תורת ההחלטות היא הדיסציפלינה המעשית להפיכת בחירות מורכבות לפשרות מפורשות שניתן להגן עליהן. אם הצוות שלכם בוהה ב-matrix total results (תוצאות מטריצה כוללות) ותוהה האם ה"מנצח" הוא אמיתי או רק תוצאה של מתמטיקה, מדריך זה יראה לכם כיצד לחשב סכומים בצורה נכונה, להשוות אפשרויות על פני קני מידה שונים, ולתרגם ציונים לנרטיב החלטה עם השלכות שתוכלו לעמוד מאחוריהן.
מה המשמעות של matrix total results במטריצת ניקוד?
תוצאות מטריצה כוללות הן הציונים המצטברים עבור כל אפשרות על פני כל הקריטריונים. במטריצת קבלת החלטות, כל אפשרות מקבלת ציון לכל קריטריון, ולאחר מכן ציונים אלו משולבים (לרוב עם משקולות) לסכום אחד התומך בדירוג.
הנה החלק שצוותים מפספסים: סכום אינו אמת מוחלטת. הוא התוצר של מודל החלטה עם הנחות מובנות: בחירת קריטריונים, הגדרות ניקוד, שקלול, וכיצד טיפלתם במידע חסר. במונחים של תורת ההחלטות, הסכום שלכם הוא מדד ל-ערך צפוי תחת פונקציית התועלת שבחרתם, ולא ערובה לתוצאה הטובה ביותר בעולם האמיתי.
דרך נקייה לפרש סכומים היא המשפט הבא (אני משתמש בו בסקירות החלטות): "אפשרות א' מנצחת תחת סדרי העדיפויות וכללי הניקוד הנוכחיים שלנו; אם סדרי העדיפויות הללו ישתנו, הדירוג עשוי להשתנות." זה שומר על המתמטיקה כנה ומפנה מקום לאי-ודאות.
אם אתם רוצים רענון מהיר על בחירת המסגרת הנכונה עוד לפני בניית המטריצה, המדריך של Lucid על כיצד לבחור מסגרת החלטה לצוות שלכם הוא עבודת ההכנה שרוב הצוותים מדלגים עליה.
הגדרה מעשית שניתן לעשות בה שימוש חוזר פנימי
תוצאות מטריצה כוללות מסכמות עד כמה כל אפשרות עונה על הקריטריונים המשוקללים שלכם, בהינתן קנה מידה הניקוד ושיטת הנורמליזציה שבחרתם. אם מישהו לא יכול לנסח זאת באנגלית פשוטה (או עברית פשוטה), הוא לא צריך לאשר את ההחלטה.
כיצד מחשבים סכומים עם משקולות ונורמליזציה?
כיצד מחשבים סכומים עם משקולות ונורמליזציה? מחשבים סכום משוקלל על ידי הכפלת כל ציון קריטריון במשקלו, סיכום על פני הקריטריונים, ו-(אופציונלית) נורמליזציה של הציונים כך שקריטריונים בקני מידה שונים יתרמו בצורה הוגנת.
כאשר משקולות מסתכמות בדרך כלל ל-1.0 (או 100%). אילוץ יחיד זה מונע "זחילה של משקולות" שבה סכומים תופחים מבלי שאיש ישים לב.
טעות הניקוד ששוברת את תוצאות המטריצה
מצב הכשל הנפוץ ביותר שאני רואה בצוותים אמיתיים: ערבוב קני מידה ללא נורמליזציה.
דוגמה: "עלות" מדורגת 1–10, "סיכון" מדורג 1–5, ו-"התאמה אסטרטגית" מדורגת 1–3. גם אם תתנו להם משקולות, לקריטריון של 1–10 יש יותר השפעה מספרית אלא אם תבצעו נורמליזציה או סטנדרטיזציה תחילה. הסכום שלכם הופך בשקט ל-"בעיקר עלות".
נורמליזציה פשוטה שעובדת ברוב תבניות מטריצת ההחלטות היא min-max scaling:
normalized = (score - min) / (max - min)
זה ממיר כל קריטריון ל-0–1 תוך שמירה על מרווחים יחסיים. עבור קריטריונים שבהם נמוך יותר הוא טוב יותר (כמו עלות), הפכו זאת:
normalized = (max - score) / (max - min)
אם אתם רוצים בסיס עמוק יותר לסיבה מדוע בחירות קנה מידה חשובות, הערך בוויקיפדיה על ניתוח החלטות רב-קריטריוני (MCDA) הוא סקירה ניטרלית מוצקה של משפחת המתמטיקה שבה אתם משתמשים.
