面向中小企业技术选择的混合智能决策框架:集成机器学习与规划扑克(Planning Poker)的实证研究

《Systems》:Strategic Smart City Development Through Citizen Participation: Empirical Evidence from Slovakia

【字体: 大 中 小 】 时间:2026年01月04日 来源:Systems 3.1

编辑推荐:

  本文提出一种融合机器学习(ML)与规划扑克(Planning Poker)的混合协作框架,旨在优化中小企业(SMEs)技术选择过程。该模型通过数据驱动的适宜性分析和利益相关者驱动的共识机制,有效应对认知偏差、资源限制等挑战,提升决策准确性、透明度及参与度。案例研究表明,该框架在CRM工具选择中显著优于传统方法。

  

摘要

本文提出一种混合协作框架,通过将机器学习(ML)预测与规划扑克(Planning Poker)相结合,优化中小企业(SMEs)的技术选择。规划扑克是一种基于共识的估计技术,常用于敏捷软件开发。该模型解决了认知偏差、资源限制和包容性决策需求等已知挑战,将数据驱动的适宜性分析与利益相关者驱动的共识相结合。ML基于历史中小企业数据生成定量的、按标准划分的适宜性分数,为评估提供透明基线。利益相关者使用规划扑克独立评估候选技术,并通过灵活的加权机制将其共识与ML预测相结合。一个关于CRM工具选择的案例研究说明了该框架的实际优势:提高了决策准确性、透明度和利益相关者参与度。该方法是迭代的,允许随着新数据的出现进行持续学习和适应。这种双重方法确保中小企业的技术采纳决策既经过实证验证又具有上下文鲁棒性,较传统的孤岛方法有显著改进。

