/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}
目录
1.1 容量规划的三重时间差
1.2 传统模型的四个结构性缺陷
1.3 新范式的定位：预测—归因—校准
二、指标体系构建：为机器学习而非为打分而生
2.1 从"评价指标"到"建模特征"的范式转换
2.2 五组特征域
2.3 特征工程的三条业务规则
2.4 制衡设计的保留
三、指标数据处理：面向建模口径的再设计
3.1 口径先于算法
3.2 时间对齐：构造滞后窗口
3.3 缺失与异常的"显性标记"
3.4 分布偏斜与量级差异
3.5 类别不平衡：这不是技术问题，是业务定义问题
3.6 时间序列切分：唯一的合法切法
四、评估模型选取：集成预测 + SHAP 归因 + 代价敏感校准
4.1 模型族的选择与基准对照
4.2 模型一：缺口幅度预测（回归）
4.3 模型二：失衡风险分类（代价敏感）
4.4 模型三：SHAP 归因——让模型"可被质询"
4.5 模型四：概率校准——让概率成为决策量
4.6 四模型的关系与运行节奏
五、评估结果分析：从预测到决策
5.1 结果的第一层：误差结构而非平均精度
5.2 结果的第二层：归因结论与动作映射
5.3 结果的第三层：三色预警与决策闭环
5.4 结果的第四层：模型自身的健康度
5.5 新范式不是万能的：五个必须承认的局限
5.6 落地路径：四阶段推进
结语
摘要：传统加权打分模型在研发资源容量规划中存在权重主观、线性叠加掩盖指标耦合、缺失值被静默填平、综合分无法反推动作四大缺陷。本文提出"预测—归因—校准"数据驱动新范式：以集成学习预测产能与需求缺口幅度、兑现概率及失衡风险，用SHAP拆解驱动因素，以代价敏感学习显式编码漏报代价，再经概率校准还原真实频率，并配合滚动时序验证。评估重心由事后评价转向事前预测，从误差结构、归因结论、三色预警与模型健康度四层落地决策闭环。研究表明，集成模型相较传统估算精度更优，且估算目标应是可信区间而非单点数字。
一、场景介绍：传统评估模型为什么失效
1.1 容量规划的三重时间差
研发资源容量规划要回答的问题很朴素：以我们当前的整体带宽，能不能接下这批工作。但它在实践中会遭遇三重时间差，这三重时间差是传统评估方法全部失效的根源。
信息时间差。规划时点拿到的数据，是过去几个迭代的产出结果；而决策要对未来 4–12 周负责。用历史均值代表未来产能，隐含了一个极不现实的假设——团队是稳态的。实际上，成员入职离职、技术栈切换、需求颗粒度漂移、外部依赖波动，都会让"昨天的产能"不再是"明天的产能"。
反馈时间差。传统的加权评分模型是回溯性的：一个团队产能匹配得好不好，要等周期结束、结果落地、指标算出，才知道。这时候就算评了个低分，损失已经发生。而资源决策需要的是预测性：在承诺落笔之前就知道这个承诺大概率兑现不了。
影响时间差。加一个人并不能立即增加产能。新人需要熟悉代码库、业务规则和协作边界，这段时间他消耗的辅导资源可能超过他贡献的产出。所以"现在缺人"和"三个月后缺人"是两件完全不同的事，但传统模型把它们放在同一个时间窗里平均处理。
这三重时间差共同指向一个结论：容量规划评估的核心不是评价历史，而是预测未来并提前干预。这正是"新型评估模型"要进入这个场景的原因。
1.2 传统模型的四个结构性缺陷
为什么 AHP、熵权法、TOPSIS 这类多准则决策方法在这里不够用？不是说它们错了，而是它们回答不了下面四个问题。
缺陷一：权重即政治。组合赋权的本质是"把专家意见和数据信息合成一个权重向量"。但谁的意见进矩阵、怎么排序、一致性检验不通过就反复改到通过——这套操作在实践中非常容易被关键干系人影响。最终那个"客观"的权重，可能只是会议室里嗓门最大的那个人意志的数学包装。更麻烦的是，权重一旦定下，它隐含的优先级就固化为组织制度，半年内不会有人再质疑。
