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

Cada día, los líderes y directivos se enfrentan a decisiones que no pueden resolverse observando un solo número. Deben contratar a un empleado, elegir a un proveedor o seleccionar un proyecto sopesando muchos factores diferentes a la vez. Algunos factores tratan sobre dinero, otros sobre habilidades y otros sobre personalidad o velocidad. El desafío radica en el hecho de que estos factores se miden de formas distintas. Uno puede ser un salario en dólares, otro una puntuación de examen sobre cien y otro una calificación de qué tan bien habla alguien. Cuando se intenta comparar estas escalas diferentes directamente, los resultados pueden sesgarse, favoreciendo al factor con los números más grandes en lugar de al que realmente importa más. Este es el núcleo del problema de la toma de decisiones multicriterio: cómo equilibrar piezas de información conflictivas y medidas de forma diferente para encontrar la mejor opción única sin dejar que las matemáticas distorsionen la realidad.

Los investigadores han intentado resolver esto durante mucho tiempo creando métodos que normalicen, o estandaricen, estas diferentes escalas para que puedan compararse de manera justa. Sin embargo, los métodos tradicionales suelen tener dificultades cuando los datos son desordenados o cuando la importancia de un factor es decidida por la opinión humana, la cual puede ser subjetiva. Un equipo de investigadores de Indonesia ha propuesto ahora una nueva forma de manejar esta complejidad. Desarrollaron una versión refinada de una herramienta de toma de decisiones existente llamada el método del Producto Ponderado (Weighted Product). Al combinar una forma específica de medir la distancia entre puntos de datos con una técnica matemática que observa cuánto varían los datos, crearon un sistema que es más estable y objetivo que los enfoques anteriores. Su trabajo sugiere que, al permitir que los propios datos dicten qué tan importante es cada factor, en lugar de depender únicamente del juicio humano, las clasificaciones finales de candidatos u opciones se vuelven más confiables y resistentes a pequeños cambios en la entrada de datos.

Los investigadores probaron su nuevo enfoque, al que llamaron WP-DISTA, utilizando un escenario del mundo real: seleccionar a los mejores candidatos para un empleo de un grupo de nueve solicitantes. En este escenario, cada candidato fue evaluado mediante siete criterios distintos, que iban desde su nivel de educación y años de experiencia laboral hasta sus habilidades técnicas, capacidades de comunicación y desempeño en exámenes escritos y entrevistas. Algunos de estos criterios eran beneficiosos, lo que significaba que una puntuación más alta era mejor, mientras que otros eran costos, donde una puntuación más baja era preferible. El equipo introdujo estos datos en su nuevo sistema, el cual primero ajustó todas las diferentes puntuaciones a una escala común utilizando un método basado en la distancia geométrica entre puntos, en lugar de simplemente mirar los valores más altos y más bajos. Este paso aseguró que un criterio con números muy grandes, como una puntuación de examen en los cientos, no dominara accidentalmente a un criterio con números más pequeños, como una calificación en una escala de uno a diez.

Una vez equilibrados los datos, el sistema calculó la importancia de cada criterio basándose en cuánto diferían los candidatos entre sí en esa área específica. Si un grupo de candidatos tenía casi el mismo nivel de educación, ese factor recibió menos peso porque no ayudaba a distinguir al mejor de los demás. Sin embargo, si los candidatos variaban ampliamente en sus habilidades técnicas, ese factor recibió más peso porque era mejor para separar a los de alto rendimiento de los de bajo rendimiento. Este proceso eliminó la necesidad de que un humano adivinara qué factores eran más importantes, reemplazando la opinión subjetiva con una medida objetiva de variación. El sistema luego combinó estas puntuaciones y pesos ajustados para calcular una clasificación final para cada candidato, determinando quién estaba más cerca del conjunto ideal de calificaciones.

Los resultados de este nuevo método fueron sorprendentes en su consistencia. Cuando los investigadores compararon las clasificaciones producidas por su nuevo sistema frente a otros cinco métodos establecidos de toma de decisiones, el acuerdo fue notablemente alto. El nuevo enfoque coincidió con los resultados de uno de los métodos de comparación casi perfectamente, con un puntaje de correlación de 0.9914, y coincidió con otro muy de cerca con 0.9742. Este alto nivel de acuerdo sugiere que el nuevo método no está produciendo resultados extraños o aislados, sino que se alinea con las mejores prácticas ya en uso. Más importante aún, los investigadores probaron la estabilidad de su sistema cambiando ligeramente la importancia de los criterios, simulando una situación en la que un gerente de contratación pudiera decidir que la experiencia es ligeramente más importante de lo habitual. Incluso con estos cambios, el orden de los candidatos no cambió. El candidato superior permaneció en la cima y el inferior permaneció en la base, demostrando que el sistema es robusto y no se deja influir fácilmente por fluctuaciones menores en cómo se ponderan los factores.

Al final, el estudio demuestra que una herramienta de toma de decisiones puede hacerse más justa y confiable permitiendo que los datos hablen por sí mismos. El nuevo método manejó con éxito la realidad desordenada de comparar diferentes tipos de información, asegurando que ningún factor único dominara el resultado simplemente por su escala. Al integrar un enfoque geomético para equilibrar los datos con una forma matemática de determinar la importancia, los investigadores crearon un sistema que produce clasificaciones claras y estables. Este trabajo ofrece una alternativa práctica para organizaciones e individuos que necesitan tomar decisiones complejas, proporcionando una forma de navegar por criterios conflictivos con mayor confianza de que la decisión final refleja las verdaderas fortalezas de las opciones disponibles.