COMET (Characteristic Objects METhod)

COMET, elinizde sayılarla doldurulmuş bir karar tablosu ve bir uzman değerlendirmesi olduğunda seçenekleri tek bir sıraya dizen bir sıralama yöntemidir. Çıktısı her seçenek için 0 ile 1 arasında bir tercih puanı ve bu puana göre sıradır. Wojciech Sałabun tarafından 2015'te önerilmiştir; yöntemin öne çıkan özelliği, alternatiflerin sayısı veya değerleri değişse bile sıralamanın bozulmamasıdır, çünkü değerlendirme gerçek seçenekler üzerinden değil önceden kurulan bir kıyaslama ızgarası üzerinden yapılır. COMET kriterlere ağırlık üretmez; ağırlıklar uzmanın tercih fonksiyonuna girdi olarak kullanılır.

Çoğu sıralama yöntemi, elindeki gerçek seçenekleri doğrudan karşılaştırır. COMET farklı bir yol izler: önce her kriter için birkaç referans seviye belirlenir (örneğin düşük, orta, yüksek). Bu seviyelerin bütün olası bileşimleri "karakteristik nesneler" olarak adlandırılan kurgusal profiller oluşturur; iki kriter ve üçer seviye varsa dokuz karakteristik nesne ortaya çıkar. Bir uzman bu dokuz kurgusal profili, gerçek seçenekleri hiç görmeden, tercih sırasına göre puanlar.

Bu ayrımın bir sonucu vardır: gerçek seçenekler daha sonra bu hazır profil haritasına yerleştirilir, profiller seçeneklere göre değil seçenekler profillere göre konumlanır. Bu yüzden tabloya yeni bir seçenek eklemek ya da bir seçeneği çıkarmak, diğer seçeneklerin puanını değiştirmez; COMET bu özelliğiyle sıra tersinmesine karşı dayanıklı bir yöntem olarak tanıtılmıştır. Bedeli, kriter sayısı arttıkça karakteristik nesne sayısının hızla büyümesidir.

Yöntem dört adımda ilerler.

Birinci adım, karakteristik nesnelerin üretilmesi. Her kriter için birkaç referans seviye (örneğin düşük, orta, yüksek) belirlenir. Bu seviyelerin bütün kriterler arasındaki olası bileşimleri tek tek listelenir; iki kriter ve üçer seviye varsa dokuz, üç kriter ve üçer seviye varsa yirmi yedi bileşim ortaya çıkar.

İkinci adım, uzman değerlendirmesi. Bir uzman ya da önceden belirlenmiş bir tercih fonksiyonu, her karakteristik nesneye 0 ile 1 arasında bir tercih puanı verir. Bu adım gerçek seçenekleri hiç görmeden yapılır; uzman yalnız "düşük-düşük", "yüksek-orta" gibi kurgusal profilleri sıralar.

Üçüncü adım, üyelik derecesi. Her gerçek seçeneğin her kriterdeki değeri, o kriterin referans seviyeleri arasında nereye düştüğüne bakılarak değerlendirilir. Bir seçeneğin değeri iki referans seviye arasındaysa, seçenek her iki seviyeye de kısmi olarak "üye" sayılır; tam bir seviyeye denk geliyorsa yalnız o seviyeye üyedir.

Dördüncü adım, toplam tercih puanı. Her seçeneğin nihai puanı, bütün karakteristik nesnelerin tercih puanlarının, seçeneğin o nesneye olan üyelik derecesiyle ağırlıklandırılarak toplanmasıyla bulunur. Seçenekler bu puana göre büyükten küçüğe sıralanır.

Adımların formülleri DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Tercih puanı, bir seçeneğin uzmanın önceden kurduğu tercih haritasındaki konumunu gösterir; başka bir şey söylemez. 0,625 puan "yüzde 62 iyi" anlamına gelmez, yalnız bu seçeneğin karakteristik nesneler arasındaki göreli konumunu ifade eder. Puan, referans seviyeleri ve uzman puanlaması değişmediği sürece yeni seçenekler eklense de sabit kalır; bu COMET'i diğer sıralama yöntemlerinden ayıran temel özelliktir.

Sonucun kalitesi tamamen iki şeye bağlıdır: referans seviyelerinin gerçek verinin aralığını kapsayıp kapsamadığına ve uzmanın karakteristik nesneleri tutarlı bir sırayla puanlayıp puanlamadığına. Bu nedenle:

"COMET en iyi seçeneği buldu"

yerine:

"Bu referans seviyeleri ve bu uzman değerlendirmesiyle en yüksek tercih puanı şu seçenekte çıkmıştır; sonuç uzmanın karakteristik nesnelere verdiği puanlara bağlıdır"

biçiminde yazmak doğrudur.