缺陷二：指标加权是线性叠加，而真实系统是耦合的。负载率 × 0.25 + 兑现率 × 0.20 + …… 这个形式假设各指标彼此独立、影响可加。但研发系统里，高负载会拉长交付周期、拉长周期会推高变更失败率、失败率上升会挤占支持带宽、带宽收缩又会进一步推高负载。这是一组强耦合的非线性关系。线性加权会把这种耦合效应平均掉，给出一个"看起来稳定、实则掩盖了系统性风险"的分数。
缺陷三：缺失值被悄悄填平了。团队中途扩缩编、成员转岗、需求被取消、工时漏填——这些缺失在归一化之前就被均值或中位数填掉了。填掉本身不是问题，问题是填掉之后没人再标记"这个样本不可靠"，于是低质量样本和高可信样本在评分里享有同等地位。
缺陷四：综合分无法反推动作。这是最致命的一条。一个团队 CDMI 得 0.62，管理者下一步该做什么？加分模型不会告诉他。它可能同时意味着"负载合理但交付慢"、"交付快但返工高"、"一切正常但技能极度集中"。一个无法反推动作的分数，对资源决策的价值接近于零。
1.3 新范式的定位：预测—归因—校准
新型评估框架不取代指标，它取代的是"用指标算分"这一步。它把评估拆成三个连续动作：
三者缺一不可。只有预测，业务方不信；只有归因，预测不可靠；只有校准，概率没有决策意义。这也构成了全文的三条主线。
二、指标体系构建：为机器学习而非为打分而生
2.1 从"评价指标"到"建模特征"的范式转换
传统框架先建指标体系再选模型，所以指标设计的目标是"能覆盖所有维度"。新范式反过来：先确定要预测什么，再倒推需要哪些特征。这是一个根本性的顺序变化。
模型的预测目标（标签）有三类，对应三个不同的业务决策：
- 回归目标：下一周期净可用产能与需求总量的缺口幅度（人天）。回答"差多少"。
- 概率目标：下一周期承诺兑现率不低于 90% 的概率。回答"能不能守得住"。
- 分类目标：下一周期是否进入资源失衡状态（三色：正常 / 预警 / 失衡）。回答"要不要现在就动手"。
标签一旦确定，特征的选择就有了明确标准：不是"它重不重要"，而是"它对预测这个标签有没有增益"。这会让很多在传统框架里必不可少的指标被降级，也会让一些看似不起眼的信号被提拔——比如"需求从创建到首次推进的等待时长"，它往往比"需求优先级"更能预测交付风险。
2.2 五组特征域
供给域：净可用产能、可承诺容量、关键技能覆盖率、人员变动率、新人占比、团队规模。其中人员变动率是容量波动的强预测因子——一次集中离职或集中入职，对产能的影响不是线性的，前者造成知识流失，后者造成辅导负担。
需求域：承诺需求折算总量、需求颗粒度中位数、颗粒度离散度、需求波动率、范围变更占比、紧急插单占比、跨团队依赖数量。颗粒度离散度特别值得强调：如果一批需求的折算规模中位数相差十倍，说明拆分标准不统一，模型的输入噪声会显著增大。
流动域：在制品数量、交付周期中位数（按类型分层）、流动效率、阻塞时长占比、返工率。利特尔法则（在制品 = 吞吐率 × 交付周期）在这里被当作一致性校验约束而非指标：如果三者关系明显偏离，说明统计口径错位或系统不在稳态，这类样本应当标记并从训练集剔除或降权。
质量域：缺陷逃逸率、变更失败率、线上缺陷密度、平均恢复时长。质量指标进入产能模型的意义在于：它是产能的隐性消耗项。一次失败的部署会吃掉数倍于正常流程的支持带宽。
组织域：跨团队协作项数、评审等待时长、会议占用率、支持轮值频次。这类特征最容易被漏掉，却往往是"明明产能算得准、项目还是延期"的真实原因。
2.3 特征工程的三条业务规则
纯数据驱动有一个著名风险：模型学会了数据里的伪相关。为避免这一点，特征构造必须遵守三条业务规则：
禁止穿越特征。任何使用了统计窗口之后信息的特征都是穿越（leakage）。比如用"本周期实际完成量"去预测"本周期缺口"，指标上完美，生产上毫无用处。特征的时间边界必须严格早于标签的观测点。
