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

每天，领导者和管理者都面临着无法仅通过观察单一数字来解决的选择。他们必须在权衡许多不同因素的同时，决定雇用哪位员工、选择哪家供应商或挑选哪个项目。有些因素关乎金钱，有些关乎技能，还有些则关乎性格或速度。挑战在于，这些因素的衡量方式各不相同。其中一个可能是以美元计的薪水，另一个是百分制下的测试成绩，而第三个则是对表达能力的评分。当你试图直接比较这些不同的量表时，结果可能会变得倾斜，从而偏向于那个数值较大的因素，而非真正最重要的因素。这就是多准则决策的核心问题：如何在不让数学逻辑扭曲现实的情况下，平衡相互冲突且衡量标准各异的信息碎片。

研究人员长期以来一直试图通过创建使这些不同量表归一化（或标准化）的方法来解决这一问题，以便进行公平比较。然而，当数据杂乱无章或某个因素的重要性由可能带有偏见的人类意见决定时，传统方法往往难以应对。来自印度尼西亚的一个研究小组现在提出了一种处理这种复杂性的新方法。他们开发了一个现有决策工具——加权乘积法（Weighted Product method）的改进版本。通过将一种特定的测量数据点之间距离的方法与一种观察数据变异程度的数学技术相结合，他们创建了一个比以往方法更稳定、更客观的系统。他们的工作表明，通过让数据本身来决定每个因素的重要性，而不是仅仅依赖人类判断，候选人或选项的最终排名会变得更加可靠，并且对输入的微小变化具有抵抗力。

研究人员使用一个现实世界的场景测试了他们的新方法，并将其命名为 WP-DISTA：从九名申请人中选拔最佳工作候选人。在这个场景中，每位候选人都根据七个不同的标准进行评估，范围涵盖了教育水平、工作年限、技术技能、沟通能力以及在笔试和面试中的表现。其中一些标准是“收益型”的，即分数越高越好；而另一些则是“成本型”，即分数越低越好。团队将这些数据输入到他们的新系统中，该系统首先基于点与点之间的几何距离而非仅仅观察最高值和最低值的方法，将所有不同的分数调整到一个共同的量表上。这一步骤确保了拥有极大数值的准则（如数百分的测试成绩）不会意外地压倒数值较小的准则（如一到十分制的评分）。

一旦数据平衡完成，系统就会根据候选人在该特定领域的差异程度来计算每个准则的重要性。如果一群候选人在教育水平方面几乎完全相同，那么该因素被赋予的权重就会较低，因为它无法帮助区分优劣；然而，如果候选人在技术技能方面差异很大，该因素就会被赋予更高的权重，因为它能更好地将优秀人才与平庸者区分开来。这个过程消除了人类猜测哪些因素更重要的需求，用客观的变异度取代了主观意见。随后，系统结合这些调整后的得分和权重来计算每个候选人的最终排名，从而确定谁最接近理想的资历组合。

该新方法产生的结果在一致性方面表现得非常出色。当研究人员将他们的新系统产生的排名与五种已有的决策方法进行对比时，一致性极高。新方法与其中一种对比方法的匹配度几乎完美，相关系数达到了 0.9914，并与另一种方法也非常接近，达到了 0.9742。这种高度的一致性表明，新方法并非在产生奇怪或孤立的结果，而是与现有的最佳实践保持一致。更重要的是，研究人员通过稍微改变准则的重要性来测试了系统的稳定性，模拟了招聘经理可能认为经验比平时更重要的情形。即使发生这些变化，候选人的排名顺序也没有改变。排名第一的候选人依然稳居榜首，排名垫底的依然在末尾，这证明了该系统是稳健的，不会轻易受到权重微调的影响。

最后，这项研究表明，通过让数据“说话”，可以使决策工具变得更加公平和可靠。这种新方法成功处理了比较不同类型信息的复杂现实，确保没有任何单一因素仅仅因为其量表规模而主导结果。通过将用于平衡数据的几何方法与用于确定重要性的数学方法相结合，研究人员创建了一个能够产生清晰、稳定排名的系统。这项工作为那些需要做出复杂选择的组织和个人提供了一个实用的替代方案，使他们能够更有信心地应对相互冲突的准则，并确保最终决策能够反映出备选项的真实实力。