Yöntemler

TOPSIS, seçenekleri her kriterde en iyi ve en kötü değerlerden kurulan iki hayali noktaya uzaklıklarına göre sıralar: ideale en yakın ve en kötüye en uzak seçenek öne çıkar.

VIKOR, seçenekleri ideale toplam uzaklıkları ile en kötü tek kriterdeki uzaklıklarını birlikte tartarak sıralar; "herkesin kabul edebileceği" bir uzlaşma çözümü arar.

SAW, her kriterin ölçeğini eşitleyip ağırlığıyla çarpar ve doğrudan toplar; çok kriterli karar yöntemlerinin en eski ve en yalın üyesidir. En yüksek ağırlıklı toplama sahip seçenek birinci sıraya çıkar.

Seçenekleri ideale değil, kümenin kendi ortalamasına göre konumlarına bakarak sıralayan yöntemdir: ortalamanın belirgin biçimde üstünde olan ve altına az düşen seçenek öne çıkar.

Fayda kriterlerinin ağırlıklı toplamı ile maliyet kriterlerinin ağırlıklı toplamının oranını birleştirerek seçenekleri sıralayan ve en iyi seçeneğe göre yüzde cinsinden bir fayda derecesi veren yöntemdir.

Seçenekleri hem ideal (en iyi mümkün) hem anti-ideal (en kötü mümkün) referans noktalarına oranlayıp bu iki oranı tek bir fayda fonksiyonunda birleştirerek sıralayan yöntemdir.

CODAS, seçenekleri en kötü referans noktasına iki farklı uzaklık ölçüsüyle karşılaştırarak sıralayan bir yöntemdir. Önce düz çizgi, yani Öklid uzaklığına bakar; seçenekler birbirine çok yakın çıkarsa ek olarak yatay ve dikey uzaklığı, yani Taksi uzaklığını da kullanır.

TODIM, karar vericinin kazançlara karşı temkinli, kayıplara karşı aşırı duyarlı davrandığını varsayan davranışsal karar teorisini çok kriterli sıralamaya taşır. Seçenekleri ikişer ikişer, "kazanma" ve "kaybetme" olarak ayrı tartar.

WASPAS, iki farklı toplulaştırma mantığını, ağırlıklı toplamı ve ağırlıklı çarpımı, tek bir sonuçta birleştirir; birinin zayıf yanını diğerinin güçlü yanıyla dengeleyen bir sıralama yöntemidir.

Her seçeneği, aynı tablodan türetilen hayali "en iyi" seçeneğe göre ne kadar fayda sağladığının oranıyla ölçer. Bu oranı doğrudan yorumlanabilir bir yüzdesel fayda derecesine çeviren sıralama yöntemidir.

MABAC seçenekleri ideale ya da ortalamaya göre değil, her kriter için kurulan hayali bir "sınır bölgesine" olan uzaklığına göre sıralar. Sınırın üzerinde kalmak seçeneği güçlendirir, altında kalmak zayıflatır.

Seçenekleri, her kriterdeki değerini o kriterin toplam büyüklüğüne oranlayıp faydalı oranların toplamından zararlı oranların toplamını çıkararak sıralayan, hesap yükü en hafif yöntemlerden biridir.

Seçenekleri, her kriterde hayali bir "referans" seçeneğe (tüm kriterlerde en iyi performans) ne kadar yakın seyrettiğine bakarak, bir "gri ilişki derecesi" ile sıralayan yöntemdir.

Seçenekleri hem toplamsal hem çarpımsal bir başarı ölçüsüyle değerlendirip, bu iki ölçüyü üç farklı uzlaşma stratejisiyle birleştirerek sıralayan yöntemdir.

Seçenekleri üç farklı bakış açısıyla (oran, en kötü duruma uzaklık, tam çarpım) ayrı ayrı sıralayıp bu üç sıralamayı hâkimiyet kuramıyla tek bir sıraya birleştiren yöntemdir.

WPM, seçenekleri her kriterdeki oranlarını kriterin ağırlığı kadar kuvvete yükseltip çarparak tek bir birimsiz skora indirger ve bu skora göre sıralar.

ELECTRE I'in çekirdek küme çıktısını yeterli görmez. Aynı üstünlük mantığını iki yönden (en iyiden aşağı, en kötüden yukarı) işleterek seçenekleri tam bir sıraya dizer. İki yön anlaşamazsa "kıyaslanamaz" demeyi tercih eden yöntemdir.

