RAM (Root Assessment Method)

RAM, elinizde sayısal bir karar tablosu olduğunda seçenekleri tek bir sıraya dizen bir sıralama yöntemidir. Çıktısı her seçenek için bir puan ve bu puana göre azalan bir sıradır. Sotoudeh-Anvari tarafından 2023'te, sürdürülebilirlik değerlendirmelerinde kullanılmak üzere önerilmiştir. Adı "kök" kelimesinden gelir, çünkü nihai puan bir üstel-kök ifadesiyle hesaplanır: fayda taban, maliyet üstel kuvvet olarak işler.

RAM'in arkasındaki fikir, fayda ve maliyeti aynı toplama içinde değil, bir sayının tabanı ve üssü gibi ayrı rollerde ele almaktır. Bir seçeneğin fayda kriterlerindeki toplam katkısı ne kadar büyükse, hesabın tabanı o kadar büyür; maliyet kriterlerindeki toplam katkısı ne kadar büyükse, üssün paydası büyür ve bu da üssü küçültür. Sabit "2" değeri her iki tarafa da eklenir; bu, hem tabanın hem üssün payda ve tabanının sıfıra düşmesini engelleyen bir güvenlik payıdır.

Bu yapının felsefi sonucu, RAM'in de telafi edici olmasıdır: yüksek fayda, yüksek maliyeti dengeleyebilir. Ama TOPSIS'in Öklid uzaklığından ya da PROBID'in kademeli idealinden farklı olarak RAM, fayda ve maliyetin etkisini toplamsal değil çarpımsal-üstel bir yapıda birleştirir. Bu, maliyetteki büyük bir artışın puanı orantılı değil daha keskin biçimde küçültmesi anlamına gelebilir; yöntemin doğrusal olmayan bu yapısı, onu doğrusal toplama yöntemlerinden (SAW, WPM gibi) ayırır.

Yöntem dört adımda ilerler.

Birinci adım, toplam normalizasyonu. Her kriter sütunu kendi toplamına bölünür: sütundaki her değer, sütundaki tüm değerlerin toplamına bölünür. Bu adım yöne (fayda mı maliyet mi) bakmaz, tüm sütunlara aynı biçimde uygulanır.

İkinci adım, ağırlıklama. Normalize edilmiş her sütun kriterin ağırlığıyla çarpılır. Ağırlıklar RAM'in dışından gelir; toplamları 1 olmalıdır.

Üçüncü adım, fayda ve maliyet toplamlarının ayrılması. Ağırlıklı tabloda fayda kriterlerine ait sütunlar kendi aralarında toplanır ve her seçenek için bir "fayda toplamı" elde edilir; maliyet kriterlerine ait sütunlar ayrı toplanıp bir "maliyet toplamı" elde edilir.

Dördüncü adım, RAM puanı. Her seçeneğin puanı, ikiyle toplanmış fayda toplamının, ikiyle toplanmış maliyet toplamının tersi kadar kuvvetine yükseltilmesiyle bulunur: yüksek maliyet toplamı üssü küçültüp puanı bir aşağı çeker, yüksek fayda toplamı tabanı büyütüp puanı yukarı çeker. Seçenekler bu puana göre büyükten küçüğe sıralanır.

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

RAM puanı, bir seçeneğin fayda ve maliyet kriterlerindeki toplam katkısını birleştiren bir sayıdır; her zaman 2'nin biraz üzerinde bir değer alır, çünkü hesabın tabanı ve üssü sabit "2" ile başlar. Puanın büyüklüğü tek başına bir anlam taşımaz, yalnız bu seçenek kümesi içindeki sırayı belirler. Başka bir analizden gelen bir RAM puanıyla karşılaştırılamaz, çünkü toplam normalizasyonu her analizde o analizin kendi seçeneklerinden kurulur.

İki seçenek arasındaki küçük puan farkı, üstel yapı yüzünden görünenden daha kırılgan olabilir; maliyet toplamındaki küçük bir değişiklik üssü değiştirir ve bu da puanı doğrusal olmayan biçimde etkiler.

Bu nedenle:

"RAM en sürdürülebilir seçeneği buldu"

yerine:

"Bu ağırlıklar ve bu seçenek kümesiyle en yüksek RAM puanına sahip seçenek şudur; puanın büyüklüğü kendi başına yorumlanamaz, yalnız sıra anlamlıdır"

biçiminde yazmak doğrudur.

