Uzantı kartı · Tereddütlü
Tereddütlü EDAS (Kutlu Gündoğdu, Kahraman ve Civan, 2018)
EDAS'ın, her hücrenin üçgen bulanık sayıyla verildiği ve DecisionMind'da bu sayının hesabın en başında tek bir sayıya indirilip kümenin ortalamasına göre karşılaştırıldığı biçimidir.
Temel yöntem
EDAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Tereddütlü (Hesitant) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Üç şey değişir. Karar mantığı aynı kalır.
Hücreler. Kesin EDAS'ta her hücre tek sayıdır. Burada her hücre, en düşük, en olası ve en yüksek olmak üzere üç sayıdan oluşan bir üçgen bulanık sayıdır. Kurucu makale aslında aynı hücrede birden fazla üçgenin bir arada tutulmasını da tanımlar; bu gerçek tereddütlü halidir. Ama DecisionMind'ın çalışan motoru şu anda her hücreye yalnızca tek bir üçgen kabul eder. Birden fazla üçgen aynı hücrede taşınamaz. Ağırlıklar dışarıdan, kesin sayı olarak verilir.
Ölçek eşitleme. HF-EDAS'ta klasik EDAS'ın sütun ortalamasına göre pozitif ve negatif ayrılış mantığı korunur. Ama karşılaştırma üçgenlerin kendisi üzerinde değil, her üçgenin ağırlıklı merkezi üzerinde yapılır. DecisionMind her üçgeni, en düşük artı dört kere en olası artı en yüksek toplamının altıya bölünmesiyle tek bir sayıya çevirir. Sütun ortalamasını da aynı biçimde tek sayıya indirir. Pozitif ve negatif ayrılış bu iki kesin sayı üzerinden hesaplanır. Bu, kartın başında anlatılan genel ilkeden bilerek sapan bir tasarımdır. Çoğu uzantıda durulaştırma en sona bırakılır. HF-EDAS'ta ise durulaştırma en baştadır, matris kurulur kurulmaz olur.
Uzaklık, skor ve birleştirme. Durulaştırma bittikten sonra hesap, kesin EDAS'ın kendisidir. Her seçeneğin durulaştırılmış değeri sütun ortalamasının üstünde mi altında mı, ne kadar, ölçülür. Bu değerler ağırlıklarla toplanır, normalize edilir ve tek bir değerlendirme puanında birleştirilir.
Sonuç ve durulaştırma. Çıktı, klasik EDAS'taki gibi 0 ile 1 arasında bir değerlendirme puanıdır. Ama durulaştırma hesabın en başında yapıldığı için, sonuçtaki puan baştan sona kesin sayılarla hesaplanmıştır. Üçgenin genişliği, yani en düşük ile en yüksek arasındaki fark, sonuca hiç yansımaz.
DecisionMind klasik HF-EDAS'ta bu durulaştırma formülünü ve erken durulaştırma sırasını sabit tutar.
Çıktı Nasıl Yorumlanır?
Değerlendirme puanı kesin EDAS'takiyle aynı okunur. Kümenin kendi ortalamasına göre konumu gösterir, başka bir analizle karşılaştırılamaz. Farklı olan şudur: puanın arkasında artık bulanıklık yoktur. Girdi üçgen biçiminde toplanmış olsa da hesap kesin sayılar üzerinden yürür. İki seçenek arasındaki fark klasik EDAS'takiyle aynı kesinlikte okunur. Üçgenin genişliği sonuca hiç yansımaz.
Bu nedenle:
"HF-EDAS bulanıklığı sona kadar taşıdığı için sonuç daha güvenilirdir"
yerine:
"Üçgenler daha ilk adımda ağırlıklı merkezlerine indirilmiştir; sonuçtaki puan tamamen bu tek sayılar üzerinden hesaplanmıştır ve üçgenin genişliği puana yansımaz"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter değerlendirmeleri üçgen bulanık sayı olarak toplanmışsa, örneğin uzman görüşü "en kötü, en olası, en iyi" biçiminde verilmişse, ve kurumun asıl istediği klasik EDAS'ın ortalamaya göre konum mantığıysa bu uzantı uygundur. Gerçek tereddütlü veri, yani aynı hücrede birden fazla üçgen, varsa DecisionMind'ın HF-EDAS motoru bunu şu an desteklemiyor. Kullanıcı önce üçgenleri tek bir temsilci üçgene indirmelidir, örneğin uzmanların üçgenlerinin ortalamasını alarak. Bu bir DecisionMind sınırıdır ve veri türü kartının önerdiği gerçek tereddüt ilkesinin ötesine geçer.
Bu Uzantıya Özgü Hatalar
HF-EDAS'ı belirsizliği sona kadar taşıyan bir yöntem sanmak. Durulaştırma en başta yapılır. Üçgenin genişliği hiçbir adımda puanı etkilemez, yalnız merkez değeri etkiler.
