ISM或其衍生方法，获取基础数据有什么客观方法可以代替专家打分之类主观方法的吗?

寻找更客观的基石：ISM方法的基础数据获取新视角

在评估项目的可行性、风险或是战略方向时，许多方法都依赖于对某些核心要素的判断。其中，ISM（Interpretive Structural Modeling，解释结构模型）及其衍生方法，以其独特的结构化思维和对事物间相互作用的描绘能力，在复杂系统分析中扮演着重要角色。然而，ISM的构建过程往往离不开对要素之间关系的判断，而这些判断有时会借助于专家的主观评分。这不免让人产生一个疑问：是否有更客观的、不依赖于专家主观经验的方法来获取构建ISM模型所需的基础数据？

答案是肯定的。虽然专家的洞察力是宝贵的，但随着数据科学和分析技术的飞速发展，我们确实有能力构建一套更客观的数据获取流程，以支撑ISM及其衍生方法的应用。这需要我们从传统的“问询”模式，转向更侧重于“观察”和“量化”的路径。

核心挑战：从主观关系到客观关联

ISM方法的精髓在于识别和梳理构成系统的各个要素以及它们之间的驱动关系。例如，在一个项目风险评估中，要素可能是“技术难题”、“市场接受度”、“资金缺口”等，而它们之间的驱动关系则可能是“技术难题的出现会显著增加资金缺口的风险”。传统上，专家会被问及这些关系有多强，或者某个要素是否驱动另一个要素。这种方式虽然直观，但容易受到个人经验、情绪状态甚至表达方式的影响，导致结果的变异性。

要实现客观化，我们需要将这种主观判断转化为基于可量化指标和可验证证据的关联性分析。这需要我们跳出“直接询问”的藩 অর্থনৈতিক思维，深入挖掘数据背后隐藏的模式和联系。

客观化基础数据获取的途径

以下几种方法可以作为获取ISM基础数据的主流客观途径：

1. 数据挖掘与文本分析：从海量信息中提炼关联

现代企业和组织拥有大量的结构化和非结构化数据，这些数据是宝贵的“原材料”。通过先进的数据挖掘和文本分析技术，我们可以从中挖掘出要素之间的客观联系。

非结构化文本数据（如报告、邮件、会议纪要、新闻报道、社交媒体评论）：
词语共现分析 (Word Cooccurrence Analysis)： 分析特定术语（代表ISM的要素）在同一文本段落中出现的频率。如果“技术难题”和“项目延期”经常出现在同一份项目报告或新闻报道中，那么可以推断它们之间存在关联。
主题模型 (Topic Modeling，如LDA)： 通过算法自动识别文本数据中的潜在主题。如果某个主题频繁地围绕着“研发投入不足”和“产品迭代缓慢”展开，那么这两个要素之间可能存在驱动关系。
情感分析 (Sentiment Analysis)： 评估与特定要素相关的文本评论的情感倾向。例如，如果大量关于某个技术点的用户评论都带有负面情绪，并且这些负面评论经常伴随着对“用户满意度下降”的提及，则可以建立起两者间的关联。
实体识别与关系抽取 (Named Entity Recognition & Relation Extraction)： 识别文本中的关键实体（要素）以及它们之间的关系。例如，从新闻报道中抽取“公司A因供应链问题导致产品交付延迟”这样的句子，可以明确“供应链问题”驱动“产品交付延迟”。

结构化数据（如销售数据、项目管理数据、财务报表）：
关联规则挖掘 (Association Rule Mining)： 识别数据集中同时出现的项集之间的潜在关系。例如，在销售数据中发现购买了“某项服务”的客户也经常购买“某类产品”，这可以用来推断“服务质量”与“产品销售量”之间的关联。
时间序列分析 (Time Series Analysis)： 分析不同指标随时间的变化模式。如果一个指标（如研发投入）的增加通常会滞后于另一个指标（如产品创新率）的提升，则可以建立起驱动关系。
相关性分析 (Correlation Analysis)： 计算不同变量之间的皮尔逊相关系数或其他统计指标，量化它们之间线性或非线性的关系强度。例如，可以计算“市场营销支出”与“品牌知名度提升”之间的相关性。

