在工作和生活里，我们经常会碰到这类问题：明明是同一个结果，却要把很多因素放到一起综合判断。比如商品排序，可能要看成交量、好评率、收藏量、转化率；再比如个人信用分，可能要综合身份特征、消费能力、人脉关系、行为偏好、信用历史。每个因素下面还会拆出更多指标，于是'权重怎么定'就成了绕不开的一步。
什么是权重
权重，指的是某个因素在整体评价中的相对重要程度。权重越高，说明这个因素越关键。
通常可以把它理解成两条基本约束：
- 每个因素的权重都在 0 到 1 之间
- 所有因素的权重之和为 1
权重的确定思路
确定权重，大体可以分成两类思路。
主观赋权
这类方法主要依赖专家经验，由人来判断各指标的重要程度，再把判断结果转换成权重。它的优点是上手快、容易落地，但主观性也比较强。
常见方法包括：层次分析法（AHP）、权值因子判断表法、德尔菲法、模糊分析法、二项系数法、环比评分法、最小平方法、序关系分析法等。
客观赋权
这类方法更依赖历史数据，通常通过指标之间的相关关系，或者指标对结果的影响关系来计算权重。它的优势是更定量，受人为偏好影响更小，但计算过程往往更复杂。
常见方法包括：主成分分析、因子分析、熵值法、变异系数法、均方差法、回归分析法等。
常用的两种方法：层次分析法和变异系数法
层次分析法（AHP）
层次分析法，简单说，就是把一个复杂决策拆成几层：目标层、准则层、方案层，然后通过定性和定量相结合的方式，逐层比较，最后算出各因素相对最高目标的重要程度。
它特别适合这种'因素很多、关系又不完全能直接量化'的场景。
比如：
- 给内容社区的原创作者做评分分级，再据此制定不同运营策略，刺激优质内容产出
- 给不同流量来源渠道打分，比较各渠道的综合价值
层次分析法一般会走下面这条路，但实际做的时候，不必把它想得太玄：核心就是'拆开、比较、校验、汇总'。
1. 建立递阶层次结构模型
先把问题理清楚，把目标、影响因素、可执行措施分层。
通常分为三层：
