Bulanık SPC (Fuzzy Symmetry Point of Criterion, TFN bileşen profili)

Bulanık SPC bir sıralama yöntemi değildir; seçenekleri sıralamaz, kriterlerin ağırlığını üretir. Girdi olarak her hücrede tek bir sayı yerine üçgen bulanık sayı (TFN) alır: alt sınır, en olası değer ve üst sınır.

Dayandığı kesin (crisp) yöntem SPC (Symmetry Point of Criterion, kriterin simetri noktası), Gligorić ve arkadaşları tarafından 2023'te önerilmiştir. Fikir, bir kriterin en küçük ve en büyük değerinin tam ortasındaki "simetri noktasına" bakıp alternatiflerin bu noktadan ne kadar uzaklaştığını ölçmektir. DecisionMind'ın bu bulanık profili, bu hesabı TFN'nin üç bileşenine (alt sınır, en olası değer, üst sınır) ayrı ayrı, birbirinden bağımsız olarak uygular ve üç sonucu ortalar. Kesin SPC'nin kendisi 2023'te hakemli bir dergide yayımlanmış, doğrulanabilir bir kaynağa dayanır; ama bu üç bileşenli bulanık uyarlama biçimi ayrı bir akademik makalede tanımlanmış, "fuzzy SPC" adıyla anılan yerleşik bir yöntem değildir. DecisionMind manifesti bunu kendi mühendislik profili olarak tanımlar. Literatürde SPC'nin başka bulanık uzantıları da vardır (örneğin küresel bulanık kümeler üzerine kurulu değiştirilmiş SPC yöntemleri) ama bunlar farklı bir bulanık çerçeve kullanır ve DecisionMind'ın bu üç bileşenli yaklaşımıyla aynı değildir.

SPC'nin arkasındaki fikir, bir kriterin "ortası" ile alternatiflerin bu ortadan ne kadar uzaklaştığını karşılaştırmaktır. Kriterin en küçük ve en büyük değerinin tam ortası, o kriterin simetri noktasıdır. Bir alternatif bu noktaya ne kadar yakınsa "tipik", ne kadar uzaksa o kadar "uç" bir değer taşıyor demektir. SPC, kriterin bütün alternatiflerdeki ortalama uzaklığını, her alternatifin kendi değerine oranlayarak bir "simetri modülü" kurar ve bu modülü ağırlığa çevirir. Yöntem, hangi kriterin alternatifleri simetri noktasından en çok saçtığını arar; bu, kriterin yönüne (çoğu iyi mi azı iyi mi) bakmaz, yalnız uzaklığa bakar.

Bulanık uyarlamada bu fikre şu soru eklenir: TFN'nin üç bileşeni (kötümser, olası, iyimser okuma) aynı simetri hesabına sokulduğunda sonuç ne kadar değişir? SPC, PCA ve standart sapmadan farklı olarak ham değerler üzerinde çalışır, önce 0 ile 1 arasına ölçeklemez. Bu yüzden TFN'nin üç bileşeni birbirinden PCA ya da standart sapmaya göre daha bağımsız iz bırakır; belirsizliğin ağırlığa etkisi burada daha büyük çıkma eğilimindedir.

Yöntem üç adımda ilerler.

Birinci adım, girdi doğrulama. Her hücredeki üçgen bulanık sayının alt sınır ≤ en olası değer ≤ üst sınır sırasını sağladığı, bütün değerlerin kesinlikle pozitif olduğu (SPC sıfır ya da negatif değerle çalışmaz) ve her kriter için bir yön bildirildiği kontrol edilir. En az iki alternatif ve iki kriter aranır.

İkinci adım, üç bağımsız SPC hesabı. Her kriter için en küçük ve en büyük değerin ortası, yani simetri noktası bulunur. Her alternatifin bu noktaya olan mutlak uzaklığı hesaplanır ve bu uzaklıkların ortalaması alınır. Bu ortalama uzaklık, her alternatifin kendi değerine bölünerek bir "modül" elde edilir ve modüllerin alternatifler arasındaki ortalaması kriterin simetri modülünü verir. Bu hesap, TFN'nin alt sınır tablosuna, en olası değer tablosuna ve üst sınır tablosuna ayrı ayrı, ham değerler üzerinde (ölçekleme yapılmadan) uygulanır.