COMET kesin (crisp) veriyle çalışır: her hücrede tek bir sayı. DecisionMind'da şu an bu yöntemin başka bir veri türü için uzantısı yoktur.

Elinizde satırlarda seçenekler, sütunlarda kriterler, her hücrede bir sayı olmalı ve boş hücre olmamalıdır. Ayrıca her kriter için birkaç referans seviye (en az iki, genelde üç) ve bu seviyelerin bütün bileşimlerini puanlayacak bir tercih fonksiyonu ya da uzman gerekir. COMET ağırlık üretmez; ağırlıklar tercih fonksiyonuna girdi olarak kullanılır. Kriter sayısı arttıkça karakteristik nesne sayısı katlanarak büyür: üç kriter ve üçer seviyede yirmi yedi, beş kriter ve beşer seviyede üç binden fazla nesne ortaya çıkar. Bu yüzden kriter sayısının dört beşi geçmemesi, referans seviye sayısının küçük tutulması önerilir.

Kriter sayınız az (iki ile dört arası) ve sıra tersinmesine karşı dayanıklı bir sonuç istiyorsanız COMET uygun bir seçimdir. Uzman değerlendirmesine dayalı, kural tabanlı karar problemlerinde ve az sayıda kritere sahip tekrarlayan değerlendirmelerde iyi çalışır.

Kriter sayısı beşi geçiyorsa karakteristik nesne sayısı hızla büyür ve uzmanın tutarlı biçimde puanlaması zorlaşır; bu durumda başka bir sıralama yöntemi tercih edilmelidir. Tercih fonksiyonu kriterlerin doğal önem sırasıyla tutarsızsa (örneğin düşük-düşük bir profile yüksek-yüksekten daha fazla puan verilmişse) sonuç anlamsızlaşır.

Az kriter, sıra tersinmesine dayanıklı sonuç isteniyor → COMET

Kriter sayısı fazla (beşten çok) → COMET yerine TOPSIS, VIKOR gibi doğrudan karşılaştırma yapan yöntemler

Uzman değerlendirmesi yok, yalnız veri var → Nesnel ağırlıklandırma + doğrudan sıralama yöntemleri

Sıralama değil ağırlık gerekiyor → AHP, BWM, SWARA (öznel) · Entropy, CRITIC (nesnel)

COMET'in en önemli üstünlüğü sıra tersinmesine karşı dayanıklılığıdır. Değerlendirme gerçek seçenekler üzerinden değil önceden kurulan bir kıyaslama ızgarası üzerinden yapılır; bu yüzden yeni bir seçenek eklenmesi diğerlerinin puanını değiştirmez (Sałabun, Ziemba ve Wątróbski, 2016). Uzman bilgisini doğrudan modele katma imkanı verir; kriterler arasındaki etkileşimi basit bir ağırlıklı toplamdan daha esnek biçimde ifade edebilir. Karşılaştırmalı çalışmalarda COMET'in TOPSIS, VIKOR, COPRAS ve PROMETHEE II gibi yöntemlerle tutarlı sonuçlar verdiği gösterilmiştir (Sałabun, Wątróbski ve Shekhovtsov, 2020).

Sınırlılıkları esas olarak hesaplama yüküyle ilgilidir. Kriter sayısı arttıkça karakteristik nesne sayısı katlanarak büyür; bu, yöntemi az kriterli problemlerle sınırlar. Uzman değerlendirmesinin kalitesi yöntemin dışındadır; tutarsız bir puanlama (örneğin daha kötü bir profile daha yüksek puan verilmesi) doğrudan hatalı sonuca yol açar. Ayrıca referans seviyelerinin gerçek verinin aralığını kapsaması gerekir; bu seviyeler dar seçilirse gerçek seçenekler ızgaranın dışında kalabilir.

En yaygın hata, referans seviyelerini gerçek verinin aralığını kapsamayacak biçimde dar seçmektir; bu durumda seçenekler ızgaranın uç noktalarına yapışır ve ayırt edicilik kaybolur. İkinci hata, uzmanın karakteristik nesneleri tutarsız sırayla puanlamasıdır; düşük bir profile yüksek bir profilden daha fazla puan verilmesi sonucu geçersiz kılar. Üçüncü hata, kriter sayısını beşin üzerine çıkarıp karakteristik nesne sayısının katlanarak büyümesini göz ardı etmektir. Dördüncü hata, tercih puanını yüzde gibi okumaktır; puan yalnız karakteristik nesneler arasındaki göreli konumu gösterir.

Temel ilke şudur:

COMET'in tercih puanı, uzmanın karakteristik nesnelere verdiği puanların ve seçilen referans seviyelerinin bir özetidir; bu girdiler değişirse sonuç da değişir.