ਫੈਸਲਾ ਮੈਟ੍ਰਿਕਸ ਬਿਲਡਰ

ਭਾਰਿਤ ਮਾਪਦੰਡਾਂ ਦੇ ਮੁਕਾਬਲੇ ਵਿਕਲਪਾਂ ਨੂੰ ਸਕੋਰ ਦਿਓ ਅਤੇ ਟਾਈਪ ਕਰਦੇ ਸਮੇਂ ਰੈਂਕਿੰਗ, ਭਾਰ ਦੇ ਹਿੱਸੇ ਅਤੇ ਬਦਲਾਅ ਬਿੰਦੂਆਂ ਨੂੰ ਲਾਈਵ ਅੱਪਡੇਟ ਹੁੰਦੇ ਦੇਖੋ।

ਕੋਈ ਵੀ ਸਕਾਰਾਤਮਕ ਸੰਖਿਆਵਾਂ — ਸਿਰਫ਼ ਅਨੁਪਾਤ ਹੀ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ।ਸਕੋਰ 1–10 ਤੱਕ ਹੁੰਦੇ ਹਨ, ਜਿੰਨਾ ਵੱਧ ਹੋਵੇ ਉੱਨਾ ਵਧੀਆ ਹੈ। ਖਾਲੀ ਸੈੱਲਾਂ ਨੂੰ 0 ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।

ਮਾਪਦੰਡਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ, ਭਾਰ ਸੈੱਟ ਕਰੋ ਅਤੇ ਹਰੇਕ ਵਿਕਲਪ ਨੂੰ 1 ਤੋਂ 10 ਤੱਕ ਸਕੋਰ ਦਿਓ।

ਤੁਹਾਡੇ ਵਿਕਲਪ, ਮਾਪਦੰਡ, ਭਾਰ ਅਤੇ ਸਕੋਰ ਇਸੇ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ। ਮੈਟ੍ਰਿਕਸ ਸਿਰਫ਼ ਇਸ ਡਿਵਾਈਸ 'ਤੇ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕਦੇ ਵੀ ਅੱਪਲੋਡ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ।

ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ

ਭਾਰਿਤ ਸਕੋਰ ਦੀ ਗਣਨਾ ਕਿਵੇਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ?

ਹਰੇਕ ਮਾਪਦੰਡ ਦੇ ਭਾਰ ਨੂੰ ਸਾਰੇ ਭਾਰਾਂ ਦੇ ਕੁੱਲ ਜੋੜ ਨਾਲ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ, ਇਸ ਲਈ ਸਿਰਫ਼ ਅਨੁਪਾਤ ਹੀ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ — 5, 4, 3, 2 ਦਾ ਭਾਰ 50, 40, 30, 20 ਵਾਂਗ ਹੀ ਕੰਮ ਕਰਦਾ ਹੈ। ਹਰੇਕ ਸਕੋਰ ਨੂੰ ਉਸ ਦੇ ਮਾਪਦੰਡ ਦੇ ਹਿੱਸੇ ਨਾਲ ਗੁਣਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਕਿਸੇ ਵਿਕਲਪ ਦਾ ਭਾਰਿਤ ਸਕੋਰ ਉਸ ਦਾ ਜੋੜ ਹੁੰਦਾ ਹੈ, ਜੋ ਤੁਹਾਡੇ ਸਕੋਰਾਂ ਵਾਂਗ ਹੀ 1–10 ਦੇ ਪੈਮਾਨੇ 'ਤੇ ਦਿਖਾਇਆ ਜਾਂਦਾ ਹੈ।

ਸਥਿਰਤਾ ਰੀਡਆਊਟ ਦਾ ਕੀ ਅਰਥ ਹੈ?

ਮੌਜੂਦਾ ਮੋਹਰੀ ਵਿਕਲਪ ਲਈ ਇਹ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਕਿਸੇ ਹੋਰ ਵਿਕਲਪ ਦੇ ਅੱਗੇ ਲੰਘਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਮਾਪਦੰਡ ਦੇ ਕੁੱਲ ਭਾਰ ਦੇ ਹਿੱਸੇ ਨੂੰ ਕਿੰਨਾ ਬਦਲਣਾ ਪਵੇਗਾ। ਜੇਕਰ ਬਦਲਾਅ ਬਿੰਦੂ ਬਹੁਤ ਦੂਰ ਹੈ — ਜਾਂ ਕੋਈ ਬਦਲਾਅ ਬਿੰਦੂ ਹੈ ਹੀ ਨਹੀਂ — ਤਾਂ ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਰੈਂਕਿੰਗ ਮਜ਼ਬੂਤ ਹੈ; ਜੇਕਰ ਇਹ ਬਹੁਤ ਨੇੜੇ ਹੈ ਤਾਂ ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਭਾਰ ਬਾਰੇ ਮਾਮੂਲੀ ਜਿਹੀ ਰਾਏ ਬਦਲਣ ਨਾਲ ਵੀ ਨਤੀਜਾ ਬਦਲ ਜਾਵੇਗਾ।

