SAW (Simple Additive Weighting, Basit Ağırlıklı Toplam)

SAW bir sıralama yöntemidir; kriterlerin ağırlığını üretmez, dışarıdan alır. Elinizde sayısal bir karar tablosu ve toplamı 1 olan kriter ağırlıkları varsa, her seçenek için tek bir toplam puan üretir ve seçenekleri bu puana göre büyükten küçüğe dizer. Fishburn tarafından 1967'de "eksiksiz olmayan çarpım kümeleriyle toplamsal fayda" başlığıyla matematiksel olarak tanımlanmıştır; uygulamada Ağırlıklı Toplam Modeli (Weighted Sum Model, WSM) adıyla da bilinir ve okul not ortalaması hesabıyla aynı mantığı taşır: her ders bir kriter, kredi bir ağırlıktır, toplam nottur. Çok kriterli karar yöntemleri içinde en basit ve en kolay öğretilenidir. Bu yüzden genellikle daha karmaşık yöntemlerin (TOPSIS, VIKOR gibi) sonuçlarını kıyaslamak için bir taban çizgisi olarak kullanılır.

SAW'ın felsefesi düz bir toplam mantığıdır: her kriterin katkısı, diğerlerinden bağımsız biçimde, ağırlığıyla orantılı olarak toplama eklenir. TOPSIS iki hayali referans noktasına (ideal ve anti-ideal) uzaklık ölçer; SAW'da referans noktası yoktur, yalnız doğrudan bir ağırlıklı ortalama vardır. Bu, SAW'ı TOPSIS'ten bile daha güçlü bir telafi mantığına taşır: compensation_degree tam (full), yani bir kriterdeki mükemmellik başka bir kriterdeki zayıflığı orantılı ve dolaysız biçimde kapatabilir.

Bu felsefenin sonucu sadeliktir, ama sadeliğin bedeli de vardır: SAW hiçbir "uzaklaştıkça ceza artar" ya da "aşırı uçlar farklı ağırlıklandırılır" mekanizması taşımaz. İki seçenek arasındaki fark ne kadar büyük olursa olsun, toplamda doğrudan ve orantılı biçimde sayılır. Tam telafi kabul edilebiliyorsa ve sonucun nasıl üretildiğinin en açık biçimde görülmesi isteniyorsa SAW doğru yerdedir.

Yöntem iki adımda ilerler.

Birinci adım, ölçek eşitleme. Yöntem her kriter sütununu kendi en iyi değerine oranlar: "çoğu iyi" kriterde her değeri sütunun en büyüğüne böler (en iyi seçenek 1 olur), "azı iyi" kriterde sütunun en küçüğünü her değere böler (en iyi seçenek yine 1 olur). TOPSIS'in kareler toplamına dayanan vektör normalizasyonundan farklı olarak bu, doğrudan "en iyiye oranlama" biçiminde daha basit bir eşitlemedir; farklı ölçek eşitleme biçimleri (en büyük-en küçük aralığına yayma, vektör normalizasyonu) aynı tabloya farklı sonuç verebilir. DecisionMind klasik SAW'da bu en-iyiye-oranlama biçimini sabit tutar ve raporda bildirir.

İkinci adım, ağırlıklı toplam. Yöntem eşitlenmiş her sütunu kriterin ağırlığıyla çarpar ve seçenek bazında toplar; çıkan tek sayı seçeneğin toplam puanıdır. Yöntem seçenekleri bu puana göre büyükten küçüğe sıralar.

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

Toplam puan, bir seçeneğin ağırlıklı ortalamasını verir; başka bir şey söylemez. 0,78 puan "yüzde 78 iyi" ya da "yüzde 78 olasılıkla en iyi" anlamına gelmez, çünkü ölçek eşitleme bu analizin kendi seçenekleri üzerinden yapılmıştır; başka bir analizdeki 0,78 ile karşılaştırılamaz. Puanın 1 olması "mükemmel" değil "her kriterde bu kümenin en iyisi" demektir.

Tam telafi varsayımı burada TOPSIS'ten de belirgindir: bir kriterdeki ciddi bir zayıflık, ağırlığı yeterince büyük başka bir kriterdeki güçle doğrudan ve orantılı biçimde kapanabilir; aradan geçen hiçbir referans noktası bu telafiyi yumuşatmaz. Bu yüzden yüksek puanlı bir seçeneğin her kriterde kabul edilebilir olup olmadığı ayrıca kontrol edilmelidir.

Bu nedenle:

"SAW en iyi seçeneği buldu"

yerine:

"Bu ağırlıklar ve tam telafi varsayımı altında en yüksek ağırlıklı toplama sahip seçenek şudur; sıra ağırlıklara duyarlıdır ve hiçbir kriterdeki zayıflığa karşı ayrı bir güvence içermez"

biçiminde yazmak doğrudur.

Klasik SAW kesin (crisp) veriyle çalışır: her hücrede tek bir sayı. DecisionMind'da temel yöntemle birlikte on dört SAW üyesi bulunur (bulanık, gri, sezgisel, olasılıksal ve diğer belirsizlik türlerinde uzantılar); veriniz aralıkla, uzman yargısıyla ya da çelişkili biçimde verilmişse ilgili uzantıya bakılır.