1. 引言

中小企业(SMEs)在全球推动经济增长和创新方面发挥着至关重要的作用。然而,由于资源有限、专业知识缺乏和市场条件快速变化,中小企业在选择合适技术时常常面临重大挑战。中小企业采用的传统技术选择方法往往是非正式的、主观的,并且容易产生认知偏差,这可能导致不良决策,从而对业务绩效和竞争力产生不利影响。因此,越来越需要结构化、参与性和数据驱动的方法,以提高中小企业技术选择过程的准确性和包容性。
规划扑克(Planning Poker)是解决这些挑战的一种有前景的技术,这是一种最初为敏捷软件开发开发的协作估计方法。规划扑克鼓励不同利益相关者(如经理、技术人员和最终用户)的参与,促进更独立和全面的评估过程。通过让参与者在小组讨论之前独立提供估计,该方法有助于减少锚定效应和群体思维等常见认知偏差。通过多轮投票和讨论,规划扑克促进共识建立,并生成对技术选项更准确可靠的评估。此外,该过程促进了透明度并早期识别风险,这对于必须谨慎管理有限资源的中小企业尤其有价值。该方法的灵活性和效率使其非常适合中小企业所处的动态环境。
补充规划扑克的参与性,机器学习(ML)提供了一种强大的数据驱动方法,以提高技术选择的决策准确性。ML算法可以分析大量关于技术采纳、业务背景和结果的历史数据,以识别模式并预测各种技术选项的适用性。通过同时考虑成本、可扩展性、集成复杂性和用户友好性等多个标准,ML模型为决策者提供客观的、经验性的支持。这些模型不仅提高了技术选择的可靠性,而且通过在新数据出现时更新预测来实现持续学习。ML提供的数据驱动理由可以增加利益相关者的信心,并有助于获得外部资金,这对中小企业通常至关重要。
虽然规划扑克和机器学习各自都展示了优势,但将这些方法整合到一个用于中小企业技术选择的集成框架中仍然是一个新兴的研究领域。项目管理和软件开发中的现有模型已开始将规划扑克与算法或基于人工智能的工具相结合,以提高估计准确性和决策支持。例如,混合决策支持系统将规划扑克得出的权重作为ML模型的输入特征,利用人类判断和实证分析。用人工智能增强的敏捷估计工具进一步说明了这种集成的可行性,尽管其应用主要集中于软件项目而非更广泛的中小企业技术选择。这些跨学科方法突显了将共识驱动技术与机器学习相结合潜在好处,但也确立了针对中小企业背景定制框架的必要性。
机器学习在此领域的有效性在很大程度上取决于相关数据的可用性和质量。有用的数据源包括过去技术采纳的历史记录,涵盖技术本身的属性、中小企业的背景信息(如行业部门和规模)以及可衡量的结果(如投资回报率和用户满意度)。此外,在规划扑克会议期间收集的利益相关者评估可以作为ML模型的特征进行编码,用定性见解丰富数据集。市场趋势、竞争对手技术采纳和监管变化等外部数据进一步增强了模型的鲁棒性。这些不同数据源的集成使ML算法能够捕捉技术选择决策的多方面性质,从而提高预测准确性和相关性。
从中小企业的角度来看,将规划扑克和人工智能工具集成用于技术选择是该领域的一个新方向。许多中小企业认识到,将透明、包容的决策与数据驱动分析相结合,可以增加技术选择的信心并促进利益相关者接受。这些方法引入的效率增益和客观性与中小企业对敏捷可靠决策过程的需求非常吻合。然而,挑战仍然存在,特别是在数据可用性、进行有效规划扑克会议所需的促进技能以及对采用新工具的潜在阻力方面。
规划扑克和机器学习的集成为中小企业技术选择提供了一种有前景的混合方法。通过将协作式利益相关者参与与数据驱动预测分析的优势相结合,该方法解决了传统方法的局限性并提高了决策质量。虽然规划扑克和机器学习已单独用于软件工程和项目估计,但先前的混合方法主要关注软件项目中的任务或冲刺级别估计,而非组织技术采纳。据作者所知,本研究首次将混合ML-规划扑克框架专门用于中小企业技术选择,其中ML提供按标准划分的适宜性分数,规划扑克将跨职能的中小企业利益相关者判断汇总到一个混合决策模型中。本研究旨在分析当前技术选择实践中的挑战,探讨规划扑克和机器学习的好处与局限性,提出一个为中小企业定制的集成框架,并通过案例研究评估其有效性。
该研究的主要贡献如下:
  • •
    引入一个混合决策支持框架,将传统用于敏捷软件估计的规划扑克技术适应于中小企业的战略技术选择领域,并将其与基于ML的适宜性评分和置信度加权混合相结合。
  • •
    将基于机器学习的适宜性评分与参与式利益相关者输入相结合,在资源受限的中小企业环境中实现包容和透明的多标准决策。
  • •
    通过数据驱动的见解增强技术选择决策,提高所选技术的准确性和相关性。
  • •
    通过一个说明性的CRM技术案例研究展示了该框架的实际效用,突出了在决策准确性、利益相关者参与度和整体实践相关性方面的改进。
论文的其余部分结构如下:下一节提供文献综述,接着是所提出集成方法的概念框架。然后讨论方法论,随后是案例研究、结果讨论。接下来介绍研究意义和反思,最后是结论和未来范围。

