מטריצות החלטה משוקללות הן כלי עבודה שימושי, אך הן נוטות להיכשל בדרכים צפויות: ניקוד לא עקבי, שגיאות בחישובי משקלים, ודירוגים שמשתנים ברגע שההקשר משתנה. תורת ההחלטות מציעה דרך נקייה יותר לעשות זאת: תהליך עבודה של "דירוג מחשבון מטריצה" שניתן לחזור עליו, המבנה את המטריצה, מחיל משקלים בעקביות, מנרמל ציונים, מטפל בתיקו ומבצע בדיקות רגישות כדי להבטיח שהרשימה המדורגת שלך תישאר אמינה גם כשהנתונים משתנים.
כיצד מבנים את המטריצה לצורך דירוג?
מטריצת קבלת החלטות מדרגת אפשרויות על ידי מתן ציון לכל אפשרות מול קריטריונים, הכפלה במשקלים וסיכום לציון סופי. המבנה נשמע פשוט, אך הדירוג נכשל כאשר הקריטריונים מעורפלים או כאשר המילה "טוב" מקבלת משמעויות שונות בעמודות שונות.
להלן המבנה שאני משתמש בו עם מנהלי מוצר ומובילי תפעול כאשר המטרה היא סדר דירוג שניתן להגן עליו, ולא רק גיליון אלקטרוני יפה.
התחל עם אפשרויות שמוציאות זו את זו
אם ניתן לשלב בין אפשרויות, אתה עלול להעניש בטעות את האפשרות ה"מודולרית". לדוגמה, "בניית פיצ'ר בתוך החברה" מול "קניית כלי" הן אפשרויות בלעדיות. אך "קניית כלי + הוספת אינטגרציה קלה" היא אפשרות שלישית, לא הערת שוליים. זהו כשל קלאסי במדע ההחלטות: אתה חושב שאתה שוקל אפשרויות, אך למעשה אתה משווה היקפים שונים.
הגדר קריטריונים כמדידים או לפחות כניתנים להפרכה
קריטריונים כמו "התאמה אסטרטגית" הם בסדר, אך רק אם תגדיר מה המשמעות של 5 לעומת 2. אם אינך יכול לכתוב הגדרה בשורה אחת ומדריך ניקוד, הקריטריון אינו מוכן. ראיתי צוותים מבזבזים 90 דקות בוויכוח על ציון בודד כי הקריטריון היה למעשה שני קריטריונים שהתחבאו תחת תווית אחת (למשל, "סיכון" שערבב סיכון אספקה עם סיכון ציות).
השתמש בפריסת מטריצה עקבית (תבנית)
תבנית מטריצת החלטה טובה כוללת את העמודות הבאות:
שדה
מה זה
מה הופך את זה לניתן לדירוג
אפשרות
הדבר שאתה עשוי לעשות
מוציא זו את זו ובאותה רמת היקף
קריטריונים
איך אתה שופט אפשרויות
לכל קריטריון יש מדריך ניקוד
משקל
מכפיל חשיבות
המשקלים מסתכמים ל-1.0 (או 100)
ציון
ביצועי האפשרות
סולם זהה בין כל הקריטריונים
ציון משוקלל
משקל x ציון
מחושב, לא מוקלד ידנית
הערות
רציונל, הנחות
ראיות ומגבלות ספציפיות
אם אתה רוצה התייחסות מהירה לבחירת המבנה הנכון לארגון שלך, המדריך של Lucid על מסגרות החלטה שצוותים באמת יכולים לאמץ ממפה החלטות בסגנון מטריצה למסגרות אחרות (כמו תרשימי זרימה של החלטות) כדי שלא תכריח הכל לתוך כלי אחד.
סולמות ניקוד: בחר אחד והיצמד אליו
רוב הצוותים מצליחים הכי טוב עם סולם של 1-5. סולם של 1-10 מרגיש "מדויק יותר" אך הוא מגדיל את הרעש. אם אתה זקוק ליותר דיוק, בדרך כלל אתה זקוק למדריכי ניקוד טובים יותר, לא ליותר מספרים.
כלל מעשי אחד: אם שני אנשים יכולים לנקד את אותה אפשרות בטווח של נקודה אחת מבלי לדבר, מדריך הניקוד שלך טוב מספיק כדי לדרג.
איזו גישת שקלול מתאימה להחלטה שלך?
