IDOCRIW (Integrated Determination of Objective CRIteria Weights)

IDOCRIW bir sıralama yöntemi değildir; seçenekleri sıralamaz, kriterlerin ağırlığını üretir. Karar tablosuna bakar ve uzmana hiçbir şey sormadan her kritere toplamı 1 olan bir ağırlık verir. Bu ağırlıklar sonra TOPSIS, COPRAS, SAW gibi bir sıralama yöntemine girdi olur.

Yöntemi Zavadskas ve Podvezko 2016'da önermiştir. IDOCRIW aslında tek başına yeni bir hesap değildir; iki ayrı nesnel yöntemi, entropiyi ve aynı makalede tanıtılan CILOS'u (Criterion Impact LOSs, kriter etki kaybı) birleştirir. Fikir, iki yöntemin birbirinin zayıf yanını kapatmasıdır: entropi yalnız verinin ne kadar yayıldığına bakar, kriterin göz ardı edilmesinin başka kriterlerde ne kaybettireceğini görmez; CILOS bu kaybı ölçer ama tek başına kullanıldığında verinin genel dağılımını gözden kaçırabilir. IDOCRIW ikisinin çarpımını alarak tek bir ağırlık üretir.

IDOCRIW'in arkasında iki ayrı soru vardır. Birinci soru entropiden gelir: "bu kriterde alternatifler birbirinden ne kadar farklı?" İkinci soru CILOS'a özgüdür: "bir alternatif bu kriterde en iyi olduğu için tercih edilirse, diğer kriterlerde ne kadar kayıp yaşanır?" CILOS bunu şöyle kurar: her kriter için en iyi değeri taşıyan alternatif belirlenir, bu alternatiflerden hayali bir referans oluşturulur, sonra her kriterin en iyisinin diğer kriterlerde ne kadar "geride" kaldığı ölçülür. Bir kriter, en iyisi seçildiğinde diğer kriterlerde büyük kayıplara yol açıyorsa, o kriterin göz ardı edilmesi pahalıya mal olur ve yüksek ağırlık alır.

Bu felsefenin sonucu, IDOCRIW'in yalnız "veri ne kadar yayılmış" sorusuyla yetinmeyip "bu kriteri öne çıkarmanın bedeli ne" sorusunu da sormasıdır. İki ölçü çarpıldığı için bir kriter ancak hem ayırt edici hem de göz ardı edilmesi pahalıysa yüksek ağırlık alır; yalnız biri yetmez. Bu, entropi ya da CILOS'un tek başına verebileceği aşırı uçtaki ağırlıkları yumuşatma eğilimindedir.

Yöntem üç adımda ilerler.

Birinci adım, entropi ağırlıkları. Ham tablo üzerinde, her sütun kendi toplamına bölünerek paya çevrilir ve her kriter için Shannon entropisi hesaplanır. Paylar birbirine yakınsa entropi yüksek, kriter az bilgi taşır; paylar bir alternatifte yığılmışsa entropi düşük, kriter çok bilgi taşır. Entropiden türeyen bilgi miktarı normalize edilerek bir ağırlık kümesi elde edilir. Bu, ENTROPY kartında anlatılan hesabın aynısıdır.

İkinci adım, kriter etki kaybı (CILOS). Her kriter fayda yönüne çevrilir; maliyet kriterlerinde en küçük değer referans alınır. Her kriter için en iyi değeri taşıyan alternatif bulunur ve bu "en iyiler" bir araya getirilerek hayali bir referans satırı oluşturulur. Sonra her kriterin en iyisinin diğer kriterlerdeki değeriyle o kriterin kendi en iyisi arasındaki oransal fark hesaplanır; bu fark, o kriteri öne çıkarmanın başka kriterlerde yarattığı kaybı gösterir. Bütün bu kayıplardan kurulan bir denklem sistemi çözülerek CILOS ağırlıkları elde edilir.

Üçüncü adım, birleştirme. Entropi ağırlığı ile CILOS ağırlığı kriter bazında çarpılır ve sonuç yeniden normalize edilerek toplamı 1 olan IDOCRIW ağırlık vektörü elde edilir.