2. 文献综述

选择合适的技术是中小企业(SMEs)的一项关键决策,影响竞争力、创新和长期可持续性。过去十年中,研究中小企业如何处理这一复杂决策的文献激增,识别了技术选择和采纳的关键驱动因素、障碍和框架。
近期的系统文献综述强调,中小企业正在增加技术采纳以保持竞争力。优先考虑的技术包括移动应用、人工智能(AI)、区块链、虚拟和增强现实以及金融科技。这些综述强调了一些持续存在的障碍,包括缺乏熟练劳动力、财务限制、不适当的商业模式以及有限的高速宽带接入。这些限制了中小企业利用新兴技术的能力。然而,克服这些障碍的企业报告了在生产力、可持续性和运营效率方面的显著收益。
中小企业技术选择的传统方法历来由内部和外部因素驱动,包括运营效率、成本考虑、市场压力、组织结构、资源可用性和战略一致性,而外部因素包括市场竞争、客户需求和监管要求。这些方法通常涉及定性和定量方法来评估技术对业务需求的适用性。这些因素已在中小企业信息技术(IT)采纳的背景下得到广泛研究,研究表明有限的资源和战略重点是有效技术选择的重要障碍。技术选择的传统方法通常采用定性和定量方法的组合。定性方法,如访谈和案例研究,提供了对组织需求和利益相关者看法的见解,而定量方法,包括调查和统计建模,实现了数据驱动的决策。对60篇关于中小企业数字技术研究论文的系统回顾显示,定量方法更常用(60%),其次是定性(25%)和混合方法(15%)。
技术-组织-环境(TOE)框架和创新扩散(DOI)理论是分析中小企业技术采纳的常用框架。研究发现,技术因素(如复杂性、兼容性)、组织因素(如领导力、人力资源、数字文化)和环境因素(如市场压力、监管支持)相互作用,共同塑造技术选择。新的模型,如中小企业动态技术采纳模型(DTAM-SMEs)已被提出,强调预采纳和实施因素的重要性,特别是对于区块链等先进技术。该模型建议采用更具迭代性和上下文感知能力的技术集成方法。中小企业的技术选择通常受到即时业务需求、效率提升机会和市场扩张愿望的影响。那些积极从事创业导向(对创新和风险承担持开放态度)并制定可持续韧性战略的企业更有可能成功集成新技术。
机器学习的出现为中小企业的技术选择引入了新的可能性。ML技术可以分析大型数据集,识别模式并预测结果,从而实现更明智的决策。机器学习在提高技术选择过程的效率和准确性方面起着至关重要的作用。通过分析历史数据,ML算法可以预测不同技术成功的可能性,帮助中小企业做出数据驱动的决策。例如,ML可用于评估云计算、区块链和物联网(IoT)等数字技术对特定业务需求的适用性。人工智能(AI)和机器学习越来越多地用于中小企业,以增强财务决策。AI驱动工具,如预测分析和动态定价模型,使中小企业能够优化收入和盈利能力。例如,AI可以根据历史数据、季节性趋势和市场条件预测流动性需求,帮助中小企业维持健康的现金流并避免财务短缺。
机器学习还增强了中小企业的知识管理和运营效率。通过执行实时数据分析,ML使企业能够检测并应对潜在威胁,确保敏感信息和财务资产的安全。此外,ML支持个性化营销活动和持续的过程改进,为增长和竞争力开辟了新机会。尽管机器学习在技术选择方面具有潜力,但仍存在若干挑战和局限性。高实施成本、有限的技术专业知识以及对数据隐私的担忧可能阻碍ML工具在中小企业的采纳。然而,可扩展且具有成本效益的AI解决方案的日益普及,使得中小企业更容易将ML集成到其流程中。虽然机器学习和人工智能被广泛讨论,但最近的研究强调,中小企业面临越来越大的压力,需要采用云计算、AI、区块链和物联网等尖端技术,以在当今快速发展的数字市场中保持竞争力。区块链、云计算和物联网(IoT)正成为数字化转型的关键维度,引入了效率、信任、连接性和运营的新范式,并以不同的方式塑造技术选择。
尽管取得了进展,但技术选择的研究仍然零散,理论指导有限,且对采纳之外的结果(如长期业务转型和韧性)关注不足。越来越需要探索将可持续性纳入技术决策的研究,以及进行跨国比较研究以解决背景差异。鉴于这些论点,本文提出了一种混合人机框架,将规划扑克从敏捷估计适应到中小企业技术采纳,并将其与基于ML的适宜性评分相结合,用于多标准决策分析。

