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

Chaque jour, les dirigeants et les gestionnaires sont confrontés à des choix qui ne peuvent être résolus en regardant un seul chiffre. Ils doivent embaucher un employé, choisir un fournisseur ou sélectionner un projet en pesant de nombreux facteurs différents à la fois. Certains facteurs concernent l'argent, d'autres les compétences, et d'autres encore la personnalité ou la rapidité. Le défi réside dans le fait que ces facteurs sont mesurés de manières différentes. L'un peut être un salaire en dollars, un autre un score de test sur cent, et un troisième une évaluation de la qualité de l'expression orale. Lorsque l'on tente de comparer ces échelles différentes directement, les résultats peuvent être biaisés, favorisant le facteur ayant les plus grands nombres plutôt que celui qui compte vraiment le plus. C'est le cœur du problème de la prise de décision multicritère : comment équilibrer des informations contradictoires et mesurées différemment pour trouver la meilleure option unique sans que les mathématiques ne déforment la réalité.

Les chercheurs ont longtemps tenté de résoudre ce problème en créant des méthodes qui normalisent, ou standardisent, ces différentes échelles afin qu'elles puissent être comparées équitablement. Cependant, les méthodes traditionnelles peinent souvent lorsque les données sont désordonnées ou lorsque l'importance d'un facteur est décidée par l'opinion humaine, laquelle peut être biaisée. Une équipe de chercheurs indonésiens a maintenant proposé une nouvelle façon de gérer cette complexité. Ils ont développé une version raffinée d'un outil de prise de décision existant appelé la méthode du Produit Pondéré (Weighted Product). En combinant une manière spécifique de mesurer la distance entre les points de données avec une technique mathématique qui examine la variabilité des données, ils ont créé un système plus stable et objectif que les approches précédentes. Leur travail suggère qu'en laissant les données elles-mêmes dicter l'importance de chaque facteur, plutôt que de s'appuyer uniquement sur le jugement humain, les classements finaux des candidats ou des options deviennent plus fiables et résistants aux légers changements dans les données d'entrée.

Les chercheurs ont testé leur nouvelle approche, qu'ils ont nommée WP-DISTA, en utilisant un scénario réel : la sélection des meilleurs candidats à un emploi parmi un groupe de neuf postulants. Dans ce scénario, chaque candidat était évalué sur sept critères distincts, allant de son niveau d'éducation et de ses années d'expérience professionnelle à ses compétences techniques, ses capacités de communication et sa performance lors de tests écrits et d'entretiens. Certains de ces critères étaient bénéfiques, signifiant qu'un score élevé était préférable, tandis que d'autres étaient des coûts, où un score plus bas était préférable. L'équipe a injecté ces données dans leur nouveau système, qui a d'abord ajusté tous les différents scores sur une échelle commune en utilisant une méthode basée sur la distance géométrique entre les points, plutôt qu'en regardant simplement les valeurs les plus hautes et les plus basses. Cette étape a permis de garantir qu'un critère avec de très grands nombres, comme un score de test en centaines, ne vienne pas accidentellement écraser un critère avec de petits nombres, comme une évaluation sur une échelle de un à dix.

Une fois les données équilibrées, le système a calculé l'importance de chaque critère en fonction de la manière dont les candidats différaient les uns des autres dans ce domaine spécifique. Si un groupe de candidats présentait un niveau d'éducation presque identique, ce facteur recevait un poids moindre car il n'aidait pas à distinguer le meilleur des autres. En revanche, si les candidats variaient considérablement dans leurs compétences techniques, ce facteur recevait un poids plus important car il était plus efficace pour séparer les performants des moins bons. Ce processus a supprimé la nécessité pour un humain de deviner quels facteurs étaient les plus importants, remplaçant l'opinion subjective par une mesure objective de la variation. Le système a ensuite combiné ces scores et poids ajustés pour calculer un classement final pour chaque candidat, déterminant qui était le plus proche de l'ensemble idéal de qualifications.

Les résultats de cette nouvelle méthode ont été frappants par leur cohérence. Lorsque les chercheurs ont comparé les classements produits par leur nouveau système à cinq autres méthodes de prise de décision établies, l'accord était remarquablement élevé. La nouvelle approche correspondait presque parfaitement aux résultats de l'une des méthodes de comparaison, avec un score de corrélation de 0,9914, et correspondait de très près à une autre avec un score de 0,9742. Ce haut niveau d'accord suggère que la nouvelle méthode ne produit pas de résultats étranges ou isolés, mais s'aligne sur les meilleures pratiques déjà en usage. Plus important encore, les chercheurs ont testé la stabilité de leur système en modifiant légèrement l'importance des critères, simulant une situation où un responsable du recrutement déciderait que l'expérience est légèrement plus importante que d'habitude. Même avec ces changements, l'ordre des candidats n'a pas changé. Le premier candidat est resté en tête, et le dernier est resté à la fin, prouvant que le système est robuste et n'est pas facilement influencé par des fluctuations mineures dans la pondération des facteurs.

En fin de compte, l'étude démontre qu'un outil de prise de décision peut devenir plus juste et plus fiable en laissant les données parler d'elles-mêmes. La nouvelle méthode a réussi à gérer la réalité désordonnée de la comparaison de différents types d'informations, garantissant qu'aucun facteur unique ne domine le résultat simplement à cause de son échelle. En intégrant une approche géométrique pour équilibrer les données à une méthode mathématique pour déterminer l'importance, les chercheurs ont créé un système qui produit des classements clairs et stables. Ce travail offre une alternative pratique pour les organisations et les individus qui doivent faire des choix complexes, offrant un moyen de naviguer parmi des critères contradictoires avec la confiance que la décision finale reflète les véritables forces des options disponibles.