如何将这些分析结果转化为ISM的驱动关系？ 关键在于设定量化的阈值。例如，可以规定：
如果两个术语在同一文本单元（如一个段落）中共同出现的次数超过X次，则认为存在初步关联。
如果两个变量之间的皮尔逊相关系数的绝对值大于Y，并且通过了统计显著性检验（p值小于Z），则认为存在统计学上的驱动关系。
通过主题模型发现两个要素（代表的概念）在同一主题下的概率分布有显著重叠，则认为它们相关。

2. 实验设计与A/B测试：主动探寻因果

在某些场景下，我们不仅需要识别现有数据中的关联，还可以通过设计实验来主动探寻要素之间的驱动关系。

A/B测试： 在产品迭代、营销策略调整或服务优化过程中，可以将用户群体随机分为两组（A组和B组），分别应用不同的策略（例如，不同的用户界面设计、不同的定价策略）。通过对比两组在关键指标（如转化率、用户满意度）上的差异，可以客观地判断某个要素的变化（如界面设计、定价）对结果要素（如转化率、满意度）的驱动作用及其强度。
模拟仿真 (Simulation)： 对于复杂的系统，可以构建数学模型或计算机模拟来测试不同参数（要素）的变化对系统整体行为（结果）的影响。例如，在供应链管理中，可以模拟不同供应商的交货时间变化对生产计划的冲击程度，从而量化“供应商可靠性”对“生产效率”的驱动作用。

通过实验设计，我们可以更直接地验证“如果X发生变化，Y会如何变化”的假设，从而获得更具因果意义的驱动关系数据。

3. 专家知识的客观化与量化（辅助手段）

虽然我们追求替代主观评分，但并非完全排除专家经验。关键在于将专家的经验转化为可量化的、可重复的评估指标。

评分量表标准化： 例如，与其问专家“A对B有多大影响？（15分）”，不如设计更精细的量表，要求专家基于特定情境下的数据表现进行评分。例如，“在过去一年中，当技术问题出现时，项目延期平均发生在多少个项目中？（020%, 2040%, 4060%等）”。
专家组的共识机制与数据对比： 让专家在“盲审”状态下对数据分析结果进行验证或修正。例如，展示文本分析发现的关联，让专家判断该关联在实际业务中的表现是否符合。
基于历史数据的贝叶斯更新： 利用专家的初始判断作为先验知识，然后根据新获取的客观数据，通过贝叶斯定理更新对要素间关系的概率估计。这是一种将主观与客观结合的审慎方法。

将客观数据转化为ISM结构

获得了客观的关联数据后，如何将其转化为ISM模型所需的“是否有驱动关系”的判断，以及关系的强弱？

1. 二元化判断： 基于预设的阈值（如前面提到的文本共现次数、相关性系数等），将关联性转化为“是”（有驱动关系）或“否”（无驱动关系）。例如，如果“技术难题”和“项目延期”在新闻报道中出现共现的平均次数超过5次，则认为存在驱动关系。
2. 多级驱动/强度量化： 如果需要更细致的分析，可以将关联的强度映射到不同的驱动级别。例如，根据相关性系数的绝对值大小，将其划分为“强驱动”、“中驱动”、“弱驱动”等。这可以通过定义多个阈值来实现。
3. 统计学显著性检验： 在进行相关性分析或回归分析时，必须考虑统计学显著性。只有当分析结果在统计学上是显著的（例如p值小于0.05），才能认为观察到的关联并非完全由随机波动产生。

挑战与未来方向

虽然上述方法提供了更客观的途径，但仍存在一些挑战：

数据质量与可获得性： 客观方法的有效性高度依赖于数据的质量、完整性和可获得性。并非所有要素都能轻易找到对应的量化指标或文本记录。
解释的复杂性： 复杂的统计模型和文本分析结果有时需要一定的专业知识来理解和解释，这与完全抛弃专家的初衷可能有所偏离。如何平衡解释的深度与易用性是关键。
因果推断的难题： 即使发现了强烈的统计相关性，也不能直接等同于因果关系。需要进一步采用因果推断的技术（如倾向性评分匹配、工具变量法等）来更严谨地确认驱动关系。
动态性与情境依赖： 许多要素之间的关系是动态变化的，并且高度依赖于具体的情境。客观数据获取方法需要能够捕捉这种动态性和情境性。

