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

Ogni giorno, leader e manager affrontano scelte che non possono essere risolte guardando un singolo numero. Devono assumere un dipendente, scegliere un fornitore o selezionare un progetto pesando contemporaneamente molti diversi fattori. Alcuni fattori riguardano il denaro, altri le competenze, e altri ancora la personalità o la velocità. La sfida risiede nel fatto che questi fattori sono misurati in modi differenti. Uno potrebbe essere uno stipendio in dollari, un altro un punteggio di un test su cento, e un terzo una valutazione di quanto bene qualcuno sappia parlare. Quando si tenta di confrontare direttamente queste diverse scale, i risultati possono diventare distorti, favorendo il fattore con i numeri più grandi piuttosto che quello che conta davvero di più. Questo è il problema centrale del processo decisionale multicriterio: come bilanciare pezzi di informazioni contrastanti e misurati in modo diverso per trovare la singola migliore opzione senza lasciare che la matematica distorca la realtà.

I ricercatori hanno cercato a lungo di risolvere questo problema creando metodi che normalizzino, o standardizzino, queste diverse scale affinché possano essere confrontate equamente. Tuttavia, i metodi tradizionali spesso faticano quando i dati sono disordinati o quando l'importanza di un fattore è decisa dall'opinione umana, che può essere influenzata da pregiudizi. Un team di ricercatori indonesiani ha ora proposto un nuovo modo per gestire questa complessità. Hanno sviluppato una versione perfezionata di uno strumento decisionale esistente chiamato metodo del Prodotto Pesato (Weighted Product). Combinando un modo specifico di misurare la distanza tra i punti dati con una tecnica matematica che osserva quanto variano i dati, hanno creato un sistema che è più stabile e oggettivo rispetto agli approcci precedenti. Il loro lavoro suggerisce che, lasciando che siano i dati stessi a dettare l'importanza di ogni fattore, invece di affidarsi esclusivamente al giudizio umano, le classifiche finali dei candidati o delle opzioni diventano più affidabili e resistenti ai piccoli cambiamenti nei dati di input.

I ricercatori hanno testato il loro nuovo approccio, che hanno chiamato WP-DISTA, utilizzando uno scenario del mondo reale: selezionare i migliori candidati per un lavoro da un gruppo di nove aspiranti. In questo scenario, ogni candidato era valutato su sette criteri distinti, che spaziavano dal livello di istruzione e anni di esperienza lavorativa alle competenze tecniche, alle capacità comunicative e alla prestazione nei test scritti e nei colloqui. Alcuni di questi criteri erano benefici, ovvero un punteggio più alto era meglio, mentre altri erano costi, dove un punteggio più basso era preferibile. Il team ha inserito questi dati nel loro nuovo sistema, che ha prima regolato tutti i diversi punteggi su una scala comune utilizzando un metodo basato sulla distanza geometrica tra i punti, piuttosto che guardare solo ai valori massimi e minimi. Questo passaggio ha garantito che un criterio con numeri molto grandi, come un punteggio di un test nelle centinaia, non potesse accidentalmente sovrastare un criterio con numeri più piccoli, come una valutazione su una scala da uno a dieci.

Una volta bilanciati i dati, il sistema ha calcolato l'importanza di ogni criterio in base a quanto i candidati differivano tra loro in quell'area specifica. Se un gruppo di candidati aveva quasi lo stesso livello di istruzione, quel fattore riceveva un peso minore perché non aiutava a distinguere il migliore dal resto. Tuttavia, se i candidati variavano ampiamente nelle loro competenze tecniche, quel fattore riceveva un peso maggiore perché era più efficace nel separare i candidati forti da quelli deboli. Questo processo ha eliminato la necessità per un essere umano di indovinare quali fattori fossero più importanti, sostituendo l'opinione soggettiva con una misura oggettiva della variazione. Il sistema ha poi combinato questi punteggi e pesi aggiustati per calcolare una classifica finale per ogni candidato, determinando chi fosse più vicino all'insieme ideale di qualifiche.

I risultati di questo nuovo metodo sono stati sorprendenti nella loro coerenza. Quando i ricercatori hanno confrontato le classifiche prodotte dal loro nuovo sistema con altri cinque metodi decisionali stabiliti, l'accordo è stato notevolmente alto. Il nuovo approccio ha eguagliato i risultati di uno dei metodi di confronto quasi perfettamente, con un punteggio di correlazione di 0,9914, e ha eguagliato un altro molto da vicino con 0,9742. Questo alto livello di accordo suggerisce che il nuovo metodo non sta producendo risultati strani o isolati, ma si sta allineando con le migliori pratiche già in uso. Più importante ancora, i ricercatori hanno testato la stabilità del loro sistema cambiando leggermente l'importanza dei criteri, simulando una situazione in cui un responsabile delle assunzioni potrebbe decidere che l'esperienza è leggermente più importante del solito. Anche con questi spostamenti, l'ordine dei candidati non è cambiato. Il candidato principale è rimasto in cima, e l'ultimo è rimasto in fondo, dimostrando che il sistema è robusto e non facilmente influenzabile da piccole fluttuazioni nel modo in cui i fattori vengono pesati.

In definitiva, lo studio dimostra che uno strumento decisionale può essere reso più equo e affidabile lasciando che i dati parlino da soli. Il nuovo metodo ha gestito con successo la realtà disordinata del confronto di diversi tipi di informazioni, assicurando che nessun singolo fattore dominasse il risultato semplicemente a causa della sua scala. Integrando un approccio geometrico per bilanciare i dati con un modo matematico per determinare l'importanza, i ricercatori hanno creato un sistema che produce classifiche chiare e stabili. Questo lavoro offre un'alternativa pratica per organizzazioni e individui che devono prendere decisioni complesse, fornendo un modo per navigare tra criteri contrastanti con la maggiore fiducia che la decisione finale rifletta i veri punti di forza delle opzioni disponibili.