דוגמה קטנה ומעשית (עם משקולות ריאליות)
נניח שלושה קריטריונים, משקולות מסתכמות ל-1.0:
קריטריון
משקל
אפשרות א' (גולמי)
אפשרות ב' (גולמי)
קנה מידה
זמן אספקה (נמוך טוב יותר)
0.35
10
6
שבועות
עלות כוללת (נמוך טוב יותר)
0.40
120
160
אלפי $
התאמה אסטרטגית (גבוה טוב יותר)
0.25
3
4
1–5
בצעו נורמליזציה לכל קריטריון ל-0–1, החילו משקולות, וסכמו. לעיתים קרובות תגלו שהמנצח ה-"ברור" מתהפך ברגע שתפסיקו לתת לקנה מידה אחד לשלוט.
כלל תפעולי שימושי: אם אינכם יכולים להסביר את בחירת הנורמליזציה שלכם במשפט אחד, אינכם מוכנים לסמוך על הסכומים.
כיצד משווים סכומים על פני קני מידה שונים?
כיצד משווים סכומים על פני קני מידה שונים? משווים סכומים על ידי הבטחה שכל קריטריון נמצא על בסיס בר-השוואה (0–1 או ציוני z), ולאחר מכן מפרשים סכומים כציוני העדפה יחסיים, לא כמדידות מוחלטות.
ישנן שלוש גישות נפוצות, לכל אחת פשרות משלה:
גישה
הטובה ביותר עבור
מה מרוויחים
מה מסתכנים
Min-max (0–1)
רוב המטריצות העסקיות
אינטואיטיבי, שומר על דירוג
רגיש לערכים חריגים
סטנדרטיזציה של ציון Z
מערכי נתונים גדולים, מדידות רועשות
שונות ברת-השוואה
קשה להסבר לבעלי עניין
קני מידה זוגיים / בסגנון AHP
קריטריונים סובייקטיביים בעלי סיכון גבוה
מחייב השוואות מפורשות
גוזל זמן, יכול להרגיש כבד
עבור רוב הצוותים, min-max הוא נקודת האיזון המושלמת מכיוון שניתן להציג את המתמטיקה בגיליון אלקטרוני מבלי להפוך את הפגישה להרצאה בסטטיסטיקה.
"דירוג מחשבון מטריצה" ומדוע דירוג לבדו אינו מספיק
צוותים רבים משתמשים בפלט דירוג של מחשבון מטריצה (רשימה ממוינת) ועוצרים שם. כך מגיעים לדיוק כוזב.
שני תיקונים שלוקחים דקות:
ראשית, הסתכלו על הפרדת ציונים. אם אפשרות א' מסתכמת ב-0.742 ואפשרות ב' ב-0.739, אין לכם מנצח. יש לכם תיקו עם רעש.
שנית, הגדירו כלל שובר שוויון לפני שאתם רואים תוצאות. ברירת המחדל שלי היא: אם הסכומים נמצאים בטווח של 1–2% זה מזה, שברו את השוויון באמצעות הקריטריון היחיד עם המשקל הגבוה ביותר, ולאחר מכן אשרו עם ניתוח תרחישים מהיר.
זהו גם המקום שבו תרשים זרימה של החלטות קל משקל עוזר: אם שני המובילים קרובים, עברו לשלב של "צמצום אי-ודאות" במקום לכפות בחירה.
כיצד לפרש סדר דירוג, שוברי שוויון וביטחון
סכומים הם פלטים. ביטחון הוא קלט שאתם בוחרים להוסיף.
כשאני מנהל מפגשי ניקוד, אני מוסיף עמודה אחת נוספת לכל קריטריון: ביטחון (נמוך, בינוני, גבוה). זה לא אקדמי. זהו מנגנון כפייה. ציון 9/10 בביטחון נמוך לא אמור לנצח 7/10 בביטחון גבוה ללא שיחה.
אם אתם צריכים משפט אחד כדי לשמור על כנות בחדר, השתמשו בזה: ציון ללא ביטחון הוא ניחוש שמתחזה לעובדה.
