મલ્ટી-ક્રાઇટેરિયા ડિસિઝન એનાલિસિસ (MCDA) ની મૂળભૂત સમજ
જ્યારે આપણે કોઈ જટિલ નિર્ણય લેવાનો હોય છે, ત્યારે આપણું મગજ એકસાથે અનેક પરિબળોની સરખામણી કરવામાં મુશ્કેલી અનુભવે છે. ઉદાહરણ તરીકે, નવું ઘર ખરીદતી વખતે કિંમત, ઓફિસથી અંતર અને ઘરની સાઈઝ જેવા વિરોધાભાસી પરિબળો વચ્ચે સંતુલન બનાવવું પડે છે. મલ્ટી-ક્રાઇટેરિયા ડિસિઝન એનાલિસિસ (MCDA) એ એક વૈજ્ઞાનિક પદ્ધતિ છે જે આવા જટિલ નિર્ણયોને નાના, માપી શકાય તેવા ભાગોમાં વિભાજિત કરે છે.
નિર્ણય મેટ્રિક્સ બિલ્ડર આ જ પદ્ધતિ પર કામ કરે છે. તે તમને તમારા વિકલ્પોને વિવિધ માપદંડો સામે વ્યવસ્થિત રીતે ગોઠવવા, દરેક માપદંડને તેની અગત્યતા મુજબ ભાર (Weight) આપવા અને દરેક વિકલ્પને સ્કોર આપવાની સુવિધા આપે છે. આ પ્રક્રિયાથી વ્યક્તિગત પૂર્વગ્રહો દૂર થાય છે અને નિર્ણય પાછળના તાર્કિક કારણો સ્પષ્ટ બને છે.
મૂલ્યાંકન માપદંડ કેવી રીતે નક્કી કરવા?
કોઈપણ નિર્ણય મેટ્રિક્સની સફળતા તેના માપદંડોની પસંદગી પર આધારિત છે. જો માપદંડ બરાબર ન હોય, તો આખું પરિણામ ખોટું આવી શકે છે. માપદંડ નક્કી કરતી વખતે નીચેની બાબતો ધ્યાનમાં રાખવી જોઈએ:
- પરસ્પર વિશિષ્ટતા (Mutually Exclusive): દરેક માપદંડ સ્વતંત્ર હોવો જોઈએ. ઉદાહરણ તરીકે, "ઓફિસથી અંતર" અને "મુસાફરીનો સમય" બંને એક જ બાબત દર્શાવે છે. આ બંનેને અલગ રાખવાને બદલે માત્ર એક જ માપદંડ રાખવો જોઈએ જેથી તે પરિબળને બમણું મહત્વ ન મળી જાય.
- મર્યાદિત સંખ્યા: બહુ વધારે માપદંડો ઉમેરવાથી મૂલ્યાંકન પ્રક્રિયા જટિલ બની જાય છે. નિષ્પક્ષ મૂલ્યાંકન પ્રક્રિયા સુનિશ્ચિત કરવા માટે માપદંડોને મર્યાદિત રાખવા જોઈએ.
- સ્પષ્ટ વ્યાખ્યા: જો તમે "શાંતિ" અથવા "જગ્યા" જેવા માપદંડ નક્કી કરો છો, તો તેનો અર્થ સ્પષ્ટ હોવો જોઈએ જેથી સ્કોરિંગ કરતી વખતે મૂંઝવણ ન થાય.
ટૂલમાં જો તમે કોઈ માપદંડનું નામ ખાલી છોડી દો છો, તો સિસ્ટમ આપમેળે તેને "માપદંડ ‹n›" તરીકે દર્શાવે છે. તમે "માપદંડ ઉમેરો" બટન પર ક્લિક કરીને નવા માપદંડો ઉમેરી શકો છો.
ભારાંક ગણતરીનું ગણિત (The Mathematics of Weighting)
નિર્ણય મેટ્રિક્સમાં દરેક માપદંડ સરખો મહત્વનો હોતો નથી. તેથી જ આપણે દરેક માપદંડને 'ભાર' (Weight) આપીએ છીએ. આ ટૂલમાં ભારાંકની ગણતરી ગુણોત્તર (Ratio) ના સિદ્ધાંત પર કામ કરે છે.
