Decision Analysis Turning Difficult Choices into Structured, Measurable Decisions

新產品準備量產，團隊手上有三家供應商。

A 廠做過類似產品，品質紀錄穩定，但報價偏高。B 廠價格最有競爭力，交期也不錯，不過相關製程經驗較少。C 廠願意配合小批量試產，溝通彈性高，但產能還需要確認。

會議裡，每個人都有偏好的選項。

有人看價格，有人擔心品質，有人覺得交期不能冒險，也有人認為新產品前期應該保留調整空間。討論了一輪，大家還是無法決定。資料越補越多，意見也越來越分散。

這時候，分析能做的事，不是替大家宣布哪一家最好，而是把「我比較相信這家」拆成幾個可以討論的問題：

這次最重要的目標是什麼？
哪些條件不能退讓？
不同方案各自符合哪些條件？
如果我們改變優先順序，結論會不會跟著改變？

分析的核心，就是把感覺裡藏著的判斷攤開來，轉成清楚的目標、條件、權重與比較方式。它不是讓決策變成純數學，也不是用一個分數取代經驗，而是讓團隊知道自己為什麼做出這個選擇。

決策分析不是算出唯一正解

很多人聽到「分析」，會想到模型、公式和一堆數字，好像只要把資料放進去，就能算出正確答案。

但決策裡經常沒有唯一正解。

選價格較低的供應商，可能讓毛利比較好，卻增加品質風險；選交期較快的方案，可能趕上上市時程，卻需要付出更高成本；選合作彈性大的團隊，或許有利於開發初期修改，但未必能支援量產規模。

每個選擇都帶著取捨。

把這些取捨說清楚，讓團隊可以比較不同方案，也看見結論背後依賴了哪些假設。分數可以協助整理判斷，但不能把不確定性變不見，更不能替決策者承擔後果。

如果模型算出 B 廠最高，這不代表 B 廠必然是正確選擇。真正要問的是：B 廠的優勢來自哪些項目？我們是否真的認為這些項目比較重要？關鍵假設若不成立，結果還會一樣嗎？

把選擇題變成可以分析的題目

開始比較方案前，先把問題寫清楚。

「三家供應商要選哪一家？」範圍太大，容易變成各自陳述偏好。

可以改寫成：

「在品質與上市時程不可妥協的前提下，哪家供應商能以可接受的成本，支援新產品從試產走到量產？」

這個問法已經包含了幾個重要資訊：決策目標、不可妥協的條件，以及產品目前所處的階段。

接著，要把「不可妥協」和「可以比較」分開。

假設產品必須在特定日期前完成首批交貨，且供應商必須通過基本品質稽核。這些可以當成門檻條件。未達標的方案，即使價格再低，也不應進入後續比較。

通過門檻後，才比較成本、品質穩定度、交期、配合彈性等因素。

這一步很重要。若把所有事情都放進加權分數裡，某家供應商可能靠低價拿到高總分，抵銷了品質或交期上的重大缺陷。可被補償的優勢，不能拿來抵銷不能接受的風險。

三步驟

第一步：定義目標與限制條件

先確認這次決策要達成什麼，不要一開始就急著比較選項。

目標可以是提高毛利、縮短上市時間、降低故障率、減少庫存風險，或提高使用者啟用率。目標越清楚，後續的比較才越有方向。

接著列出限制條件，像是預算上限、認證要求、最低產能、上市時程、必須符合的安全標準。沒有通過必要條件的方案，先排除，不必讓它靠其他優點把總分拉回來。

這一步要注意，目標不宜寫成「找最好的方案」或「讓大家都滿意」。這些話無法幫助團隊做取捨。

第二步：選出比較標準，說清楚重要性

把影響決策的因素列出來，再決定各自有多重要。

以供應商選擇為例，團隊可以使用四項標準：

評估項目	權重
品質穩定度	35%
成本	30%
交期	25%
配合彈性	10%

權重代表團隊對目標的優先順序，不是客觀真理。品質被放在 35%，代表這次決策裡，團隊認為品質穩定度比配合彈性重要得多。

權重最好在評分前先討論並確認，避免大家看到各方案的表現後，才調整標準去支持原本偏好的選項。

第三步：評估方案，檢查結論是否穩定

可以用 1 到 5 分評估各方案，再將分數乘上權重，算出加權總分。

公式如下：

加權總分＝各項目權重 × 該方案評分，加總後得到結果

假設三家供應商的評分如下：

供應商	品質 35%	成本 30%	交期 25%	彈性 10%	加權總分
A 廠	5	3	3	4	3.80
B 廠	4	5	4	3	4.20
C 廠	3	4	5	5	4.00

