参考类预测器

概述

参考类预测器技能实现了参考类预测方法，用于对抗乐观偏见和规划谬误。它使用来自可比项目或决策的历史数据来生成基于经验的预测，提供“外部视角”以补充内部估算。

能力

参考类选择与验证
历史数据分布拟合
调整因子计算
不确定性量化
规划谬误的偏差校正
参考类原理文档化
与内部视角估算比较
协调指导

使用流程

认知偏差去偏过程
决策质量评估
战略情景开发

使用方法

参考类定义

# 定义参考类
reference_class = {
    "name": "企业软件实施",
    "description": "制造企业中的大规模ERP实施",
    "criteria": {
        "project_type": "ERP实施",
        "industry": "制造业",
        "company_size": {"min": 1000, "max": 10000, "metric": "员工数"},
        "project_budget": {"min": 5000000, "max": 20000000},
        "time_period": {"start": "2015", "end": "2023"}
    },
    "sample_size": 47,
    "data_source": "行业基准数据库"
}

历史数据

# 参考类结果
historical_outcomes = {
    "cost_overrun": {
        "data": [1.15, 1.32, 1.08, 1.45, 1.22, ...],  # 预算比率
        "unit": "ratio_to_budget"
    },
    "schedule_overrun": {
        "data": [1.20, 1.50, 1.10, 1.65, 1.35, ...],  # 计划比率
        "unit": "ratio_to_planned_duration"
    },
    "benefit_realization": {
        "data": [0.75, 0.60, 0.85, 0.45, 0.70, ...],  # 预期比率
        "unit": "ratio_to_expected_benefits"
    }
}

内部视角估算

# 当前项目估算（内部视角）
inside_view = {
    "project_name": "SAP S/4HANA实施",
    "estimated_cost": 12000000,
    "estimated_duration_months": 18,
    "expected_annual_benefits": 4000000,
    "confidence_level": 0.80,  # 团队声明的置信度
    "key_assumptions": [
        "经验丰富的实施合作伙伴",
        "强有力的高管支持",
        "经过验证的方法论"
    ]
}

调整配置

# 调整设置
adjustment_config = {
    "similarity_factors": {
        "project_complexity": {"current": "高", "weight": 0.3},
        "organizational_readiness": {"current": "中等", "weight": 0.25},
        "vendor_experience": {"current": "高", "weight": 0.2},
        "scope_definition": {"current": "中等", "weight": 0.25}
    },
    "adjustment_method": "回归均值",
    "output_percentiles": [10, 25, 50, 75, 90]
}

参考类选择标准

标准	良好实践	不良实践
相似性	相同项目类型、背景	松散相关
样本量	n >= 20	n < 10
数据质量	已验证结果	自我报告
时效性	最近5-10年	> 15年
完整性	完整项目生命周期	部分数据

输入模式

{
  "reference_class": {
    "name": "字符串",
    "criteria": "对象",
    "sample_size": "数字"
  },
  "historical_outcomes": {
    "metric_name": {
      "data": ["数字"],
      "unit": "字符串"
    }
  },
  "inside_view": {
    "estimates": "对象",
    "confidence_level": "数字",
    "assumptions": ["字符串"]
  },
  "adjustment_config": {
    "similarity_factors": "对象",
    "output_percentiles": ["数字"]
  }
}

输出模式

{
  "reference_class_statistics": {
    "metric_name": {
      "mean": "数字",
      "median": "数字",
      "std": "数字",
      "percentiles": "对象",
      "best_fit_distribution": "字符串"
    }
  },
  "adjusted_forecasts": {
    "metric_name": {
      "P10": "数字",
      "P50": "数字",
      "P90": "数字",
      "expected_value": "数字"
    }
  },
  "comparison": {
    "inside_view": "数字",
    "outside_view_median": "数字",
    "bias_factor": "数字",
    "confidence_calibration": "字符串"
  },
  "reconciliation": {
    "recommended_estimate": "数字",
    "rationale": "字符串",
    "residual_uncertainty": "对象"
  }
}

最佳实践

在查看内部视角估算前选择参考类
使用客观标准确定类别成员资格
寻找项目独特性的否定证据
记录参考类为何合适的理由
向决策者展示两种视角
初始时更重视外部视角
随着项目特定信息的出现而更新

偏差校正

解决的常见偏差：

规划谬误：系统性低估时间/成本
乐观偏见：高估收益
独特性偏见：“我们的项目与众不同”
锚定效应：从初始估算调整不足

集成点

输入决策质量评估
连接校准训练器以提高准确性
支持去偏教练代理
与事前分析促进者集成以识别风险