MACONT (Mixed Aggregation by Comprehensive Normalization Technique)

MACONT, elinizde sayısal bir karar tablosu olduğunda seçenekleri tek bir sıraya dizen bir sıralama yöntemidir. Çıktısı her seçenek için tek bir kapsamlı puan ve bu puana göre büyükten küçüğe sıradır. Ağırlıkları dışarıdan alır, üretmez. Wen, Liao ve Zavadskas tarafından 2020'de Informatica dergisinde önerilmiştir. Yöntemin ayırt edici tarafı adında geçen "kapsamlı normalizasyon"dur: TOPSIS gibi yöntemler tek bir ölçek eşitleme biçimi seçerken, MACONT üç farklı biçimi aynı anda kullanıp harmanlar.

Farklı normalizasyon biçimleri aynı tabloya farklı sıra verebilir; bu, çok kriterli karar yöntemlerinin bilinen bir zaafıdır. MACONT'un fikri şudur: hangi normalizasyonun "doğru" olduğuna karar vermek yerine üçünü birden kullanıp harmanlayın, böylece tek bir biçimin çarpıklığına bağımlı kalmayın. Yöntem ayrıca puanlamayı da ikiye böler. Bir yandan seçeneği hayali bir "ortalama rakiple" karşılaştırır ve ne kadar önde ya da geride olduğunu hem toplayarak hem çarparak ölçer; bu, telafi edici bir bakıştır. Öte yandan seçeneğin en güçlü ve en zayıf olduğu kriterlere de ayrıca bakar; bu, uçlara duyarlı bir bakıştır. Sonunda iki bakışı yarı yarıya birleştirir.

Bu fikrin bir sonucu vardır: MACONT kısmen telafi edicidir. Bir kriterdeki zayıflık başka bir kriterdeki güçle bir ölçüde örtülebilir, ama yöntem yalnız toplam farka değil en iyi ve en kötü kriterlere de ayrıca ağırlık verdiği için tam telafi TOPSIS kadar kolay olmaz.

Yöntem dört adımda ilerler.

Birinci adım, karar matrisi ve ağırlıklar. Seçenekler satırlarda, kriterler sütunlarda, ağırlıkların toplamı 1'dir.

İkinci adım, üçlü kapsamlı normalizasyon. MACONT her sütunu üç ayrı biçimde eşitler: sütun toplamına bölerek, sütunun en büyük değerine bölerek ve sütunu 0 ile 1 aralığına ölçekleyerek. Bu üç biçimin her biri farklı bir zaafa sahiptir. Toplama bölme, tabloya yeni bir seçenek eklendiğinde bütün değerleri kaydırır. En büyüğe bölme, tek bir aşırı değere karşı hassastır. Aralığa ölçekleme ise en küçük ve en büyük değerin kendisinden etkilenir. MACONT üçünü ağırlıklı ortalamasını alarak (varsayılan olarak eşit üçte bir) tek bir birleşik tabloya indirger. Bu, tek bir normalizasyon biçimine bağımlı kalmamak içindir.

Üçüncü adım, sanal referans ve iki alt puan. Birleşik tablonun her sütununun ortalaması alınarak hayali bir "ortalama seçenek" kurulur. Bu, TOPSIS'teki en iyi-en kötü uçlar değil, tam ortada duran bir kıyaslama noktasıdır. Her gerçek seçenek için bu ortalamaya göre ne kadar önde ya da geride olduğu iki ayrı biçimde toplanır. Biri ağırlıklı farkların toplamsal, telafi edici bir ölçüsüdür. Diğeri, ortalamanın üstündeki ve altındaki kriterlerin oranını çarpımsal ve daha keskin biçimde karşılaştıran bir ölçüdür. Bu iki ölçü yarı yarıya (varsayılan) birleştirilerek birinci alt puan elde edilir. Ayrıca seçeneğin ortalamaya göre en çok öne çıktığı kriterle en çok geride kaldığı kriter de bulunur ve yarı yarıya birleştirilerek ikinci bir alt puan elde edilir; bu ikinci puan toplam farka değil uçlara bakar.

Dördüncü adım, kapsamlı puan. İki alt puan yarı yarıya birleştirilerek nihai puan bulunur ve seçenekler büyükten küçüğe sıralanır.

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

Kapsamlı puan, bir seçeneğin diğerlerine göre ortalama bir rakipten ne kadar uzaklaştığını gösteren birimsiz bir sayıdır; yüzde ya da olasılık değildir ve başka bir analizin puanıyla karşılaştırılmaz. Puanın büyük olması "mükemmel" değil "bu seçenek kümesinde ortalamanın belirgin biçimde üzerinde" demektir.

Çarpımsal alt ölçünün bir riski vardır. Bir seçenek bir kriterde tam olarak ortalamaya çok yakınsa, çarpımsal ölçünün paydası sıfıra yaklaşır ve bu tek kriter puanı orantısız biçimde büyütebilir ya da küçültebilir. Bu, MACONT'un veri yapısına özgü bir duyarlılıktır ve bir seçeneğin bir kriterde tesadüfen ortalamaya çok yakın çıkması, o seçeneğin puanını beklenenden daha oynak hale getirebilir. Bu yüzden rapor, birinci ve ikinci sıra arasındaki farkın normalizasyon ağırlıklarına (λ, μ) ve bu çarpımsal ölçüye ne kadar duyarlı olduğunu göstermelidir.