ਕੀ ਇਹ ਟੂਲ ਮੇਰੇ ਲਈ ਫੈਸਲਾ ਲੈਂਦਾ ਹੈ?

ਨਹੀਂ। ਇਹ ਤੁਹਾਡੇ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਅੰਕਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਤਾਂ ਜੋ ਫ਼ਾਇਦੇ-ਨੁਕਸਾਨ ਸਾਹਮਣੇ ਦਿਖਾਈ ਦੇਣ। ਜੇਕਰ ਸਭ ਤੋਂ ਉੱਪਰਲਾ ਵਿਕਲਪ ਗਲਤ ਲੱਗਦਾ ਹੈ, ਤਾਂ ਇਸ ਨੂੰ ਕਿਸੇ ਭਾਰ ਜਾਂ ਸਕੋਰ 'ਤੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਦੇ ਸੰਕੇਤ ਵਜੋਂ ਲਓ — ਮੈਟ੍ਰਿਕਸ ਉਨ੍ਹਾਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਕਰਦਾ ਹੈ, ਇਹ ਉਨ੍ਹਾਂ ਦਾ ਨਿਰਣਾ ਨਹੀਂ ਕਰਦਾ।

ਕੀ ਮੈਂ ਬਾਅਦ ਵਿੱਚ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਜਾਰੀ ਰੱਖ ਸਕਦਾ ਹਾਂ?

ਹਾਂ — ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਇਸ ਬ੍ਰਾਊਜ਼ਰ ਦੇ ਲੋਕਲ ਸਟੋਰੇਜ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਤੁਸੀਂ ਪੇਜ ਨੂੰ ਬੰਦ ਕਰ ਸਕੋ ਅਤੇ ਉੱਥੋਂ ਹੀ ਸ਼ੁਰੂ ਕਰ ਸਕੋ ਜਿੱਥੇ ਤੁਸੀਂ ਛੱਡਿਆ ਸੀ। ਇਸ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਿਟਾਉਣ ਲਈ 'ਸਾਫ਼ ਕਰੋ' ਦੀ ਵਰਤੋਂ ਕਰੋ, ਜਾਂ ਆਪਣੇ ਬ੍ਰਾਊਜ਼ਰ ਦਾ ਸਾਈਟ ਡਾਟਾ ਸਾਫ਼ ਕਰੋ।

BroBroGo ਸੰਪਾਦਕੀ ਟੀਮ ਵੱਲੋਂ ਲਿਖਿਆ ਅਤੇ ਜਾਂਚਿਆ ਗਿਆ।ਆਖਰੀ ਅੱਪਡੇਟ: 2026-07-25

ਬਹੁ-ਮਾਪਦੰਡ ਫੈਸਲਾ ਵਿਸ਼ਲੇਸ਼ਣ (MCDA) ਅਤੇ ਇਸਦਾ ਮਹੱਤਵ

ਜਦੋਂ ਸਾਨੂੰ ਕਈ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਦੀ ਚੋਣ ਕਰਨੀ ਪੈਂਦੀ ਹੈ, ਤਾਂ ਅਕਸਰ ਸਾਡਾ ਦਿਮਾਗ ਸਾਰੇ ਫ਼ਾਇਦਿਆਂ ਅਤੇ ਨੁਕਸਾਨਾਂ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਤੋਲਣ ਵਿੱਚ ਅਸਮਰੱਥ ਹੋ ਜਾਂਦਾ ਹੈ। ਅਜਿਹੀ ਸਥਿਤੀ ਵਿੱਚ ਬਹੁ-ਮਾਪਦੰਡ ਫੈਸਲਾ ਵਿਸ਼ਲੇਸ਼ਣ (Multi-Criteria Decision Analysis ਜਾਂ MCDA) ਇੱਕ ਵਿਗਿਆਨਕ ਅਤੇ ਵਿਵਸਥਿਤ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਵਿਧੀ ਗੁੰਝਲਦਾਰ ਫੈਸਲਿਆਂ ਨੂੰ ਛੋਟੇ, ਮਾਪਣਯੋਗ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਦੀ ਹੈ।

