A Novel Enhanced Weighted Product Approach Using Euclidean Normalization and Standard Deviation for Accurate Ranking

Jeden Tag stehen Führungskräfte und Manager vor Entscheidungen, die nicht durch den Blick auf eine einzige Zahl gelöst werden können. Sie müssen einen Mitarbeiter einstellen, einen Lieferanten auswählen oder ein Projekt wählen, indem sie viele verschiedene Faktoren gleichzeitig abwägen. Einige Faktoren betreffen das Geld, andere die Qualifikation und wieder andere die Persönlichkeit oder die Geschwindigkeit. Die Herausforderung liegt darin, dass diese Faktoren auf unterschiedliche Weise gemessen werden. Der eine ist ein Gehalt in Dollar, ein anderer ein Testergebnis von hundert Punkten und ein dritter eine Bewertung, wie gut jemand spricht. Wenn man versucht, diese unterschiedlichen Skalen direkt zu vergleichen, können die Ergebnisse verzerrt werden, wobei der Faktor mit den größten Zahlen bevorzugt wird, anstatt derjenach, der wirklich am wichtigsten ist. Dies ist der Kern des Problems der multikriteriellen Entscheidungsfindung: wie man ein Gleichgewicht zwischen widersprüchlichen und unterschiedlich gemessenen Informationen findet, um die eine beste Option zu finden, ohne dass die Mathematik die Realität verzerrt.

Forscher haben lange versucht, dies zu lösen, indem sie Methoden entwickelten, die diese verschiedenen Skalen normalisieren oder standardisieren, damit sie fair verglichen werden können. Traditionelle Methoden haben jedoch oft Schwierigkeiten, wenn die Daten unordentlich sind oder wenn die Bedeutung eines Faktors durch menschliche Meinung bestimmt wird, die voreingenommen sein kann. Ein Team von Forschern aus Indonesien hat nun einen neuen Weg vorgeschlagen, um mit dieser Komplexität umzugehen. Sie entwickelten eine verfeinerte Version eines bestehenden Entscheidungswerkzeugs namens Weighted Product Methode. Durch die Kombination einer spezifischen Art der Messung des Abstandes zwischen Datenpunkten mit einer mathematischen Technik, die betrachtet, wie stark die Daten variieren, schufen sie ein System, das stabiler und objektiver ist als bisherige Ansätze. Ihre Arbeit legt nahe, dass die Endranglisten von Kandidaten oder Optionen zuverlässiger und resistenter gegenüber kleinen Änderungen der Eingabewerte werden, wenn man die Daten selbst entscheiden lässt, wie wichtig ein Faktor ist, anstatt sich allein auf das menschliche Urteil zu verlassen.

Die Forscher testeten ihren neuen Ansatz, den sie WP-DISTA nannten, in einem realen Szenario: der Auswahl der besten Jobkandidaten aus einem Pool von neun Bewerbern. In diesem Szenario wurde jeder Kandidat anhand von sieben verschiedenen Kriterien bewertet, die von seinem Bildungsstand und seinen Berufsjahren bis hin zu seinen technischen Fähigkeiten, Kommunikationsfähigkeiten und seiner Leistung in schriftlichen Tests und Interviews reichten. Einige dieser Kriterien waren vorteilhaft, was bedeutete, dass ein höherer Wert besser war, während andere Kosten darstellten, bei denen ein niedrigerer Wert vorzuziehen war. Das Team speiste diese Daten in ihr neues System ein, das zunächst alle verschiedenen Werte mithilfe einer Methode, die auf dem geometrischen Abstand zwischen Punkten basiert, auf eine gemeinsame Skala anpasste, anstatt nur nach den höchsten und niedrigsten Werten zu schauen. Dieser Schritt stellte sicher, dass ein Kriterium mit sehr großen Zahlen, wie etwa ein Testergebnis in den Hunderten, nicht versehentlich ein Kriterium mit kleineren Zahlen, wie etwa eine Bewertung auf einer Skala von eins bis zehn, überlagerte.

Sobald die Daten ausbalanciert waren, berechnete das System die Wichtigkeit jedes Kriteriums basierend darauf, wie sehr sich die Kandidaten in diesem spezifischen Bereich unterschieden. Wenn eine Gruppe von Kandidaten fast den gleichen Bildungsstand hatte, wurde diesem Faktor ein geringeres Gewicht beigemessen, da er nicht half, den Besten vom Rest zu unterscheiden. Wenn sich die Kandidaten jedoch in ihren technischen Fähigkeiten stark unterschieden, wurde diesem Faktor ein höheres Gewicht gegeben, da er besser geeignet war, die starken Performer von den schwachen zu trennen. Dieser Prozess eliminierte die Notwendigkeit für einen Menschen, zu raten, welche Faktoren am wichtigsten sind, indem er subjektive Meinung durch ein objektives Maß der Variation ersetzte. Das System kombinierte dann diese angepassten Werte und Gewichte, um eine endgültige Rangliste für jeden Kandidaten zu berechnen und so zu bestimmen, wer den idealen Satz an Qualifikationen am nächsten kam.

Die Ergebnisse dieser neuen Methode waren in ihrer Konsistenz beeindruckend. Als die Forscher die von ihrem neuen System erzeugten Ranglisten mit fünf anderen etablierten Entscheidungsmethoden verglichen, war die Übereinstimmung bemerkenswert hoch. Der neue Ansatz stimmte mit den Ergebnissen einer der Vergleichsmethoden fast perfekt überein, mit einem Korrelationswert von 0,9914, und stimmte mit einer anderen sehr eng überein, mit 0,9742. Diese hohe Übereinstimmung deutet darauf hin, dass die neue Methode keine seltsamen oder isolierten Ergebnisse liefert, sondern mit den bereits in Gebrauch befindlichen Best Practices harmoniert.ت Wichtiger noch: Die Forscher testeten die Stabilität ihres Systems, indem sie die Bedeutung der Kriterien leicht veränderten, um eine Situation zu simulieren, in der ein Einstellungsmanager die Erfahrung etwas wichtiger als üblich einstufen würde. Selbst bei diesen Verschiebungen änderte sich die Reihenfolge der Kandidaten nicht. Der Top-Kandidat blieb an der Spitze, der unterste blieb am Ende, was beweist, dass das System robust ist und nicht durch geringfügige Schwankungen in der Gewichtung der Faktoren beeinflusst wird.

Am Ende zeigt die Studie, dass ein Entscheidungswerkzeug fairer und zuverlässiger gemacht werden kann, indem man die Daten für sich selbst sprechen lässt. Die neue Methode bewältigte erfolgreich die unordentliche Realität des Vergleichs verschiedener Arten von Informationen und stellte sicher, dass kein einzelner Faktor das Ergebnis allein aufgrund seines Maßstabs dominierte. Durch die Integration eines geometrischen Ansatzes zur Balance der Daten mit einer mathematischen Methode zur Bestimmung der Wichtigkeit schufen die Forscher ein System, das klare, stabile Ranglisten produziert. Diese Arbeit bietet eine praktische Alternative für Organisationen und Einzelpersonen, die komplexe Entscheidungen treffen müssen, und bietet einen Weg, widersprüchliche Kriterien mit größerer Zuversicht zu navigieren, dass die endgültige Entscheidung die wahren Stärken der verfügbaren Optionen widerspiegelt.