Vektör Normalizasyonu (Öklid Sütun Normuyla Ölçekleme)

Karar tablonuzda hız Mach cinsinden, fiyat milyon dolar cinsinden, güvenilirlik ise 1-9 arası bir uzman puanıysa bu üç sütunu doğrudan toplayamaz ya da ağırlıklı ortalamasını alamazsınız; büyük sayılı sütun küçük sayılı sütunu ezer. Vektör normalizasyonu bu sorunu çözer. Her sütundaki değerleri karesinin toplamının karekökü olan bir sayıya böler ve sonuçta her sütun 0 ile 1 arasında, birimsiz bir hale gelir. Çıktısı bir sıra ya da puan değil, bir sonraki adıma (ağırlıklama, ideal nokta kurma, uzaklık ölçme) girecek ölçeklenmiş bir tablodur. Bu yüzden vektör normalizasyonu tek başına bir karar yöntemi değil, TOPSIS gibi yöntemlerin içinde kullanılan bir yapı taşıdır. Hwang ve Yoon tarafından 1981'de TOPSIS'in standart ön işlem adımı olarak tanımlanmıştır.

DecisionMind'da bu işlem iki ayrı kayıt olarak bulunur: NORM-VECTOR ve bu kartın kardeşi olan Vektör (L2) Normalizasyonu kartı. İkisi de aynı formülü, aynı kaynağa (Hwang ve Yoon, 1981) dayanarak tanımlar; aralarındaki fark yalnız kayıt geçmişidir, katalog kodu ve olgunluk etiketi farklıdır. DecisionMind'ın kendi denetim notu bu iki kaydı "aynı kanonik işlem, taksonomi incelemesi bekleyen bir tekrar" olarak işaretlemiştir. Bu kartı okuyan kullanıcı için pratik sonuç şudur: hangi kayıt seçilirse seçilsin hesap aynıdır, sonuç değişmez.

Vektör normalizasyonunun arkasındaki soru şudur: "Bir ölçütteki 5 puan, o ölçütün mümkün olan en büyük değerine göre mi, yoksa o ölçütün genel büyüklüğüne göre mi anlamlıdır?" Vektör normalizasyonu ikinci yolu seçer. Bir sütunu tek bir en büyük değere göre değil, sütunun bütün değerlerinin oluşturduğu vektörün uzunluğuna göre ölçekler. Bu, geometrik bir bakış açısıdır: her seçenek çok boyutlu bir uzayda bir nokta, her ölçüt bir eksendir ve normalizasyon bu uzayı birim küreye oturtur. Sonucun bir felsefi özelliği vardır: normalizasyon sırasında hiçbir yön kararı (ölçüt "çoğu iyi" mi "azı iyi" mi) verilmez; bu karar sonraki adıma, yani sıralama yöntemine bırakılır. Vektör normalizasyonu böylece nötr bir ölçekleyicidir, kendi başına bir tercih taşımaz.

İşlem iki adımdan oluşur.

Birinci adım, sütun uzunluğunu bulma. Her ölçüt sütunu için değerlerin karelerinin toplamının karekökü alınır. Bu sayı, o sütunun geometrik "uzunluğudur"; sütundaki değerler ne kadar büyükse bu uzunluk da o kadar büyür.

İkinci adım, bölme. Sütundaki her değer, o sütunun uzunluğuna bölünür. Sonuçta her sütunun değerlerinin kareleri toplamı tam olarak 1 olur; sütunlar artık birimsizdir ve birbiriyle karşılaştırılabilir.

Bu iki adım, TOPSIS'te ağırlıklamadan önceki ilk adımdır. Vektör normalizasyonu tek başına bir ölçüt yönü (fiyatın azı mı iyi, çoğu mu iyi) belirlemez; bu bilgi sonraki adımda kullanılır. Adımların formülleri DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Vektör normalizasyonunun çıktısı bir karar değil, bir ara tablodur. Normalize edilmiş bir değerin kendisi (örneğin 0,71) tek başına "iyi" ya da "kötü" anlamına gelmez; yalnız aynı sütundaki diğer değerlerle karşılaştırıldığında anlam kazanır. Bir sütunun tüm değerleri normalize edildikten sonra karelerinin toplamı her zaman 1'dir; bu, hesabın doğru yapıldığını gösteren bir kontrol noktasıdır, bir başarı ölçüsü değildir. Normalize edilmiş tablo başka bir seçenek kümesiyle karşılaştırılamaz, çünkü sütun uzunluğu o kümenin kendi değerlerinden hesaplanır; seçenek kümesi değişince tüm sütun yeniden ölçeklenir.

Bu nedenle:

"Normalize puan 0,71, yani bu seçenek bu ölçütte yüzde 71 başarılı"

yerine:

"Bu değer, bu seçenek kümesi içinde bu ölçütün göreli ağırlığını taşıyan ölçeklenmiş bir sayıdır; tek başına bir yüzde ya da başarı oranı değildir"

biçiminde yazmak doğrudur.

Vektör normalizasyonu kesin (crisp) veriyle çalışır: her hücrede tek bir sayı, boş hücre yok. Negatif değerler matematiksel olarak sorun çıkarmaz, ama sonraki adımın (genelde bir sıralama yöntemi) negatif girdiyle çalışıp çalışmadığı kontrol edilmelidir. Bir sütunun tüm değerleri sıfırsa bölme işlemi tanımsız hale gelir; bu durumda o ölçüt tablodan çıkarılmalı ya da yeniden ölçülmelidir.