שיטת שקלול היא המקום שבו תורת ההחלטות הופכת למציאות, כי משקלים הם פונקציית הערך שלך בתחפושת. גישת שקלול שגויה מייצרת דירוגים שנראים אובייקטיביים אך מקודדים הטיות נסתרות.
משקלים פשוטים (מהירים ובדרך כלל מספיק טובים)
משקלים פשוטים הם הקצאות ישירות שמסתכמות ל-100 (או 1.0). זה הכי טוב כשהקריטריונים מוכרים והקבוצה מסכימה על סדרי עדיפויות.
דוגמה: זמן לערך 30, עלות כוללת 20, סיכון 25, יכולת תחזוקה 15, השפעה על הלקוח 10.
שקלול זוגי (איטי יותר, ביטחון גבוה יותר)
שקלול זוגי כופה פשרות מפורשות: האם סיכון חשוב יותר מזמן לערך? בכמה? זה מפחית את בעיית ה"הכל חשוב".
אם אתה זקוק לשיטה רשמית, תהליך ההיררכיה האנליטי (AHP) הוא ההתייחסות הקלאסית, והוא מתועד היטב על ידי הסקירה של ויקיפדיה על AHP. אינך צריך להריץ מתמטיקה מורכבת כדי להפיק תועלת מהלך המחשבה: כפה פשרות, ואז תרגם למשקלים.
מתי לנרמל (וכיצד)
נרמול חשוב כאשר הקריטריונים נמצאים בסולמות טבעיים שונים (דולרים, שבועות, אחוזים). אם אתה משתמש במדריך ניקוד של 1-5 בכל מקום, אתה כבר מנורמל לפי עיצוב. אם אתה מייבא מספרים גולמיים, נרמל אותם לפני השקלול, אחרת קריטריון ה"דולרים" ישתלט.
שתי גישות נפוצות:
נרמול
הכי טוב עבור
איך זה עובד
מינימום-מקסימום
טווחים יציבים
ממפה ערכים ל-0-1 על בסיס מינימום ומקסימום
ציון Z
השוואת ביצועים יחסיים
משתמש בממוצע וסטיית תקן
עבור רוב מטריצות מנהלי המוצר והתפעול, מינימום-מקסימום קל יותר להסבר ולהגנה. ציוני Z הם עוצמתיים אך קשים יותר לתקשורת, ותקשורת היא חלק מאיכות ההחלטה.
אם אתה מתפתה לשאול על "נוסחת שונות משותפת של מטריצה", זה כלי אחר. מטריצות שונות משותפת אומרות לך איך משתנים נעים יחד, לא איך לדרג אפשרויות. אם אתה ממדל אי-ודאות ומתאמים בין תוצאות, התחל עם המדריך של NIST על שונות משותפת ומתאם והתייחס לזה כאל בעיית חיזוי, לא בעיית מטריצת החלטה.
כיצד לאמת דירוגים עם בדיקות רגישות?
תהליך עבודה של "דירוג מחשבון מטריצה" טוב רק כמידת החוסן שלו. בדיקת רגישות עונה על שאלה פשוטה: האם אפשרות א' מנצחת כי היא באמת טובה יותר, או כי בחרנו משקלים נוחים?
בדיקת רגישות היא קבוצה קטנה של שינויים מבוקרים במשקלים ובציונים כדי לראות אם סדר הדירוג מתהפך. אם האפשרות המובילה מתהפכת בקלות, ההחלטה שלך שבירה וראויה לניתוח מעמיק יותר או ליותר נתונים.
3 הבדיקות שאני מריץ לפני שאני סומך על הדירוג
בדיקת תנודת משקל: הגדל את שני המשקלים המובילים ב-10% (נרמל מחדש כך שהמשקלים עדיין יסתכמו ל-1.0). האם האפשרות המובילה נשארת בראש?
בדיקת אי-ודאות בציון: עבור כל ציון המבוסס על שיקול דעת, הנח שהוא שגוי בנקודה אחת. האם הדירוג משתנה?
וריאציית תרחישים: צור שני תרחישים (מגבלות המקרה הטוב ביותר ומגבלות המקרה הגרוע ביותר) ונקד מחדש רק את הקריטריונים המושפעים.