保持物理可解释。如果一个特征在数学上很有预测力、但业务上无法解释（比如"需求编号的末位数字"），必须丢弃。预测模型在容量规划中的公信力，来自业务方理解它；一个不可解释的高精度模型，最终会被排斥使用。
比率优先于绝对值。团队的绝对人天数与团队规模强相关，会掩盖效率差异。折算速率、负载率、覆盖率这类比率特征，跨团队可比性更好，也是模型真正需要的信息。
2.4 制衡设计的保留
新范式不废除制衡，而是换一种实现方式：不再用"指标组互相制约"，而用多任务输出互相校验。同一份输入同时输出缺口幅度、兑现概率和失衡等级，三者之间必须满足逻辑一致性——如果模型预测缺口幅度很大，同时却给出很高的兑现概率，这就是一个需要人工复核的矛盾信号。这种校验比指标制衡更严格，因为它检查的是预测之间的兼容性，而不是历史数值之间的比例。
三、指标数据处理：面向建模口径的再设计
3.1 口径先于算法
在建模场景里，数据处理的错误比模型选择错误更致命——后者只是让分数稍差，前者会让整个评估结论建立在错误的事实上。处理流程的第一步，仍然是那份指标规格说明书：每个特征的分子、分母、单位、时间窗、来源、空值含义，必须书面化。这里不再赘述，只强调建模特有的四处差异。
3.2 时间对齐：构造滞后窗口
机器学习的输入不是"当前值"，而是"过去若干个窗口的值"。对每个特征，构造 1 期、2 期、3 期滞后值以及它们的移动平均，让模型能够识别趋势。例如"近 3 周期净可用产能的滑动均值"和"单期净可用产能"携带的信息完全不同：前者代表趋势，后者代表扰动。
对齐的严格性要求：特征和标签必须以同一时间原点对齐，任何时间错位是必须排除的错误，不是可以事后修补的小问题。这是预测型评估与传统打分模型最大的操作差异——后者对时间不敏感，前者完全依赖时间结构。
3.3 缺失与异常的"显性标记"
这是新型框架相对传统方法最实在的改进之一。
缺失值不再被静默填充。工时漏填、中途入职、需求取消，分别用不同的占位标记区分，并额外构造一个"数据完整度"特征。这样模型既能从已有数值中学习，也能"知道这个样本不可靠"，自动降低对它的依赖。这比直接用均值填平要诚实得多，也有效得多。
异常值区分两类。一类是离群事件：一次重大生产事故、一次全员封网，这类事件确实发生且影响真实，不能被当作噪声删除，应保留并标记，让模型学会识别"极端事件模式"。另一类是录入错误：工时超过自然工时、折算规模为负，这类才是应当剔除的错误。用缩尾处理极端值会同时伤害这两类，因此必须前置判断。
3.4 分布偏斜与量级差异
偏态处理。研发数据普遍偏态：多数需求颗粒度小，少数极大；多数周期兑现率高，少数极低。对这类特征做对数或幂变换，能显著改善模型的稳定性。但变换必须可逆——评估结论必须能还原到业务单位（人天、百分比），否则管理者无法据此做预算。
量级归一。不同特征的量级差异可达数个数量级。树模型对量级不敏感，但对线性成分和正则化项敏感的场景仍需统一缩放。关键是：所有变换的参数（均值、方差、分位数）只能在训练窗口内拟合，再应用到验证与测试窗口。任何在完整数据集上先归一化、再切分训练测试的做法，都是典型的数据泄漏，会产生不可在生产的乐观评估。
3.5 类别不平衡：这不是技术问题，是业务定义问题
容量失衡属于少数类。一个运转正常的组织，大部分周期处于正常状态，真正失衡的样本很少。这带来经典的类别不平衡问题。
不要急着上采样。类别不平衡的首要处理不是生成样本，而是重定义问题。失衡样本少，往往是因为"失衡"的判定标准太严、回溯窗口太短，把很多实际已处于危险状态的周期漏标了。先用领域知识重新标注，比任何算法都有效。
代价敏感优先于样本生成。SMOTE 这类方法通过在特征空间插值生成少数类样本，在低维表格数据上能提升召回率，但它可能生成位于多数类区域的虚假样本，反而损害决策边界；基于 GAN 的深度生成模型（如 CTGAN）在默认配置下对中小样本的表现常弱于简单方法。更重要的是，任何重采样都会改变样本先验，从而让模型输出的概率不再代表真实发生频率——而概率正是资源决策的核心输入。