Adımların formülleri ve ara tabloları DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

IDOCRIW ağırlığı, bir kriterin hem verideki ayırt ediciliğini hem de göz ardı edilmesinin doğuracağı kaybı birlikte yansıtır; karar vericinin gözündeki önemi ölçmez. 0,35 ağırlık "bu kriter kararın üçte biridir" demek değildir; "bu tabloda bu kriter hem alternatifleri belirgin biçimde ayırıyor hem de öne çıkarılmaması ciddi bir kayba yol açıyor" demektir. Bir kriterin entropi ağırlığı yüksek ama CILOS ağırlığı düşükse (ya da tersi), IDOCRIW ağırlığı ikisinin çarpımı olduğu için ortada bir yerde kalır; bu, yöntemin iki ölçütü dengelemesinin bir sonucudur.

Ağırlıklar tabloya bağlıdır. Alternatif kümesi değişince hem entropi hem CILOS bileşeni yeniden hesaplanır; bir çalışmanın IDOCRIW ağırlıkları başka bir çalışmaya taşınamaz. Bir kriterin bütün kayıp değerleri sıfırsa (yani o kriterde hiçbir alternatif diğerinden geride kalmıyorsa) CILOS bileşeni tanımsız hâle gelebilir; DecisionMind bu durumda hatayı açıkça bildirir, sessizce eşit ağırlık vermez.

Bu nedenle:

"IDOCRIW analizi kalite kriterinin en önemli kriter olduğunu gösterdi"

yerine:

"Bu seçenek kümesinde kalite kriteri hem alternatifleri en çok ayıran hem göz ardı edilmesi en pahalıya mal olan kriterdir; ağırlık bu ikisini birlikte yansıtır, karar vericinin öncelik sırasını değil"

biçiminde yazmak doğrudur.

Klasik IDOCRIW kesin (crisp) veriyle çalışır: her hücrede tek bir sayı, boş hücre yok. DecisionMind'da bu yöntemin bulanık bir uzantısı (Bulanık IDOCRIW) ayrı bir kart olarak ele alınır; veriniz uzman yargısıyla üçgen bulanık sayı biçiminde verilmişse o karta bakılır. Entropi bileşeni yüzünden değerlerin negatif olmaması, CILOS bileşeni yüzünden her kriterde alternatifler arasında gerçek bir fark bulunması gerekir; bütün alternatiflerin bir kriterde eşit olduğu sütunlar CILOS hesabını bozar.

Elinizde şunlar olmalı: satırlarda alternatifler, sütunlarda kriterler, her hücrede pozitif bir sayı; her kriter için "çoğu mu iyi, azı mı iyi" bilgisi. Ağırlık girilmez; yöntem ağırlığı üretir. En az iki alternatif ve iki kriter gerekir; kriter sayısı arttıkça CILOS'un çözdüğü denklem sistemi büyür ama hesap yine de doğrudan çözülür, örneklem büyüklüğüne bir üst sınır yoktur.

Uzman görüşü yoksa ya da karar vericinin önceliklerinin sonucu belirlemesi istenmiyorsa IDOCRIW uygun bir seçimdir. Yalnız verinin yayılımına değil, bir kriterin göz ardı edilmesinin doğuracağı kayba da bakılmak isteniyorsa bu yöntem özellikle uygundur. Satın alma, tesis ve ekipman değerlendirmesi gibi hem ölçülebilir hem alternatifler arasında gerçek farkların bulunduğu tablolarda iyi çalışır.

Kullanılmaması gereken durumlar felsefesinden gelir. Bir kriterde bütün alternatifler birbirine çok yakınsa CILOS'un dayandığı kayıp hesabı zayıflar ya da tanımsız hâle gelir. Karar vericinin bir kriteri açıkça öncelikli saydığı durumlarda IDOCRIW bunu göremez, çünkü tamamen veriye dayanır. Kriter sayısı ikiden azsa CILOS'un kurduğu denklem sistemi anlamlı bir çözüm vermez.

