תוצאות דירוג של מחשבון מטריצה לעיתים קרובות "מרגישות לא נכון" מסיבות מוצדקות: סולמות ניקוד לא עקביים, נתונים שלא עברו נורמליזציה, משקלים מוטים וקריטריונים חופפים יכולים להטות את התוצאה בשקט. מדריך פתרון בעיות זה מראה כיצד לאבחן את החישובים והקלט, לבצע בדיקות רגישות ולתעד הנחות, כך שהדירוג שלך יהפוך לכלי קבלת החלטות בטוח במקום לרעש משכנע.
אילו שגיאות קלט מעוותות את דירוג מחשבון המטריצה בצורה המשמעותית ביותר?
שגיאות בדירוג מחשבון מטריצה נובעות בדרך כלל מהקלט, לא מהמחשבון. ראיתי צוותים מתווכחים במשך שעה על משקלים, בעוד שהבעיה האמיתית הייתה שקריטריון אחד השתמש בסולם של 1-5, אחר השתמש בערכים כספיים גולמיים, ושלישי השתמש ב"גבוה/בינוני/נמוך" שהומרו למספרים באופן אד-הוק. המתמטיקה תכפיל בשמחה שטויות.
להלן העיוותים שמשפיעים הכי הרבה על דירוגים בעבודה עם מטריצת החלטות אמיתית:
סולמות לא עקביים (הרוצח השקט)
אם "עלות" מוזנת כ-50,000$ ו"השפעה על הלקוח" מוזנת כ-1-5, העלות תשלוט בדירוג גם אם תיתן לה משקל נמוך. גודל היחידה, ולא המשקל, הופך להיות הגורם המכריע.
תיקון: המר כל קריטריון לכיוון משותף (גבוה יותר זה טוב יותר) ולטווח משותף (בדרך כלל 0-1 או 0-100). אם ברצונך בגישה סטנדרטית, השתמש בנורמליזציית מינימום-מקסימום:
זוהי היגיינה בסיסית בניתוח החלטות מרובות קריטריונים. בלעדיה, אתה לא שוקל אפשרויות, אתה משווה יחידות.
חוסר כיווניות (בלבול בין תועלת לעלות)
צוותים שוכחים לעיתים קרובות להפוך קריטריונים של "נמוך יותר זה טוב יותר". אם עלות נמוכה היא טובה יותר אך אתה נותן ציונים גבוהים יותר לעלויות גבוהות, פשוט תגמלת את האפשרות היקרה ביותר.
תיקון: תייג במפורש כל קריטריון כתועלת (גבוה יותר זה טוב יותר) או כעלות (נמוך יותר זה טוב יותר). עבור קריטריונים מסוג עלות, בצע היפוך לאחר הנורמליזציה:
inverted = 1 - normalized_score
דיוק יתר וביטחון מופרז
מטריצה מלאה בציונים של 8.7 ו-8.9 נראית קפדנית, אך לעיתים קרובות היא בדיה. אם הקלט שלך הוא תחושת בטן, אל תעמיד פנים שמדובר במדד מדויק.
תיקון: התאם את הדיוק לראיות. אם יש לך רק ביטחון כיווני, דרג בטווחים גסים (למשל 1, 3, 5) והכנס את הראיות לשדה ההנמקה. כאן לוח החלטות מובנה עוזר, כי הוא מכריח אותך לשמור את ה"למה" לצד ה"מה".
לקבלת בסיס חזק לפני פתרון בעיות, אני ממליץ ליישר קו עם הצוות על מסגרת החלטות משותפת תחילה. המדריך של Lucid על מסגרות החלטות ומתי להשתמש בכל אחת הוא נקודת התחלה נקייה אם המטריצה שלך משמשת להחלטות בעלות סיכון גבוה.
כיצד קריטריונים חופפים גורמים לספירה כפולה של ערך?
קריטריונים חופפים הם הסיבה הנפוצה ביותר לכך שדירוג מחשבון מטריצה "מרגיש לא נכון" גם כשהמתמטיקה נכונה. המחשבון עושה בדיוק את מה שאמרת לו: מתגמל את אותו גורם בסיסי פעמיים.
