SECA (Simultaneous Evaluation of Criteria and Alternatives)

SECA, elinizde sayısal bir karar tablosu olduğunda seçenekleri tek bir puana göre sıralayan bir yöntemdir. Çoğu sıralama yöntemi iki ayrı işi art arda yapar: önce ağırlıklar bir yöntemle (AHP, Entropy, CRITIC…) bulunur, sonra bu ağırlıklarla seçenekler sıralanır. SECA bu iki işi birlikte, tek bir optimizasyon adımında çözer. Adını da buradan alır: kriterlerin ve seçeneklerin eş zamanlı değerlendirilmesi. Çıktısı her seçenek için bir puan ve bu puana göre sıradır; ayrıca hesabın içinden kriter ağırlıkları da çıkar. Keshavarz Ghorabaee, Amiri, Zavadskas, Turskis ve Antucheviciene tarafından 2018'de önerilmiştir.

SECA'nın arkasındaki fikir şudur: bir kriterin ağırlığı, o kriterin karar tablosunda ne kadar ayırt edici olduğuyla ilgilidir; ama tek başına ayırt ediciliğe bakmak yeterli değildir, çünkü ağırlıklar aynı zamanda seçenekleri iyi bir toplam puana taşımalıdır. SECA bu iki isteği bir arada dener. Bir yandan kriterlerin dağılımının (varyansının) fazla göz ardı edilmediği bir ağırlık kümesi arar, öte yandan bu ağırlıklarla seçeneklerin toplam puanının yüksek çıkmasını ister. İki isteği β adı verilen bir denge katsayısıyla birleştirir; β büyüdükçe toplam puana, küçüldükçe kriterler arası dengeye ağırlık verir.

Bu fikrin bir felsefi sonucu vardır: SECA nesnel ağırlıklandırma ile sıralamayı aynı adımda birleştirdiği için ağırlıkların "dışarıdan bir yargı" değil, verinin kendisinden çıkan bir sonuç olmasını sağlar. Karar vericinin özel bir önem sırası yoksa ya da bu sırayı veriden görmek istiyorsa SECA doğru yerdedir; kriterlerin önemine dair elde zaten güçlü bir uzman görüşü varsa bu görüşü SECA'ya doğrudan aktaracak bir yer yoktur, çünkü ağırlıklar hesabın çıktısıdır, girdisi değildir.

Yöntem üç adımda ilerler.

Birinci adım, ölçek eşitleme. Kriterler farklı birimlerdedir. SECA her sütunu kendi en küçük ve en büyük değeri arasında 0 ile 1'e yayar: en kötü değer 0, en iyi değer 1 olur. Maliyet gibi "azı iyi" kriterlerde bu yön ters çevrilir. Sonuçta bütün sütunlar aynı ölçekte, birbirine karşılaştırılabilir olur.

İkinci adım, ağırlık ve puanın birlikte bulunması. Bu, SECA'nın ayırt edici adımıdır. Yöntem bir optimizasyon problemi kurar: kriter ağırlıklarını, hem seçeneklerin toplam puanını yükseltecek hem de kriterler arasındaki dengesizliği (bir kriterin ağırlığının aşırı öne çıkmasını) sınırlayacak biçimde arar. Bu iki hedef β katsayısıyla tartılır ve tek bir sayısal en iyileme problemi olarak çözülür. Çözümün çıktısı hem kriter ağırlıkları hem de her seçeneğin toplam puanıdır; ikisi aynı hesaptan, aynı anda çıkar.

Üçüncü adım, sıralama. SECA seçenekleri bulunan toplam puana göre büyükten küçüğe dizer.

DecisionMind bu en iyileme problemini sayısal bir çözücüyle (birden çok başlangıç noktasından denenerek) çözer ve β'yı 0,5 varsayılan değerinde sabit tutar; kullanıcı farklı bir denge isterse β değiştirilebilir. Adımların formülleri, ara tabloları ve atıf biçimleri DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

SECA'nın verdiği puan, o seçeneğin bu tablodaki diğer seçeneklere göre, veriden türetilen ağırlıklarla ne kadar iyi bir toplam sonuç aldığını gösterir. Puan tek başına "yüzde başarı" değildir ve başka bir analizin puanıyla karşılaştırılamaz, çünkü hem normalizasyon hem ağırlıklar bu seçenek kümesine özgüdür. Çıkan ağırlıklar da aynı biçimde okunmalıdır: bir kriterin ağırlığı yüksekse bu "karar vericinin o kriteri önemsediği" anlamına gelmez, "bu veri kümesinde o kriterin seçenekleri ayırt etme gücünün yüksek bulunduğu ve toplam puanı yükselttiği" anlamına gelir.

Bu nedenle:

"SECA kriterlerin gerçek önemini ortaya çıkardı"

yerine:

"Bu seçenek kümesi ve bu β değeriyle, veriden türetilen ağırlıklar şöyledir; en yüksek toplam puanı alan seçenek budur"

biçiminde yazmak doğrudur.