因此推荐的处理顺序是：先调整类别权重或采用代价敏感损失，把"漏报一个失衡周期"的代价显式编码进目标函数；若仍不足，再做保守的边界采样；最后通过概率校准把输出还原为真实频率。样本生成只作为最后手段，且生成后必须做统计保真度检验（边际分布、相关性结构、分位数距离），确认生成样本没有扭曲原始数据的内在关系。
3.6 时间序列切分：唯一的合法切法
绝对不能用随机打乱的切分。研发数据是时间序列，相邻周期强相关。随机切分会把"未来"放进训练集，得到漂亮但不可用的评估指标。正确的做法是按时间顺序切分：用较早周期训练，在较晚周期测试，测试窗口长度一般不少于预测视界，通常取序列的 20% 左右。
更稳健的是滚动原点验证：训练窗口固定或向前扩展，逐期向前滚动预测，把各期的误差平均。它给出误差随预测视界变化的曲线，能直观显示"模型对未来 2 周预测得准、对未来 8 周基本失效"这类关键信息。所有预处理步骤（缺失填充、归一化、特征选择、超参数调优）都必须在每个训练折内独立完成，验证折不得参与任何拟合。
四、评估模型选取：集成预测 + SHAP 归因 + 代价敏感校准
4.1 模型族的选择与基准对照
预测型评估对模型的要求有四条：能捕捉非线性与特征交互、对混合类型特征友好、输出可校准的概率、具备成熟的可解释机制。集成树模型族（随机森林、梯度提升、极致随机树）天然契合这些要求。它们对缺失和量纲不敏感、能自动学习交互效应、对中小规模表格数据稳定，且已有成熟的归因工具支持。
深度网络不是必选项。除非数据规模达到万级样本，否则深度模型的额外复杂度换不来相应的精度提升，反而会牺牲可解释性和运维简易性。评估模型是决策支持工具，不是算法竞赛作品；稳定性、可解释性和落地成本，优先级高于那几个百分点的指标提升。
基准模型不可省略。任何新模型都必须与"用历史均值预测"和"用上一期数值预测"这两个朴素基线比较。如果复杂模型只比朴素基线好一点点，那它的运维复杂度就是不划算的。公开研究表明，集成方法在软件工作量与时间预测上相较朴素基线能显著降低平均绝对误差，而深度模型的表现与梯度提升类方法接近、且可解释性更弱。这条经验同样适用于产能预测。
4.2 模型一：缺口幅度预测（回归）
目标：预测下一周期"需求总量 − 净可用产能"的缺口幅度。
结构与机制。以集成树模型为主干，配合三类辅助任务：主线预测缺口幅度；辅线一预测兑现率（回归），辅线二预测失衡等级（分类）。三条线共享底层特征表示，但各自保留独立的输出头与损失项。多任务结构的价值在于，产能、兑现率、失衡状态本就是同一系统的不同侧面，共享表示能让模型利用它们之间的相关性，在某一目标数据稀疏时借助其他目标提升泛化。
损失设计。采用Huber损失替代均方误差。均方误差对大误差平方惩罚，一个极端周期就能主导整个训练过程；Huber损失在小误差区是平方、大误差区是线性，对极端事件更稳健。同时引入非对称惩罚项：高估产能（预测缺口偏小）的代价设为低估产能的若干倍，因为前者导致无预警的承诺失控，后者只造成保守的缓冲冗余。这个倍数不是超参数调出来的，是管理层基于业务后果明确指定的——它是一个风险偏好参数。
评估指标组合。只用决定系数会掩盖问题。必须同时报告：平均绝对误差（单位与业务一致，可直接解读为"平均偏差多少人天"）、均方根误差（对大误差敏感，反映最坏情况）、相对误差中位数（跨团队可比）。最关键的一条是误差随预测视界的变化曲线：如果对未来 2 周的预测误差在可接受范围、对未来 8 周已大幅发散，那么"8 周规划"就必须降级为"方向性参考"，不能当作承诺依据。这条曲线是模型可用性的边界声明。
4.3 模型二：失衡风险分类（代价敏感）
目标：把周期划分为正常、预警、失衡三档，并输出每档的概率。