SPOTIS, seçenekleri sabit bir ideal noktaya uzaklıklarına göre sıralar. Bu ideal nokta o analizdeki diğer seçeneklerden değil, analizden önce sabitlenmiş "olabilecek en iyi / en kötü" sınırlardan kurulur. Yöntem bu sayede sıranın seçenek kümesi değiştikçe kaymasını, yani sıra tersinmesini, önlemeyi amaçlar.

AROMAN tek bir normalizasyon biçimine güvenmez. İki farklı normalizasyonu bir karışım katsayısıyla harmanlar, sonra fayda ve maliyet ölçütlerinin toplamlarını bir denge parametresiyle birleştirip seçenekleri sıralar.

MAUT her kriterdeki değeri önce kendi "fayda" ölçeğine çevirir, sonra bu faydaları ağırlıklı toplar. Sonuç, seçeneğin karar vericiye toplam ne kadar fayda sağladığının tek bir sayısıdır.

PSI, kriterlere dışarıdan ağırlık istemez. Ağırlıkları seçenekler arasındaki değer farkından kendisi türetir, sonra seçenekleri bu ağırlıklarla sıralar.

RAFSI, seçenekleri karar vericinin önceden belirlediği sabit ideal ve karşı-ideal noktalara göre tek bir ölçek aralığına haritalayıp sıralar. Bu sabit noktalar sayesinde seçenek eklenip çıkarıldığında sıra bozulmaz.

RAWEC, her seçeneği hem "en iyiye ne kadar yakın" hem "en kötüden ne kadar uzak" olduğu açısından ağırlıklı olarak ölçer, sonra bu iki bakışı tek bir karşılaştırma endeksinde birleştirir.

WISP, her seçeneği hem toplama hem çarpmaya dayanan dört ayrı karşılaştırma mantığıyla puanlar ve bu dört sonucu ortalayarak tek bir sıra üretir.

Seçenekleri, ideal noktaya ne kadar yaklaştıklarına ve en kötü noktadan ne kadar uzaklaştıklarına göre iki ayrı fayda oranıyla değerlendirip bu iki oranın ortalamasıyla sıralayan yöntemdir.

Seçenek çiftlerini "ne kadar güvenilir biçimde üstünler" sorusuyla bulanık bir ölçekte karşılaştırır ve bu güvenilirlik derecelerini iki yönde damıtarak (distilasyon) bir sıra çıkarır; bazı çiftler kıyaslanamaz kalabilir.

LMAW her hücreyi önce yöne ve büyüklüğe duyarlı biçimde standartlaştırır, sonra logaritmik bir dönüşümden geçirir. Ardından ağırlıklı bir sıkıştırma fonksiyonuyla toplayarak seçenekleri sıralar. Amacı, uç değerlerin sıralamayı aşırı derecede sürüklemesini sınırlamaktır.

Seçenekleri girdi (maliyet) kriterlerindeki göreli geride kalmaları ile çıktı (fayda) kriterlerindeki göreli üstünlüklerini ayrı ayrı toplayıp tek bir ortak noktada birleştirerek sıralayan yöntemdir.

ROV, seçenekleri fayda kriterlerindeki en-iyi-durum performansı ile maliyet kriterlerindeki en-kötü-durum performansının ortalamasına göre sıralar.

SMART, her kriterin en kötü ve en iyi ucunu 0 ile 1 arasına doğrudan yerleştirir, sonra bunları karar vericinin verdiği önem ağırlıklarıyla toplar; basit bir çok-özellikli derecelendirme yöntemidir.

APLOCO, seçenekleri ikişer ikişer karşılaştırır: her seçeneğin rakibine göre kriter bazında ne kadar üstün olduğunu toplar, ne kadar geride kaldığını çıkarır ve kalan net puana göre sıralar.

COBRA, seçenekleri dört ayrı referans noktasına (en iyi, en kötü, ortalamanın üstü ve ortalamanın altı) olan uzaklıklarını birleştirerek sıralar; tek bir ideal noktaya değil, dört farklı bakış açısına bakar.

Compromise Programming, seçenekleri her kriterde ulaşılabilecek en iyi değerden ne kadar uzak kaldıklarına göre sıralar; en az uzaklaşan seçenek en iyi uzlaşma olarak öne çıkar.