Birden fazla üçgeni aynı hücreye yazmaya çalışmak. Motor tek üçgen bekler. Birden fazla üçgen varsa önce birleştirilmelidir, örneğin ortalaması alınarak. Bu birleştirme raporda açıkça belirtilmelidir.
Maliyet ve fayda yönünü yanlış işaretlemek. Durulaştırma sonrası hesap kesin EDAS'la birebir aynı olduğu için yön hatası aynı biçimde sırayı bozar.
"Daha gelişmiş" yanılgısı. Üçgen girdi, klasik EDAS'tan otomatik olarak daha isabetli sonuç anlamına gelmez. Durulaştırma erken yapıldığı için katkısı yalnızca girdiyi toplama biçimindedir.
Temel ilke şudur:
HF-EDAS'ta belirsizlik hesaba girmeden önce, matrisin kurulduğu ilk adımda tek bir merkez sayıya indirilir. Rapor bu erken durulaştırmayı gizlememeli ve üçgenin genişliğinin sonuca yansımadığını söylemelidir.
Vakalar
Birinci vaka gerçek bir literatür vakasıdır. Kutlu Gündoğdu, Kahraman ve Civan'ın (2018) makalesindeki hastane seçimi örneğidir ve sayılar makaleden alınmıştır. İkinci vaka öğretici bir kurgudur.
1. Sağlık: Organ nakli için hastane seçimi (Kutlu Gündoğdu, Kahraman ve Civan, 2018)
İstanbul'da bir sağlık kurulu, organ nakli hizmeti için üç hastane arasında seçim yapacaktır. On iki alt ölçüt vardır. Bunlar somut kanıtlar, güvenilirlik, yanıt verebilirlik ve empati başlıkları altında toplanır. Üç değerlendirme grubunun üçgen bulanık puanları birleştirilerek elde edilmiştir. Yalnızca "ücretin karşılığı" ölçütü azı iyidir, diğer on biri çoğu iyidir. Ağırlıklar kurulun kendi değerlendirmesinden gelir.
| Hastane | C11 | C12 | C13 | C14 (azı iyi) | C21 | C22 |
|---|---|---|---|---|---|---|
| A | (0; 0,43; 0,63) | (0; 0,41; 0,6) | (0,54; 0,71; 0,8) | (0,31; 0,45; 0,55) | (0,27; 0,45; 0,58) | (0; 0; 0,74) |
| B | (0,6; 0,77; 0,86) | (0; 0,33; 0,57) | (0; 0,38; 0,59) | (0; 0,71; 0,87) | (0,25; 0,38; 0,47) | (0,55; 0,78; 0,9) |
| C | (0,25; 0,38; 0,47) | (0; 0,63; 0,81) | (0,77; 0,94; 1) | (0; 0,49; 0,67) | (0,22; 0,38; 0,5) | (0,16; 0,37; 0,58) |
| Hastane | C31 | C32 | C33 | C41 | C42 | C43 |
|---|---|---|---|---|---|---|
| A | (0; 0; 0,75) | (0,27; 0,45; 0,58) | (0; 0; 0,75) | (0; 0,76; 0,88) | (0; 0; 0,3) | (0,31; 0,45; 0,55) |
| B | (0,74; 0,92; 1) | (0,25; 0,38; 0,47) | (0,74; 0,92; 1) | (0,6; 0,77; 0,86) | (0,74; 0,92; 1) | (0; 0,31; 0,53) |
| C | (0,75; 0,93; 1) | (0; 0,34; 0,49) | (0; 0,49; 0,7) | (0,43; 0,59; 0,69) | (0; 0; 0,44) | (0,44; 0,6; 0,69) |
| Ağırlık | C11 | C12 | C13 | C14 | C21 | C22 | C31 | C32 | C33 | C41 | C42 | C43 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0,11 | 0,16 | 0,01 | 0,16 | 0,13 | 0,10 | 0,10 | 0,08 | 0,01 | 0,02 | 0,11 | 0,01 |
Yöntem her üçgeni ağırlıklı merkez formülüyle tek sayıya indirir. Sütun ortalamasını aynı biçimde durulaştırır. Sonra klasik EDAS gibi her hastanenin bu ortalamanın üstünde ya da altında kalma miktarını ağırlıklarla toplar.
| Hastane | Değerlendirme puanı | Sıra |
|---|---|---|
| B | 0,844 | 1 |
| C | 0,408 | 2 |
| A | 0,065 | 3 |
Sonucu şöyle okuruz. B ölçütü, özellikle C31, C33 ve C42 gibi ağırlıklı kriterlerde ortalamanın belirgin üstünde durulaştırılmış değerlere sahiptir. A aynı kriterlerde ortalamanın altında kalır ve son sırada yer alır.