SECA kesin (crisp) veriyle çalışır: her hücrede tek bir sayı. DecisionMind'da şu an için SECA'nın bulanık, gri ya da başka veri türü uzantısı bulunmuyor; yöntem tek biçimde sunulur.

Elinizde şunlar olmalı: satırlarda seçenekler, sütunlarda kriterler, her hücrede bir sayı, boş hücre yok; her kriter için "çoğu mu iyi, azı mı iyi" bilgisi. Dışarıdan ağırlık gerekmez, hatta girilse de SECA bunu kullanmaz; ağırlıklar hesabın kendisinden çıkar. En az iki seçenek ve iki kriter yeterlidir, üç ile on iki kriter arası rahat çalışır. Kriterler arasında güçlü bir bağımlılık yoksa (biri artınca diğeri otomatik artmıyorsa) ve tablo tam doluysa SECA uygulanabilir.

Elinizde sayısal bir karar tablosu var, ağırlıkları önceden belirlemek istemiyor ya da belirleyecek güvenilir bir uzman görüşünüz yoksa SECA uygun bir seçimdir. Tipik alanları tedarikçi değerlendirmesi ve seçenek seçimidir; verinin kendisinden ağırlık ve sıra istenen her yerde kullanılabilir.

Kullanılmaması gereken durum şudur: kriterlerin önemine dair elinizde zaten sağlam, savunulabilir bir uzman görüşü varsa ve bu görüşün karara yansımasını istiyorsanız SECA uygun değildir, çünkü ağırlıkları dışarıdan kabul etmez. Böyle bir durumda ağırlıkları AHP, BWM ya da SWARA gibi öznel bir yöntemle belirleyip ardından TOPSIS, VIKOR gibi ağırlık kabul eden bir sıralama yöntemine geçmek gerekir. Kriterler birbirine güçlü bağımlıysa bu bağ önce çözülmelidir.

Sayısal tablo, ağırlık elde yok, veriden türetilsin isteniyor → SECA

Ağırlık uzman görüşünden gelsin isteniyor → AHP, BWM, SWARA (öznel) ile ağırlık, sonra TOPSIS/VIKOR gibi sıralama

Ağırlık yalnız verinin dağılımından, sıralamadan bağımsız isteniyor → Entropy, CRITIC

Sonuçların ağırlık değişimine ne kadar dayandığı sorusu → Duyarlılık analizi

SECA'nın en önemli üstünlüğü, ağırlık belirleme ve sıralama arasındaki tutarsızlık riskini ortadan kaldırmasıdır. İki ayrı adımda yapılan işlerde ağırlık yöntemiyle sıralama yöntemi birbirine uymayan varsayımlar taşıyabilir; SECA bunları tek bir hesapta birleştirerek bu riski azaltır. Ayrıca β katsayısı sayesinde "kriterler arası denge" ile "toplam puanı yükseltme" arasındaki tercih açıkça ayarlanabilir bir parametredir; bu esneklik farklı karar kültürlerine uyarlanabilir.

Sınırlılıkları yönteme özgüdür. Birincisi, SECA'nın çözümü doğrusal olmayan bir en iyileme problemine dayanır; bu tür problemlerin çözümü başlangıç noktasına duyarlı olabilir ve farklı çözücüler ya da başlangıç değerleri birbirine yakın ama tam aynı olmayan ağırlıklar verebilir (Keshavarz Ghorabaee ve ark., 2018). İkincisi, β'nın seçimi sonucu doğrudan etkiler; β için tek bir "doğru" değer yoktur, bu bir karar tercihidir ve raporda gerekçelenmelidir. Üçüncüsü, ağırlıklar veriden türediği için uzman bilgisini karara dahil etmenin doğrudan bir yolu yoktur. Dördüncüsü, çok küçük seçenek ya da kriter sayısında ağırlıkların veriden anlamlı biçimde ayrışması güçleşebilir.

En yaygın hata, SECA'nın çıkardığı ağırlıkları karar vericinin öznel önem sırasıymış gibi sunmaktır. Bu ağırlıklar veri kümesinin bir özelliğidir, kimsenin görüşü değildir; rapor bunu açıkça ayırmalıdır.

İkinci hata, β değerini hiç sorgulamadan varsayılanda bırakıp sonucu tek bir "doğru cevap" gibi sunmaktır; β değiştirilince sıranın değişip değişmediği kontrol edilmelidir. Üçüncü hata, dışarıdan bir ağırlık kümesi girip SECA'nın bunu kullanacağını sanmaktır; SECA girilen ağırlıkları yok sayar. Dördüncü hata, en iyileme çözümünün yakınsadığını kontrol etmeden sonucu kesin kabul etmektir; farklı başlangıç noktalarıyla tekrar çözülüp puanların kararlı kaldığı görülmelidir.

Temel ilke şudur:

SECA'nın verdiği ağırlık ve puan, seçilen seçenek kümesinin ve β değerinin bir sonucudur; uzman görüşü yerine geçmez, veriye dayalı bir başlangıç noktası sunar.