ERVD, her seçeneği "ideal bir noktaya" değil, karar vericinin önceden belirlediği bir referans (beklenti) düzeyine göre değerlendirir; bu referansın altında kalan kayıpları üstündeki kazançlardan daha ağır sayar.

EVAMIX, bazı kriterler sayıyla ölçülürken bazıları yalnızca sıralamayla (birinci, ikinci, üçüncü gibi) ifade edildiğinde, bu iki türü birbirine dönüştürmeden aynı analizde birleştirir.

FUCA, seçenekleri ham sayılarla değil her kriterdeki sırasıyla karşılaştırır; kriter sıralarının ağırlıklı toplamı en küçük olan seçenek öne çıkar.

Hedef Programlama, her kriter için önce ulaşılabilir bir hedef düzeyi belirler, sonra seçenekleri bu hedeften ne kadar uzak kaldıklarına göre karşılaştırır; hedeflere en az sapmayla yaklaşan seçenek öne çıkar.

Hellwig yöntemi, birimleri dışarıdan verilen bir ağırlık kullanmadan, kendi verisinden kurduğu istatistiksel bir "gelişmişlik örüntüsüne" olan uzaklıklarına göre sıralar.

LoPM, her özelliğe bir sınır (bir taban, bir tavan ya da bir hedef değer) tanımlar; seçenekleri bu sınıra ne kadar uyduklarına göre puanlayıp ağırlıklı biçimde toplar.

MACONT, tek bir ölçek eşitleme biçimine güvenmek yerine üç farklı normalizasyonu harmanlar ve her seçeneği hem ortalama bir rakiple karşılaştırarak hem en iyi-en kötü uçlarına bakarak iki ayrı biçimde puanlayıp bu iki puanı birleştirir.

MAIRCA, her seçeneğin "teorik olarak hak ettiği" pay ile "gerçekte gösterdiği" performans arasındaki farkı ölçüp bu farkı en küçük olan seçeneği öne çıkarır.

MARA, her seçeneği hayali bir "ideal seçenekle" karşılaştırıp aradaki farkı bir doğru parçasının altında kalan alan olarak ölçer; bu alan ne kadar küçükse seçenek o kadar öndedir.

MOOSRA, her seçeneğin fayda kriterlerindeki toplam ağırlıklı gücünü maliyet kriterlerindeki toplam ağırlıklı yüküne bölüp bu oranı en büyük olan seçeneği öne çıkarır.

ORESTE, alternatifleri ve kriterlerin önemini kesin sayılarla değil yalnızca sıralarıyla karşılaştırıp tek bir sıra üreten bir yöntemdir.

OWA, kriter değerlerini hangi kriterden geldiğine değil her alternatifte aldığı sıraya göre ağırlıklandırıp karar vericinin iyimser ya da temkinli tutumunu sonuca yansıtan bir birleştirme yöntemidir.

PAM, her alternatifi kriter sayısı kadar kenarlı bir çokgene dönüştürüp bu çokgenin kapladığı alana göre sıralayan bir yöntemdir.

PIV, seçenekleri yalnızca her kriterde mümkün olan en iyi değere olan uzaklığına göre sıralar; TOPSIS'ten farklı olarak en kötü noktayı referans almaz.

PROBID, seçenekleri tek bir ideal noktaya değil, en iyiden en kötüye sıralanmış bir dizi hayali "kademe" noktasına ve bunların ortalamasına olan uzaklığına göre değerlendiren bir sıralama yöntemidir.

PROSA-C, PROMETHEE II'nin ürettiği dengeli puanı, bir seçeneğin bu puanı tek bir kriterden mi yoksa hepsinden dengeli mi topladığını ölçen bir cezayla düzeltir; tek kriterde parlayıp diğerlerinde zayıf kalan seçenek geri çekilir.

QUALIFLEX, seçeneklerin olabilecek her sıralamasını tek tek dener ve her kriterin o sıralamayla ne kadar uyuştuğunu toplayarak en yüksek toplam uyumu veren sıralamayı seçer.

RAM, her seçeneğin fayda ve maliyet kriterlerindeki toplam katkısını ayrı ayrı biriktirir ve maliyeti bir kuvvet üssüne, faydayı bir taban değerine yerleştirerek tek bir sayıya indirger; yüksek maliyet üssü küçültür, yüksek fayda tabanı büyütür.