未来的方向可能包括：

集成学习与多模态分析： 将不同来源的客观数据（文本、数值、行为日志等）结合起来，利用集成学习技术提高判断的准确性。
基于知识图谱的关联提取： 构建领域特定的知识图谱，利用图算法来发现要素之间的隐性关联。
因果发现算法的应用： 将机器学习中的因果发现算法直接应用于数据分析，直接推断因果关系，而非仅仅是相关性。
人机协作的新模式： 设计更智能的工具，让数据科学家和领域专家协同工作，数据分析提供客观的洞察，专家则负责验证、解释和指导数据方向，形成一种“数据驱动的专家判断”。

总而言之，从依赖专家主观打分转向客观的数据驱动方法，是ISM及其衍生方法发展的必然趋势。通过充分挖掘和分析现有数据，设计严谨的实验，并将专家经验以量化的方式融入流程，我们可以构建出更可靠、更具普适性的系统模型，为决策提供更坚实的基础。这不仅是对方法论的革新，更是对复杂世界理解方式的一次深刻的升级。

先说几句题外话，ISM是非常普通的方法。但是算错的比例离谱的高。

2015年左右错误的比例是８０％左右。２０１８年错误的比例是５０％左右。

上面是一篇分析，里面一个个验证，提供了原始矩阵或者有可达矩阵的１００篇古典ISM的文章。其中按照最不严格的统计，有51篇是错的。文章都是2018年左右随机抽取的。

上面只是用的ISM方法的。联用的错误率更是可怕。

上面抽查了100篇dematel-ISM联用的，全特么的错的。而且全部是目测可见的错误。里面的作者有个别还是权威，还写过这方面的书。具体哪个作者就不点名了。认真看那些错误知道这个作者是谁。

接着是正题，有什么客观方法可以代替专家。也就是说有一堆客观数据,然后就自动的生成层级拓扑图。

理解这个问题之前，先理解要素与要素之间的关系。通常有两种关系。

第一、因果关系。

第二、优劣比较关系。（谁更牛逼的关系）

后面一种就是完全的客观法。

1、优劣比较关系的ISM/AISM/SAISM

ISM的发展已经从ISM发展到了AISM。

上面是一个计算的页面。

上面是一篇范文。

理解了上面的论文就了解了客观数据。

上面是一个两列的决策矩阵。然后转变成了行的牛逼程度的比较的关系矩阵。

上面有A4->A1为1，表示的是A1比A4牛逼。这步怎么来的？

请记住如下的表达。

上面的页面一直往下拉。

上面举了两个小例子：

把只有1列的决策矩阵D中的负向指标想象成排名，A1为第1名。关系矩阵A中 A2->A1即A2行A1列对应的单元格意思为A1比A2牛逼，即A2≺A1

上面是基本原则。

这个原则可以用到一切的多评价对象的综合评价中去。

这个例子就太多了！

比如上面一篇就是比较了8个港口的竞争力的问题。

比如上面的就是比较了若干城市科技创新能力的问题。

上面这些都是客观数据的。

2、因果关系对应的ISM/AISM问题

因果关系主要就是：第一、要素的数目问题。第二、要素之间的相互关系问题。

2.1、相关性到因果性的过程

上面一个范文是很好的例子。

她先是逐个的进行访问调查。提出了14个要素。

然后丢到统计软件里面一算。发现了10个关键要素。

然后再丢到对抗解释结构模型在线计算--AISM 一算。

当然说是说请专家，其实就是几个人（所谓的专家）多操作几遍而已。也就是现场改，然后点下按钮，看图。不满意再改。

从整体上来说，它的第一步可以说是客观一点的。

2.2、要素关系的模糊性问题

事物本身是复杂的，因果关系存在着强弱之分。

这个时候用DEMATEL-AISM联用的方法完全可以取代ISM的方法与步骤。

因为它打分是真的多个人打分。

比如采用的方法。

对应的一个范文可以参考：

流程图如上。

特意强调下：

直接影响矩阵，把每个人打分的分值直接相加就行。

这种需要的不是打分人的数目，重点在于打分的人不能瞎打。要素18个左右即可。不要太多，也不要太少，比如才8个10个那种。

---