Uzman görüşü yok, hem ayırt edicilik hem göz ardı etme kaybı ölçülsün → IDOCRIW

Yalnız ayırt edicilik yeterli → Entropi

Yalnız kriterler arası ilişki (tekrar) önemli → CRITIC

Karar vericinin önceliği sonuçta görünsün → AHP, BWM, SWARA (öznel)

Bir kriterde alternatifler arasında gerçek fark yok → Bu kriteri çıkarın ya da CILOS bileşeni tanımsız kalabilir

IDOCRIW'in en önemli üstünlüğü, iki farklı nesnel bakış açısını (dağılım ve kayıp) tek bir ağırlıkta birleştirmesidir. Yalnız entropi kullanılsaydı görünmeyecek bir bilgiyi, bir kriterin göz ardı edilmesinin başka kriterlerde yarattığı bedeli, hesaba katar. Nesneldir, aynı tablo herkese aynı ağırlığı verir. İki bileşenin çarpımı, tek bir ölçünün aşırı ağırlık vermesini yumuşatma eğilimindedir. Hesabı adım adım izlenebilir ve her iki bileşen ayrı ayrı raporlanabilir.

Sınırlılıkları aynı bileşik yapıdan doğar. Birincisi, iki farklı ölçünün çarpımı olduğu için tek bir bileşendeki bir sorun (örneğin bir kriterde CILOS'un tanımsız kalması) bütün ağırlığı bozabilir. İkincisi, "ayırt edicilik ve kayıp" ile "önem" aynı şey değildir; karar vericinin değerleri sonuçta görünmez. Üçüncüsü, ağırlıklar alternatif kümesine bağlıdır; bir alternatif eklenince hem entropi hem CILOS bileşeni yeniden kurulur. Dördüncüsü, CILOS'un referans alternatifi (her kriterde en iyiyi taşıyan hayali satır) gerçekte var olmayan bir bileşimdir; bu, TOPSIS'teki ideal noktaya benzer bir soyutlamadır ve aynı ölçüde varsayıma dayanır. Podvezko, Zavadskas ve Podviezko'nun (2020) bulanık uzantı çalışmasında da belirttiği gibi, CILOS bileşeni veri az sayıda alternatif içerdiğinde daha oynak sonuçlar verebilir. Ayan, Abacıoğlu ve Basilio'nun (2023) derlemesi, bileşik nesnel yöntemlerin (IDOCRIW dahil) tek bileşenli yöntemlere göre daha karmaşık ama aynı zamanda daha az şeffaf sonuçlar üretebileceğini vurgulamaktadır.

En yaygın hata, IDOCRIW ağırlığını doğrudan "önem" diye raporlamaktır; ağırlık ayırt edicilik ve kayıp bileşenlerinin çarpımını ölçer, karar vericinin önceliğini değil.

İkinci hata, bir kriterde bütün alternatiflerin birbirine çok yakın olduğu bir sütunu fark etmeden tabloya bırakmaktır; bu durumda CILOS bileşeni tanımsız kalabilir ve DecisionMind hatayı bildirir, ama kullanıcı bunu "yöntem çalışmıyor" diye yanlış yorumlayabilir. Üçüncü hata, entropi ve CILOS bileşenlerini ayrı ayrı incelemeden yalnız son ağırlığa bakmaktır; iki bileşenin birbirini nasıl dengelediği görülmezse sonucun nedeni anlaşılmaz. Dördüncü hata, IDOCRIW ağırlıklarını bir çalışmadan alıp başka bir alternatif kümesine uygulamaktır. Beşincisi, maliyet ve fayda yönlerini yanlış işaretlemektir; bu hem entropi hem CILOS bileşenini aynı anda bozar.

Temel ilke şudur:

IDOCRIW ağırlığı iki ayrı nesnel ölçünün, verinin ayırt ediciliğinin ve bir kriteri göz ardı etmenin kaybının, çarpımıdır; yüksek ağırlık kriterin karar vericiye göre önemini değil, bu iki ölçütü birlikte karşıladığını gösterir.