"ਫੈਸਲਾ ਮੈਟ੍ਰਿਕਸ ਬਿਲਡਰ" ਇਸੇ MCDA ਸਿਧਾਂਤ 'ਤੇ ਅਧਾਰਤ ਇੱਕ ਮੁਫ਼ਤ ਔਨਲਾਈਨ ਟੂਲ ਹੈ। ਇਹ ਤੁਹਾਨੂੰ ਵੱਖ-ਵੱਖ ਵਿਕਲਪਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਮਾਪਦੰਡਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਭਾਰ ਦੇ ਅਧਾਰ 'ਤੇ ਪਰਖਣ ਦੀ ਸਹੂਲਤ ਦਿੰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ ਕੋਈ ਘਰ ਖਰੀਦਦਾਰ ਸ਼ਹਿਰ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਫਲੈਟ, ਉਪਨਗਰੀ ਘਰ, ਅਤੇ ਛੋਟੇ ਕਸਬੇ ਵਿੱਚ ਸਟੂਡੀਓ ਵਿਚਕਾਰ ਚੋਣ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ, ਤਾਂ ਉਹ ਮਹੀਨਾਵਾਰ ਖਰਚਾ, ਆਉਣ-ਜਾਣ ਦਾ ਸਫ਼ਰ, ਜਗ੍ਹਾ, ਅਤੇ ਸ਼ਾਂਤੀ ਵਰਗੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਇੱਕੋ ਸਾਰਣੀ ਵਿੱਚ ਰੱਖ ਕੇ ਤੁਲਨਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਪ੍ਰਕਿਰਿਆ ਫੈਸਲੇ ਲੈਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚੋਂ ਵਿਅਕਤੀਗਤ ਪੱਖਪਾਤ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ ਅਤੇ ਸਾਰੀਆਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਸਾਹਮਣੇ ਲਿਆਉਂਦੀ ਹੈ।

ਮੁਲਾਂਕਣ ਮਾਪਦੰਡ ਅਤੇ ਵਿਕਲਪਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ

ਇੱਕ ਸਹੀ ਫੈਸਲਾ ਮੈਟ੍ਰਿਕਸ ਬਣਾਉਣ ਲਈ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਸਹੀ ਮਾਪਦੰਡਾਂ (Criteria) ਅਤੇ ਵਿਕਲਪਾਂ (Options) ਦੀ ਚੋਣ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ।

ਮਾਪਦੰਡ (Criteria): ਇਹ ਉਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਾਂ ਲੋੜਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਵਿਕਲਪਾਂ ਨੂੰ ਪਰਖਿਆ ਜਾਵੇਗਾ। ਟੂਲ ਵਿੱਚ ਤੁਸੀਂ "ਮਾਪਦੰਡ ਜੋੜੋ" ਬਟਨ ਰਾਹੀਂ ਨਵੇਂ ਮਾਪਦੰਡ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ। ਜੇਕਰ ਤੁਸੀਂ ਕਿਸੇ ਮਾਪਦੰਡ ਦਾ ਨਾਮ ਖਾਲੀ ਛੱਡ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਸਿਸਟਮ ਆਪਣੇ ਆਪ ਇਸ ਨੂੰ "ਮਾਪਦੰਡ ‹n›" ਵਜੋਂ ਸੈੱਟ ਕਰ ਦਿੰਦਾ ਹੈ।
ਵਿਕਲਪ (Options): ਇਹ ਉਹ ਉਪਲਬਧ ਚੋਣਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿਚਕਾਰ ਤੁਸੀਂ ਫੈਸਲਾ ਕਰਨਾ ਹੈ। ਨਵੇਂ ਵਿਕਲਪ ਜੋੜਨ ਲਈ "ਵਿਕਲਪ ਜੋੜੋ" ਬਟਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਖਾਲੀ ਛੱਡਣ 'ਤੇ ਇਹ ਡਿਫੌਲਟ ਰੂਪ ਵਿੱਚ "ਵਿਕਲਪ ‹n›" ਬਣ ਜਾਂਦੇ ਹਨ।