דפוסי חפיפה נפוצים שאני רואה:
"פוטנציאל הכנסות" ו"גודל שוק" (לרוב אותו פרוקסי).
"מאמץ הנדסי" ו"זמן הגעה לשוק" (מתואמים מאוד בארגונים רבים).
"סיכון" ו"אי-ודאות" (בדרך כלל אותה קטגוריה של חוסר ודאות).
כאשר קריטריונים חופפים, אתה למעשה מגדיל את המשקל של אותו נושא מבלי לשים לב. זה לא מדע החלטות, זו תמיכה מקרית.
מבחן חפיפה מעשי (ללא צורך בסטטיסטיקה)
לפני שאתה נוגע במשקלים, עשה זאת: עבור כל זוג קריטריונים, שאל "האם ניתן לנבא אחד מהשני בהקשר שלנו?" אם כן, כנראה שיש לך מתאם.
אם אתה רוצה בדיקה כמותית יותר, חשב מקדם מתאם בין האפשרויות (פירסון עבור מספרים). מתאם מוחלט גבוה (לרוב |r| > 0.7) הוא דגל אדום. לרענון מהיר על מושגי מתאם, הסקירה של ויקיפדיה על מטריצת שונות משותפת היא רקע שימושי.
אפשרויות לתיקון:
מיזוג הקריטריונים לאחד (מועדף).
שמור על שניהם אך פצל את משקליהם כך שההשפעה המשולבת תתאים לכוונה.
החלף אחד בקריטריון עצמאי באמת (למשל, החלף "גודל שוק" ב"יתרון הפצה" אם לזה אתה באמת מתכוון).
מטריצה טובה רק כמידת העצמאות של העמודות שלה. אם אתה רוצה דירוגים ניתנים להסבר, עצמאות מנצחת תחכום.
כיצד מזהים עיגון משקלים והטיה?
עיגון משקלים קורה כאשר המספר הראשון שהוצע הופך ל"אמת", והצוות מנהל משא ומתן סביבו. הטיה מופיעה כאשר משקלים משקפים פוליטיקה (או כאב טרי) במקום היגיון החלטות.
זה מסוכן במיוחד כאשר המטריצה משמשת להצדקת תוצאה שהוחלטה מראש. הגיליון האלקטרוני הופך לנשק.
תסמינים שאני מחפש בסקירות
אם "הלימה אסטרטגית" משוקללת ב-40% אבל אף אחד לא יכול להגדיר אותה, זה עיגון פלוס עמימות. אם "סיכון" משוקלל ב-5% מיד לאחר אירוע גדול, זהו היגיון מונע. אם כל קריטריון שתומך באפשרות אחת הוא "קריטי", אתה צופה בהטיית אישור בזמן אמת.
תיקון: הפרד בין שני שלבים שצוותים לעיתים קרובות מערבבים:
ראשית, הגדר קריטריונים וכללי ניקוד.
לאחר מכן, הקצה משקלים על בסיס פשרות מפורשות.
טכניקה פשוטה שעובדת: פשרות כפויות. שאל, "אם היינו יכולים לשפר רק קריטריון אחד ב-20%, במי היינו בוחרים?" חזור על כך עד שהמשקלים ישקפו סדרי עדיפויות אמיתיים.
ניתן גם להשתמש ב"טבלת שפיות משקלים" כדי להציף הטיות:
בדיקה
מה אתה מחפש
מה לעשות אם זה נכשל
סכום ל-100%
המשקלים מלאים וניתנים להשוואה
נרמל משקלים ל-100%
1-2 קריטריונים מובילים
האם הם תואמים את סדרי העדיפויות והאילוצים של ההנהלה?
בצע מחדש את דיון הפשרות
קריטריונים עמומים
כל משקל על מונחים לא מוגדרים
כתוב מחוון ניקוד או הסר
משקל מול ראיות
משקל גבוה על קלטים בעלי ביטחון נמוך
הפחת משקל או הוסף נתונים
אם הצוות שלך זקוק לדרך מובנית לבחור ולהצדיק שיטת שקלול, כיצד לבחור מסגרת החלטות לצוות שלך מציג את הפשרות מבלי להעמיד פנים שיש מודל מושלם אחד.