Sıra Tersinmesi Analizi, bir sıralama yönteminin sonucunu bir kez hesaplayıp bırakmaz; seçenek kümesine yeni bir aday ekleyerek ya da bir seçeneği çıkararak aynı yöntemi tekrar çalıştırır ve kalan seçeneklerin kendi aralarındaki sırasının bozulup bozulmadığını sayar.

RAPS, iki seçeneği doğrudan karşılaştırıp aradaki farkın büyüklüğünü ölçer ve her seçeneği, tüm rakiplerine karşı bu "ne kadar daha iyi" gücüne göre sıralar.

REGIME, iki seçeneği karşılaştırırken sayıların büyüklüğüne değil yalnız kim daha iyi kim daha kötü olduğuna bakar ve bu basit üstünlük-alt olma bilgisini kriter ağırlıklarıyla toplayarak sıralar.

RIM, "daha çoğu her zaman iyidir" varsayımı yerine her kriter için bir hedef aralık tanımlar ve seçenekleri, bu hedef aralığa ne kadar yakın olduklarına göre sıralar.

SECA, kriter ağırlıklarını dışarıdan almaz; seçenekleri sıralarken ağırlıkları da aynı hesapla, kendi verisinden türetir.

SIMUS her kriteri sırayla "hedef" yapıp bir doğrusal programlama problemi çözer; seçeneklere verdiği paylar bu tekrarlanan çözümlerden çıkar.

SPROBID, PROBID'in hesap yükünü azaltan biçimidir; seçenekleri ara sıradaki tüm referans noktalarına değil yalnız en iyi ve en kötü çeyrekteki referanslara göre sıralar.

TAXONOMY, seçenekleri her kriterde kendi ortalama ve standart sapmalarına göre standartlaştırıp hayali bir "en iyi" referans noktasına uzaklıklarını tek bir gelişmişlik ölçüsüne çevirir.

WEDBA, seçenekleri her kriterde en iyi ve en kötü değerlerden kurulan iki hayali noktaya olan ağırlıklı Öklid uzaklığına göre sıralar; en kötüye uzak, en iyiye yakın seçenek öne çıkar.

PROMETHEE II seçenekleri tek tek bir ideale kıyaslamaz. Onun yerine birbirleriyle ikişer ikişer karşılaştırır ve her kriterde "ne kadar daha iyi" sorusunu bir tercih fonksiyonuyla derecelendirir. Bu dereceleri net akışta toplayarak tam bir sıra çıkarır.

Seçenekleri sıralamaz; her seçenek çiftinde "yeterince çok kriterde üstün müyüm" (uyum) ve "hiçbir kriterde çok kötü değil miyim" (uyumsuzluk) sorularını birlikte sorarak, hiçbir seçenek tarafından geçilmeyen bir "çekirdek küme" çıkarır.

PROMETHEE, seçenekleri hayali bir ideale göre değil birbirlerine göre karşılaştıran bir üstünlük (outranking) yöntemleri ailesidir. Her kriterde "ne kadar daha iyi" sorusunu bir tercih fonksiyonuyla derecelendirerek seçenekleri ikişer ikişer kıyaslar. Bu karşılaştırmaları giren ve çıkan akışlarda toplayıp kısmi ya da tam bir sıra çıkarır.

Tek bir yöntem değil, bir üstünlük (outranking) yöntemleri ailesidir. Aile, "hangi seçenek hangisini açıkça geçer" ilişkisini uyum ve uyumsuzluk ölçütleriyle kurar. Aynı temel mantıktan yola çıkan üyeler, amaca göre seçim, sıralama ya da sınıflama üretir.

EXPROM I, iki seçenek arasındaki farkı "biraz daha iyi" ve "çok daha iyi, neredeyse tartışılmaz" diye iki katmanda değerlendirir ve net biçimde kıyaslanamayan çiftleri zorla sıraya sokmadan bırakır.

EXPROM II, iki seçenek arasındaki farkı "biraz daha iyi" ve "çok daha iyi, neredeyse tartışılmaz" diye iki katmanda değerlendirir. EXPROM I'den farklı olarak her seçeneği tek bir net akış puanına indirip tam bir sıra verir.

PAMSSEM I, seçenekleri ikişer ikişer karşılaştırır ve her çiftte birinin diğerini ne kadar geçtiğini ölçer; bazı çiftlerde bu karşılaştırma net bir sonuç vermez ve iki seçenek karşılaştırılamaz kalır.