代价矩阵的显式构造。这是新范式区别于传统加权打分最本质的一点。传统方法把所有误判同等对待；而容量规划中，"把即将失衡判成正常"（漏报）和"把正常判成失衡"（误报）的代价完全不对称：漏报意味着无预警的延期与透支，误报意味着保守的缓冲与一次评审会议。把这两种代价写成矩阵，让模型最小化期望代价而不是错误数量。
决策阈值不再固定为 0.5。阈值由代价矩阵与业务可承受的风险水平共同决定。风险偏好保守的组织会把阈值调低，宁可多触发几次预警；追求吞吐的组织则相反。阈值一旦确定，应当固定并公示，避免每个评审周期根据心情调整。
代价敏感的实现层次。可以在目标函数层通过类别权重实现，也可以在预测层通过调整决策阈值实现，后者不改变模型本身、更容易做 A/B 对比，是推荐的首选。需要提醒的是，调整权重会改变模型输出的概率标定，因此任何权重或阈值改动之后，都必须重新校准概率。
4.4 模型三：SHAP 归因——让模型"可被质询"
预测精度再高，如果业务方不能理解"为什么判我这个团队失衡"，模型就不会被采纳。这就是归因层存在的全部理由。
方法选择。SHAP 源自合作博弈论的沙普利值，把模型输出相对于基准值的偏离，公平地分摊到各个输入特征上。它满足效率性、对称性、虚拟性与可加性四条公理，是目前理论上最完备的归因框架，且模型无关、树模型上有高效实现。
全局归因：找共性驱动。对全部失衡样本计算特征贡献的聚合，得到一张"哪些因素最常把预测推向失衡"的排序图。它替代了传统框架里"指标权重"的角色，但意义完全不同：权重是事先指定的优先级，而贡献度是事后从数据中归纳出的实际影响力。前者可以争论，后者是事实。两者的差异本身极具价值——如果"会议占用率"在权重里排末尾，在贡献度里却高居第二，说明组织长期低估了会议对产能的侵蚀。
局部归因：逐案解释。对每一个被标记为预警的周期，输出该周期各特征的贡献方向与大小。例如：净可用产能下降贡献 +3.2 人天，人员变动率上升贡献 +2.1 人天，需求波动率下降抵消 −0.9 人天。这种"病例式"解释可以直接放进资源评审会的材料里，让讨论从"我觉得不够"升级为"数据指向这里"。
依赖图：揭示非线性关系。SHAP 依赖图能展示特征取值与贡献之间的真实形状。实践中经常出现这类发现：负载率与失衡风险的关系不是直线——在 75%–90% 区间风险几乎平坦，一旦越过 95% 就急剧上升。这个形状比任何单一的"健康阈值"都更有指导意义，它直接给出了缓冲的黄金区间。
归因的边界意识。归因说明的是"模型用了什么信息做判断"，不等同于"业务上的因果"。它提示关联，不证明因果。在正式据此做组织调整前，应结合领域知识做二次验证。这是避免"数据驱动"滑向"数据迷信"的必要防线。
4.5 模型四：概率校准——让概率成为决策量
集成树模型的概率输出通常偏自信：预测 0.8 的事件实际发生频率往往低于 0.8。而未校准的概率不能用于决策——你无法判断"60% 的失衡概率"到底该不该触发干预。
校准方法的选择。Platt 缩放用逻辑回归把分数映射为概率，对"过度自信但关系近似线性"的情形有效；等距回归不假设线性、只要求单调性，在高低风险段更灵活但更容易过拟合，必须有独立验证集约束；温度缩放只用一个参数压缩置信度，不改变样本的相对排序，因此不影响风险排序。
校准必须在独立数据上完成。校准模型要使用与训练集不同的数据拟合，否则校准本身会过拟合，产生虚假的高校准度。
校准度的诊断。可靠性图是最直观的检查：把预测概率分箱，比较每箱的平均预测概率与真实发生频率。理想情况下两者落在对角线上。进一步可用 Brier 分数分解：可靠度（预测与真实频率的偏离）、分辨度（模型能否把高风险与低风险区分开）、不确定性（样本本身的难度）。分解的好处是把"不准"拆成"偏"和"糊"，前者靠校准修正，后者靠补充数据或特征。
4.6 四模型的关系与运行节奏
四者不是并列的四个模型，而是同一套数据的四个处理层：回归模型给出缺口的量级，分类模型给出风险的等级，SHAP 给出判断的理由，校准层保证概率可信。它们按固定节奏运行：