Kurulun tereddüdü şudur. C13 hastane C'nin en güçlü olduğu ölçüttür ama ağırlığı yalnız 0,01'dir. C42 hastane B'nin en güçlü olduğu ölçüttür ve ağırlığı 0,11'dir. Bu iki ağırlık yer değiştirirse, yani C13 0,11'e çıkar ve C42 0,01'e inerse, sıra değişir: C 0,723 ile birinciye çıkar, B 0,668 ile ikinci sıraya düşer. B'nin birinciliği esasen bu iki ağırlığın göreli büyüklüğüne dayanır.
Raporda: "Değerlendirme puanına göre Hastane B ortalamaya göre en avantajlı konumdadır (0,844). Bu sonuç, yanıt verebilirlik ölçütünün ağırlığının somut kanıtlar ölçütünden yüksek tutulmasına dayanır. Ağırlıklar yer değiştirdiğinde Hastane C öne geçmektedir."
Kaynak: Kutlu Gündoğdu, Kahraman ve Civan (2018), Tablo 5, Tablo 13 ve Tablo 10, s. 7-11. Değerlendirme puanları ve ağırlık takası senaryosu DecisionMind'ın HF-EDAS motorunun bağımsız olarak yeniden çalıştırılmasıyla elde edilmiştir. Sonuç, makalenin Tablo 10 sıralamasıyla (B, sonra C, sonra A) örtüşür.
2. Gıda güvenliği: Soğuk zincir izleme sistemi seçimi
Bir gıda güvenliği kurumu, et ve süt ürünleri tedarik zincirinde soğuk zincir sıcaklık izleme için üç teknoloji sağlayıcısı arasında seçim yapacaktır. Dört ölçüt vardır: birim sensör maliyeti, sıcaklık ölçüm hassasiyeti, veri iletim gecikmesi ve saha teknisyenlerinin kurulum kolaylığı puanı. Maliyet ve gecikme azı iyidir. Kurum, her sağlayıcının performansını laboratuvar testlerinden "en kötü, en olası, en iyi" biçiminde üçgen bulanık sayı olarak toplamıştır. Örneğin bir sağlayıcının hassasiyet puanı en kötü koşulda 0,5, en olası 0,7, en iyi 0,85 çıkmıştır. Ağırlıklar kurumun teknik biriminden gelir.
Yöntem her üçgeni ağırlıklı merkeziyle tek sayıya indirir. Sütun ortalamasına göre pozitif ve negatif ayrılışı hesaplar. Diyelim ki en düşük maliyetli sağlayıcı aynı zamanda en düşük hassasiyete sahiptir. Yine de ortalamaya göre ikinci sırada kalır, çünkü maliyetin ağırlığı hassasiyetten düşük tutulmuştur.
Kurumun tereddüdü şudur. Hassasiyet ölçütündeki üçgenin genişliği, laboratuvar koşulları ile saha koşulları arasındaki farkı yansıtıyor olabilir. Ama DecisionMind'ın erken durulaştırma adımı bu genişliği hiç hesaba katmaz, yalnız merkez değeri kullanır. Kurum, genişliği geniş olan ölçütleri ayrı bir saha doğrulama testiyle desteklemeden yalnız puana göre karar vermemelidir.
Raporda: "Değerlendirme puanına göre en yüksek hassasiyete sahip sağlayıcı önde çıkmaktadır. Bu ölçütteki üçgenin genişliği laboratuvar ile saha arasındaki farkı yansıtmaktadır ve puana yansımamıştır. Ayrı bir saha testiyle doğrulanması önerilir."
3. Yapılmaması Gereken
Hastane tablosunda ücretin karşılığı ölçütü çoğu iyi işaretlenseydi, en pahalı hastane ödüllendirilir ve sıra anlamsızlaşırdı. İkinci yanlış, bir hastanenin bir ölçütte gerçekten birden fazla bağımsız üçgen puanı varken, örneğin iki ayrı denetim turundan geliyorsa, bunları ortalamasını almadan doğrudan tek hücreye sıkıştırmaya çalışmaktır. Motor tek üçgen ister; birleştirme adımı raporda gösterilmelidir. Üçüncü yanlış, Hastane B'nin 0,844 puanını "yüzde 84 kaliteli" diye okumaktır. Bu puan yalnız bu üç hastaneyi kümenin kendi ortalamasına göre kıyaslar.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/hf-edas
Kutlu Gündoğdu, F., Kahraman, C., & Civan, H. N. (2018). A novel hesitant fuzzy EDAS method and its application to hospital selection. Journal of Intelligent & Fuzzy Systems, 35(6), 6353–6365. DOI: 10.3233/JIFS-181172
Keshavarz Ghorabaee, M., Zavadskas, E. K., Olfat, L., & Turskis, Z. (2015). Multi-criteria inventory classification using a new method of evaluation based on distance from average solution (EDAS). Informatica, 26(3), 435–451. DOI: 10.15388/Informatica.2015.57
Torra, V. (2010). Hesitant fuzzy sets. International Journal of Intelligent Systems, 25(6), 529–539. DOI: 10.1002/int.20418
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. DOI: 10.1016/S0019-9958(65)90241-X