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

हर दिन, नेता और प्रबंधक ऐसे विकल्पों का सामना करते हैं जिन्हें केवल एक संख्या को देखकर हल नहीं किया जा सकता। उन्हें कई अलग-अलग कारकों को एक साथ तौलते हुए एक कर्मचारी को काम पर रखना, एक आपूर्तिकर्ता (सप्लायर) चुनना, या एक परियोजना का चयन करना होता है। कुछ कारक पैसे से संबंधित होते हैं, कुछ कौशल से, और कुछ व्यक्तित्व या गति से। चुनौती इस तथ्य में निहित है कि ये कारक अलग-अलग तरीकों से मापे जाते हैं। एक वेतन डॉलर में हो सकता है, दूसरा सौ में से एक टेस्ट स्कोर हो सकता है, और तीसरा किसी के बोलने की क्षमता की रेटिंग हो सकती है। जब आप इन विभिन्न पैमानों की सीधे तुलना करने की कोशिश करते हैं, तो परिणाम पक्षपाती हो सकते हैं, जिससे उस कारक का पक्ष झुक जाता है जिसमें बड़ी संख्याएँ होती हैं, बजाय उसके जो वास्तव में सबसे अधिक महत्वपूर्ण है। यह बहु-मानदंड निर्णय लेने (multi-criteria decision making) की मूल समस्या है: सूचना के परस्पर विरोधी और अलग-अलग तरह से मापे गए टुकड़ों को संतुलित करके सबसे अच्छा विकल्प कैसे खोजा जाए, ताकि गणित वास्तविकता को विकृत न कर दे।

शोधकर्ताओं ने लंबे समय से इन विभिन्न पैमानों को सामान्य (normalize) या मानकीकृत (standardize) करने के तरीके बनाकर इसे हल करने का प्रयास किया है, ताकि उनकी निष्पक्ष रूप से तुलना की जा सके। हालाँकि, पारंपरिक तरीके अक्सर तब संघर्ष करते हैं जब डेटा अव्यवस्थित होता है या जब किसी कारक का महत्व मानवीय राय द्वारा तय किया जाता है, जो पक्षपाती हो सकती है। इंडोनेशिया के शोधकर्ताओं की एक टीम ने अब इस जटिलता को संभालने का एक नया तरीका प्रस्तावित किया है। उन्होंने 'वेटेड प्रोडक्ट' (Weighted Product) नामक एक मौजूदा निर्णय लेने वाले उपकरण का एक परिष्कृत संस्करण विकसित किया है। डेटा बिंदुओं के बीच की दूरी को मापने के एक विशिष्ट तरीके को एक गणितीय तकनीक के साथ जोड़कर, जो यह देखती है कि डेटा कितना भिन्न होता है, उन्होंने एक ऐसी प्रणाली बनाई है जो पिछले दृष्टिकोणों की तुलना में अधिक स्थिर और वस्तुनिष्ठ है। उनका कार्य यह सुझाव देता है कि प्रत्येक कारक के महत्व को केवल मानवीय निर्णय पर निर्भर करने के बजाय, डेटा को स्वयं यह तय करने देने से, उम्मीदवारों या विकल्पों की अंतिम रैंकिंग अधिक विश्वसनीय और इनपुट में छोटे बदलावों के प्रति प्रतिरोधी हो जाती है।

शोधकर्ताओं ने अपने नए दृष्टिकोण का परीक्षण करने के लिए, जिसे उन्होंने WP-DISTA नाम दिया, एक वास्तविक दुनिया के परिदृश्य का उपयोग किया: नौ आवेदकों के समूह में से सर्वश्रेष्ठ नौकरी उम्मीदवारों का चयन करना। इस परिदृश्य में, प्रत्येक उम्मीदवार का सात अलग-अलग मानदंडों के आधार पर मूल्यांकन किया गया था, जिसमें उनकी शिक्षा का स्तर और कार्य अनुभव के वर्षों से लेकर उनके तकनीकी कौशल, संचार क्षमताओं और लिखित परीक्षण एवं साक्षात्कार में प्रदर्शन तक शामिल थे। इनमें से कुछ मानदंड लाभकारी (beneficial) थे, जिसका अर्थ था कि उच्च स्कोर बेहतर था, जबकि अन्य लागत (costs) थे, जहाँ कम स्कोर बेहतर होता था। टीम ने इस डेटा को अपने नए सिस्टम में डाला, जिसने सबसे पहले सभी अलग-अलग स्कोर को एक सामान्य पैमाने पर समायोजित किया। इसके लिए उन्होंने केवल उच्चतम और निम्नतम मूल्यों को देखने के बजाय, बिंदुओं के बीच की ज्यामितीय दूरी (geometric distance) पर आधारित एक विधि का उपयोग किया। इस चरण ने यह सुनिश्चित किया कि सैकड़ों में टेस्ट स्कोर वाला एक मानदंड, जो एक से दस के पैमाने वाली रेटिंग जैसे छोटे नंबरों वाले मानदंड पर हावी न हो जाए।