依照目前設定，B 廠的分數最高。

但不該在這裡結束。團隊還要確認評分依據是什麼：品質分數來自量產紀錄、稽核結果，還是業務印象？成本有沒有包含模具、運輸、重工與售後支援？交期是供應商承諾，還是曾經實際達成的紀錄？

如果評分只是把模糊感覺換成數字，模型看起來精確，判斷仍然不可靠。

看總分，也要看總分背後的風險

假設這次產品上市日期已經固定，任何延誤都會錯過重要銷售檔期，那交期可能需要提高權重。重新計算後，C 廠的分數也許就會超過 B 廠。

這不是在調整公式直到自己喜歡的方案勝出，而是在確認：結論是否受到某個關鍵假設影響。

可以做幾種簡單的敏感度檢查：

• 成本權重提高，排名會不會改變？
• 品質評分下降一級，方案還能接受嗎？
• 交期延誤兩週，對上市計畫會造成什麼影響？
• 供應商無法如期擴產，是否有備援方案？
• 某個關鍵資料尚未確認，這項資訊會不會改變選擇？

如果權重稍微改變，排名就完全翻轉，代表這項決策對假設很敏感。團隊可能需要補資料，或先做試產，不適合太快把分數當作定案理由。

如果調整幾個合理範圍後，結果仍然大致相同，團隊對結論的信心才會提高。

讓數字反映判斷，不要讓數字假裝客觀

加權評分有用，但它也有盲點。

不同因素可能不是線性關係。成本低一點，未必能抵銷一次嚴重的品質事故；交期提早幾天，也不一定足以彌補產品尚未完成驗證的風險。

評分也可能受到個人偏好影響。有人熟悉某家供應商，就可能給出較高的配合度分數；有人過去曾遇過品質問題，就可能對整類方案都特別保守。

因此，做分析時，除了分數，也要保留評分理由、資料來源與不確定性。

可以把資料分成三種：

• 已確認的事實：稽核紀錄、正式報價、過往交期表現。
• 合理推估：依照現有產能與排程推算的交期。
• 尚待驗證：供應商口頭承諾的擴產能力、尚未完成測試的品質表現。

這樣做，團隊就能分辨哪些分數有資料支持，哪些只是暫時判斷。

決策分析，也可以由 AI 協助整理

AI 可以協助整理候選方案的資料、統一評分表格式、比對各方案的條件，也可以協助團隊找出評估標準裡尚未考慮的風險。

但評估標準和權重必須由決策團隊決定。AI 可以提出：「如果上市時程是優先目標，可以提高交期權重」；它不能替公司判斷，這次上市時程是否真的比成本和品質重要。

當資料來源不一致，AI 也可能把錯誤資訊整理得更完整。供應商規格、報價、交期承諾與品質紀錄仍然需要回到正式文件確認。

AI 適合支援資料整理與推演，決策責任仍在做決定的人身上。

把選擇題變成可以分析的題目

分數協助整理判斷，不會自動產生正確答案。

把感覺變成算式，是為了看清楚取捨

不是要消滅直覺，也不是要求每件事都套進公式。

有些經驗很難直接量化，但可以說清楚它來自哪裡；有些因素無法精準估算，也可以標記為不確定；有些條件不能被分數抵銷，就應該設成門檻，而不是混進總分裡。

當團隊把目標、限制、評估標準與假設攤開來，原本的「我覺得這家比較好」，就有機會變成一場真正有內容的討論。

決策不會替人消除風險。

它能做的，是讓團隊知道自己正在承擔什麼風險、為什麼接受這些取捨，以及有哪些新資訊出現時，決策就應該重新檢查。

更多文章
AI視覺進工廠，誰才是決策者與使用者？
製造業導入 AI，最難的可能不是 AI，而是「現場的資料」
為什麼智慧製造做了這麼久，製造業還在談「數位轉型」？
從精實生產到AI：工廠數位轉型背後的決策進化
智慧製造研究 #1｜什麼是數位雙生（Digital Twin）？不是 3D 模型，而是智慧製造的重要決策工具