选行业别拍脑袋:加权评分 + 敏感性分析的决策脚本
律所和电商的 FDE 岗位同时招手时,多数人靠薪资数字和直觉做决定。本文给出一个更可复用的做法:把决策拆成评价维度,给维度配权重,对候选方向打分,再做敏感性分析检验结论稳不稳——如果权重上下浮动 20% 结论就翻转,说明这个决策本质上还在抛硬币,需要回去补信息而不是急着选。 ## 一、模型设计 加权评分模型是最朴素的结构化决策工具: ``` 方向得分 = Σ(维度权重 × 方向在该维度的得分),得分与权重均为 1-5 / 0-1 ``` 维度建议覆盖:行业容错率匹配度、现有背景可迁移性、本地岗位密度、工作节奏偏好、成长斜率、收入中位数水平。其中"行业容错率匹配度"值得解释:律所容错极低、电商敢试错、制造稳定优先,你的性格与哪种容错环境匹配,是入行后第一年去留的最大变量,权重应该给足。 ## 二、决策配置 decision.json ``` { "criteria": { "容错率匹配": {"weight": 0.20}, "背景可迁移": {"weight": 0.20}, "本地岗位密度": {"weight": 0.15}, "节奏偏好": {"weight": 0.15}, "成长斜率": {"weight": 0.15}, "收入中位数": {"weight": 0.15} }, "options": { "律所方向": {"容错率匹配": 3, "背景可迁移": 3, "本地岗位密度": 3, "节奏偏好": 5, "成长斜率": 4, "收入中位数": 4}, "电商方向": {"容错率匹配": 4, "背景可迁移": 4, "本地岗位密度": 5, "节奏偏好": 3, "成长斜率": 3, "收入中位数": 3}, "制造方向": {"容错率匹配": 3, "背景可迁移": 3, "本地岗位密度": 4, "节奏偏好": 3, "成长斜率": 4, "收入中位数": 3} } } ``` 打分时有个防自欺的技巧:先打"背景可迁移""本地岗位密度"这类客观维度(可以查招聘平台岗位数验证),再打"节奏偏好"这类主观维度,减少结果反过来影响打分。 ## 三、完整代码 decision.py ``` #!/usr/bin/env python3 """加权评分决策工具:评分 + 打分敏感性分析。仅依赖标准库。""" import json import sys def load(path="decision.json"): with open(path, encoding="utf-8") as f: return json.load(f) def score(options: dict, weights: dict) -> dict: return {name: round(sum(weights[c] * vals[c] for c in weights), 3) for name, vals in options.items()} def rank(scores: dict) -> list: return sorted(scores, key=scores.get, reverse=True) def sensitivity(cfg: dict) -> None: """检查第二名在每个维度 +1 分能否反超第一名,列出可翻盘的维度。""" weights = {c: v["weight"] for c, v in cfg["criteria"].items()} base = score(cfg["options"], weights) top, second = rank(base)[:2] gap = round(base[top] - base[second], 3) print(f"前两名差距: {gap} 分(「{top}」领先「{second}」)") flippable = [c for c, w in weights.items() if w > gap] if not flippable: print("敏感性: 任何单项打分 +1 都无法翻盘,结论稳定") else: print("敏感性: 以下维度里「" + second + "」+1 分即可反超——") for c in sorted(flippable, key=lambda c: -weights[c]): print(f" [{c}] 权重 {weights[c]}") if __name__ == "__main__": cfg = load(sys.argv[1] if len(sys.argv) > 1 else "decision.json") weights = {c: v["weight"] for c, v in cfg["criteria"].items()} total_w = sum(weights.values()) if abs(total_w - 1.0) > 1e-6: print(f"警告: 权重之和为 {total_w},建议归一到 1") scores = score(cfg["options"], weights) print("== 评分结果 ==") for i, name in enumerate(rank(scores), 1): print(f" {i}. {name}: {scores[name]}") sensitivity(cfg) ``` 运行输出(基于示例配置): ``` == 评分结果 == 1. 电商方向: 3.7 2. 律所方向: 3.6 3. 制造方向: 3.3 前两名差距: 0.1 分(「电商方向」领先「律所方向」) 敏感性: 以下维度里「律所方向」+1 分即可反超—— [容错率匹配] 权重 0.2 [背景可迁移] 权重 0.2 [本地岗位密度] 权重 0.15 [节奏偏好] 权重 0.15 [成长斜率] 权重 0.15 [收入中位数] 权重 0.15 ``` ## 四、怎么解读敏感性结果 示例输出里最刺眼的不是排名,而是"前两名差距: 0.1 分"。0.1 分意味着两个方向对你几乎等值——敏感性清单随即证实:六个维度里任何一项给律所方向多打 1 分,第一名就会易主。这个信息比评分本身更有价值:工具在告诉你"信息不足,决策时机未到"。下一步动作因此非常明确:不是继续纠结,而是去把打分依据做实——找两个方向的从业者各聊一次、在招聘平台数一遍本地岗位的真实数量、各投几份简历测反馈,然后回来重打一次分。 决策工具的意义从来不是替你做决定,而是把"我倾向于 A"这句话拆成一组可检验的假设。权重是你的价值观,打分是你掌握的信息,敏感性分析告诉你信息缺口在哪里——缺口补上之前,任何纠结都是内耗,补上之后,选择会自动浮现。