3. 集成方法的概念框架

结合机器学习(ML)和规划扑克(PP)用于中小企业技术选择的集成方法旨在整合两种方法的优势。机器学习通过分析历史采纳数据和背景因素,提供客观的、数据驱动的技术适宜性基线估计。规划扑克是一种基于共识的协作估计技术,广泛用于敏捷项目管理,然后通过结构化的群体讨论和迭代投票,结合专家判断和利益相关者见解来细化这些基线分数。
在概念上,该框架建立在有限理性和规范性分析的基础上,其中计算工具支持决策者面对复杂、多标准的问题,且时间和信息有限。在中小企业技术选择中,基于ML的适宜性分数通过将历史采纳模式总结为一致的、按标准划分的基线来指导评估,从而帮助解决这些限制。
规划扑克组件反映了行为决策和群体认知的见解,这些研究表明,未经辅助的专家判断容易受到锚定效应、群体思维和支配地位等偏见的影响。通过强制执行独立评分、同时揭示和聚焦于不同观点的讨论,规划扑克构建了利益相关者互动,以发掘多样化知识,同时减少不当影响。结合ML和规划扑克遵循混合人机协作逻辑:算法贡献可扩展的模式识别和概率估计,而人类利益相关者通过参与式共识贡献上下文理解、价值判断和合法性。ML预测和共识分数的加权混合正式化了这种互补性,并与以下论点一致:将算法推荐与结构化审议配对可以在资源受限的中小企业环境中产生更鲁棒和可接受的决策。
该过程从在历史数据上训练ML模型开始,该数据涵盖技术特征、公司特征和采纳结果。该模型预测每个技术-标准对的适宜性分数(SS)和相关置信水平(CL),提供基于经验证据的定量指导。这些ML生成的分数作为利益相关者评估的透明起点,有助于减少初始偏见和锚定效应。
随后,利益相关者参与规划扑克会议,其中ML预测作为基线估计呈现。每个参与者使用规划扑克卡片独立地为每个标准下的技术分配分数,通常使用修改的斐波那契数列编号以反映相对工作量或适宜性。在同时揭示他们的投票后,利益相关者讨论差异,特别关注分歧估计,并可能通过多轮修改他们的投票,直到达成共识。这个迭代过程促进了参与,减轻了认知偏差,并利用了集体专业知识。
最后,从规划扑克得出的共识分数使用一个加权混合公式与ML预测相结合,该公式考虑了两个来源的置信度。这种混合分数平衡了机器学习的客观性与利益相关者的专业知识和知识。然后根据这些最终分数对技术进行排名,为选择决策提供信息。

4. 方法论

4.1. 数据收集与准备

该过程从收集关于中小企业技术采纳的结构化历史数据开始,包括技术属性(如成本、可扩展性)、组织背景(如行业、规模)和采纳结果(如成功指标)。对数据集进行预处理和特征工程,以确保适合ML建模。中小企业技术采纳的历史数据来源于Kaggle CRM销售机会数据集(n = 2500条记录,覆盖150家中小企业),并辅以合成的中小企业采纳记录,达到3200个实例,覆盖12种技术类型(CRM、ERP、云平台等)和5个决策标准(成本、集成、用户友好性、供应商支持、可扩展性)。每个实例包括18个特征:8个技术属性(如月成本、API可用性)、6个公司特征(如员工数量、行业部门、IT成熟度)和4个结果变量(如12个月投资回报率、用户满意度分数)。分类变量进行独热编码,数值特征进行最小-最大归一化,缺失值(<5%)使用每个特征的中位数进行插补。

