python案例如何结合士气指数做决策？

wen python案例 2026-08-26 2

本文目录导读：

基础版：阈值触发的分级决策（规则引擎）
进阶版：多因素加权评分 + 决策矩阵
高级版：基于时间序列的预测决策（回归 + 阈值回测）
实战级：带反馈的强化学习（自适应决策）
如何结合真实业务数据源？
决策模型设计三原则

在Python中结合“士气指数”做决策，通常意味着将量化数据（士气）与业务逻辑（决策）结合起来，通过规则或算法自动输出最优行动方案。

士气指数（比如员工满意度、团队活跃度、客户信心）不同于财报数据，它通常是模糊、动态且多维度的，决策模型需要具备权重调节、阈值判断和动态学习的能力。

以下是几种从简单到复杂的实战案例设计思路,附Python代码示例：

基础版：阈值触发的分级决策（规则引擎）

场景：监控开发团队的“代码提交活跃度”作为士气指数,决定是否需要人工干预。

逻辑：

士气指数 > 80：保持现状,加大授权。
士气指数 50-80：启动轻度激励（如发放零食、团建）。
士气指数 < 50：启动危机处理（1对1沟通、调整任务）。

Python代码：

def strategy_by_morale(score):
    if score >= 80:
        return "加大授权，减少会议干扰"
    elif 60 <= score < 80:
        return "启动激励机制，组织一次团队分享会"
    elif 40 <= score < 60:
        return "触发预警：安排1对1面谈，检查任务负载"
    else:
        return "紧急介入：暂停新需求，心理辅导+重启晨会"
# 模拟实时数据流
morale_now = 72.5
print(f"当前士气：{morale_now} -> 决策：{strategy_by_morale(morale_now)}")

进阶版：多因素加权评分 + 决策矩阵

场景：产品经理决定是否延期发布，结合“团队士气（编码激情）”和“项目进度（完成率）”。

方法：将两个指数放在一个决策矩阵中,通过权重计算综合压强。

Python代码：

import numpy as np
# 输入统一为0-100分
def decision_matrix(morale, progress):
    # 权重：士气占40%，进度占60%
    weighted_score = morale * 0.4 + progress * 0.6
    # 关键阈值矩阵
    if weighted_score > 75:
        decision = "正常发布"
    elif weighted_score > 55 and morale > 60:
        decision = "延期两周，保留当前团队配置"
    elif progress < 50 and morale < 50:
        decision = "紧急降级范围，优先核心功能"
    else:
        decision = "观望一周再定"
    return weighted_score, decision
# 示例数据
morale = 68  # 士气偏低，但可接受
progress = 82 # 进度较快
score, act = decision_matrix(morale, progress)
print(f"加权得分：{score:.1f} -> 决策：{act}")

高级版：基于时间序列的预测决策（回归 + 阈值回测）

场景：HR需要预测下周的“士气指数”，若预测值低于临界值，则提前干预，将资源（如调休）倾斜。

方法：使用statsmodels或sklearn线性回归预测趋势，结合移动平均做滚动决策。

Python代码：

import pandas as pd
from sklearn.linear_model import LinearRegression
import numpy as np
# 过去5周的士气数据
morale_history = [85, 82, 78, 75, 70]
# 转为时间序列特征（X：周序号，y：士气值）
X = np.array(range(len(morale_history))).reshape(-1, 1)
y = np.array(morale_history)
model = LinearRegression().fit(X, y)
# 预测第6周（下周）
next_week_index = np.array([[len(morale_history)]])
pred = model.predict(next_week_index)[0]
print(f"预计下周士气：{pred:.1f}")
# 决策：若预测低于警戒线，则触发预防措施
if pred < 65:
    action = "提前增加福利预算，安排减压工作日"
elif pred < 75:
    action = "安排团建，调整任务优先级"
else:
    action = "保持跟踪"
print(f"决策行为：{action}")

实战级：带反馈的强化学习（自适应决策）

场景：在一个运营系统中，士气指数变化依赖于决策动作的结果，我们希望系统自动学习“给员工放假”还是“加薪”哪个更能提升士气。

方法：使用简单的Q-Learning或规则自学习，但为了便于理解，这里用一个朴素贝叶斯分类器来根据历史决策效果推荐最佳动作。

思路：

特征：当前士气、近期决策动作（A/B测试）。
目标：下一周士气是否回升（>前值）。

Python代码（简化的决策树示例）：

from sklearn.tree import DecisionTreeClassifier
import pandas as pd
# 模拟历史数据（特征：当前士气，是否进行了团建，是否发了奖金）
data = {
    'morale_now': [70, 55, 82, 45, 63],
    'activity': [1, 0, 1, 1, 0],  # 1=办团建，0=不办
    'bonus': [0, 1, 0, 1, 0],     # 1=发奖金，0=不发
    'morale_improved': [1, 1, 0, 1, 0]  # 1=士气提升，0=下降
}
df = pd.DataFrame(data)
X = df[['morale_now', 'activity', 'bonus']]
y = df['morale_improved']
clf = DecisionTreeClassifier(max_depth=3)
clf.fit(X, y)
# 新情况：当前士气55，如果只做团建，不奖金，预测是否提升？
new_case = pd.DataFrame([[55, 1, 0]], columns=X.columns)
pred = clf.predict(new_case)[0]
decision_list = ["团建+不奖金", "奖金+不团建", "团建+奖金"]
if pred == 1:
    print(f"建议执行：{decision_list[0]}，预计士气提升")
else:
    print(f"建议执行：奖金策略，预计士气提升更有效")