ניתוח החלטות מרובות קריטריונים (MCDA) הוא דרך מעשית לקבל החלטות בעלות משקל רב כאשר יש לכם מטרות מתחרות (למשל, עלות מול מהירות מול סיכון). במדריך זה, אציג את תהליך העבודה המדויק של ניתוח החלטות מרובות קריטריונים שאני מפעיל עם צוותים: כיצד לבחור קריטריונים ומשקלים, לדרג אפשרויות ללא הטיות, לנרמל תוצאות ולבצע בדיקות עמידות (Stress-test) לתוצאה כדי שתוכלו להגן על ההחלטה בהמשך.
מהו ניתוח החלטות מרובות קריטריונים ומתי כדאי להשתמש בו?
ניתוח החלטות מרובות קריטריונים (MCDA) הוא מודל קבלת החלטות להשוואת אפשרויות כאשר אין מדד יחיד שיכול לקבוע מנצח. אתם מתרגמים בעיה מורכבת לקריטריונים מפורשים, מקצים משקלים המשקפים סדרי עדיפויות, מדרגים כל אפשרות, ולאחר מכן מחשבים תוצאה מדורגת שניתן לבחון ולאתגר.
זו אינה תיאוריית החלטות אקדמית לשם שמיים. בשימוש נכון, MCDA הוא מודל רציונלי לקבלת החלטות שהופך פשרות לגלויות, מחייב הגדרות ברורות ומייצר תיעוד החלטה שהצוות שלכם יכול לעמוד מאחוריו.
השתמשו ב-MCDA כאשר מתקיימים שלושה תנאים:
ההחלטה יקרה לביטול (זמן, כסף, אמון, ציות).
בעלי עניין חלוקים בדעתם לגבי מה המשמעות של "הטוב ביותר".
לאפשרויות יש השלכות מעורבות על פני מטרות מרובות.
אני פונה ל-MCDA בעבודה על מוצרים ותפעול כאשר אנחנו בוחרים בין ספקים, בוחרים הימור במפת הדרכים, מתכננים מחדש תהליך עבודה, או מחליטים אם לבנות או לקנות. זהו גם כלי אידיאלי כאשר הצוות שלכם ממשיך להסתובב סביב אותם ויכוחים מכיוון שהקריטריונים משתמעים ומשתנים.
אם ההחלטה הפיכה ובעלת השפעה נמוכה, מסגרת עבודה קלה כמו מטריצת השפעה מול מאמץ עשויה להספיק. לקבלת סט עמוק יותר של מסגרות, השאירו את מסגרות קבלת החלטות: המדריך המלא פתוח כהפניה בזמן שאתם מחליטים כמה כבד התהליך צריך להיות.
כיצד בוחרים קריטריונים ומשקלים להחלטה?
ניתוח החלטות מרובות קריטריונים מתחיל או נכשל באיכות הקריטריונים. מצב הכשל שאני רואה הכי הרבה: צוותים בוחרים קריטריונים מעורפלים ("התאמה אסטרטגית") ואז מתווכחים על המשמעות שלהם בזמן הדירוג. מצב הכשל השני: צוותים בוחרים קריטריונים חופפים ("זמן הטמעה" ו-"מאמץ הנדסי") וסופרים פעמיים את אותו רעיון.
קריטריונים לניתוח החלטות מרובות קריטריונים צריכים להיות:
מובחנים (ללא חפיפה)
תפעוליים (ניתן לצפות בהם או להעריך אותם)
כיווניים (גבוה יותר זה טוב יותר או נמוך יותר זה טוב יותר, לא שניהם)
מוגדרים (משפט אחד שחבר צוות חדש יכול ליישם)
דרך פשוטה להגיע לכך היא לכתוב את ההחלטה בשורה אחת, ואז לאלץ כל קריטריון לענות על השאלה: "מה יגרום לנו להתחרט על האפשרות הזו בעוד 6 חודשים?" שאלה זו מושכת פנימה השלכות, לא רק תכונות.
תבנית קריטריונים שמונעת עמימות
לפני השקלול, נעלו כל קריטריון עם ארבעה שדות: הגדרה, מדד עקיף, סולם דירוג, ו-"איך נראה הצלחה". זהו המבנה המדויק שבו אני משתמש בסדנאות מכיוון שהוא מונע ויכוחים חוזרים על משמעות באמצע התהליך.
