UD5工具箱
多维度加权评分法
多维度加权评分法（Multi-Criteria Weighted Scoring Method）是一种经典的决策分析技术，起源于运筹学和管理科学领域。该方法的核心思想是将一个复杂的决策问题分解为多个评价维度，为每个维度分配反映其重要程度的权重，然后对每个备选方案在各维度上进行评分，最终通过加权求和得到综合评价分数。在Offer对比场景中，每个工作机会就是一个备选方案，薪资、福利、发展等就是评价维度。这种方法的优势在于将感性的判断转化为理性的数值计算，同时保留了决策者的主观偏好（通过权重体现），实现了主观性与客观性的有机结合。
权重（Weight）
权重是加权评分法中的核心概念，表示某个评价维度在总体决策中的相对重要程度。在本工具中，权重的取值范围为1到5的整数，数值越大表示该维度越重要。例如，权重为5的维度对总分的影响力是权重为1的维度的五倍。权重的设定直接决定了最终的评分结果，因此需要用户根据自身的真实需求和价值取向来合理分配。常见的权重分配策略包括：根据个人最看重的因素赋予最高权重，根据各因素的实际影响范围进行分级，参考家人或职业顾问的建议来确定。
评分矩阵（Scoring Matrix）
评分矩阵是本工具的核心数据展示形式，是一个二维表格结构。行代表各个评价维度（如薪资待遇、职业发展等），列代表各个待对比的Offer。矩阵中的每个单元格对应一个评分值，表示某个Offer在某个维度上的表现水平。评分矩阵的设计使得所有信息在同一个视图中呈现，便于用户进行横向（同一维度不同Offer之间）和纵向（同一Offer不同维度之间）的对比分析。矩阵中的空值或未填写的单元格在计算时会被自动排除。
加权总分（Weighted Total Score）
加权总分是每个Offer的最终综合得分，由评分矩阵中的所有维度评分和对应的权重通过加权平均公式计算得出。具体计算方式为：将每个维度的评分乘以该维度的权重，求和后除以所有权重之和，再乘以10进行标准化。加权总分的取值范围为0-10分，分数越高表示该Offer与用户的理想画像越匹配。加权总分是Offer排名的直接依据，但用户在做最终决策时，还应结合各维度的详细得分进行综合判断。
维度（Dimension）
维度是评价Offer时所考虑的具体因素或方面。在本工具中，维度由用户自行定义和配置，完全个性化。常见的维度包括但不限于：薪资待遇（基本工资、奖金、股票等）、福利保障（五险一金、补充医疗、带薪假期等）、职业发展（晋升通道、培训机会、行业前景等）、工作内容（技术挑战、项目类型、工作自主度等）、企业文化（价值观、管理风格、创新氛围等）、通勤交通（通勤时间、交通方式、远程办公等）、工作生活平衡（加班情况、弹性工作、休假制度等）、团队氛围（同事关系、团队规模、协作方式等）。
决策偏差（Decision Bias）
决策偏差是指人们在做决策时由于认知局限、情绪影响或环境因素而导致的系统性判断错误。在Offer选择过程中，常见的决策偏差包括：锚定效应（过分依赖第一个收到的Offer作为参考点）、近因偏差（过分关注最近发生的事件或面试体验）、从众心理（受他人意见或社会比较的影响）、损失厌恶（过分关注放弃的机会而忽视获得的价值）、光环效应（因为某个方面的优势而对整体产生过高评价）。使用多维度加权评分法可以在一定程度上克服这些偏差，因为它强制用户全面、系统地考虑所有重要因素，并将判断建立在量化数据之上。
敏感性分析（Sensitivity Analysis）
敏感性分析是一种评估决策结果稳定性的方法，用于检验当输入参数发生变化时，最终结论是否会受到影响。在Offer对比中，用户可以尝试调整某些维度的权重或评分，观察排名结果是否发生变化。如果轻微的调整就导致排名发生逆转，说明这些Offer之间差异不大，需要更加谨慎地做决策；如果无论如何调整，排名都保持不变，则说明最优选择是比较确定的。本工具通过洞察分析功能部分实现了敏感性分析的思路，帮助用户评估决策的稳健性。
标准化评分（Normalized Scoring）
标准化评分是指将不同量纲或范围的指标转化为统一标准的过程。在本工具中，所有维度的评分都统一为1-10分的范围，权重统一为1-5的范围，加权总分也标准化为0-10分。这种标准化处理确保了不同维度之间的可比性，也使得最终的加权总分具有直观的含义。例如，一个加权总分为8分的Offer意味着它在用户关注的各个维度上的综合表现达到了良好水平。