દરેક માપદંડના ભારને તમામ ભારના કુલ સરવાળા વડે ભાગવામાં આવે છે જેથી તેનો વાસ્તવિક હિસ્સો (Weight Share) નક્કી થઈ શકે. આનો અર્થ એ થાય કે માત્ર સંખ્યાઓ વચ્ચેનો સંબંધ જ મહત્વનો છે, સંખ્યાઓ કેટલી મોટી છે તે નહીં.
| માપદંડ | સેટ કરેલો ભાર (ઉદાહરણ ૧) | વાસ્તવિક હિસ્સો | સેટ કરેલો ભાર (ઉદાહરણ ૨) | વાસ્તવિક હિસ્સો |
|---|---|---|---|---|
| માસિક ખર્ચ | 5 | 35.7% | 50 | 35.7% |
| મુસાફરી | 4 | 28.6% | 40 | 28.6% |
| જગ્યા | 3 | 21.4% | 30 | 21.4% |
| શાંતિ | 2 | 14.3% | 20 | 14.3% |
ઉપરના કોષ્ટકમાં જોઈ શકાય છે તેમ, 5, 4, 3, 2 નો ભાર એ 50, 40, 30, 20 ની જેમ જ સમાન પરિણામ આપે છે.
સ્કોરિંગ પદ્ધતિ અને ગણતરીના નિયમો
આ ટૂલમાં દરેક વિકલ્પને દરેક માપદંડ માટે 1 થી 10 ની વચ્ચે સ્કોર આપવાનો હોય છે, જ્યાં 10 એ સર્વોત્તમ સ્કોર છે.
ગણતરીની ફોર્મ્યુલા:
દરેક સેલના સ્કોરને તેના માપદંડના ભારના હિસ્સા સાથે ગુણવામાં આવે છે. ત્યારબાદ, તે વિકલ્પના તમામ ગુણાકારોનો સરવાળો કરીને અંતિમ "ભારિત સ્કોર" મેળવવામાં આવે છે. આ અંતિમ સ્કોર પણ 1 થી 10 ના સ્કેલ પર જ દર્શાવવામાં આવે છે.
અમાન્ય ઇનપુટ અને ખાસ નિયમો:
- ખાલી સેલ: જો તમે કોઈ સ્કોર સેલ ખાલી છોડી દો છો, તો તેને 0 ગણવામાં આવે છે.
- મર્યાદા બહારના સ્કોર: સ્કોર ફરજિયાત 1 થી 10 ની વચ્ચે હોવો જોઈએ. જો કોઈ સેલમાં આ મર્યાદા બહારની સંખ્યા લખવામાં આવે, તો સિસ્ટમ તેને ગણતરીમાંથી બાકાત રાખે છે અને આ ભૂલ દર્શાવે છે:
"સ્કોર 1 થી 10 ની વચ્ચે હોવો જોઈએ. મર્યાદા બહારના સેલને કુલ સ્કોરમાંથી બાકાત રાખવામાં આવે છે." - અમાન્ય ભાર: ભાર હંમેશા શૂન્ય અથવા હકારાત્મક સંખ્યા હોવો જોઈએ. જો અમાન્ય ભાર લખવામાં આવે તો તે 0 ગણાય છે અને આ ભૂલ દેખાય છે:
"ભાર શૂન્ય અથવા હકારાત્મક હોવો જોઈએ. અમાન્ય ભારને 0 ગણવામાં આવે છે." - તમામ ભાર શૂન્ય: જો બધા જ માપદંડોનો ભાર 0 સેટ કરવામાં આવે, તો ગણતરી અટકી જાય છે અને આ મેસેજ દેખાય છે:
"ક્રમની ગણતરી કરવા માટે ઓછામાં ઓછો એક ભાર 0 થી વધુ સેટ કરો."
સેન્સિટિવિટી એનાલિસિસ અને રેન્કિંગ સ્થિરતા
જ્યારે આપણે કોઈ નિર્ણય પર પહોંચીએ છીએ, ત્યારે પ્રશ્ન થાય છે કે: "જો મારી પ્રાથમિકતાઓ થોડી બદલાય, તો શું મારો નિર્ણય બદલાઈ જશે?" આ બાબતને ચકાસવા માટે ટૂલ "રેન્કિંગ સ્થિરતા" (Sensitivity Analysis) દર્શાવે છે.
જો તમે માત્ર એક જ વિકલ્પ સ્કોર કર્યો હશે, તો ટૂલ સૂચના આપશે: "અગ્રણી સ્થાન કેટલું સ્થિર છે તે ચકાસવા માટે બીજો વિકલ્પ સ્કોર કરો."
જ્યારે બે કે તેથી વધુ વિકલ્પો સ્કોર થાય છે, ત્યારે સિસ્ટમ ગણતરી કરે છે કે અગ્રણી વિકલ્પનું સ્થાન કેટલું મજબૂત છે.
- જો તમારો નિર્ણય ખૂબ જ સ્પષ્ટ હોય અને કોઈ એક માપદંડનો ભાર બદલવાથી પણ વિજેતા વિકલ્પ ન બદલાય, તો ટૂલ દર્શાવશે:
"કોઈપણ એક ભાર બદલવાથી અગ્રણી સ્થાન બદલાતું નથી." - જો ભારમાં થોડો ફેરફાર કરવાથી બીજો વિકલ્પ વિજેતા બની શકે તેમ હોય, તો ટૂલ ચોક્કસ ફ્લિપ પોઇન્ટ દર્શાવશે, જેમ કે:
"જો ‹criterion› કુલ ભારના ‹share› થી ઉપર જાય, તો ‹rival› આગળ નીકળી જશે."અથવા"જો ‹criterion› કુલ ભારના ‹share› થી નીચે જાય, તો ‹rival› આગળ નીકળી જશે."