קריטריון
הגדרה (משפט אחד)
מדד עקיף
סולם דירוג (דוגמה)
מהירות הטמעה
זמן עד שהתוצאה השימושית הראשונה באוויר
שבועות להשקה
1 = 12+ שבועות, 3 = 6 שבועות, 5 = 2 שבועות
סיכון
סבירות והשפעה של מצבי כשל
ספירת/חומרת מרשם סיכונים
1 = חומרה גבוהה ולא ידועים, 5 = מובן היטב + הקלות
עלות כוללת
עלות מלאה לאורך האופק הנבחר
TCO שנה ראשונה
1 = הגבוה ביותר, 5 = הנמוך ביותר
גמישות
יכולת לשנות כיוון מאוחר יותר
הערכת עלות החלפה
1 = נעול, 5 = מודולרי
כעת משקלים. שקלול הוא המקום שבו פוליטיקה נכנסת, אז התייחסו אליו כאל משא ומתן מובנה.
שתי שיטות שקלול עובדות בצורה אמינה:
שיטה א': הקצאת 100 נקודות. תנו לקבוצה 100 נקודות לחלוקה בין הקריטריונים. זה מחייב פשרות כי אי אפשר לדרג הכל כ-"קריטי".
שיטה ב': השוואות זוגיות. השוו קריטריונים שניים בכל פעם: "אם אנחנו יכולים לנצח רק באחד, מה חשוב יותר?" זה איטי יותר אך מייצר סדרי עדיפויות ברורים יותר והוא עמוד השדרה של גישות בסגנון AHP (תהליך היררכיה אנליטי). אם אתם רוצים את המתמטיקה הרשמית, ראו את הסיכום של AHP ב-סיכום השיטה של Saaty בוויקיפדיה ושמרו על פרגמטיות: הערך הוא בהשוואה הכפויה, לא ביחס המושלם.
הכלל שלי: אם יש לכם יותר מ-8 קריטריונים, המודל שלכם כנראה מפצה על חשיבה לא ברורה. צמצמו עד שהקריטריונים ירגישו חדים.
דירוג בניתוח החלטות מרובות קריטריונים נכשל כאשר הקבוצה מדרגת על בסיס תחושות בטן, עדכניות, או מי שמדבר אחרון. התיקון הוא תהליך שמפריד בין איסוף ראיות לדירוג, ובין דירוג לצבירה.
התחילו בהגדרת סט האפשרויות. היו קפדניים: אפשרויות חייבות להיות בחירות שמוציאות זו את זו, לא חבילות שחופפות. אם יש לכם "אפשרות א': ספק X" ו-"אפשרות ב': ספק X פלוס בנייה מותאמת אישית", אתם מדרגים שני היקפים שונים. תקנו את ההיקף קודם.
לאחר מכן בצעו את הדירוג בשלושה שלבים:
שלב הראיות (ללא ציונים). כל אפשרות מקבלת "דף עובדות" קצר לכל קריטריון: נתונים ידועים, הנחות ודברים לא ידועים.
שלב דירוג שקט. כולם מדרגים באופן עצמאי. זו הדרך הפשוטה ביותר להפחית דינמיקות של קבלת החלטות חד-צדדית שבה הקול החזק ביותר קובע את העוגן.
שלב כיול. דנו רק בפערים הגדולים ביותר ועדכנו ציונים אם עולות ראיות חדשות.
כאן מטריצת החלטות משוקללת הופכת לשימושית, כי היא מאלצת את השיחה לתוך עמודות בנות השוואה.
נרמול: הצעד שרוב הצוותים מדלגים עליו (ומתחרטים)
אם קריטריונים נמדדים ביחידות שונות (דולרים, שבועות, נקודות NPS), אתם צריכים נרמול לפני שילובם. אחרת, קריטריון אחד יכול להשתלט רק בגלל שהמספרים גדולים יותר.
גישת נרמול מעשית לשימוש צוותי היא קנה מידה של מינימום-מקסימום לציון 1-5:
עבור "גבוה יותר זה טוב יותר":
מנורמל = 1 + 4 * (x - min) / (max - min)
עבור "נמוך יותר זה טוב יותר" (כמו עלות):
מנורמל = 1 + 4 * (max - x) / (max - min)
אתם לא צריכים להיות מושלמים. אתם צריכים להיות עקביים ומפורשים כדי שמישהו יוכל לבקר את זה מאוחר יותר. לקבלת ביסוס עמוק יותר על האופן שבו דירוג החלטות מתייחס למדידה ואי-ודאות, התיעוד של גוגל על חשיבת הערכה ב-ML הוא מודל מחשבתי שימושי גם מחוץ ל-ML: המדריך של גוגל למושגי הערכת מודלים מראה מדוע מדדים וספים חשובים כאשר לתוצאות יש פשרות.