בדיקות רגישות שתופסות החלטות גרועות מוקדם
אינכם צריכים סימולציית מונטה קרלו כדי לקבל ערך. אתם צריכים שתי בדיקות רגישות מהירות:
מבחן תנודת משקל: הגדילו את המשקל העליון ב-10% (ובצעו נורמליזציה מחדש) וראו אם המנצח משתנה. אם הוא מתהפך בקלות, ההחלטה שלכם רגישה למשקל ויש לדון בה ככזו.
מבחן הסרת קריטריון: הסירו זמנית קריטריון אחד שמרגיש "רך" וראו אם הדירוג נשמר. אם הסרת "התאמה אסטרטגית" משנה הכל, הרגע למדתם איפה הדיון האמיתי נמצא.
ל-Harvard Business Review יש מסגור טוב על משמעת החלטות והימנעות מהנחות נסתרות בבחירות מורכבות; המאמר שלהם על כיצד לקבל החלטות טובות יותר הוא השלמה שימושית ברמת הניהול למתמטיקה.
עבור צוותים שממסדים תהליך זה, הייתי שומר גם את הספר מסגרות החלטה: המדריך המלא של Lucid בסימניות, כך שהמטריצה שלכם תשב בתוך מערכת הניתנת לחזרה, ולא כפריט גיליון אלקטרוני חד-פעמי.
כיצד הופכים סכומים לנרטיב החלטה עם השלכות?
כיצד הופכים סכומים לנרטיב החלטה עם השלכות? הופכים סכומים לנרטיב על ידי מעקב אחר הגורמים המובילים לציון, הצהרה מפורשת על הפשרות, ותיעוד השלכות מסדר שני כך שההחלטה תישאר עקבית כשהתנאים משתנים.
סכומים עונים על "איזו אפשרות מנצחת תחת המודל שלנו". הם לא עונים על "מה קורה הלאה". הנרטיב הוא המקום שבו החלטות הופכות לתפעוליות.
אני משתמש במבנה פשוט בסקירות החלטות:
אלמנט נרטיבי
מה כותבים (פסקה אחת לכל אחד)
למה זה משנה
היגיון הניצחון
2–3 הקריטריונים שהובילו לניצחון
מונע אמירות מעורפלות כמו "זה קיבל את הציון הגבוה ביותר"
פשרות מקובלות
על מה אתם מוותרים ביודעין
הופך את הסיכון למפורש ובבעלותכם
השלכות
השפעות עתידיות סבירות ב-30/90/180 יום
עוצר אופטימיזציה לטווח קצר
מעקות בטיחות
מה יגרום לכם לבחון מחדש את ההחלטה
יוצר החלטה הפיכה במידת האפשר
זהו המקום שבו בינה מלאכותית שימושית באמת, וגם המקום שבו אנשים שואלים על היתרונות והחסרונות של בינה מלאכותית. היתרון: בינה מלאכותית יכולה להציף השלכות חסרות ולייצר יתרונות/חסרונות עקביים על פני אפשרויות במהירות. החיסרון: בינה מלאכותית תישמע בטוחה גם כשהקלט שלכם מעורפל. התיקון פשוט: כפו ספציפיות בהנחיה ושמרו על הלוח עריכה על ידי בני אדם.
אם אתם רוצים מבט מאוזן על היתרונות והחסרונות הרחבים של בינה מלאכותית, מצפה המדיניות של ה-OECD בנושא בינה מלאכותית (OECD’s AI policy observatory) הוא אחד המקורות בעלי הסמכות הטובים ביותר שנשארים מקורקעים בהשפעות אמיתיות.
מדוע לוח החלטות מנצח סכום בגיליון אלקטרוני
גיליונות אלקטרוניים מצוינים למתמטיקה. הם גרועים בשמירה על עקביות כשההקשר משתנה.
לוח החלטות שומר על שלושה דברים מקושרים:
האפשרות,
ההיגיון ברמת הקריטריון (יתרונות/חסרונות),
ההשלכות העתידיות.
ב-Lucid, הלוח מתעדכן ככל שמוסיפים הקשר, וניתן להשוות אפשרויות זו לצד זו בתצוגת רשת, תצוגת טבלה ותצוגת מיקוד. זה משנה כי רוב "החלטות המטריצה הגרועות" אינן טעויות מתמטיות. הן סטיית הקשר: מישהו מעדכן אילוץ, אבל שאר ההיגיון לעולם לא מדביק את הפער.