Üçüncü adım, ortalama ve belirsizlik ölçüsü. Kriterlerin simetri modülleri kendi toplamlarına bölünerek her bileşen için ayrı bir ağırlık vektörü elde edilir; bu üç ağırlık vektörünün ortalaması alınıp yeniden normalize edilir ve nihai ağırlık vektörü bulunur. DecisionMind ayrıca bu ortalamanın yalnız en olası değerden çıkan ağırlıktan ne kadar uzaklaştığını ve üç bileşen arasındaki en büyük ağırlık farkını da hesaplayıp raporlar.

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

Ağırlık vektörü, bir kriterin alternatifleri kendi simetri noktasından ne kadar saçtığını, üç bulanık okumanın ortalaması olarak yansıtır. SPC ham değerler üzerinde çalıştığı için, bileşenler arasındaki fark burada PCA ve standart sapmaya göre genellikle daha büyük çıkar; TFN'nin genişliği bu profilde ağırlığı daha belirgin biçimde etkileme eğilimindedir. Bileşenler arasındaki fark küçükse üç okuma birbirine yakın sonuç veriyor demektir; büyükse alt ve üst sınırın seçimi sonucu gerçekten değiştiriyor demektir ve rapor bu duyarlılığı özellikle belirtmelidir.

Ağırlık kriterin karar vericiye göre önemini değil, alternatiflerin kriterin kendi ortasından ne kadar uzaklaştığını ölçer.

Bu nedenle:

"Bulanık SPC analizi bu kriterin en önemli kriter olduğunu gösterdi"

yerine:

"Bu üç bulanık okumanın ortalamasında alternatifler bu kriterin simetri noktasından en çok bu kriterde saçılıyor; alt ve üst sınır arasındaki fark ağırlığı belirgin biçimde değiştiriyor, bu da belirsizliğin sonuca etkisinin büyük olduğunu gösteriyor"

biçiminde yazmak doğrudur.

Bu profil bulanık (üçgen bulanık sayı, TFN) veriyle çalışır: her hücrede tek bir sayı yerine alt sınır, en olası değer ve üst sınır üçlüsü bulunur. Bütün değerler kesinlikle pozitif olmalıdır; SPC sıfır ya da negatif değerle tanımsızdır. Veriniz kesinse DecisionMind'da aynı fikrin kesin karşılığı ayrı bir kart olan SPC'dir (Gligorić ve ark., 2023). DecisionMind'da bu bulanık profilin kendi içinde ayrı bir uzantısı yoktur.

Elinizde şunlar olmalı: satırlarda alternatifler, sütunlarda kriterler, her hücrede l ≤ m ≤ u sırasını sağlayan, üçü de kesinlikle pozitif bir üçlü. Kriter yönü (çoğu mu iyi azı mı iyi) manifest tarafından istenir ama SPC'nin kendi hesabı bu yöne bakmaz; yön yalnız ağırlığın nasıl sunulacağı için tutulur. Ağırlık girilmez; yöntem ağırlığı üretir. En az iki alternatif ve iki kriter gerekir.

Kriterleriniz sayısal ama kesin değilse, uzman yargısıyla bir aralıkta verilmişse ve bütün değerler pozitifse bu profil bir seçenektir. Normalizasyon şeması seçiminden (en küçük-en büyük mü, vektör mü) bağımsız bir ağırlık ölçüsü istiyorsanız bu daha da uygundur; SPC'nin kesin hâlinin bir üstünlüğü tam olarak budur. Belirsizliğin ağırlığı ne kadar etkilediğini görmek özellikle önemliyse bu profil, ham değerlerle çalıştığı için PCA ya da standart sapmaya göre bu etkiyi daha belirgin gösterir.

Kullanılmaması gereken durumlar hem felsefesinden hem kaynağının niteliğinden gelir. Verinizde sıfır ya da negatif değer varsa SPC tanımsız kalır; önce veri kaydırılmalı ya da başka bir yöntem seçilmelidir. Sonucun tek bir literatür kaynağına dayanan, akademik olarak yerleşmiş bir "fuzzy SPC" yöntemi olması gerekiyorsa (örneğin küresel bulanık ya da Fermatean bulanık çerçevede tanımlı bir SPC uzantısı aranıyorsa) bu profil onun yerine geçmez; DecisionMind'ın üç bileşenli yaklaşımı ayrı bir mühendislik kararıdır.

