FDOSM (Görüş Puanına Dayalı Karar Yöntemi)

FDOSM'nin açılımı "Fuzzy Decision by Opinion Score Method"tür, Türkçesiyle "bulanık görüş puanına dayalı karar yöntemi". Salih, Zaidan ve Zaidan (2020) tarafından önerilmiştir ve o tarihten bu yana özellikle teknoloji ve sistem karşılaştırma (benchmarking) çalışmalarında, sağlık izleme sistemleri, ağ güvenliği protokolleri ve biyometrik tanıma sistemleri gibi alanlarda geniş bir uygulama ailesi oluşturmuştur (Muhsen ve ark., 2023). Yöntemin temel fikri, seçeneklerin kriterlerdeki performansının doğrudan bir fiziksel ölçümle değil, bir "görüş puanı" ile (bir uzmanın ya da karar vericinin ideale göre verdiği bir değerlendirme) ifade edilmesidir. DecisionMind'daki bu manifest, yöntemin tek karar vericili, kesin (bulanık olmayan) temel sürümünü çalıştırır; çıktısı her seçenek için bir puan ve bu puana göre bir sıradır.

Bazı kararlarda doğrudan bir fiziksel ölçüm mümkün değildir. "Bu yazılımın kullanılabilirliği ne kadar iyi" ya da "bu sistemin güvenilirliği ne kadar yüksek" sorularının cevabı bir cetvelle ölçülmez; bir uzman ya da kullanıcı bunu bir puanla ifade eder. FDOSM bu puanı, zaten "ideale göre nasıl" sorusuna verilmiş bir cevap olarak kabul eder ve üstüne yeni bir ideal nokta kurmaz; yalnızca bu puanları ortak bir ölçeğe getirip ağırlıklarla birleştirir. Yöntemin bulanık (fuzzy) sürümünde, birden fazla uzman farklı görüş bildirdiğinde bu görüşler üçgen bulanık sayılarla (bir alt, bir orta, bir üst değer) ifade edilir, ortalanır ve tek bir kesin sayıya indirilir (durulaştırma); DecisionMind'ın bu manifestte çalıştırdığı kesin sürümde girdi zaten tek bir uzmanın kesin puanı olduğu için bu adımlar bir geçiş (passthrough) olarak işler.

Bu fikrin bir sonucu vardır. FDOSM telafi edicidir ve ağırlıklı toplam yöntemlerine yakındır; ama vurgusu farklıdır. TOPSIS bir seçeneğin ham ölçümünü ideal ve anti-ideal noktalara olan uzaklığıyla değerlendirirken, FDOSM girdinin zaten bir değerlendirme (opinion) olduğunu varsayar ve bu değerlendirmeyi en iyi değere oranlar.

Yöntem altı adımdan oluşur; DecisionMind'ın kesin veri sürümünde ilk üç adım geçiş (passthrough) olarak çalışır çünkü girdi zaten tek bir kesin sayıdır.

Birinci adım, dilsel ifadelerin üçgen bulanık sayıya çevrilmesi. Birden fazla uzmanın "iyi", "orta", "zayıf" gibi dilsel değerlendirmeleri varsa, bunlar bir alt bir orta bir üst değerden oluşan üçgen bulanık sayılara çevrilir. Kesin veri sürümünde bu adım atlanır.

İkinci adım, karar vericilerin görüşlerinin birleştirilmesi. Birden fazla uzman varsa görüşleri ortalanır. Tek karar vericili kesin sürümde bu adım atlanır.

Üçüncü adım, durulaştırma. Bulanık bir değer varsa tek bir kesin sayıya indirilir. Kesin sürümde bu adım atlanır.

Dördüncü adım, doğrusal-maksimum normalizasyon. Her hücre kendi sütunundaki en iyi değere oranlanır: fayda kriterlerinde hücre değeri sütunun en büyüğüne bölünür, maliyet kriterlerinde sütunun en küçüğü hücre değerine bölünür.

Beşinci adım, ağırlıklı görüş puanı. Normalize edilmiş değerler kriter ağırlıklarıyla çarpılıp toplanır.

Altıncı adım, sıralama. Seçenekler bu puana göre büyükten küçüğe sıralanır.

Adımların formülleri, ara tabloları ve atıf biçimleri DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Görüş puanı, bir seçeneğin her kriterde en iyi değere göre ne kadar yakın olduğunun ağırlıklı ortalamasıdır. TOPSIS'in yakınlık puanından farklı olarak, bu puan en kötü değere (anti-ideale) hiç bakmaz; yalnızca en iyiye oranlama yapar. Puanın 1'e yakın olması "her kriterde neredeyse en iyi değere ulaşıyor" demektir; puanın düşük olması bir ya da birkaç kriterde en iyi değerden uzak kaldığını gösterir. Bu puan, girdinin zaten bir uzman değerlendirmesi (opinion) olduğunu varsayar; girdi ham bir fiziksel ölçümse yöntem bunu olduğu gibi normalize eder, ölçümün ne kadar güvenilir bir "görüş" taşıdığını kendisi sorgulamaz.

