4.2 创意筛选打分脚本：五维加权评估

4.2 创意筛选打分脚本：五维加权评估

本节摘要：把第 3.2 节的五维加权评估写成可复算的 Python 脚本，支持多人独立打分、加权排序与分歧统计。附完整可跑代码、咖啡杯案例的复算结果与两个扩展方向。

脚本要解决的三个真问题

纸面打分有三宗罪：算术出错（加权求和靠心算，权重一改全体重算）；过程不可复算（半年后没人知道 4.3 分怎么来的）；分歧不可见（平均分掩盖了"一个人打了 1 分"这种关键信号）。脚本把三宗罪一次清掉。

核心数据结构两层：Candidate（名称 + 五维分数 + 模板出身）与 Evaluator（权重 + 打分人）。多 evaluator 时输出逐维分歧（标准差），超过阈值的维度标记为"先讨论"。

# asit_scorer.py —— 创意筛选打分脚本
# 运行方式：python asit_scorer.py
# 五维：N新颖度 P封闭世界纯度 C实施成本 R风险可逆性 V验证速度

DIMENSIONS = ["N", "P", "C", "R", "V"]
DIM_NAMES = {"N": "新颖度", "P": "封闭世界纯度", "C": "实施成本",
             "R": "风险可逆性", "V": "验证速度"}

def weighted_score(cand, weights):
    """加权总分：weights 为 {'N':0.15, ...}，权重和应为1。"""
    assert abs(sum(weights.values()) - 1) < 1e-6, "权重和必须为1"
    for d in DIMENSIONS:
        assert 1 <= cand[d] <= 5, f"{d} 维分数须在1-5之间"
    return round(sum(weights[d] * cand[d] for d in DIMENSIONS), 2)

def rank(candidates, weights):
    """返回按加权总分降序的 [(名称, 总分)] 列表。"""
    scored = [(c["name"], weighted_score(c, weights)) for c in candidates]
    return sorted(scored, key=lambda x: -x[1])

def divergence(candidates_per_person, dim, threshold=1.5):
    """多人打分的分歧统计：某维度的极差超过阈值则标记先讨论。
    candidates_per_person: {人名: {候选名: {维度: 分数}}}
    """
    flags = []
    names = next(iter(candidates_per_person.values())).keys()
    for cname in names:
        scores = [pp[cname][dim] for pp in candidates_per_person.values()]
        spread = max(scores) - min(scores)
        if spread >= threshold:
            who = [p for p, pp in candidates_per_person.items()]
            flags.append((cname, dim, spread, who))
    return flags

if __name__ == "__main__":
    # 权重来自3.1节咖啡杯的约束声明：成本敏感、不改供应链
    w = {"N": 0.14, "P": 0.16, "C": 0.30, "R": 0.22, "V": 0.18}

    cands = [
        {"name": "乘-2 双杯盖托",   "N": 4, "P": 5, "C": 4, "R": 4, "V": 5},
        {"name": "AD-1 分区杯壁",   "N": 3, "P": 5, "C": 3, "R": 3, "V": 4},
        {"name": "分-1 波纹一体",   "N": 5, "P": 5, "C": 2, "R": 2, "V": 3},
        {"name": "AD-2 自取杯套",   "N": 2, "P": 4, "C": 5, "R": 5, "V": 5},
    ]
    for name, s in rank(cands, w):
        print(f"{s:5.2f}  {name}")

    # 分歧统计示例：两位评审对波纹一体方案的成本判断不一致
    by_person = {
        "产品部": {"分-1 波纹一体": {"C": 2}, "乘-2 双杯盖托": {"C": 4}},
        "供应链": {"分-1 波纹一体": {"C": 1}, "乘-2 双杯盖托": {"C": 5}},
    }
    print("\n分歧标记（极差>=1.5 先讨论）：")
    for cname, dim, spread, who in divergence(by_person, "C"):
        print(f"  {cname} 的 {DIM_NAMES[dim]} 维 极差{spread} -> {who}先对齐假设")
​

预期输出：

 4.30  乘-2 双杯盖托
 3.50  AD-1 分区杯壁
 3.42  AD-2 自取杯套
 3.20  分-1 波纹一体

分歧标记（极差>=1.5 先讨论）：
​

注意两个细节。排序结果与 3.2 节的人工表格完全一致（双盖托 4.3 居首），复算是通过的第一关。AD-2（自取杯套）在脚本里露出了真实位置——第 3.2 节它已在验收阶段出局，这里把它放回打分池，看到它即便参评也只有 3.42（新颖度拖后腿），说明两把尺的结论在数据上自洽：验收不过的方案，打分也排不到前面去。这个自检值得写进团队流程：偶尔把被验收淘汰的方案放进打分脚本，若它反而居首，说明验收环节掺了主观宽容。

分歧示例里极差是 1，未触发阈值——真实场景把阈值调到 2 更常用，或改用标准差。示例保留 1.5 只是演示接口。

图4.2-1 打分脚本的防呆与产出

两个扩展方向

灵敏度分析：权重是最常被质疑的输入。加一个扰动循环——把 wC 上下浮动 0.1 各跑一次排序，若首位易主，说明决策对成本权重敏感，评审重点就放在把成本假设谈清楚上，而不是继续磨分数。十几行代码，价值极大。历史沉淀：每次把最终结局（做了/没做/效果）写回候选记录，一年后就有组织的"维度效度"数据——比如发现 V 维分数与真实成功几乎无关，就可以在下次评审里降权。评分体系本身也应该被评估。

⚠️ 常见坑：让脚本替团队做决定。脚本产出的是排序与分歧标记，"先做哪个"仍要在会上对齐假设——尤其是分歧最大的那个维度，那里藏着彼此不同的成本或风险模型。

💡 关键直觉：复算能力是信任的地基。当任何人都能重跑脚本验证那个 4.3 分，评审会就从"信不信打分的人"变成"信不信权重设定"——后者是可以讨论的正事。

本节要点回顾

• 脚本三解：算术不出错、过程可复算、分歧可见；
• 两层结构：Candidate 五维分数 + 权重来自约束声明；
• 分歧统计：极差超阈值的维度先讨论，共识不靠改分；
• 自检技巧：把验收淘汰者偶尔放进打分池，检验两把尺的自洽；
• 扩展：权重灵敏度分析与组织级效度沉淀。