אילו בדיקות מונעות "זבל נכנס, זבל יוצא" בדירוג?
דירוג מחשבון מטריצה פגיע ל-GIGO כי הוא דוחס מציאות מבולגנת למספר אחד. התיקון הוא לא "להפסיק להשתמש במטריצות". התיקון הוא להוסיף מעקות בטיחות שתופסים קלטים גרועים ותוצאות שבירות לפני שאתה פועל.
1) נורמליזציה ובדיקות מחוונים
לכל קריטריון צריך להיות: הגדרה, כיוון (תועלת/עלות), סולם (0-1, 0-100, 1-5) ומחוון ניקוד. אם אינך יכול לתאר מה המשמעות של "5", ה-"5" שלך שרירותי.
המחקר של גוגל על איכות קבלת החלטות בצוותים מצביע בעקביות על בהירות והגדרות משותפות כמניע ביצועים. לבסיס ראיות רחב יותר על תהליכי החלטה מובנים, Harvard Business Review מכסה לעיתים קרובות כיצד צוותים מפחיתים רעש בשיפוט; ראה את מרכז הנושא של HBR על קבלת החלטות לדפוסים מעשיים ומגובים במחקר.
2) ניתוח רגישות (לא נתון למשא ומתן עבור סיכון גבוה)
ניתוח רגישות שואל: "אם נשנה משקלים או ציונים מעט, האם המנצח ישתנה?" אם כן, הדירוג שלך לא יציב.
אינך זקוק לכלים מתקדמים. שנה את 2-3 המשקלים המובילים ב-10% פלוס/מינוס (נרמל מחדש ל-100%) ובדוק אם האפשרות המובילה נשארת בראש. זהו ניתוח תרחישים בצורתו הפשוטה ביותר, והוא תופס את בעיית ה"הנחה השבירה האחת" במהירות.
כלל עצמאי שאני משתמש בו: אם שינוי משקל של 5-10% הופך את ההחלטה, המטריצה אינה החלטה, היא פותחת שיחה.
3) שערי איכות נתונים
אם ציון מבוסס על ניחוש, תייג אותו כניחוש. אם הוא מבוסס על מדידה, קשר את המקור. ערבוב של השניים ללא תיוג הוא הדרך שבה צוותים מבריחים דעות לתוך "מתמטיקה".
שער מהיר שעובד:
כל קריטריון עם ביטחון נמוך מקבל תגית ביטחון (גבוה/בינוני/נמוך).
כל אפשרות עם 2+ ציוני ביטחון נמוך לא יכולה "לנצח" ללא תוכנית נתונים המשכית.
4) מעקב אחר הנחות ובקרת שינויים
דירוגים מתיישנים כי ההקשר משתנה אך המטריצה לא. תמחור חדש, אילוצי מפת דרכים חדשים, סיכון רגולטורי חדש, מהלך של מתחרה. ה"מנצח" שלך עשוי להיות שריד.
כאן לוח אפשרויות חי מנצח גיליון אלקטרוני סטטי. ב-Lucid, אתה יכול לתפוס את הדילמה בשפה פשוטה, ליצור מפת אפשרויות עם יתרונות/חסרונות ותוצאות, ואז לשמור את ההנמקה צמודה בזמן שאתה מתאים הנחות. כאשר הקלטים משתנים, הלוח נשאר קוהרנטי במקום להפוך ל-version-17-final-final.xlsx.
הפוך את הדירוג לניתן להסבר: שמור הנמקה, יתרונות/חסרונות ותוצאות
דירוג מחשבון מטריצה מוציא מספר. עבודה בטוחה לקבלת החלטות מוציאה הסבר.
בפועל, הצוותים הטובים ביותר שעבדתי איתם מתייחסים למטריצה כשכבה אחת בתיעוד החלטה. הם שומרים שלושה דברים לצד הדירוג:
הנמקה: מדוע כל ציון הוא כפי שהוא, עם קישורים או הערות.
יתרונות/חסרונות: מה אתה מרוויח ומה אתה מקריב, מוצהר בבירור.
תוצאות: מה יקרה ברבעון הבא ובשנה הבאה אם תבחר בזה.