PAMSSEM II, PAMSSEM I ile aynı uyum ve akış hesabını kullanır, ama sonunda her seçeneği net akışına göre sıraya koyar; karşılaştırılamaz çift bırakmaz, her zaman tam bir sıralama üretir.

SIR, her seçeneğin diğerlerine göre ne kadar üstün ve ne kadar aşağıda kaldığını ayrı ayrı hesaplar, sonra bu iki değeri tek bir net puanda birleştirerek seçenekleri sıralar.

Kriterleri ikili karşılaştırmalarla birbirine oranlar. Bu karşılaştırmalardan hem bir ağırlık vektörü hem de yargıların birbiriyle ne kadar çeliştiğini gösteren bir tutarlılık ölçüsü çıkaran öznel bir ağırlıklandırma yöntemidir.

Kriterleri, uzmanın yalnızca en önemli ve en önemsiz kritere göre verdiği karşılaştırmalardan çıkan bir doğrusal-olmayan modelle ağırlıklandıran, az sayıda yargı isteyen öznel ağırlıklandırma yöntemidir.

SWARA, kriterleri önce önem sırasına dizer, sonra her kriteri yalnızca bir öncekiyle karşılaştırır; en az sayıda yargıyla bir ağırlık vektörü çıkaran öznel bir ağırlıklandırma yöntemidir.

ANP, kriterler ve seçenekler arasındaki ilişkiyi tek yönlü bir hiyerarşiyle değil, karşılıklı etkileşimlerin bulunduğu bir ağ olarak modelleyip bu ağın dengeye oturduğu noktadan ağırlık üreten bir yöntemdir.

Delphi, uzmanlardan tur tur, birbirlerinin kimliğini bilmeden görüş toplar ve her turda önceki turun özetini göstererek görüşlerin bir uzlaşıya yaklaşıp yaklaşmadığını izler.

DIBR, uzmanın kriterleri önem sırasına dizmesini ve yalnız ardışık iki kriter arasındaki payı belirtmesini ister; ağırlıkları bu ardışık paylardan zincirleme türetir.

FUCOM, uzmanın kriterleri önem sırasına dizmesini ve yalnız ardışık kriterler arasındaki önem oranını belirtmesini ister; ağırlıkları, bu oranlarla mümkün olan en tutarlı biçimde eşleştiren bir hesapla bulur.

Bulanık Delphi, uzmanlardan tek bir sayı yerine "en az, en olası, en çok" biçiminde üçgen bir aralık ister; uzmanlar arasındaki görüşü bu üçgenleri birleştirerek toplar ve tek bir merkez değere indirip ağırlığa çevirir.

LBWA, uzmandan önce en önemli kriteri seçmesini, sonra kalan kriterleri birkaç önem seviyesine ayırıp her seviye içinde küçük bir etki puanı vermesini ister; kriterler arasında ikili karşılaştırma yapılmaz.

PIPRECIA, kriterleri herhangi bir sırayla ele alır ve her kriterin bir öncekine göre daha mı önemli, eşit mi, yoksa daha mı az önemli olduğunu tek bir sayıyla sorar; SWARA'nın aksine kriterlerin önceden önem sırasına dizilmesini istemez.

Uzmana kriterleri temsil eden kartları en önemsizden en önemliye dizdiren, aralarına konan boş kartlarla önem farkının büyüklüğünü ölçen, tek bir uç oranla ölçeği sabitleyen öznel ağırlıklandırma yöntemidir.

Kriterlere yalnızca sıralama bilgisinden, hiçbir sayısal karşılaştırma istemeden ağırlık atayan, kapalı bir formülle çalışan öznel ağırlıklandırma yöntemidir.

Birden çok uzmandan doğrudan puan alıp her uzmanın kendi puanlama tutarlılığını (ne kadar ayırt edici puan verdiğini) kullanarak kriter ağırlığı üreten öznel ağırlıklandırma yöntemidir.

Uzmandan her kriteri en kötüden en iyiye "sıçratmanın" getirdiği faydayı 100 üzerinden doğrudan puanlamasını isteyen, bu puanları normalize ederek ağırlık üreten öznel ağırlıklandırma yöntemidir.

Kriter ağırlıklarını uzman görüşünden değil verinin kendisinden türeten yöntemdir: seçenekleri birbirinden ne kadar çok ayırıyorsa bir kriter o kadar ağırlık alır.