4.2. 机器学习模型训练与预测

一个集成ML模型,随机森林,在准备好的数据集上进行训练,以预测每个技术-标准对的适宜性分数(SS)。该模型还估计每个预测的置信水平(CL),反映其确定性。这些预测作为利益相关者评估的定量基线。训练了一个随机森林回归器(scikit-learn 1.3.0)来预测每个技术-标准对的适宜性分数(SS,1-10分制)。超参数:nestimators= 100, maxdepth= 10, minsamplessplit= 5, minsamplesleaf= 2, criterion = ‘squared_error’, randomstate= 42。数据集按80/20(训练/测试)分割,使用5折交叉验证通过网格搜索对maxdepth和nestimators进行超参数调优。模型性能:在测试集上MAE = 0.72, RMSE = 1.02, R2= 0.84,表明具有足够的基线估计预测能力。选择随机森林而非其他替代方案(LightGBM、XGBoost、SVM)是因为其对中小企业特定的优势:(1)对采纳记录中常见的不平衡/缺失数据(2.1%缺失率)具有鲁棒性;(2)特征重要性可解释性有利于利益相关者信任(例如,“成本影响28%的预测”);(3)通过集成平均,在有限样本(n = 3200)下过拟合风险低。LightGBM提供速度但缺乏可解释性;SVM在高维稀疏数据上表现不佳;神经网络需要10倍大的数据集。RF的MAE = 0.72证实了其在数据稀缺的中小企业背景下的适用性。每个预测的置信水平(CL,0-1分制)计算为100棵树级别预测的归一化逆方差:CL = 1 ? (σtree/σmax),其中σtree是树间的标准差,σmax是观测到的最大方差(在训练数据上校准)。

4.3. 利益相关者规划扑克会议细化

将ML生成的适宜性分数和置信水平呈现给中小企业利益相关者。在规划扑克会议期间,利益相关者独立投票评估每个标准下每个技术的适宜性,使用ML分数作为参考点。通过迭代讨论和重新投票,利益相关者达成共识,该共识反映了数据驱动的见解和背景知识。
四名跨职能利益相关者参与了会议:IT经理(技术集成)、销售经理(业务价值)、客户服务主管(用户体验)和财务官(成本效益)。这种构成代表了中小企业决策的多样性,同时在资源受限的环境下保持可行性(n = 4平衡了包容性和协调开销)。所有投票权重相等,以促进民主共识而非层级支配。规划扑克从工作量估计适应到技术适宜性评级,因为两者都需要在不确定性下对替代方案进行相对判断。参与者使用修改的斐波那契尺度(1=非常差,2=差,3=一般,5=好,8=非常好,10=优秀)对每个技术-标准对进行评分,第一轮投票前显示ML预测作为基线。投票同时揭示;差异(>2点范围)触发对异常值理由的聚焦讨论(最多5分钟)。随后进行第二轮投票,共识操作化为第二轮分数的平均值(如果四分位距<15%则接受,否则保留平均分数)。这保留了规划扑克的偏见缓解结构,同时实现了多标准技术评估。

4.4. 聚合与最终评分

评分范围从1(非常差)到10(优秀)。ML预测(SS和CL)在第一轮投票前显示。初始投票后,公开讨论差异,并进行第二轮投票以达成共识。每个标准的最终规划扑克分数是第二轮投票的平均值。
利益相关者投票被聚合以计算每个技术-标准对的平均共识分数。加权混合公式将这些共识分数与ML预测相结合,考虑了两个来源的置信度。混合因子α控制利益相关者判断和ML输出的相对影响。根据最终分数对技术进行排名以指导选择。

4.5. 标准权重确定

标准权重通过受规划扑克原则启发的参与式利益相关者过程来获取。每个利益相关者在初始轮次中独立地以1(低)到5(高)的尺度评定每个标准的相对重要性。分数同时揭示,随后进行公开讨论以调和不同观点。然后进行第二轮评分,最终权重通过平均分数并归一化总和为1来计算。这种透明、包容的方法捕捉了中小企业特定的优先级并促进了共识。