Elinizde şunlar olmalı: satırlarda seçenekler, sütunlarda kriterler, her hücrede bir sayı ve boş hücre yok; her kriter için "çoğu mu iyi, azı mı iyi" bilgisi; ve toplamı 1 olan kriter ağırlıkları. SAW ağırlık üretmez, ister; ağırlıkları uzman görüşüyle (AHP, BWM, SWARA) ya da veriden (Entropy, CRITIC) türetebilirsiniz. En az iki seçenek ve iki kriter gerekir; üç ile on iki kriter arası rahat çalışır.

Basit, hızlı ve her adımı elle izlenebilir bir sıralama isteniyorsa, tam telafi kabul edilebiliyorsa ve sonuç bir uzman olmayan kitleye anlatılacaksa SAW uygun bir seçimdir. Ayrıca daha karmaşık bir yöntemin (TOPSIS, VIKOR) sonucunu "makul mü" diye kontrol etmek için hızlı bir kıyas noktası olarak kullanılır.

Kullanılmaması gereken durum felsefesinden gelir: bir kriterde taviz kabul edilemiyorsa, SAW'ın tam telafisi bunu engellemez ve zayıf bir seçenek başka kriterlerdeki güçle öne çıkabilir. Kriterler birbirine güçlü biçimde bağlıysa (örtüşüyorsa) SAW bunu görmez; ağırlıklar buna göre önceden düzeltilmelidir.

Basit, hızlı, elle izlenebilir sıralama; kıyas noktası → SAW

Aynı telafi mantığı, ama ideal/anti-ideal referans noktalarıyla daha dengeli → TOPSIS

"En iyi" değil "en dengeli uzlaşma" → VIKOR

Bir kriterde taviz yok, eşik altı elenmeli → Önce eleme, sonra sıralama; ya da eleme yöntemleri

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

SAW'ın en büyük üstünlüğü sadeliği ve şeffaflığıdır: her adım elle takip edilebilir, sonuç bir "kutu"dan değil doğrudan görünür bir toplamdan çıkar. Hesap yükü en düşük yöntemlerden biridir; kağıt kalemle bile uygulanabilir. Herkesin sezgisel olarak bildiği bir mantığa (ağırlıklı ortalama, not ortalaması) dayandığı için sonucu açıklamak kolaydır. Hemen her ağırlık kaynağıyla (öznel ya da nesnel) rahatça eşleşir ve diğer yöntemlerin sonuçlarını kıyaslamak için güvenilir bir taban çizgisi sağlar.

Sınırlılıkları sadeliğinden doğar. Birincisi, tam telafi varsayımı en güçlü haliyle burada çalışır; bir kriterdeki ciddi zayıflık başka bir kriterle kolayca örtülebilir ve yöntem bu örtülmeyi sınırlayan bir referans noktası taşımaz (Petrović, Madić ve Marinković, 2026). İkincisi, doğrusal toplama temelli yöntemlerde seçenek kümesi değiştiğinde sıra tutarsızlaşabilir; buna sıra tersinmesi ya da "karar verme paradoksu" denir. Bu, literatürde erken tarihte gösterilmiştir (Triantaphyllou ve Mann, 1989) ve sonraki karşılaştırmalı çalışmalarla da desteklenmiştir (Triantaphyllou, 2000). Üçüncüsü, ölçek eşitleme biçimi (en-iyiye-oranlama, en büyük-en küçük aralığına yayma, vektör normalizasyonu) sonucu değiştirebilir. Dördüncüsü, yöntem kriterleri bağımsız kabul eder; birbirini etkileyen kriterlerde ağırlıklar örtük biçimde çift sayılır. Beşincisi, referans noktası (ideal/anti-ideal) taşımadığı için TOPSIS'e göre aşırı seçeneklerin etkisini yumuşatan bir mekanizması yoktur.

En yaygın hata kriter yönünü yanlış işaretlemektir; "azı iyi" bir kriter "çoğu iyi" işaretlenirse ölçek eşitleme tersine döner ve sıra anlamsızlaşır.

İkinci hata, ağırlıkları gerekçesiz eşit vermektir. Üçüncü hata, toplam puanı yüzde ya da olasılık gibi okumak ve farklı analizlerin puanlarını karşılaştırmaktır. Dördüncü hata, SAW'ın tam telafi varsayımını fark etmeden bir eşik durumunda (bir kriterde asla taviz verilemeyecek bir durumda) kullanmaktır. Beşincisi, SAW sonucunu tek başına nihai karar aracı gibi sunmaktır; SAW'ın asıl gücü sadeliği ve bir kıyas noktası olmasıdır, ciddi kararlarda TOPSIS veya VIKOR gibi bir referans-noktalı yöntemle birlikte okunmalıdır. Altıncısı, analiz bittikten sonra seçenek eklemek ve sıranın değişmesine şaşırmaktır.

Temel ilke şudur:

SAW sonucu, verdiğiniz ağırlıkların ve tam telafi varsayımının dolaysız bir toplamıdır; sadelik bir erdem olduğu kadar bir risktir, çünkü bir kriterdeki ciddi zayıflığı yumuşatan hiçbir referans noktası yoktur.