מטריצת החלטות משוקללת שניתן להעתיק
אפשרות
מהירות (25%)
סיכון (30%)
עלות (20%)
גמישות (25%)
סה"כ משוקלל
א
4
2
3
3
2.95
ב
3
4
2
4
3.45
ג
5
1
4
2
2.70
החלק החשוב הוא לא הסה"כ. החלק החשוב הוא היכולת לומר: "אפשרות ב' מנצחת כי היא טובה משמעותית בסיכון ובגמישות, ואלו היו סדרי העדיפויות העליונים שלנו."
המשפט הזה הוא מה ששורד את הרבעון הבא כשההקשר משתנה ומישהו שואל למה בחרתם במה שבחרתם.
כיצד בודקים עמידות של תוצאות ומתעדים השלכות?
ניתוח החלטות מרובות קריטריונים אמין רק אם הוא שורד בדיקות עמידות. ה-"מלכודת" הנפוצה ביותר היא שהמנצח משתנה אם משנים משקל אחד מעט. זה לא כישלון, זה איתות: ההחלטה שלכם רגישה, לכן עליכם להתייחס אליה כאל סיכון גבוה יותר ולהשקיע בהפחתת סיכונים.
ניתוח רגישות: מצאו את המשקלים שבאמת חשובים
ניתוח רגישות שואל: "אם נשנה משקלים בטווח סביר, האם המנצח משתנה?" עשו זאת גם אם אתם תחת לחץ זמן. ראיתי צוותים בוחרים את הספק הלא נכון כי הם מעולם לא למדו שההחלטה נשענה על הנחת משקל אחת שבעל עניין אחד לא הסכים איתה.
גישה מהירה:
בחרו את 2 הקריטריונים בעלי המשקל הגבוה ביותר.
הזיזו כל משקל למעלה ולמטה ב-10-20% (נרמלו מחדש כך שהמשקלים עדיין יסתכמו ל-100%).
חשבו מחדש את הדירוגים.
אם המנצח מתחלף בקלות, יש לכם החלטה שבירה. זה בדרך כלל אומר אחד משלושה דברים: ראיות הדירוג שלכם חלשות, הקריטריונים שלכם חופפים, או שבעלי העניין שלכם לא באמת מסכימים על סדרי עדיפויות.
ניתוח תרחישים: המציאות לעיתים רחוקות נשארת במקום
ניתוח תרחישים הוא בדיקת העמידות השנייה: אתם מריצים מחדש את המודל תחת עתידים סבירים שונים. למשל: קיצוץ בתקציב, הקפאת גיוס, דרישת ציות חדשה, או מהלך של מתחרה. כאן ההשלכות סוף סוף הופכות לקונקרטיות.
אני ממליץ לכתוב השלכות בשלושה אופקי זמן עבור 2 האפשרויות המובילות: 30 יום, 90 יום, 12 חודשים. שמרו על זה ספציפי: מה נשבר, מה נהיה קל יותר, מה הופך לבלתי הפיך.
אם אתם רוצים מבנה קל לשמירה על עקביות זו לאורך החלטות, התייחסו לזה כאל ניתוח ביצועים עבור הבחירות שלכם: מה חזינו, מה קרה, ומה היינו משנים במודל בפעם הבאה.
יומני החלטות: התיעוד שמציל אתכם מאוחר יותר
יומן החלטות הוא תיעוד קצר של מה החלטתם, למה, ומה יגרום לכם לבחון זאת מחדש. צוותים מדלגים על זה, ואז משלמים על כך מאוחר יותר כשההקשר משתנה ואף אחד לא זוכר את האילוצים המקוריים.
לפחות, תעדו:
את התוצאה המדורגת הסופית והגורמים המובילים (קריטריונים + ציונים)
את הנחות המפתח והדברים הלא ידועים
את "טריגרים לבחינה מחדש" (תאריכים, מדדים, אירועים)
את הבעלים ותאריך הבדיקה הבא
כאן גם מציינים אילוצים במפורש (דברים שאינם ניתנים למשא ומתן כמו דרישות משפטיות, מועדי השקה, או אילוצים ארכיטקטוניים). אילוצים אינם קריטריונים. אילוצים הם מסננים. ערבוב ביניהם הוא הדרך שבה צוותים מסיימים לתת "2 מתוך 5" על "חייב להיות תואם SOC 2", שזה חסר היגיון.