ਮਾਪਦੰਡਾਂ ਦੀ ਚੋਣ ਕਰਦੇ ਸਮੇਂ ਇਹ ਧਿਆਨ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹ ਇੱਕ ਦੂਜੇ ਨਾਲ ਓਵਰਲੈਪ ਨਾ ਕਰਨ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਤੁਸੀਂ "ਮਹੀਨਾਵਾਰ ਖਰਚਾ" ਸ਼ਾਮਲ ਕੀਤਾ ਹੈ, ਤਾਂ "ਬਿਜਲੀ ਦਾ ਬਿੱਲ" ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਜੋੜਨ ਨਾਲ ਇੱਕੋ ਪਹਿਲੂ ਨੂੰ ਦੋ ਵਾਰ ਭਾਰ ਮਿਲ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਨਤੀਜੇ ਪ੍ਰਭਾਵਿਤ ਹੋ ਸਕਦੇ ਹਨ।

ਭਾਰ ਨਿਰਧਾਰਤ ਕਰਨ ਦਾ ਗਣਿਤ

ਫੈਸਲਾ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਹਰੇਕ ਮਾਪਦੰਡ ਦਾ ਮਹੱਤਵ ਬਰਾਬਰ ਨਹੀਂ ਹੁੰਦਾ। ਇਸ ਲਈ, ਹਰੇਕ ਮਾਪਦੰਡ ਨੂੰ ਇੱਕ "ਭਾਰ" (Weight) ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਟੂਲ ਵਿੱਚ ਭਾਰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਗਣਿਤਕ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:

ਅਨੁਪਾਤਕ ਮਹੱਤਵ: ਭਾਰ ਲਈ ਕੋਈ ਵੀ ਸਕਾਰਾਤਮਕ ਸੰਖਿਆ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇੱਥੇ ਸਿਰਫ਼ ਸੰਖਿਆਵਾਂ ਦੇ ਆਪਸੀ ਅਨੁਪਾਤ ਹੀ ਮਾਇਨੇ ਰੱਖਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਤੁਸੀਂ ਚਾਰ ਮਾਪਦੰਡਾਂ ਨੂੰ 5, 4, 3, ਅਤੇ 2 ਭਾਰ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਇਸਦਾ ਨਤੀਜਾ ਬਿਲਕੁਲ ਉਹੀ ਹੋਵੇਗਾ ਜੋ 50, 40, 30, ਅਤੇ 20 ਦੇਣ ਨਾਲ ਮਿਲੇਗਾ।
ਭਾਰ ਦਾ ਹਿੱਸਾ (Weight Share): ਟੂਲ ਹਰੇਕ ਮਾਪਦੰਡ ਦੇ ਭਾਰ ਨੂੰ ਸਾਰੇ ਭਾਰਾਂ ਦੇ ਕੁੱਲ ਜੋੜ ਨਾਲ ਵੰਡ ਕੇ ਉਸਦਾ ਪ੍ਰਤੀਸ਼ਤ ਹਿੱਸਾ ਕੱਢਦਾ ਹੈ।
ਗਲਤੀਆਂ ਦਾ ਨਿਪਟਾਰਾ: ਭਾਰ ਹਮੇਸ਼ਾ ਜ਼ੀਰੋ ਜਾਂ ਸਕਾਰਾਤਮਕ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਅਵੈਧ ਮੁੱਲ ਦਰਜ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਟੂਲ "ਭਾਰ ਜ਼ੀਰੋ ਜਾਂ ਸਕਾਰਾਤਮਕ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਵੈਧ ਭਾਰ ਨੂੰ 0 ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।" ਦੀ ਚੇਤਾਵਨੀ ਦਿਖਾਉਂਦਾ ਹੈ। ਜੇਕਰ ਸਾਰੇ ਮਾਪਦੰਡਾਂ ਦਾ ਭਾਰ 0 ਸੈੱਟ ਕਰ ਦਿੱਤਾ ਜਾਵੇ, ਤਾਂ ਸਿਸਟਮ "ਰੈਂਕਿੰਗ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਭਾਰ 0 ਤੋਂ ਉੱਪਰ ਸੈੱਟ ਕਰੋ।" ਦਾ ਨਿਰਦੇਸ਼ ਦਿੰਦਾ ਹੈ।