אתה יכול לעשות זאת בגיליון אלקטרוני, אך גיליונות אלקטרוניים נוטים לסטות. אנשים מעתיקים לשוניות, שוכחים לעדכן נוסחאות, או "מתקנים" מספר מבלי לתעד מדוע. כאן לוח החלטות מובנה עוזר: הוא שומר על הניקוד, המשקלים והרציונל מחוברים כך ששינויי תרחישים לא מבטלים את הלוגיקה.
אם אתה רוצה מפה רחבה יותר של האופן שבו רגישות משתלבת בפרקטיקת החלטות מלאה, מסגרות החלטה: המדריך המלא של Lucid הוא נקודת ההתחלה הטובה ביותר כדי להימנע משימוש יתר במטריצות כאשר מודל אחר יהיה נקי יותר.
טיפול בתיקו: אל תעמיד פנים שתיקו הוא נדיר
תיקו קורה כשהקריטריונים שלך גסים מדי או כשהאפשרויות קרובות באמת. טפל בתיקו במפורש:
סוג תיקו
מה זה אומר
מה לעשות הלאה
תיקו מדויק
אותו ציון כולל
הוסף קריטריון שובר שוויון או הרץ ניסוי קצר
תיקו מעשי
בתוך טווח קטן (למשל: 2%)
בחר על בסיס הפיכות, רצף, או אופציונליות אסטרטגית
תיקו שגוי
הציונים מעוגלים
הגדל את בהירות מדריך הניקוד, לא את מורכבות המשקל
תיקו מעשי אינו כישלון. זהו איתות שעליך להחליט על בסיס מגבלות ביצוע או מהירות למידה, לא מתמטיקה של גיליון אלקטרוני.
כיצד לתעד רציונל לצד הציון?
רשימה מדורגת ללא רציונל היא ויכוח עתידי שמחכה לקרות. המטרה היא לא לכתוב מאמרים. המטרה היא להפוך כל ציון לניתן לביקורת תוך 30 שניות.
מה שעובד בצוותים אמיתיים הוא "הערת ציון" הכוללת שלושה חלקים: הראיה, ההנחה והבעלים.
הנה פורמט קומפקטי שבו השתמשתי בסקירות תפעול:
קריטריון
פורמט הערת ציון
דוגמה
זמן לערך
ראיה + מסגרת זמן + תלות
"פיילוט באוויר תוך 3 שבועות אם האבטחה תאשר את הספק עד יום שישי."
סיכון
מצב כשל + הפחתה
"הסיכון העיקרי הוא מיקום נתונים; מופחת על ידי אזור האיחוד האירופי ו-DPA."
עלות
בסיס עלות + אופק
"מחיר מחירון 24 אלף דולר לשנה; מניח 40 מושבים; לא כולל הטמעה."
זהו גם המקום שבו דוגמה למטריצת החלטה הופכת להרבה יותר שימושית מתבנית: אתה יכול לראות איך צוותים מצדיקים "3" לעומת "4" ואילו ראיות נחשבות קבילות.
אם הארגון שלך נאבק בתיעוד עקבי, התייחס למטריצה כחלק ממערכת ההפעלה שלך. החלטה שלא תועדה אינה ניתנת לשחזור. עבור צוותים הבונים פרקטיקות שניתן לחזור עליהן, תהליך העבודה ב-איך לבחור מסגרת החלטה לצוות שלך משתלב היטב עם סעיף זה מכיוון שהוא מכסה כיצד לתקנן תוצרי החלטה מבלי להאט את הביצוע.
כיצד Lucid הופכת דירוג מטריצה ללוח החלטות חי
גיליון אלקטרוני יכול לחשב דירוג. הוא לא יכול לשמור על ההיגיון שלך קוהרנטי כשהעולם משתנה.
Lucid בנויה עבור מצב הכשל שאני רואה הכי הרבה: אתה מעדכן הנחה אחת (קיצוצי תקציב, שינוי לוחות זמנים, מגבלה חדשה) והמטריצה כולה הופכת לחשודה כי היתרונות/חסרונות וההשלכות מעולם לא היו מחוברים לציונים מלכתחילה.
עם Lucid, אתה יכול לכתוב או להקליט את הדילמה בשפה פשוטה, ואז ליצור מפת אפשרויות עם יתרונות, חסרונות והשלכות עתידיות. ההבדל המרכזי הוא שהרשימה המדורגת נשארת מחוברת ללוגיקה הבסיסית. כשאתה משנה הקשר, הלוח מתעדכן בעקביות במקום להכריח בנייה מחדש ידנית.
