name: stakeholder-preference-elicitor description: 用于结构化价值和权重收集的利益相关者偏好启发技能 allowed-tools:

Read
Write
Glob
Grep
Bash metadata: specialization: 决策智能 domain: 商业 category: 协作 priority: medium tools-libraries:
- 自定义表单
- pandas
- 统计聚合

利益相关者偏好启发器

概述

利益相关者偏好启发器技能提供了结构化方法，用于从决策利益相关者那里收集价值判断和权重。它支持多种启发技术、一致性检查和群体决策的偏好聚合。

能力

摆动权重启发
直接评分收集
权衡提问
一致性检查
偏好聚合
分歧识别
引导指导
偏好文档化

使用流程

多准则决策分析 (MCDA)
结构化决策制定流程
KPI框架开发

使用方法

启发会话设置

# 配置启发会话
session_config = {
    "decision": "企业软件选择",
    "criteria": [
        {"name": "总拥有成本", "unit": "美元", "direction": "最小化"},
        {"name": "实施时间", "unit": "月", "direction": "最小化"},
        {"name": "功能匹配度", "unit": "百分比", "direction": "最大化"},
        {"name": "供应商稳定性", "unit": "分数", "direction": "最大化"},
        {"name": "集成能力", "unit": "分数", "direction": "最大化"}
    ],
    "stakeholders": [
        {"id": "S1", "name": "首席信息官", "role": "决策者", "weight": 0.3},
        {"id": "S2", "name": "首席财务官", "role": "决策者", "weight": 0.3},
        {"id": "S3", "name": "IT总监", "role": "技术专家", "weight": 0.2},
        {"id": "S4", "name": "业务负责人", "role": "用户代表", "weight": 0.2}
    ],
    "elicitation_method": "swing_weights"
}

摆动权重启发

# 摆动权重流程
swing_weight_protocol = {
    "step_1_ranges": {
        "description": "为每个准则定义最差和最佳水平",
        "ranges": {
            "总拥有成本": {"worst": 2000000, "best": 500000},
            "实施时间": {"worst": 24, "best": 6},
            "功能匹配度": {"worst": 60, "best": 95},
            "供应商稳定性": {"worst": 3, "best": 9},
            "集成能力": {"worst": 2, "best": 10}
        }
    },
    "step_2_reference": {
        "description": "想象所有准则都处于最差水平。你最希望将哪个摆动到最佳水平？",
        "responses": {
            "S1": "功能匹配度",
            "S2": "总拥有成本",
            "S3": "集成能力",
            "S4": "功能匹配度"
        }
    },
    "step_3_relative_weights": {
        "description": "如果最重要的摆动 = 100，请评估其他摆动的价值",
        "responses": {
            "S1": {
                "功能匹配度": 100,
                "总拥有成本": 80,
                "集成能力": 60,
                "实施时间": 40,
                "供应商稳定性": 30
            }
            # ... 其他利益相关者
        }
    }
}

权衡问题

# 权衡启发
tradeoff_questions = {
    "format": "匹配",
    "questions": [
        {
            "id": "TQ1",
            "question": "你可以拥有功能匹配度为95%的软件。与75%匹配度相比，你愿意接受多少额外成本来维持这个水平？",
            "criteria_pair": ["功能匹配度", "总拥有成本"],
            "anchors": {"功能匹配度": {"from": 75, "to": 95}}
        },
        {
            "id": "TQ2",
            "question": "6个月实施 vs 12个月实施：你愿意为更快的选项多支付多少？",
            "criteria_pair": ["实施时间", "总拥有成本"],
            "anchors": {"实施时间": {"from": 12, "to": 6}}
        }
    ]
}

一致性检查

# 检查一致性
consistency_check = {
    "method": "传递性",
    "checks": [
        {
            "stakeholder": "S1",
            "issue": "权重不一致",
            "details": "成本权重(80) + 匹配度权重(100) 暗示成本 > 时间，但权衡建议相反",
            "severity": "警告",
            "recommendation": "重新审视成本与时间的比较"
        }
    ],
    "overall_consistency": 0.85
}

群体聚合

# 聚合偏好
aggregation_config = {
    "method": "加权几何平均",
    "stakeholder_weights": {"S1": 0.3, "S2": 0.3, "S3": 0.2, "S4": 0.2},
    "individual_weights": {
        "S1": {"TCO": 0.26, "Time": 0.13, "Fit": 0.32, "Stability": 0.10, "Integration": 0.19},
        "S2": {"TCO": 0.35, "Time": 0.15, "Fit": 0.25, "Stability": 0.15, "Integration": 0.10},
        # ... 等等
    },
    "aggregated_weights": {
        "TCO": 0.29,
        "Time": 0.14,
        "Fit": 0.28,
        "Stability": 0.12,
        "Integration": 0.17
    },
    "disagreement_metrics": {
        "highest_variance_criterion": "总拥有成本",
        "coefficient_of_variation": 0.15
    }
}

输入模式

{
  "session_config": {
    "decision": "字符串",
    "criteria": ["对象"],
    "stakeholders": ["对象"],
    "method": "字符串"
  },
  "elicitation_data": {
    "method": "swing|direct|tradeoff|pairwise",
    "responses": "对象"
  },
  "aggregation_config": {
    "method": "geometric_mean|arithmetic_mean|majority",
    "stakeholder_weights": "对象"
  }
}

输出模式

{
  "individual_weights": {
    "stakeholder_id": {
      "criterion": "数字"
    }
  },
  "aggregated_weights": {
    "criterion": "数字"
  },
  "consistency": {
    "individual_scores": "对象",
    "issues": ["对象"]
  },
  "disagreement_analysis": {
    "high_variance_criteria": ["字符串"],
    "stakeholder_clusters": "对象",
    "discussion_points": ["字符串"]
  },
  "documentation": {
    "methodology": "字符串",
    "assumptions": ["字符串"],
    "limitations": ["字符串"]
  }
}

启发方法

方法	最适合	复杂度
摆动权重	权衡准则	中等
直接评分	快速评估	低
成对比较	系统比较	高
权衡	理解价值	中等
点分配	直观权重	低

最佳实践

在启发前清晰解释准则
使用具体示例和场景
检查一致性并讨论差异
允许利益相关者在看到群体结果后修订
记录推理过程，而不仅仅是数字
考虑认知偏差（锚定效应、顺序效应）
对重要决策使用多种方法

常见偏差

偏差	描述	缓解措施
锚定效应	过度依赖首次信息	随机化顺序
可得性偏差	根据记忆事件加权	使用结构化数据
过度自信	狭窄的概率范围	校准训练
顺序效应	受问题顺序影响	在不同利益相关者间变化顺序

集成点

输入到AHP计算器进行权重处理
连接MCDA引导代理
支持一致性验证器进行质量检查
集成决策文档化以进行审计追踪