- 每周：用最新数据更新预测，输出滚动风险清单与归因说明；
- 每迭代：用新落地的真实结果回灌标签，重算误差曲线，检查模型是否退化；
- 每季度：用累积数据重训模型，更新特征贡献排序，并重新审视代价矩阵与风险偏好参数。
这个节奏让评估从"季度报表"变成"持续运行的控制系统"。
五、评估结果分析：从预测到决策
5.1 结果的第一层：误差结构而非平均精度
拿到模型评估结果，第一件事不是看平均误差，而是看误差结构。
误差随视界发散。这是最重要的一张图。它直接回答了"我们的预测能信多远"。如果误差在未来 2 周保持稳定、4 周开始明显上升、8 周已接近随机，那么组织应当把"8 周确定性承诺"改为"8 周方向性规划 + 4 周滚动确认"。这不是模型的失败，而是模型诚实地揭示了预测的边界——比假装精确更有价值。
误差按团队规模分层。小团队（3–5 人）的预测误差通常远大于大团队。原因很简单：一个人的变动在小团队里占比巨大。如果报告一个统一的误差数字，会掩盖小团队风险被系统性低估的事实。所有误差指标都必须按团队规模分层报告，小团队的结果应以区间而非点值呈现。
误差按失衡等级分层。模型在正常周期预测得准，不代表它在失衡周期也准——而后者恰恰是业务最需要的。必须单独报告失衡样本上的召回率与误报率。如果模型对失衡的召回率只有 40%，它就是个"马后炮"模型，即使整体精度再高也要回炉。
误差的自相关性。预测残差如果呈现自相关，说明模型漏掉了一个时间相关的驱动因素（比如季度末集中发布、年度预算周期）。残差不是噪声，是未建模的信号。
5.2 结果的第二层：归因结论与动作映射
归因结果必须能直接映射到动作，否则它只是漂亮的图。实践中有四条高频结论及其对应动作：
结论一：关键技能覆盖率是最强驱动。说明总量不是问题，瓶颈在技能集中。动作不是加人，而是技能扩散：评审前移、文档化关键决策、培养替补。这里要留意两个节奏不同的指标：专家的临时打断次数会快速下降，替补的独立处理比例会缓慢上升，两者不同步是正常现象，不能用前者否定后者。
结论二：需求波动率贡献显著。说明资源计划失败的主因不在执行，而在输入不稳定。动作是收紧需求准入：设立变更窗口、要求变更必须附带等价裁剪、把紧急插单计入专属预算而非隐含在缓冲里。
结论三：阻塞时长占比与交付周期同步走高。说明系统处于依赖瓶颈而非产能瓶颈。此时加人是反作用——更多人意味着更多排队、更多上下文切换。动作是流程层面：设在制品上限、把外部依赖前移、拆分等待环节。利特尔法则给出了明确杠杆：降低在制品即可缩短交付周期。
结论四：会议占用率与负载率高度耦合。说明"忙"的很大一部分是协调成本。动作是结构层面：合并评审、压缩例会、为关键路径人员设立免打扰时段。这类发现只有在数据驱动框架下才会浮出水面——在传统加权评分里，会议占用率通常只是一个被低权重的次要指标。
5.3 结果的第三层：三色预警与决策闭环
把校准后的概率转化为三色预警，并明确每一色的强制动作，让评估真正驱动决策：
- 绿色（失衡概率低于阈值）：按计划执行，不做额外动作。这是需要强调的——不要"没事找事"，频繁调整本身就是一种成本。
- 黄色（概率进入中间区间）：冻结非必要的范围扩张，检查新增需求，输出一份"如果恶化需要砍什么"的预案清单。注意是预案，不是执行。
- 橙色（概率进入高风险区间）：必须召开资源评审，正式批准调整方案，方案只能是以下四类之一或组合：降范围、调顺序、延时间、加资源。选哪个取决于组织的不可协商约束，必须显式决策并留下书面记录。
- 红色（概率极高或关键任务无替补）：立即冻结低优先级工作，重新排期，并启动组织层面的风险升级。
连续性条件：预警触发应加入"连续若干周期超阈值"的条件，避免把临时发布、一次性封网这类正常扰动误判为系统性风险。但连续性条件不能太长——太长就失去了预警的意义。