ਸਕੋਰਿੰਗ ਅਤੇ ਭਾਰਿਤ ਸਕੋਰ ਦੀ ਗਣਨਾ

ਇੱਕ ਵਾਰ ਮਾਪਦੰਡ ਅਤੇ ਭਾਰ ਤੈਅ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਹਰੇਕ ਵਿਕਲਪ ਨੂੰ ਹਰੇਕ ਮਾਪਦੰਡ ਦੇ ਸਾਹਮਣੇ 1 ਤੋਂ 10 ਦੇ ਪੈਮਾਨੇ 'ਤੇ ਸਕੋਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ 10 ਸਭ ਤੋਂ ਵਧੀਆ ਅਤੇ 1 ਸਭ ਤੋਂ ਖਰਾਬ ਹੁੰਦਾ ਹੈ।

ਭਾਰਿਤ ਸਕੋਰ = Σ ( ਵਿਕਲਪ ਦਾ ਸਕੋਰ × (ਮਾਪਦੰਡ ਦਾ ਭਾਰ) / (ਸਾਰੇ ਭਾਰਾਂ ਦਾ ਕੁੱਲ ਜੋੜ) )

ਇਸ ਗਣਨਾ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਕੁਝ ਵਿਸ਼ੇਸ਼ ਨਿਯਮ ਲਾਗੂ ਹੁੰਦੇ ਹਨ:

ਖਾਲੀ ਸੈੱਲ: ਜੇਕਰ ਕੋਈ ਸਕੋਰ ਸੈੱਲ ਖਾਲੀ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਸ ਨੂੰ 0 ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।
ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਸਕੋਰ: ਸਕੋਰ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ 1 ਤੋਂ 10 ਦੇ ਵਿਚਕਾਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਜੇਕਰ ਕੋਈ ਇਸ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਸਕੋਰ ਭਰਦਾ ਹੈ, ਤਾਂ ਟੂਲ "ਸਕੋਰ 1 ਤੋਂ 10 ਦੇ ਵਿਚਕਾਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਵਾਲੇ ਸੈੱਲਾਂ ਨੂੰ ਕੁੱਲ ਜੋੜ ਵਿੱਚੋਂ ਬਾਹਰ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।" ਦੀ ਤਰੁੱਟੀ ਦਿਖਾਉਂਦਾ ਹੈ।
ਅਧੂਰੀ ਸਥਿਤੀ: ਜਦੋਂ ਤੱਕ ਕੋਈ ਵੀ ਸਕੋਰ ਦਰਜ ਨਹੀਂ ਹੁੰਦਾ, ਟੂਲ "ਤੁਹਾਡੀ ਰੈਂਕਿੰਗ ਇੱਥੇ ਬਣੇਗੀ" ਸਿਰਲੇਖ ਹੇਠ ਇਹ ਸੁਨੇਹਾ ਦਿਖਾਉਂਦਾ ਹੈ: "ਕਿਸੇ ਵਿਕਲਪ ਦਾ ਭਾਰਿਤ ਕੁੱਲ ਦੇਖਣ ਲਈ ਉਸ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਸਕੋਰ ਦਿਓ; ਤੁਲਨਾ ਕਰਨ ਲਈ ਦੂਜਾ ਵਿਕਲਪ ਜੋੜੋ ਅਤੇ ਉਸ ਨੂੰ ਸਕੋਰ ਦਿਓ।"।

ਰੈਂਕਿੰਗ ਸਥਿਰਤਾ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ

ਇਸ ਟੂਲ ਦੀ ਸਭ ਤੋਂ ਵੱਡੀ ਵਿਸ਼ੇਸ਼ਤਾ ਇਸਦਾ ਲਾਈਵ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ (Sensitivity Analysis) ਹੈ। ਇਹ ਵਿਸ਼ਲੇਸ਼ਣ ਦੱਸਦਾ ਹੈ ਕਿ ਤੁਹਾਡਾ ਫੈਸਲਾ ਕਿੰਨਾ ਮਜ਼ਬੂਤ ਹੈ ਅਤੇ ਕੀ ਮਾਮੂਲੀ ਤਰਜੀਹਾਂ ਬਦਲਣ ਨਾਲ ਨਤੀਜਾ ਬਦਲ ਜਾਵੇਗਾ।