Bu nedenle:

"MACONT en iyi seçeneği buldu"

yerine:

"Bu ağırlıklar ve bu üç normalizasyonun harmanıyla ortalamadan en çok öne çıkan seçenek şudur; sıra harman oranına duyarlıdır"

biçiminde yazmak doğrudur.

MACONT kesin (crisp) veriyle çalışır: her hücrede tek bir sayı. DecisionMind'da şu an yalnız bu kesin sürüm bulunur; bulanık, gri ya da başka bir veri türünde uzantısı yoktur. Elinizde şunlar olmalı: satırlarda seçenekler, sütunlarda kriterler, boş hücre olmadan doldurulmuş bir tablo, her kriter için "çoğu mu iyi azı mı iyi" bilgisi ve toplamı 1 olan ağırlıklar. MACONT ağırlık üretmez, ister. En az iki seçenek ve iki kriter gerekir.

Kriterleriniz sayısalsa, tablo tam doluysa ve normalizasyon biçiminin sonucu değiştirebileceğinden endişe ediyorsanız MACONT makul bir seçimdir; üç biçimi birden kullanarak bu endişeyi bir ölçüde azaltır. Tipik alanları malzeme ve tedarikçi değerlendirmesi, ekipman ve teknoloji seçimidir.

MACONT'un iki adımlı, iki alt puanlı yapısı onu TOPSIS ya da SAW kadar kolay anlatılır bir yöntem yapmaz. Karar vericiye "neden bu seçenek önde" sorusuna tek cümlelik bir cevap vermek isteyen bir ekip için sadeliği daha yüksek bir yöntem daha uygun olabilir. Bir kriterde asla taviz verilemiyorsa da MACONT uygun değildir, çünkü kısmen telafi edicidir.

Sayısal tablo, normalizasyon seçiminden endişe, amaç sıralamak → MACONT

Basit ve tek adımda anlatılabilir bir yöntem isteniyor → SAW, TOPSIS

Bir kriterde taviz yok → Önce eleme, sonra sıralama

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

MACONT'un temel üstünlüğü, tek bir normalizasyon biçimine bağımlı kalmamasıdır; üç biçimin harmanı, herhangi birinin tek başına yol açacağı çarpıklığı seyreltir. İki farklı puanlama mantığını (ortalamayla toplamsal karşılaştırma ve uçlara bakan karşılaştırma) birleştirdiği için yalnız tek bir ölçüye dayanan yöntemlerden daha dengeli bir resim verir. Hesap yükü orta düzeydedir ve seçenek sayısı arttığında aynı yapıda çalışmaya devam eder.

Sınırlılıkları yapısından gelir. Birincisi, üç normalizasyonun harman oranları (λ, μ) ve iki alt puanın harman oranları (δ, ϑ) dışarıdan verilen parametrelerdir. Varsayılan eşit ağırlıklar her zaman en doğru seçim olmayabilir ve farklı oranlar farklı sıra verebilir (Nguyen, 2023). İkincisi, çarpımsal alt ölçü bir seçeneğin ortalama seçeneğe çok yakın düştüğü kriterlerde sayısal olarak kırılgandır; bu durumda puan beklenenden fazla oynayabilir. Üçüncüsü, yöntem 2020'de önerildiği için TOPSIS ya da VIKOR kadar geniş bir bağımsız uygulama ve eleştiri literatürüne henüz sahip değildir; yeni önerilen çok kriterli karar yöntemlerinin sayısının hızla artması, her birinin bağımsız olarak ne kadar sağlam sınandığını izlemeyi zorlaştıran genel bir sorundur (Zavadskas, Turskis ve Kildienė, 2014). Dördüncüsü, MACONT kriterleri bağımsız kabul eder.

En yaygın hata, harman parametrelerini (λ, μ, δ, ϑ) hiç sorgulamadan varsayılan değerde bırakmaktır. Bu değerler bir karardır ve raporda belirtilmelidir; farklı bir harman oranıyla sıranın değişip değişmediği kontrol edilmelidir.

İkinci hata, kapsamlı puanı yüzde ya da kesinlik ölçüsü gibi okumaktır; puan yalnız bu seçenek kümesini birbirine göre sıralar. Üçüncü hata, bir seçeneğin bir kriterde ortalamaya çok yakın çıkmasını fark etmeden geçmektir; bu durumda çarpımsal alt puanın orantısız büyümüş olup olmadığı ayrıca kontrol edilmelidir. Dördüncü hata, bir kriterde asla taviz verilemeyecek bir durumda MACONT'u seçmiş olmaktır.

Temel ilke şudur:

MACONT sonucu, seçtiğiniz harman oranlarının ve ortalama seçeneğe göre konumun bir özetidir; harman oranı tartışmalıysa sıra da tartışmalıdır ve rapor bunu göstermelidir.