שלוש תצוגות לוח הופכות זאת למעשי בפגישות אמיתיות:
תצוגה
מתי זה עוזר
מה אתה מקבל
תצוגת רשת
השוואת אפשרויות רבות
פשרות זו לצד זו ללא עייפות גלילה
תצוגת טבלה
בדיקת משקל וציון
סקירת "דירוג מחשבון מטריצה" נקייה יותר
תצוגת מיקוד
החלטה ניהולית
רציונל, סיכונים והשלכות של אפשרות אחת במקום אחד
זהו גם המקום שבו "יתרונות וחסרונות של בינה מלאכותית" הופכת לשאלה מעשית, לא פילוסופית. בינה מלאכותית מצוינת בסיכום קלטים מבולגנים ויצירת קבוצות אפשרויות עקביות, אך היא יכולה להזות ראיות. התיקון פשוט: דרוש מכל הערת ציון לצטט מקור או בעלים, והתייחס לפלט של בינה מלאכותית כאל מבנה טיוטה, לא כאמת. מסגרת ניהול הסיכונים של בינה מלאכותית של NIST היא ההנחיה הציבורית הברורה ביותר שראיתי לשמירה על אחריות בהחלטות בסיוע בינה מלאכותית.
אם אתה רוצה לנסות את תהליך העבודה הזה על החלטה אמיתית, התחל ביצירת לוח עם 3-5 אפשרויות ו-6-10 קריטריונים, ואז הרץ בדיקת רגישות אחת. המעבר הבודד הזה בדרך כלל חושף אם ה"מנצח" יציב או שביר. כשאתה מוכן, צור חשבון Lucid כדי לבנות לוח החלטות מבוסס בינה מלאכותית ושמור את הדירוג, הרציונל וההשלכות במקום אחד כדי שעדכונים לא ישברו את הלוגיקה שלך.
שאלות נפוצות
מהם היתרונות והחסרונות של בינה מלאכותית עבור מטריצות החלטה?
בינה מלאכותית יכולה להאיץ יצירת אפשרויות, לנסח יתרונות/חסרונות ולשמור על תיעוד עקבי. הסיכון הוא ביטחון כוזב: בינה מלאכותית עשויה להמציא ראיות או להחליק אי-ודאות יתר על המידה, לכן אתה עדיין זקוק לבעלים, מקורות ובדיקות רגישות.
למה הכי כדאי להשתמש במטריצת קבלת החלטות?
היא הכי טובה לבחירה מתוך קבוצה קטנה של חלופות כאשר אתה יכול להגדיר קריטריונים ולנקד אותם בעקביות. היא חלשה כאשר האפשרויות אינן בנות השוואה בהיקפן או כאשר אי-ודאות שולטת ואתה זקוק למודלים של תרחישים במקום.
מה אומרת מטריצת השונות המשותפת, והאם היא נחוצה לדירוג?
מטריצת שונות משותפת מתארת כיצד משתנים משתנים יחד, מה שחשוב בחיזוי ובסיכון תיק השקעות. היא בדרך כלל מיותרת עבור מטריצת החלטה משוקללת אלא אם כן אתה ממדל במפורש תוצאות מתואמות ואי-ודאות.
איך מטפלים בתיקו במטריצת החלטה משוקללת?
התייחס לתיקו כאל מידע. אם התיקו מדויק, הוסף קריטריון שובר שוויון או הרץ ניסוי מהיר; אם הוא בתוך טווח קטן, החלט על בסיס הפיכות ומהירות למידה.
התחל בביקורת על המטריצה הנוכחית שלך: שכתב שני מדריכי ניקוד של קריטריונים כך שהניקוד יהיה חד-משמעי, ואז הרץ בדיקת תנודת משקל של 10% כדי לראות אם האפשרות המובילה שלך יציבה. אם אתה רוצה שהרשימה המדורגת תישאר מחוברת ליתרונות/חסרונות והשלכות עתידיות כשההקשר משתנה, בנה את ההחלטה ב-Lucid ושמור על הלוגיקה חיה מהטיוטה הראשונה ועד להחלטה הסופית.
מחשבון דירוג מטריצה עבור מטריצות החלטה משוקללות | Lucid