ਸਥਿਤੀ	ਟੂਲ ਦਾ ਆਊਟਪੁੱਟ ਸੁਨੇਹਾ
ਸਿਰਫ਼ ਇੱਕ ਵਿਕਲਪ ਸਕੋਰ ਹੋਣ 'ਤੇ	"ਮੋਹਰੀ ਵਿਕਲਪ ਕਿੰਨਾ ਸਥਿਰ ਹੈ, ਇਹ ਪਰਖਣ ਲਈ ਦੂਜੇ ਵਿਕਲਪ ਨੂੰ ਸਕੋਰ ਦਿਓ।"
ਬਹੁਤ ਮਜ਼ਬੂਤ ਰੈਂਕਿੰਗ ਹੋਣ 'ਤੇ	"ਕੋਈ ਵੀ ਇੱਕਲਾ ਭਾਰ ਬਦਲਣ ਨਾਲ ਮੋਹਰੀ ਵਿਕਲਪ ਨਹੀਂ ਬਦਲਦਾ।"
ਭਾਰ ਵਧਣ ਨਾਲ ਲੀਡ ਬਦਲਣ 'ਤੇ	"ਜੇਕਰ ‹criterion› ਕੁੱਲ ਭਾਰ ਦੇ ‹share› ਤੋਂ ਉੱਪਰ ਜਾਂਦਾ ਹੈ, ਤਾਂ ‹rival› ਮੋਹਰੀ ਬਣ ਜਾਵੇਗਾ।"
ਭਾਰ ਘਟਣ ਨਾਲ ਲੀਡ ਬਦਲਣ 'ਤੇ	"ਜੇਕਰ ‹criterion› ਕੁੱਲ ਭਾਰ ਦੇ ‹share› ਤੋਂ ਹੇਠਾਂ ਡਿੱਗਦਾ ਹੈ, ਤਾਂ ‹rival› ਮੋਹਰੀ ਬਣ ਜਾਵੇਗਾ।"

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਟੂਲ "ਸਭ ਤੋਂ ਵੱਡਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਕਾਰਕ: ‹criterion›" (Biggest swing factor) ਵੀ ਦਰਸਾਉਂਦਾ ਹੈ, ਜੋ ਇਹ ਸਪਸ਼ਟ ਕਰਦਾ ਹੈ ਕਿ ਕਿਸ ਮਾਪਦੰਡ ਵਿੱਚ ਬਦਲਾਅ ਸਭ ਤੋਂ ਵੱਧ ਉਥਲ-ਪੁਥਲ ਕਰ ਸਕਦਾ ਹੈ।

ਡਾਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਸਥਾਨਕ ਪ੍ਰੋਸੈਸਿੰਗ

ਇਸ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ ਤੁਹਾਡੀ ਗੋਪਨੀਯਤਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸੁਰੱਖਿਅਤ ਰਹਿੰਦੀ ਹੈ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਦਰਜ ਕੀਤੇ ਗਏ ਸਾਰੇ ਵਿਕਲਪ, ਮਾਪਦੰਡ, ਭਾਰ ਅਤੇ ਸਕੋਰ ਕਿਸੇ ਬਾਹਰੀ ਸਰਵਰ 'ਤੇ ਅੱਪਲੋਡ ਨਹੀਂ ਕੀਤੇ ਜਾਂਦੇ। ਇਹ ਸਾਰਾ ਡਾਟਾ ਸਿਰਫ਼ ਤੁਹਾਡੇ ਬ੍ਰਾਊਜ਼ਰ ਦੀ ਲੋਕਲ ਸਟੋਰੇਜ (Local Storage) ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਰਹਿੰਦਾ ਹੈ।

ਜੇਕਰ ਤੁਸੀਂ "ਸਾਫ਼ ਕਰੋ" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰਦੇ ਹੋ, ਤਾਂ ਸਿਸਟਮ ਪੁਸ਼ਟੀ ਲਈ ਪੁੱਛਦਾ ਹੈ: "ਕੀ ਪੂਰਾ ਮੈਟ੍ਰਿਕਸ ਸਾਫ਼ ਕਰਨਾ ਹੈ? ਇਹ ਇਸ ਡਿਵਾਈਸ 'ਤੇ ਸੁਰੱਖਿਅਤ ਕੀਤੀ ਕਾਪੀ ਨੂੰ ਵੀ ਹਟਾ ਦੇਵੇਗਾ।"। ਇਸ ਦੀ ਪ੍ਰਵਾਨਗੀ ਤੋਂ ਬਾਅਦ ਡਾਟਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਿਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ "ਮੈਟ੍ਰਿਕਸ ਸਾਫ਼ ਕਰ ਦਿੱਤਾ ਗਿਆ ਹੈ।" ਦਾ ਸੁਨੇਹਾ ਮਿਲਦਾ ਹੈ।