Bu bir yapı taşı kartıdır; DecisionMind'da kendi başına bir uzantısı (bulanık, gri, sezgisel sürümü) yoktur. DecisionMind'da bu işin yanında beş farklı normalizasyon seçeneği daha bulunur: doğrusal en büyüğe bölme, doğrusal toplama bölme, logaritmik normalizasyon, min-max normalizasyonu ve z-skor normalizasyonu. Her biri aynı soruna (ölçütleri karşılaştırılabilir kılma) farklı bir çözüm sunar ve ayrı bir yapı taşı kartında anlatılır. En az iki seçenek ve bir ölçüt yeterlidir; sütun sayısında üst sınır yoktur.

Vektör normalizasyonu, tek bir seçeneğin aşırı değerinin sütunun tamamını domine etmesini istemediğiniz durumlarda uygundur; çünkü bölen, tek bir en büyük değer değil bütün seçeneklerin ortak katkısıdır. TOPSIS gibi Öklid uzaklığına dayanan yöntemlerle doğal olarak uyumludur, çünkü ikisi de aynı geometrik mantığı (birim küre, Öklid uzaklığı) paylaşır.

Kullanılmaması gereken durum, karar vericinin normalize edilmiş değeri doğrudan yorumlamak istediği durumdur; çünkü doğrusal en büyüğe bölme normalizasyonunun aksine "en iyi seçenek 1,0 alır" gibi sezgisel bir okuma vermez. Ayrıca veri zaten aynı birimdeyse ve ölçütler arası büyüklük farkı yoksa normalizasyon adımı gereksiz karmaşıklık katar.

Farklı birimli sayısal ölçütler, Öklid tabanlı bir yöntemin (TOPSIS) içine giriyor → Vektör normalizasyonu

"En iyi seçenek 1,0 alsın" biçiminde sezgisel bir okuma isteniyor → Doğrusal en büyüğe bölme normalizasyonu

Veri uç değerlere (aşırı büyük/küçük) duyarlıysa ve göreli konum önemliyse → Z-skor normalizasyonu

Normalizasyon değil, doğrudan bir sıralama yöntemi gerekiyor → TOPSIS, VIKOR gibi tam yöntemler

Vektör normalizasyonunun en önemli üstünlüğü tüm seçeneklerin katkısını dengede tutmasıdır; bölen tek bir uç değer değil, sütunun bütün değerlerinden hesaplanan bir büyüklüktür, bu da normalizasyonu tek bir aşırı seçeneğe karşı doğrusal en büyüğe bölme yöntemine göre daha az duyarlı yapar. Hesap yükü küçüktür ve büyük tablolar için de aynı hızda çalışır. Negatif ve pozitif değerlerle sorunsuz çalışır. TOPSIS ile birlikte en çok sınanmış ve uygulanmış normalizasyon biçimidir.

Sınırlılıkları vardır. Birincisi, normalize edilmiş değer sezgisel olarak okunmaz; "1,0" ya da "0" gibi belirgin bir referans noktası taşımaz, bu da raporlamayı zorlaştırır (Jahan ve Edwards, 2015). İkincisi, seçenek kümesi değişince (yeni bir seçenek eklenince ya da çıkarılınca) sütun uzunluğu değişir, bu da tüm normalize tabloyu ve dolayısıyla sonucu etkiler. Üçüncüsü, hangi normalizasyon biçiminin seçildiği nihai sıralamayı değiştirebilir; vektör normalizasyonu ile doğrusal en büyüğe bölme aynı veriye farklı sıra verebilir (Milani ve ark., 2005; Vafaei, Ribeiro ve Camarinha-Matos, 2018). Dördüncüsü, tüm sütunu tek bir sayıya bölme yaklaşımı, sütun içindeki dağılımın şeklini (çarpıklık, uç değerler) göz ardı eder.

En yaygın hata, normalize edilmiş değeri doğrudan bir yüzde ya da başarı oranı gibi okumaktır; bu değer yalnız o seçenek kümesi içinde anlamlıdır. İkinci hata, normalizasyon biçimini (vektör, doğrusal en büyük, min-max) gerekçesiz seçip sonucun bu seçimden etkilenmediğini varsaymaktır; aşağıdaki vakalar bu varsayımın çoğu zaman yanlış olduğunu gösterir. Üçüncü hata, tüm değerleri sıfır olan bir sütunu fark etmeden normalize etmeye çalışmaktır; bu işlem tanımsızdır ve motor hata vermelidir. Dördüncü hata, analiz bittikten sonra seçenek eklemek ve normalize tablonun neden değiştiğine şaşırmaktır; sütun uzunluğu tüm seçeneklerden hesaplandığı için her yeni seçenek tabloyu baştan değiştirir.

Temel ilke şudur:

Vektör normalizasyonu ölçütleri karşılaştırılabilir kılar, ama hangi normalizasyonun seçildiği de bir karardır ve bu karar nihai sırayı değiştirebilir; rapor bu duyarlılığı göstermelidir.