5.4 结果的第四层：模型自身的健康度
预测型评估有一个传统打分模型完全没有的维度：模型会退化。团队结构变了、流程改了、工具换了，历史数据训练出的模型就会慢慢失效。因此必须持续监控：
输入分布漂移：监控各特征的分布是否发生显著变化。如果某个关键特征的分布明显偏离训练期，说明预测已经落在未经验证的区域。
预测分布漂移：如果模型开始把所有周期都预测为同一个等级，说明判别力在丧失。
真实精度：每当真实结果落地，就回算该周期的样本外误差，与基准期对比。当精度下降超过约定幅度，或漂移指标超阈值，触发重训或人工复核。
性能与稳定性：推理耗时、失败率、数据延迟，这些运维指标同样影响评估的可用性。
重训不是手动触发的灵感行为，而是有阈值的制度化动作。
5.5 新范式不是万能的：五个必须承认的局限
数据门槛。至少需要 20–30 个历史周期的稳定数据才能训练出可信的模型。初创团队、刚经历大规模重组的团队，不具备这个条件。此时应退回规则型方法（明确的负载率阈值 + 人工评审），而不是硬上模型然后得到一个看起来精确、实则无依据的"预测"。
黑箱风险。即使有 SHAP，复杂模型依然可能被业务方视为黑箱。对策是"模型建议 + 人工裁决"的双轨制：模型给出预测、归因与建议阈值，最终决策权留在管理者手中，同时要求对每一次否决模型的决策做书面说明。这既保护了模型的公信力，也防止模型替代人的判断。
概率不等于因果。SHAP 揭示的是关联，不是因果。据此做组织调整前必须二次验证，尤其是涉及人员评价的敏感结论——模型输出绝对不得用于个人绩效排名，这是红线。
代价矩阵的主观性。代价矩阵里的数字来自管理判断，不同的人会给出不同的矩阵。解决方式是做敏感性分析：在合理的矩阵区间内扫描，看决策结论是否稳定。如果轻微调整代价就让结论翻转，说明这个结论不可靠，需要更多信息而不是更强的模型。
博弈风险。一旦评估结果与资源分配挂钩，团队就会开始优化模型的输入——报低产能、夸大需求、注水工时。这是所有效能度量的通病。对策是多渠道交叉验证（工时系统、代码提交、任务流转时间互相对照），并把"数据可信度"本身作为一个特征参与建模。
5.6 落地路径：四阶段推进
阶段一：口径统一与基线建立。把每个特征的定义、来源、时间窗书面化，建立 6–12 个月的历史基线。同时上线朴素基线（历史均值预测），作为后续所有模型的对照。
阶段二：预测模型上线。先只做回归预测（缺口幅度），每周输出预测区间而非点值。重点不是精度，而是让团队习惯"用预测做规划"这件事。
阶段三：归因与校准加入。引入 SHAP 归因与概率校准，让预测变得可质询、可决策。同步建立三色预警与强制动作清单。
阶段四：制度化与持续监控。把模型重训、漂移监控、误差回算、代价矩阵年度复核，写进组织的研发管理流程，成为与季度规划同等地位的制度安排。
结语
从 AHP-TOPSIS-DEA 到集成学习-SHAP-代价敏感，变化的不是算法，而是评估的哲学：从"评价过去"转向"预测未来"，从"给出一个分数"转向"解释一个判断"，从"假设误判代价均等"转向"显式编码业务代价"。
这套新范式的价值，不在于它比传统方法多算准了几个百分点。而在于它把资源规划里那些长期靠"经验"和"胆量"支撑的判断，变成了可以被质疑、被复核、被追踪的决策过程。它强迫组织回答三个过去被回避的问题：我们预测的误差边界在哪里、驱动风险的最强因素是什么、我们愿意为一次漏报付出多大代价。
最后一句提醒：本文所用的方法与公开研究结论（集成学习在软件工作量与时间预测上相较朴素基线的优势、SHAP 的博弈论公理基础、代价敏感学习与概率校准的工程必要性、滚动时序验证对避免乐观评估的关键作用）均有文献支撑，但具体的误差数值、特征贡献排序、代价矩阵取值，都必须由组织用自己的历史数据重新得出。模型是通用的，结论不是。把别人的模型结论当成自己的管理依据，比没有模型更危险。
【专栏目录】效能评估系列目录