આનાથી તમને ખબર પડે છે કે તમારો નિર્ણય કેટલો સંવેદનશીલ છે અને કયા માપદંડ પર તમારો આખો નિર્ણય ટકેલો છે.
ડેટા સુરક્ષા અને પ્રાઇવસી
આ ટૂલનો ઉપયોગ કરતી વખતે તમારી ગોપનીયતા સંપૂર્ણપણે સુરક્ષિત રહે છે. તમે જે પણ વિકલ્પો, માપદંડો, ભાર અથવા સ્કોર દાખલ કરો છો તે ક્યારેય કોઈ સર્વર પર અપલોડ થતા નથી. આ તમામ ડેટા ફક્ત તમારા બ્રાઉઝરના લોકલ સ્ટોરેજ (Local Storage) માં જ સંગ્રહિત થાય છે.
જ્યારે તમે પેજ બંધ કરો છો ત્યારે પણ તમારો ડેટા સુરક્ષિત રહે છે. જો તમે આ ડેટાને કાયમ માટે ડિલીટ કરવા માંગો છો, તો તમે "સાફ કરો" બટન પર ક્લિક કરી શકો છો. આ બટન દબાવતા જ સિસ્ટમ કન્ફર્મેશન માંગશે: "આખું મેટ્રિક્સ સાફ કરવું છે? આનાથી આ ઉપકરણ પર સાચવેલી નકલ પણ દૂર થઈ જશે."
વારંવાર પૂછાતા પ્રશ્નો (FAQ)
પ્રશ્ન: શું આ ટૂલ મારા વતી નિર્ણય લે છે?
ઉત્તર: ના. તે તમારા દ્વારા આપવામાં આવેલા અંકોનો સરવાળો કરે છે જેથી બાંધછોડ સ્પષ્ટ દેખાય. જો ટોચનો વિકલ્પ ખોટો લાગે, તો તેને કોઈ ભાર અથવા સ્કોરની ફરી મુલાકાત લેવાના સંકેત તરીકે ગણો — મેટ્રિક્સ તે ધારણાઓને સ્પષ્ટ કરે છે, તેનો ન્યાય કરતું નથી.
પ્રશ્ન: ભારિત સ્કોરની ગણતરી કેવી રીતે કરવામાં આવે છે?
ઉત્તર: દરેક માપદંડના ભારને તમામ ભારના કુલ સરવાળા વડે ભાગવામાં આવે છે, તેથી માત્ર ગુણોત્તર જ મહત્વનો છે — 5, 4, 3, 2 નો ભાર એ 50, 40, 30, 20 ની જેમ જ કામ કરે છે. દરેક સ્કોરને તેના માપદંડના હિસ્સા સાથે ગુણવામાં આવે છે, અને વિકલ્પનો ભારિત સ્કોર એ તેનો સરવાળો છે, જે તમારા સ્કોરની જેમ જ 1–10 ના સ્કેલ પર દર્શાવવામાં આવે છે.
પ્રશ્ન: શું હું પછીથી મેટ્રિક્સ ચાલુ રાખી શકું?
ઉત્તર: હા — મેટ્રિક્સ આ બ્રાઉઝરના સ્થાનિક સ્ટોરેજમાં રાખવામાં આવે છે, જેથી તમે પેજ બંધ કરી શકો છો અને જ્યાંથી છોડ્યું હતું ત્યાંથી જ શરૂ કરી શકો છો. તેને ભૂંસી નાખવા માટે 'સાફ કરો' નો ઉપયોગ કરો અથવા તમારા બ્રાઉઝરનો સાઇટ ડેટા સાફ કરો.
પ્રશ્ન: સ્થિરતા રીડઆઉટનો અર્થ શું છે?
ઉત્તર: વર્તમાન અગ્રણી વિકલ્પ માટે, તે દર્શાવે છે કે અન્ય વિકલ્પ આગળ નીકળી જાય તે પહેલાં કુલ ભારમાં કોઈ એક માપદંડનો હિસ્સો કેટલો બદલવો પડશે. જો ફ્લિપ પોઇન્ટ ઘણો દૂર હોય — અથવા કોઈ ફ્લિપ પોઇન્ટ જ ન હોય — તો તેનો અર્થ એ છે કે રેન્કિંગ મજબૂત છે; જો તે નજીક હોય તો તેનો અર્થ એ છે કે ભાર વિશેના વિચારોમાં થોડો ફેરફાર પણ જવાબ બદલી નાખે છે.