כאן גם הוגן להיות מפורש לגבי זווית היתרונות והחסרונות של בינה מלאכותית אם AI הוא חלק מההחלטה. כלי AI יכולים להאיץ ניתוח ולהפחית חיכוך של דף חלק, אך הם יכולים גם להגביר הנחות גרועות. המטריצה לא צריכה להיות המקום היחיד שבו AI נוגע בהחלטה. שמור על הנרטיב והראיות גלויים.
"טבלת הסבר" פשוטה לרוב מספיקה:
אפשרות
מדוע היא מדורגת היכן שהיא מדורגת
הסיכון הגדול ביותר
תוצאה ל-6 חודשים
א
השפעה מנורמלת חזקה, מאמץ בינוני
תלות בספק
אספקה מהירה יותר, סיכון נעילה
ב
השפעה נמוכה יותר אך נתונים בביטחון גבוה
עלות אלטרנטיבית
ביצוע יציב, צמיחה איטית יותר
ג
יתרון גבוה אך ביטחון נמוך
מאמץ הטמעה לא ידוע
פריצה פוטנציאלית, שונות גבוהה
זוהי תורת ההחלטות בעולם האמיתי: אתה בוחר תחת אי-ודאות, לא פותר בעיה מתמטית.
אם אתה רוצה גם עדשה משלימה למיצוב איכותני, דוגמה לניתוח SWOT יכולה לעזור, אך רק אם תשמור עליה כנה וקשורה לראיות. SWOT הוא כלי נרטיבי, לא מנוע ניקוד.
שאלות נפוצות
מהם היתרונות והחסרונות של AI עבור מטריצות קבלת החלטות?
AI יכול להאיץ ניסוח קריטריונים, יצירת אפשרויות והצפת תוצאות מסדר שני. החיסרון הוא שהוא יכול גם לייצר הנמקות שנשמעות בטוחות אך אינן מבוססות על האילוצים האמיתיים שלך, לכן אתה עדיין זקוק למחוונים, מקורות ובדיקות רגישות.
מהם 5 היתרונות ו-5 החסרונות של AI?
יתרונות כוללים לרוב מהירות, זיהוי דפוסים, סיכום, יצירת תרחישים ועקביות. חסרונות כוללים לרוב הזיות, הגברת הטיות, סיכון לפרטיות נתונים, הסתמכות יתר ואחריות חלשה אלא אם כן תתעד הנחות וראיות.
מה ההבדל בין שונות משותפת (Covariance) למטריצת שונות משותפת?
שונות משותפת היא מספר בודד המתאר כיצד שני משתנים נעים יחד. מטריצת שונות משותפת היא רשת של ערכי שונות משותפת עבור משתנים רבים בבת אחת, שימושית לזיהוי דפוסי מתאם שיכולים לאותת על קריטריונים חופפים.
מהו ניתוח החלטות מרובות קריטריונים (MCDA) במונחים פשוטים?
MCDA היא דרך מובנית להשוות אפשרויות על פני מספר קריטריונים על ידי ניקוד ושקלול שלהם. זה עוצמתי כאשר הקריטריונים שלך מוגדרים היטב, מנורמלים ועצמאיים, ומסוכן כאשר הם מעורפלים או נספרים פעמיים.
הצעד הבא: בצע ביקורת דירוג של 20 דקות לפני שתחליט
פתח את המטריצה הנוכחית שלך ובצע ביקורת מהירה: אשר שלכל קריטריון יש כיוון, נרמל את כל הסולמות, בדוק קריטריונים חופפים ובצע ניתוח רגישות קטן. אם האפשרות המובילה משתנה בקלות, התייחס למטריצה כקלט, לא כתשובה.
כשתהיה מוכן להפוך את הדירוג לניתן להסבר, תפוס את האפשרויות, ההנמקה והתוצאות שלך בלוח חי. התחל ביצירת סביבת עבודה בחינם ב-צור את חשבון ה-Lucid שלך והפוך את ההחלטה המבולגנת שלך למפת אפשרויות מובנית שתוכל להגן עליה בשקף אחד.
טעויות במחשבון דירוג מטריצה וכיצד לתקן אותן | Lucid