אם הצוות שלכם כבר מתאם בעלי עניין, תקבלו ערך רב יותר על ידי שילוב המטריצה עם דפוס הנחיה ברור לקבלת החלטות בקונסנזוס: הסכימו על קריטריונים תחילה, דרגו באופן עצמאי, ואז דנו בהפרשים. תוצאות המטריצה הכוללות הופכות לממצא משותף, לא לנשק משא ומתן.
זרימת עבודה מעשית שתוכלו להריץ השבוע (מבלי לבנות הכל מחדש)
אינכם צריכים לזרוק את דוגמת מטריצת ההחלטות הנוכחית שלכם. אתם צריכים להדק את הקלטים ולהפוך את הסכומים לניתנים להסבר.
הריצו את זרימת העבודה הזו במפגש אחד:
נעלו הגדרות קריטריונים (משפט אחד לכל אחד) ואשרו האם "גבוה יותר הוא טוב יותר" או "נמוך יותר הוא טוב יותר".
הגדירו משקולות שמסתכמות ל-100%, ואז כתבו שורה אחת המסבירה מדוע המשקל העליון הוא העליון.
בצעו נורמליזציה לכל קריטריון ל-0–1 לפני הסיכום, אלא אם כל הקריטריונים חולקים את אותו קנה מידה.
חשבו סכומים, ואז הריצו מבחן תנודת משקל של 10% על שני הקריטריונים המובילים.
כתבו את נרטיב ההחלטה: גורמים, פשרות והשלכות ל-30/90/180 יום.
אם אתם רוצים להפוך את התהליך לניתן לחזרה על פני צוותים, התחילו עם כיצד לבחור מסגרת החלטה לצוות שלכם, ואז תפסו את המטריצה שלכם כלוח חי במקום כקובץ סטטי.
שאלות נפוצות
מהם היתרונות והחסרונות של בינה מלאכותית עבור מטריצות החלטה?
בינה מלאכותית חזקה ביצירת אפשרויות, ניסוח יתרונות/חסרונות עקביים, וזיהוי קריטריונים או השלכות חסרים. היא חלשה כשהקלטים מעורפלים, כשהתמריצים פוליטיים, או כשקנה מידה הניקוד אינו עקבי, מכיוון שהיא עדיין תפיק פלטים שנראים בטוחים.
כיצד מחשבים את ה-MAP לדירוג אפשרויות?
בהקשרים של מטריצות החלטה, צוותים משתמשים לעיתים ב-"MAP" באופן רופף כדי לציין ציון ממוצע משוקלל לכל אפשרות. החישוב המעשי הוא הסכום המשוקלל של ציוני קריטריונים מנורמלים; המפתח הוא לבצע נורמליזציה ולשמור על משקולות עקביות.
מה ההבדל בין שונות משותפת (covariance) למטריצת שונות משותפת?
שונות משותפת היא מספר יחיד המתאר כיצד שני משתנים נעים יחד. מטריצת שונות משותפת היא טבלה של שונויות משותפות על פני משתנים רבים; היא חשובה יותר בסטטיסטיקה ובפיננסים מאשר במטריצות ניקוד טיפוסיות, אלא אם אתם ממדלים סיכונים מתואמים.
מה אומרת לך מטריצת השונות המשותפת?
היא מראה אילו משתנים נוטים לעלות או לרדת יחד ובכמה, מה שעוזר במידול תיקי השקעות וסיכונים. עבור רוב מטריצות ההחלטות העסקיות, בדיקת רגישות פשוטה יותר על משקולות וקריטריונים לא ודאיים היא בדרך כלל ניתנת יותר לפעולה.
הצעד הבא: הפכו את הסכומים שלכם לניתנים להגנה בעמוד אחד
פתחו את המטריצה הנוכחית שלכם ועשו דבר אחד: בצעו נורמליזציה לקריטריונים והריצו מחדש את הסכומים, ואז כתבו נרטיב של שלוש פסקאות (גורמים, פשרות, השלכות) עבור שתי האפשרויות המובילות. אם אינכם יכולים להסביר מדוע המנצח ניצח, הסכומים אינם מוכנים להוביל החלטה.
כשאתם מוכנים לשמור על סכומים, יתרונות/חסרונות והשלכות מקושרים כשההקשר משתנה, הקימו לוח החלטות של Lucid. התחילו עם מפת אפשרויות נקייה, ואז השוו בתצוגות רשת, טבלה ומיקוד כך שהמתמטיקה תישאר מחוברת למציאות: https://fastlucid.com/register