重变化的影响
for criterion in weights.keys():
    # 增加该准则权重 50%
    test_weights = weights.copy()
    test_weights[criterion] *= 1.5
    # 重新计算
    # 观察排名变化

4. 决策结果¶

评分结果¶

排名	方案	总分	关键优势	主要风险
1	新功能 A	7.65	高 ROI/低风险	竞争激烈
2	新市场 B	7.50	高增长/大潜力	实施难度
3	收购 C	7.35	最高 ROI	整合风险
4	合作 D	6.55	低风险/快速	依赖伙伴
5	维持现状	4.30	最安全	增长停滞

敏感性分析结论¶

当 ROI 权重>30% 时：收购 C 成为最优
当市场潜力权重>25% 时：新市场 B 成为最优
当风险权重>20% 时：维持现状排名上升

当前权重下：新功能 A 最优且稳健

业务影响¶

指标	预期	实际 (6 月后)
收入增长	+25%	+28%
市场份额	+5%	+6%
客户满意度	+10%	+12%

5. 经验教训¶

成功因素¶

✅ 高层全员参与 (权重共识)
✅ 数据驱动 (而非直觉)
✅ 敏感性分析 (测试稳健性)
✅ 过程透明 (可追溯)

改进空间¶

⚠️ 部分评分主观 (应更多数据支持)
⚠️ 未考虑方案组合
⚠️ 动态调整机制不足

案例版本: v1.0 | 最后更新: 2026-06-03