Veri bulanık, pozitif, normalizasyon seçiminden bağımsız bir ölçü isteniyor → Bulanık SPC

Veri kesin → SPC (Gligorić ve ark., 2023)

Verinizde sıfır ya da negatif değer var → Önce veriyi kaydırın ya da başka bir nesnel yöntem seçin

Akademik yayında küresel/Fermatean bulanık gibi belirli bir SPC uzantısı gerekiyor → İlgili literatür kaynağını kullanın, bu profili değil

Ağırlıkların belirsizlikten ne kadar etkilendiği önemli değil, tek bir kesin sayı yeterli → En olası değeri kesin SPC'ye doğrudan verin

Kesin SPC'nin, dolayısıyla bu bulanık profilin en önemli üstünlüğü, normalizasyon şeması seçimine bağlı olmamasıdır; TOPSIS ya da CRITIC gibi yöntemlerde önce bir ölçekleme biçimi seçilmesi gerekirken SPC doğrudan ham değerler üzerinde çalışır. Hesabı yalındır: yalnız simetri noktası ve uzaklık kullanır, korelasyon ya da özdeğer hesabı gerekmez. Ham değerler üzerinde çalıştığı için, üç bileşenin karşılaştırılması TFN'nin genişliğinin ağırlığı ne kadar etkilediğini PCA ya da standart sapmaya göre daha belirgin gösterir.

Sınırlılıkların en önemlisi kaynağın niteliğidir. Kesin SPC'nin kurucu makalesi (Gligorić ve ark., 2023) doğrulanabilir bir kaynak olsa da, bu üç bileşenli bulanık uyarlama biçimi ayrı bir akademik makaleye dayanmaz; DecisionMind'ın kendi kaynak kodundan türetilmiştir ve manifest bunu "evidence level C" olarak işaretler. İkincisi, SPC'nin sıfır ve negatif değerle çalışamaması, TFN'nin alt sınırının küçük ya da sıfıra yakın olduğu durumlarda sorun çıkarabilir. Üçüncüsü, üç bileşenin bağımsız hesaplanması TFN'nin iç tutarlılığını göz ardı eder. Dördüncüsü, ham değerler üzerinde çalışması, bu profilde belirsizlik etkisinin PCA ve standart sapmaya göre daha büyük çıkmasına yol açar. Bu bir üstünlük olduğu kadar bir risktir de: ölçek büyüklüğü kriterler arasında çok farklıysa, örneğin biri 1-10 diğeri 1000-10000 aralığındaysa, simetri modülü büyük ölçekli kritere daha duyarlı davranabilir. Rani, Chen ve Mishra'nın (2026) küresel bulanık kümeler üzerine kurduğu değiştirilmiş SPC çalışması da, SPC'nin farklı bulanık çerçevelere taşınmasının tek bir standart yolu olmadığını, her uyarlamanın kendi varsayımlarını taşıdığını göstermektedir.

En yaygın hata, verideki sıfır ya da negatif değerleri fark etmeden bu profili çalıştırmaktır; SPC böyle bir sütunda tanımsız kalır.

İkinci hata, bu profili "literatürde tanımlı, adı geçen fuzzy SPC yöntemi" diye sunmaktır; kesin SPC'nin kurucu makalesi vardır ama bu üç bileşenli bulanık uyarlama DecisionMind'ın kendi mühendislik kararıdır. Üçüncü hata, farklı ölçekteki kriterleri (biri küçük biri çok büyük sayılarla ölçülen) hiç kontrol etmeden yan yana koymaktır; SPC ham değerlerle çalıştığı için büyük ölçekli kriterin modülü orantısız çıkabilir. Dördüncü hata, yalnız son ağırlığa bakıp üç bileşen arasındaki farkı hiç incelememektir; bu profilde bu fark genellikle küçümsenmeyecek büyüklüktedir.

Temel ilke şudur:

Bulanık SPC ağırlığı, alternatiflerin kriterin simetri noktasından ne kadar saçıldığının üç bulanık okumadaki ortalamasıdır; rapor hem bileşenler arasındaki farkı (bu profilde genellikle büyük çıkar) göstermeli hem üç bileşenli uyarlamanın DecisionMind'ın mühendislik profili olduğunu, kesin SPC'nin kendisinden ayrı tutarak belirtmelidir.