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

Todos os dias, líderes e gestores enfrentam escolhas que não podem ser resolvidas olhando para um único número. Eles devem contratar um funcionário, escolher um fornecedor ou selecionar um projeto pesando muitos fatores diferentes ao mesmo tempo. Alguns fatores dizem respeito ao dinheiro, outros à habilidade e outros ainda à personalidade ou velocidade. O desafio reside no fato de que esses fatores são medidos de maneiras distintas. Um pode ser um salário em dólares, outro uma pontuação de teste de zero a cem e um terceiro uma classificação de quão bem alguém se comunica. Quando se tenta comparar essas diferentes escalas diretamente, os resultados podem tornar-se distorcidos, favorecendo o fator com os maiores números em vez daquele que é verdadeiramente mais importante. Este é o cerne do problema da tomada de decisão multicritério: como equilibrar informações conflitantes e medidas de formas diferentes para encontrar a melhor opção única sem deixar que a matemática distorça a realidade.

Pesquisadores há muito tentam resolver isso criando métodos que normalizam, ou padronizam, essas escalas diferentes para que possam ser comparadas de forma justa. No entanto, os métodos tradicionais frequentemente têm dificuldades quando os dados são desorganizados ou quando a importância de um fator é decidida pela opinião humana, que pode ser tendenciosa. Uma equipe de pesquisadores da Indonésia propôs agora uma nova maneira de lidar com essa complexidade. Eles desenvolveram uma versão refinada de uma ferramenta de tomada de decisão existente chamada método do Produto Ponderado (Weighted Product). Ao combinar uma forma específica de medir a distância entre pontos de dados com uma técnica matemática que observa o quanto os dados variam, eles criaram um sistema que é mais estável e objetivo do que as abordagens anteriores. O trabalho deles sugere que, ao permitir que os próprios dados ditem a importância de cada fator, em vez de depender apenas do julgamento humano, os rankings finais de candidatos ou opções tornam-se mais confiáveis e resistentes a pequenas mudanças nos dados de entrada.

Os pesquisadores testaram sua nova abordagem, que chamaram de WP-DISTA, usando um cenário do mundo real: selecionar os melhores candidatos a um emprego a partir de um grupo de nove candidatos. Neste cenário, cada candidato foi avaliado em sete critérios distintos, variando desde seu nível de escolaridade e anos de experiência profissional até suas habilidades técnicas, capacidades de comunicação e desempenho em testes escritos e entrevistas. Alguns desses critérios eram benéficos, o que significa que uma pontuação mais alta era melhor, enquanto outros eram custos, onde uma pontuação mais baixa era preferível. A equipe inseriu esses dados em seu novo sistema, que primeiro ajustou todas as diferentes pontuações para uma escala comum usando um método baseado na distância geométrica entre pontos, em vez de apenas olhar para os valores mais altos e mais baixos. Esta etapa garantiu que um critério com números muito grandes, como uma pontuação de teste nas centenas, não dominasse acidentalmente um critério com números menores, como uma classificação em uma escala de um a dez.

Uma vez equilibrados os dados, o sistema calculou a importância de cada critério com base em quanto os candidatos diferiam entre si naquela área específica. Se um grupo de candidatos tinha quase o mesmo nível de escolaridade, esse fator recebeu menos peso porque não ajudava a distinguir o melhor dos demais. No entanto, se os candidatos variavam amplamente em suas habilidades técnicas, esse fator recebeu mais peso porque era melhor para separar os profissionais de alto desempenho dos fracos. Esse processo eliminou a necessidade de um humano adivinhar quais fatores eram mais importantes, substituindo a opinião subjetiva por uma medida objetiva de variação. O sistema então combinou essas pontuações e pesos ajustados para calcular um ranking final para cada candidato, determinando quem estava mais próximo do conjunto ideal de qualificações.

Os resultados deste novo método foram impressionantes em sua consistência. Quando os pesquisadores compararam os rankings produzidos por seu novo sistema contra cinco outros métodos estabelecidos de tomada de decisão, a concordância foi notavelmente alta. A nova abordagem coincidiu com os resultados de um dos métodos de comparação quase perfeitamente, com um índice de correlação de 0,9914, e coincidiu com outro de forma muito próxima, com 0,9742. Esse alto nível de concordância sugere que o novo método não está produzindo resultados estranhos ou isolados, mas sim alinhando-se com as melhores práticas já em uso. Mais importante, os pesquisadores testaram a estabilidade de seu sistema ao alterar levemente a importância dos critérios, simulando uma situação em que um gerente de contratação decidiria que a experiência é ligeiramente mais importante do que o habitual. Mesmo com essas mudanças, a ordem dos candidatos não mudou. O candidato principal permaneceu no topo, e o último permaneceu na base, provando que o sistema é robusto e não é facilmente influenciado por pequenas flutuações na forma como os fatores são ponderados.

No fim, o estudo demonstra que uma ferramenta de tomada de decisão pode se tornar mais justa e confiável ao deixar que os dados falem por si mesmos. O novo método lidou com sucesso com a realidade desorganizada de comparar diferentes tipos de informação, garantindo que nenhum fator único dominasse o resultado simplesmente devido à sua escala. Ao integrar uma abordagem geométrica para equilibrar os dados com uma maneira matemática de determinar a importância, os pesquisadores criaram um sistema que produz rankings claros e estáveis. Este trabalho oferece uma alternativa prática para organizações e indivíduos que precisam fazer escolhas complexas, proporcionando uma maneira de navegar por critérios conflitantes com maior confiança de que a decisão final reflete as reais forças das opções disponíveis.