可行性×价值矩阵：场景优先级排序
一句话定义
可行性×价值矩阵是对候选场景做二维量化打分（价值维度与可行性维度各由若干子项加权合成），落进四象限后决定「先做、投入做、试验、不做」的优先级排序方法。
为什么重要
AI 场景的特点是「看起来都很性感」。没有统一量纲的排序会退化成谁嗓门大听谁的；矩阵把争论从「我觉得」转移到「每项几分、权重为什么这么设」，让立项讨论有共同坐标系，也让被否掉的方案输得明白、未来有据可翻案。
前置知识
kp-006 场景识别（输入：场景卡）；kp-002 能力地图（可行性判断依据）。
核心概念
- 价值维度子项（建议权重 50%）：使用频率（日/周/年）、痛点强度（有无替代付费方案）、付费意愿或业务收益、影响用户占比、战略协同度。
- 可行性维度子项（建议权重 50%）：数据可得性（所需信息是否在手）、技术成熟度（现有模型能否达标，用小样本实测而非想象）、实现成本（工程量、调用成本）、风险与合规敞口。
- 打分规则：每子项 1–5 分，乘以子项权重后求和得维度分；两维度分落进 2×2 象限：高价值高可行=快赢（先做）、高价值低可行=战略投入（先拆解可行性短板）、低价值高可行=顺手做或并入其他需求、低价值低可行=不做。
- 优先级总分模型：总分 = 0.5×价值分 + 0.5×可行性分；当两个场景总分接近时，快赢象限优先——AI 产品早期最稀缺的是「可信的成功样本」，先用小胜利校准团队对能力的真实认知。
原理与机制
矩阵有效的前提是独立打分再对齐：产品、算法、工程各自匿名打分，再公开分歧最大的子项进行讨论。原因有二：一是 AI 能力评估存在系统性乐观偏差，算法同学单方打分常高估技术成熟度，业务同学单方打分常高估痛点强度，独立打分能把偏差显性化；二是讨论应聚焦在分歧处而非全表，节省决策成本。打分不是终点——「高价值低可行」的场景要追问可行性短板是什么，若是数据问题，可以转为数据工程先行项目，而不是直接放弃。
公式或模型
价值分 V = Σ(子项分 × 子项权重)，可行分 F 同理；优先级总分 S = 12V + 12F（各子项 1–5 分，S ∈ [1,5]）。示例：自动工单回复 V=4.2（频率 5×0.2 + 痛点 4×0.2 + 收益 5×0.3 + 覆盖 3×0.15 + 协同 3×0.15），F=3.6（数据 4×0.3 + 成熟度 4×0.3 + 成本 3×0.25 + 风险 3×0.15），S=3.9，落入快赢区。
图示
实例或案例
某电商团队对三个候选场景打分：商品标题生成（V=3.1，F=4.4，S=3.75，快赢）、客服自动退款决策（V=4.0，F=2.2，S=3.1，战略投入——短板是风险与容错，决定先做人工审批版）、直播脚本撰写（V=2.4，F=3.8，S=3.1，顺手做）。总分接近的两个场景按「先拆短板」与「顺手做」分流转，避免了资源在低价值高可行项目上空转。
常见误区
- 拍脑袋给分不设权重：无权重的平均分会让「付费意愿」与「界面好不好改」同权，结论无意义。
- 技术成熟度靠想象：必须用 50–100 条真实样本实测现有模型，实测达不到 3 分的就按低分计（对照 kp-012 的验收思想）。
- 矩阵一锤定音：分数是讨论的起点，重大立项还应叠加 kp-025 成本测算与 kp-029 风险清单做交叉验证。
直观类比
矩阵像体检报告：每个子项是一项指标，维度分是两个系统的综合评分，象限是诊断结论。报告不替你做决定，但让「先治哪」的讨论有据可依，而不是靠谁喊得急。
自测题
- 为什么价值与可行性各占 50%？什么情况要调整？
要点：默认等权防止单维度主导；早期探索期可上调可行性权重（先求能跑通），成熟业务可上调价值权重。
- 高价值低可行场景的正确处理是什么？
要点：定位可行性短板（数据/技术/成本/风险），能转前置工程（如数据建设）的转前置，否则进入观察列表。
- 独立打分再对齐解决了什么问题？
要点：把算法侧的能力乐观偏差与业务侧的痛点高估偏差显性化，讨论聚焦真实分歧。
与其他知识点的关系
本矩阵是 kp-006 场景卡的量化引擎；排序结果直接决定 kp-008 技术路线论证的启动顺序；「技术成熟度实测」的打分动作本身就是 kp-021 评测集建设的第一次预演。
延伸阅读
- 《精益数据分析》（Lean Analytics），Alistair Croll、Benjamin Yoskovitz——用数据驱动优先级与阶段目标的方法论。