Kriter ağırlıklarını verinin kendisinden türeten yöntemdir: bir kriter hem seçenekleri çok ayırıyorsa hem de diğer kriterlerin söylediğini tekrarlamıyorsa o kadar ağırlık alır.

MEREC kriter ağırlıklarını, o kriter tablodan çıkarılsaydı seçeneklerin genel performans değerlendirmesinin ne kadar değişeceğine bakarak türetir. Çıkarılınca en çok şey değişen kriter en çok ağırlığı alır.

Kriter ağırlıklarını hem her kriterin kendi içindeki yayılımından hem de o kriterin genel değerlendirmeyle olan ilişkisinden, bir doğrusal olmayan denklem sistemini çözerek türeten nesnel ağırlıklandırma yöntemidir.

CILOS, bir kriterde en iyi seçeneği tercih etmenin diğer kriterlerde ne kadar kayba yol açtığını ölçerek kriter ağırlıklarını verinin kendisinden türetir.

Kriter ağırlığını, alternatiflerin o kriterdeki payının ne kadar eşitsiz dağıldığından türeten nesnel ağırlık yöntemidir: pay birkaç alternatifte yığılıyorsa kriter yüksek, pay herkese eşit dağılıyorsa kriter düşük ağırlık alır.

Kriter ağırlıklarını iki farklı nesnel ölçüyü, verinin ayırt ediciliğini ve bir kriteri göz ardı etmenin doğuracağı kaybı, birlikte kullanarak türeten nesnel ağırlık yöntemidir.

LODECI, kriter ağırlığını uzmana sormak yerine seçenekler arasındaki en büyük farktan türetir: bir kriterde en azından bir çift seçenek birbirinden ne kadar uzaksa, o kriter kararda o kadar söz sahibi olur.

LOPCOW, kriter ağırlığını verinin kendi içindeki yayılımdan türetir: seçenekleri en iyisine göre ne kadar çok "kaybettiriyorsa" bir kriter o kadar ağırlık kazanır.

MPSI, Preference Selection Index yönteminin seçenekleri sıralamak için içeride sessizce kullandığı bir ara değeri alır ve onu doğrudan görünür bir kriter ağırlığı olarak sunar.

NMD, kriter ağırlığını verinin ortalamasından türetir: seçenekler bir kriterde ortalama olarak en iyiden ne kadar uzaksa, o kriter o kadar ağırlık kazanır.

PCA Ağırlıklandırma, kriter ağırlığını kriterler arasındaki ortak hareketten türetir: bir kriter, seçenekleri asıl ayıran birkaç "ana eksenden" ne kadar çok pay alıyorsa o kadar ağırlık kazanır.

Kriter ağırlığını uzmana sormadan, o kriterde seçeneklerin birbirinden ne kadar farklılaştığından türeten en sade nesnel ağırlık yöntemidir.

Bir kriterin en küçük ve en büyük değerinin tam ortasını "simetri noktası" sayıp seçeneklerin bu noktadan ne kadar uzaklaştığına bakarak kriter ağırlığı türeten nesnel yöntemdir.

Her kriterin birikimli değerlerini bir zikzak çizgi gibi düşünüp bu çizginin uzunluğunu ortalama eğimine oranlayarak kriter ağırlığı türeten nesnel yöntemdir.

DEA, aynı türden birden çok birimi girdilerini çıktılarına dönüştürme başarısına göre karşılaştıran bir benchmarking yöntemidir. Her birime 0 ile 1 arasında bir verimlilik skoru verir; bir tercih sıralaması yöntemi değildir.

Choquet integrali, kriterleri sabit ağırlıklarla değil kriter gruplarına atanmış bir "önem ölçüsüyle" birleştirir; böylece kriterler arasındaki sinerji ve fazlalık ilişkileri hesaba katılır.

İki sıralamayı ikişer ikişer karşılaştırıp aynı yönde giden çiftlerle ters yönde giden çiftlerin farkını tek bir sayıya indiren, iki sıralamanın ne kadar örtüştüğünü ölçen katsayıdır.

Üç ya da daha çok sıralayıcının (uzman, yöntem, kriter) verdiği sıraların birbirine ne kadar yakın olduğunu, sıfır ile bir arasında tek bir uzlaşı katsayısına indiren yöntemdir.

İki ayrı sıralamanın birbirine ne kadar benzediğini tek bir sayıyla ölçen yöntemdir; artı bir tam uyum, eksi bir tam ters uyum, sıfır ise ilişkisizlik demektir.