תהליך עבודה צוותי מעשי (ואיפה לוח החלטות מבוסס בינה מלאכותית משתלב)
אם אתם מריצים MCDA עם צוות, החלק הקשה הוא לא המתמטיקה. זה לשמור על המודל עקבי ככל שמידע חדש מגיע. מישהו מוסיף דרישת בעל עניין חדשה, הערכת עלות משתנה, או שאתם מגלים סיכון חדש. פתאום לגיליון האלקטרוני שלכם יש שלוש גרסאות וכולם מתווכחים מתוך לשונית אחרת.
זו הסיבה שבנינו את Lucid: להפוך הקשר חופשי למפת אפשרויות מובנית שנשארת קוהרנטית ככל שההחלטה מתפתחת. אתם יכולים להדביק הערות או להקליט תמלול קולי מהיר, ו-Lucid מייצר לוח אפשרויות עם יתרונות, חסרונות והשלכות עתידיות. לאחר מכן אתם משווים אפשרויות זו לצד זו בתצוגת רשת, תצוגת טבלה או תצוגת מיקוד, תלוי אם אתם צריכים רוחב או עומק.
כאשר צוותים מאמצים זאת, שני דברים משתפרים מיד:
ראשית, קלטים של בעלי עניין מפסיקים ללכת לאיבוד בסיכומי פגישות. שנית, עדכונים מתפשטים דרך אותו מבנה החלטה במקום ליצור מסמכים מקבילים. אם הצוות שלכם עדיין בוחר מסגרת החלטה רחבה יותר לפני התחייבות ל-MCDA, התחילו עם כיצד לבחור מסגרת קבלת החלטות לצוות שלכם ואז סטנדרטיזו את תהליך העבודה.
תהליך MCDA טוב הוא מערכת. מערכות מנצחות כי הן ניתנות לחזרה.
שאלות נפוצות
מהם היתרונות והחסרונות של בינה מלאכותית לקבלת החלטות?
בינה מלאכותית מהירה בסינתזה של קלטים מבולגנים, יצירת אפשרויות, וחשיפת השלכות מסדר שני שאולי תפספסו. הסיכון הוא ביטחון שווא: אם הקריטריונים, המשקלים או ההנחות שלכם שגויים, בינה מלאכותית יכולה לעזור לכם להגיע לתשובה הלא נכונה מהר יותר.
מהם 5 היתרונות ו-5 החסרונות של בינה מלאכותית?
יתרונות: מהירות, רוחב אפשרויות, עקביות, תיעוד וחקר תרחישים. חסרונות: עובדות הזויות (הזיות), הטיות נסתרות, אחריות חלשה, הסתמכות יתר, וסיכוני פרטיות/אבטחה אם אתם מדביקים נתונים רגישים לכלי הלא נכון.
מה מטריצת השונות המשותפת (Covariance Matrix) אומרת לכם?
מטריצת שונות משותפת מסכמת כיצד משתנים נעים יחד על פני נתונים, מה שחשוב כשאתם ממדלים סיכונים או תוצאות מתואמים. ברוב סדנאות ה-MCDA הצוותיות, אתם לא צריכים את זה אלא אם אתם מכמתים אי-ודאות עם מערכי נתונים אמיתיים.
מה ההבדל בין שונות משותפת (Covariance) למטריצת שונות משותפת?
שונות משותפת היא מספר יחיד המתאר כיצד שני משתנים משתנים יחד. מטריצת שונות משותפת היא טבלת השונויות המשותפות עבור משתנים רבים בבת אחת, המשמשת בסטטיסטיקה, פיננסים ומודלים רב-משתניים.
הצעד הבא: הריצו את ה-MCDA הראשון שלכם ב-45 דקות
בחרו החלטה אמיתית עם 3-5 אפשרויות ו-5-7 קריטריונים. נעלו הגדרות תחילה, לאחר מכן בצעו דירוג שקט, ואז הריצו ניתוח רגישות מהיר על שני המשקלים המובילים שלכם. אם אתם רוצים את הדרך המהירה ביותר מהקשר מבולגן למפת אפשרויות נקייה שמתעדכנת כשהמציאות משתנה, צרו לוח Lucid והזמינו את בעלי העניין שלכם לדרג את אותו מבנה: צרו את חשבון ה-Lucid שלכם כדי להתחיל לוח החלטות.
ניתוח החלטות מרובות קריטריונים: המדריך המלא | Lucid