4.6. 持续反馈与模型更新

收集实施后的反馈和采纳结果以更新数据集。ML模型定期重新训练以提高预测准确性,并且可以调整混合因子α以反映对模型与利益相关者输入信任度的演变。

4.7. 置信水平计算与混合公式

默认混合因子α = 0.6平衡了机器学习在中小企业背景下的优势和规划扑克的优势。中小企业通常历史数据有限,不足以支持自主的ML推荐,但利益相关者拥有算法无法捕捉的关于其业务背景的深刻隐性知识。60-40%的平衡(60%利益相关者,40% ML)反映了这种互补性:利益相关者利用数据驱动的见解,同时保留对背景特定因素的权威。然而,从业者可以根据他们的情况调整α:当数据稀缺或利益相关者专业知识高时,增加α(0.7–0.8);当历史数据丰富且ML准确性高时,减少α(0.3–0.4)。这种自适应方法允许从业者无需额外实验即可定制混合因子。α的选择应在规划扑克会议前透明地进行,以确保利益相关者理解他们在决策过程中的作用。技术采纳结果的事后审查可以为未来调整α提供信息,随着组织经验的增长实现迭代改进。

5. 算法

该算法提出了一种用于中小企业技术选择的混合方法,平衡了机器学习预测与利益相关者共识。它首先训练一个机器学习模型来预测每个技术候选者满足不同选择标准的程度,为每个匹配分配一个置信度分数。利益相关者使用规划扑克方法为每个候选者-标准对提供自己的评估,通过协作评估促进共识。每个技术的最终适宜性分数是机器学习置信度和利益相关者输入的混合,由混合因子(α)调节。这些分数使用加权标准进行聚合,产生一个根据中小企业优先级和集体专业知识定制的技术排名列表。该方法确保决策既是数据驱动的又是上下文敏感的,提高了选择过程的质量和接受度。
该算法分三个阶段进行:首先,随机森林模型处理历史中小企业数据,为每个技术生成按标准划分的适宜性分数(SS)和置信水平(CL)。其次,四名跨职能利益相关者进行规划扑克会议——独立的第1轮投票(带ML基线)、差异讨论(>2点范围)和共识第2轮平均(PP)——产生利益相关者分数。最后,通过α·PP + (1 ? α)·(SS·CL)计算混合分数,按标准重要性(wj)加权,并根据最终聚合分数对技术进行排名。这种系统集成确保了数据驱动的客观性与上下文利益相关者专业知识的互补。

6. 示例用例:客户关系管理(CRM)工具的选择

6.1. 背景与目标

此说明性案例研究使用现实的中小企业参数(60名员工的零售公司,中等IT成熟度)和代表CRM采纳场景的合成数据来演示所提出的框架。目标是展示混合ML-规划扑克方法如何根据五个标准对三个CRM替代方案(CRM A:类Zoho,CRM B:类Salesforce Essentials,CRM C:类Freshsales)进行排名。
目标是从一个包含三种流行替代方案的候选名单中选择最合适的CRM平台:
  • •
    CRM A(类Zoho CRM),
  • •
    CRM B(类Salesforce Essentials),
  • •
    CRM C(类Freshsales),
该决策基于以下五个决策标准:
  • •
    成本(C1)
  • •
    集成能力(C2)
  • •
    用户友好性(C3)
  • •
    供应商支持(C4)
  • •
    可扩展性(C5)

6.2. 机器学习预测

收集了类似中小企业CRM采纳的历史数据,包括技术特征、公司概况和采纳后成功指标。训练了一个随机森林模型来预测每个标准下每个CRM的适宜性分数(SS),以及反映预测确定性的置信水平(CL)。

6.3. 利益相关者规划扑克会议

一个由IT经理、销售经理、客户服务主管和财务官组成的利益相关者小组参加了一个规划扑克会议。ML分数作为每个技术-标准对的基线估计呈现。每个利益相关者根据其领域知识和组织优先级,独立地对每个标准下的每个技术进行1-10分的投票。初始揭示后,讨论差异,并进行第二轮投票以达成共识。例如,财务官由于最近的供应商谈判,将CRM B的成本评级低于ML基线,这引发了讨论和重新投票。经过讨论轮次后,共识分数计算为利益相关者投票的平均值。

6.4. 使用混合混合的最终分数计算

使用由中小企业确定的标准权重和混合因子α = 0.6(偏向利益相关者输入),通过混合ML预测和利益相关者共识来计算最终分数。
Score(ti) = ∑jwj× (α × AvgVote
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号