RAM kesin (crisp) veriyle çalışır: her hücrede tek bir sayı. Elinizde şunlar olmalı: satırlarda seçenekler, sütunlarda kriterler, her hücrede pozitif bir sayı; her kriter için yön bilgisi (fayda mı maliyet mi); toplamı 1 olan kriter ağırlıkları. RAM ağırlık üretmez, dışarıdan ister. DecisionMind'da bu yöntemin şu an uzantısı yoktur; temel kesin biçimiyle çalışır, ancak literatürde nötrosofik ortam için bir uzantısı tanımlanmıştır (Sotoudeh-Anvari, 2025).

Normalizasyon adımı yöne duyarsız olduğu için maliyet sütunlarını önceden ters çevirmek (örneğin 1/x almak) yanlıştır; yöntem yön ayrımını üçüncü adımda, fayda ve maliyet toplamlarını ayırarak yapar.

Kriterleriniz sayıyla ölçülebiliyorsa, tablo tam doluysa ve telafiyi kabul ediyorsanız RAM uygun bir seçimdir. Yöntem özellikle sürdürülebilirlik ve çevresel etki değerlendirmeleri için önerilmiştir; tedarikçi ve süreç seçimi gibi fayda-maliyet dengesinin açık olduğu kararlarda da kullanılabilir.

Kullanılmaması gereken durum, üstel yapının yorumlanmasının karar vericiye zor gelmesi ya da bir kriterde kesin taviz kabul edilmemesidir. RAM'in puanı doğrudan yorumlanabilir bir yüzde ya da mesafe değildir; karar vericiye "en yüksek puan kazanır" ötesinde bir açıklama gerektiğinde daha sezgisel bir yöntem (TOPSIS, SAW) tercih edilebilir.

Sayısal tablo, fayda-maliyet dengesi net, telafi kabul → RAM

Puanın sezgisel açıklanabilirliği öncelikli → TOPSIS, SAW

Bir kriterde taviz yok, eşik altı elenmeli → Önce eleme, sonra sıralama

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

RAM'in en önemli üstünlüğü, fayda ve maliyeti tek bir toplamda karıştırmak yerine ayrı ayrı biriktirip yalnız son adımda birleştirmesidir; bu, hangi kriter grubunun sonucu nasıl etkilediğini ara adımlarda izlemeyi kolaylaştırır. Hesabı sade kalır: toplam normalizasyonu, ağırlıklama, ayırma ve tek bir üstel formül. Sotoudeh-Anvari'nin (2023) orijinal makalesi yöntemi sürdürülebilirlik uygulamalarında sınamış ve TOPSIS'e yakın sıralamalar ürettiğini göstermiştir.

RAM'in en tartışmalı noktası üstel formülün doğrusal olmayan davranışıdır; bu yapı bazı veri kümelerinde sıra tersinmesine (rank reversal) TOPSIS'ten farklı biçimde açık olabilir (Amjad ve Stoklasa, 2025, RAM'in yayımlanmasından sonra bu özellikleri sistematik olarak incelemiştir). İkincisi, puanın "2" sabitiyle başlaması, puanın kendi başına yorumlanmasını (örneğin "1,47 ne demek") zorlaştırır; puan yalnız sıralama için anlamlıdır. Üçüncüsü, yöntem 2023'te önerilmiş görece yeni bir yöntemdir; TOPSIS ya da AHP kadar geniş bir bağımsız uygulama ve eleştiri birikimine henüz sahip değildir.

En yaygın hata, maliyet sütunlarını normalizasyondan önce ters çevirmektir (örneğin 1/x almak); RAM'in toplam normalizasyonu yöne duyarsızdır ve yön ayrımı üçüncü adımda fayda-maliyet toplamlarının ayrılmasıyla yapılır. Önceden ters çevirme, yön ayrımını iki kez uygulamış olur ve sonucu bozar. İkinci hata, RAM puanını TOPSIS'in yakınlık puanıyla ya da başka bir yöntemin puanıyla doğrudan karşılaştırmaktır; iki yöntemin puan ölçeği tamamen farklıdır. Üçüncü hata, ağırlıkları gerekçesiz eşit vermektir. Dördüncü hata, iki seçenek arasındaki küçük puan farkını (üstel yapı yüzünden) doğrusal bir yöntemdeki kadar "küçük" sanmaktır; RAM'de küçük bir maliyet farkı üssü değiştirerek puanı orantısız etkileyebilir.

Temel ilke şudur:

RAM sonucu, verdiğiniz yönlerin, ağırlıkların ve seçenek kümesinin tutarlı bir özetidir; maliyet toplamındaki küçük bir değişiklik üstel yapı yüzünden puanı orantısız etkileyebilir ve rapor bu duyarlılığı göstermelidir.