SWOT分析的进一步模型化以及在个人决策中的作用

已有 2307 次阅读 2014-10-26 21:51 |系统分类:科研笔记| 模型化, SWOT分析

   关于SWOT分析，相信大家都不会陌生，S-strength，W-weakness，O-opportunity，T-threat。这是一个比较科学的分析方法，可以为我们的决策提供依据，我们也可以从分析中明确某个决策（或者事物）的优缺点，进而找到解决方法。

   但是，传统的SWOT分析并不能给人以很直观很明确的答案，虽然每个优缺点我们都清楚了，但是这个决策究竟是好是坏，我们并没能很直观地给出。如果能够有一些数据上的支持，那会有比较强的说服力。

   下面，我将提出一种对SWOT分析的模型化的方法，并介绍模型化后如何应用于个人决策。

   下面是一个常见的SWOT分析模型。其中，S1-S4为待检验事物的4条优点；W1-W4为待检验事物的4条缺点，其余类推。

   我们知道，无论对于S、W、O还是T，对于每部分列出的每一点（比如S1），在我们的心中都有一定的比重。比重越大，说明我们对这个点比较在乎。由于是个人决策，就会涉及到个人的具体情况，因人而异，每个人对于每一点的在乎程度存在不同。我们可以给每个点进行一个权值的赋值。设置最大权值为5，每一点赋予一个权值之后，我们就可以开始模型的建立了。

   接下来的模型比较简单，但是对于个人决策，已经足够用了。下面给出一种最普通的方法。

   对于S、W、O、T，我们可以根据它们的每一点的权重求取平均值，作为该项的平均权值。我们用W_S1表示S1这一点的权值，用W_S表示S这一项的平均权值，其余类推。那么，W_S的计算公式为：（假定S这一项中总共有 nSnS 个小点）

W_S=1nS∑nSk=1W_SkW_S=1nS∑k=1nSW_Sk

   为了构建一个对待检验事物的合理评价模型，我们给S、W、O、T项各定义了一个比重，不妨分别记为P_S、P_W、P_O、P_T（当然，它们的和为1）。那么对于待检验事物，我们可以给出一个评分：

score=P_S∗W_S−P_W∗W_W+P_O∗W_O−P_T∗W_Tscore=P_S∗W_S−P_W∗W_W+P_O∗W_O−P_T∗W_T 

   当然，上面介绍的是最普通的一个模型。如果我们只满足于此，那么这个模型作用或许不大，评价效果或许会比较差。接下来，我们尝试给这个模型增加一些新的东西，以完善模型。

   首先，可以给这个待检验事物添加两个评分，而不是上面介绍的一个固定的评分标准。一个是基于规避风险的，由于要规避风险，我们需要把风险项的比重调大，而优点和机遇项的比重相对调低一点。另一个是基于冒险与机遇的，这个评分可以把风险项的比重调小一点，而优点和机遇项的比重调高一些。比如，规避风险型评分采用[S:20%; W:30%; O:20%; T:30%]的比重设置，冒险机遇型评分采用[S:30%; W:20%; O:30%; T:20%]的比重设置。这个可以作为两个参考，依据个人意愿，觉得应该做出沉稳一点的选择，可以采用规避风险型的评分机制；觉得可以值得放手一搏的，可以采用冒险机遇型的评分机制。

   其次，是对于每一项（S、W、O、T）的权值（即W_S、W_W、W_O、W_T）的设置问题，不一定要采用上述的平均权值的方式。按照个人意愿，主要还是分为两种选择，一种是规避风险型的，另一种是冒险机遇型的。

   对于规避风险型，风险项（W、T）的权值可以选择为该项的各点中权值的最大值，而优点和机遇项的权值选择为该项中各点权值的最小值。即：

W_W=max1≤k≤nWW_WkW_W=max1≤k≤nWW_Wk

W_T=max1≤k≤nTW_TkW_T=max1≤k≤nTW_Tk

W_S=min1≤k≤nSW_SkW_S=min1≤k≤nSW_Sk 

W_O=min1≤k≤nOW_OkW_O=min1≤k≤nOW_Ok 

   对于冒险机遇型，取法恰好与规避风险型相反。

   当然，我们还可以进一步对人群的性格类别进行细分，对于每种类别的人，他们的性格决定了他们对于风险的接受程度，可以根据此来修改风险项的优点机遇项的权值的取法（不一定只有平均值，或者最大最小值这几种取法，比如有些性格的人适合取中位数或者众数，当然，众数不一定唯一，这时可以把中位数和众数结合起来综合考虑；当然，还可能不同类型的人会对S、W、O、T分别采用不同的权值取法）。

   我们提供的是一种客观与主观相结合的方法来进行决策，因为是个人决策，方法上要客观，具体细节上要符合个人主观意愿，因此，这是一种比较合理的方法。这个模型比较简单，属于大众型的模型，没有什么技术含量，实现起来也方便。

转载本文请联系原作者获取授权，同时请注明本文来自洪佳鹏科学网博客。
链接地址：https://blog.sciencenet.cn/blog-1748154-838789.html