एक बार जब डेटा संतुलित हो गया, तो सिस्टम ने प्रत्येक मानदंड के महत्व की गणना इस आधार पर की कि उम्मीदवार उस विशिष्ट क्षेत्र में एक-दूसरे से कितने भिन्न थे। यदि उम्मीदवारों का एक समूह शिक्षा के स्तर पर लगभग समान था, तो उस कारक को कम महत्व दिया गया क्योंकि वह सर्वश्रेष्ठ को शेष से अलग करने में मदद नहीं कर सका। हालाँकि, यदि उम्मीदवारों के तकनीकी कौशल में व्यापक भिन्नता थी, तो उस कारक को अधिक महत्व दिया गया क्योंकि वह मजबूत प्रदर्शन करने वालों को कमजोरों से अलग करने में बेहतर था। इस प्रक्रिया ने यह अनुमान लगाने की आवश्यकता को समाप्त कर दिया कि कौन से कारक सबसे महत्वपूर्ण हैं, और मानवीय राय को एक वस्तुनिष्ठ माप (variation) से बदल दिया। सिस्टम ने फिर इन समायोजित स्कोर और भार (weights) को मिलाकर प्रत्येक उम्मीदवार के लिए अंतिम रैंकिंग की गणना की, जिससे यह निर्धारित हुआ कि कौन योग्यताओं के आदर्श सेट के सबसे करीब है।

इस नए तरीके के परिणाम अपनी निरंतरता में उल्लेखनीय थे। जब शोधकर्ताओं ने अपने नए सिस्टम द्वारा बनाई गई रैंकिंग की तुलना पांच अन्य स्थापित निर्णय लेने वाले तरीकों के साथ की, तो सहमति का स्तर असाधारण रूप से उच्च था। नए दृष्टिकोण ने एक तुलनात्मक पद्धति के साथ लगभग पूर्ण रूप से मेल खाया, जिसका सहसंबंध स्कोर (correlation score) 0.9914 था, और दूसरे के साथ बहुत बारीकी से 0.9742 पर मेल खाया। सहमति का यह उच्च स्तर बताता है कि नया तरीका अजीब या अलग-थलग परिणाम नहीं दे रहा है, बल्कि यह पहले से उपयोग किए जा रहे सर्वोत्तम अभ्यासों के अनुरूप है। इससे भी महत्वपूर्ण बात यह है कि शोधकर्ताओं ने मानदंडों के महत्व को थोड़ा बदलकर अपने सिस्टम की स्थिरता का परीक्षण किया, जो एक ऐसी स्थिति का अनुकरण करता है जहाँ एक भर्ती प्रबंधक अनुभव को सामान्य से थोड़ा अधिक महत्वपूर्ण मान सकता है। इन बदलावों के बावजूद, उम्मीदवारों का क्रम नहीं बदला। शीर्ष उम्मीदवार शीर्ष पर रहा, और सबसे निचला नीचे रहा, जिससे सिद्ध हुआ कि सिस्टम मजबूत है और कारकों के भार में मामूली उतार-चढ़ाव से आसानी से विचलित नहीं होता है।

अंत में, यह अध्ययन प्रदर्शित करता है कि एक निर्णय लेने वाले उपकरण को डेटा को स्वयं बोलने देकर अधिक निष्पक्ष और विश्वसनीय बनाया जा सकता है। नए तरीके ने विभिन्न प्रकार की सूचनाओं की तुलना करने की अव्यवस्थित वास्तविकता को सफलतापूर्वक संभाला, यह सुनिश्चित करते हुए कि कोई भी एकल कारक केवल अपने पैमाने के कारण परिणाम पर हावी न हो। डेटा को संतुलित करने के लिए एक ज्यामितीय दृष्टिकोण को महत्व निर्धारित करने के गणितीय तरीके के साथ एकीकृत करके, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो स्पष्ट, स्थिर रैंकिंग प्रदान करती है। यह कार्य उन संगठनों और व्यक्तियों के लिए एक व्यावहारिक विकल्प प्रदान करता है जिन्हें जटिल विकल्प चुनने की आवश्यकता होती है, जो जटिल मानदंडों के साथ अधिक विश्वास के साथ नेविगेट करने का एक तरीका प्रदान करता है कि अंतिम निर्णय उपलब्ध विकल्पों की वास्तविक ताकत को दर्शाता है।