Bu nedenle:

"Sistem 2'nin puanı en yüksek, demek ki nesnel olarak en iyi sistemdir"

yerine:

"Sistem 2, verilen görüş puanlarına ve ağırlıklara göre en iyi değere en yakın orandadır; bu puanların kim tarafından ve nasıl verildiği raporda belirtilmelidir"

biçiminde yazmak doğrudur.

Kesin veri. DecisionMind'da bu manifest yöntemin tek karar vericili, bulanıklaştırma gerektirmeyen temel sürümünü çalıştırır ve şu an bir uzantısı yoktur. Literatürdeki asıl FDOSM, birden fazla uzmanın üçgen bulanık görüşlerini birleştirdiği için "bulanık" adını taşır; bu genişletilmiş çok-uzmanlı sürüm DecisionMind'ın bu manifestinde kapsanmamaktadır. Elinizde her seçenek için her kriterde bir görüş puanı (ya da doğrudan bir ölçüm), kriter yönleri ve toplamı 1 olan ağırlıklar olmalıdır. FDOSM ağırlık üretmez, dışarıdan alır.

Karşılaştırılan seçenekler zaten bir ideal referansa göre puanlanmışsa, özellikle teknoloji ya da sistem karşılaştırma (benchmarking) çalışmalarında FDOSM doğal bir seçimdir; literatürde sağlık izleme sistemleri, ağ güvenliği protokolleri ve benzer teknik karşılaştırmalarda sıkça kullanılmıştır (Muhsen ve ark., 2023).

Kullanılmaması gereken iki durum vardır. Elinizdeki veri ham bir fiziksel ölçümse ve ideal ile anti-ideale olan uzaklığın birlikte değerlendirilmesi (TOPSIS'in yaptığı gibi) daha bilgilendirici olacaksa, FDOSM'nin yalnız en iyiye oranlayan yapısı eksik kalır. Birden fazla uzmanın görüş ayrılığını bulanık biçimde birleştirmeniz gerekiyorsa, DecisionMind'ın bu sürümü tek karar vericili kesin veriyle sınırlı olduğu için yeterli değildir.

Girdi zaten uzman görüş puanı, tek karar verici, kesin veri → FDOSM

Birden fazla uzmanın görüş ayrılığı önemli, bulanık birleştirme gerekiyor → FDOSM'nin çok uzmanlı bulanık sürümü (bu manifest kapsamıyor)

Girdi ham ölçüm, ideal ve anti-ideale birlikte bakılmalı → TOPSIS

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

FDOSM'nin en önemli üstünlüğü basitliğidir; hesap yükü küçüktür ve ağırlıklı toplam ailesine yakın olduğu için sonuç kolay yorumlanır. Opinion puanı felsefesi, saf fiziksel ölçümün mümkün olmadığı, uzman değerlendirmesine dayanan karşılaştırmalarda doğal bir çerçeve sunar. Salih, Zaidan ve Zaidan'ın (2020) önerisinden bu yana yöntem geniş bir uygulama ailesine kavuşmuştur; bu, yöntemin farklı bulanık ortamlara (Pythagoras bulanık, nötrosofik, iki-katlı bulanık gibi) uyarlanabilir bir iskelet sunduğunu gösterir (Alamoodi ve ark., 2022).

Sınırlılıkları yapısından doğar. Birincisi, yöntem yalnızca en iyi değere oranlama yapar, en kötü değeri (anti-ideali) hiç kullanmaz; bu, TOPSIS'in sağladığı "hem iyiye yakın hem kötüden uzak" dengesini sunmaz. İkincisi, DecisionMind'ın bu sürümü tek karar vericili kesin veriyle sınırlıdır; yöntemin asıl "bulanık" katkısı olan çok-uzmanlı görüş birleştirme ve durulaştırma adımları burada geçiş olarak çalışır, aktif değildir. Üçüncüsü, Muhsen ve arkadaşlarının (2023) sistematik incelemesi, FDOSM ailesindeki çalışmalarda görüş puanlarının nasıl toplandığı konusunda literatür genelinde tutarlılık sorunları bulunduğunu göstermektedir. Dördüncüsü, opinion puanlarının kalitesi yöntemin dışındadır; kötü ya da tutarsız puanlarla kusursuz bir hesap yine de zayıf bir sıra verir.

En yaygın hata, opinion puanını ham bir ölçüm gibi sunup bu puanın kim tarafından ve nasıl verildiğini raporlamamaktır. İkinci hata, yöntemin adında "bulanık" (fuzzy) geçtiği için otomatik olarak çok-uzmanlı bir hesap yaptığını varsaymaktır; DecisionMind'ın bu manifesti kesin, tek-uzman verisiyle çalışır. Üçüncü hata, FDOSM puanını TOPSIS'in yakınlık puanıyla karıştırıp "anti-ideale uzaklığı da hesaba kattı" sanmaktır; FDOSM yalnız en iyiye oranlar. Dördüncü hata, farklı ölçeklerde verilmiş görüş puanlarını (biri 1-5, biri 1-10 üzerinden) düzeltmeden aynı tabloya koymaktır.

Temel ilke şudur:

FDOSM sonucu, girdi olarak verilen görüş puanlarının en iyi değere göre ağırlıklı oranıdır; bu puanların nasıl ve kim tarafından verildiği raporda belirtilmezse sonucun ne ölçtüğü belirsiz kalır.