Slika 1: Večparametrski odločitveni model
2. Večparametrsko odločanje
Večparametrsko odločanje temelji na razgradnji odločitvenega problema na manjše podprobleme. Variante razgradimo na posamezne parametre (kriterije, atribute) in jih ločeno ocenimo glede na vsak parameter. Končno oceno variante dobimo z nekim postopkom združevanja. Tako izpeljana vrednost je potem osnova za izbor najustreznejše variante.
Slika 1: Večparametrski odločitveni model
Vrednotenje variant pri večparametrskem odločanju tako poteka na osnovi večparametrskega odločitvenega modela, ki je v splošnem sestavljen iz treh komponent (slika 1). Vhod v model predstavljajo parametri (atributi, kriteriji) Xi. To so spremenljivke, ki ponazarjajo podprobleme odločitvenega problema, to je tiste dejavnike, ki opredeljujejo kvaliteto variant. Funkcija koristnosti F je predpis, po katerem se vrednosti posameznih parametrov združujejo v spremenljivko Y, ki ponazarja končno oceno ali koristnost variante.
Variante opišemo po osnovnih parametrih z vrednostmi ai. Na osnovi teh vrednosti funkcija koristnosti določi končno oceno vsake variante. Varianta, ki dobi najvišjo oceno, je praviloma najboljša.
Oglejmo si preprost primer. Denimo, da kupujemo avto. Na odločitev vpliva vrsta dejavnikov, kot so cena, poraba goriva, varnost, udobnost, število vrat in velikost prtljažnika. Na sliki 2 so zaradi enostavnosti prikazani samo prvi trije. Dogovorimo se, da bomo ceno merili v DEM, porabo v litrih na 100 km, varnost pa s točkami med 0 in 10.
Slika 2: Večparametrski odločitveni model za vrednotenje avtomobilov
Osnovne tri parametre združujemo v končno oceno (AVTO) s funkcijo koristnosti F, ki je na sliki 2 prikazana nekoliko podrobneje. Kot je v navadi pri številnih večparametrskih odločitvenih metodah, je funkcija dvostopenjska. Na prvem (nižjem) nivoju je za vsak kriterij definirana delna funkcija koristnosti, ki opredeljuje odvisnost med dejansko vrednostjo parametra X in preferenco P, to je stopnjo zaželenosti v okviru naše odločitve. Preferenco navadno izražamo s števili med 0 in 1, kjer 0 ustreza najmanj, 1 pa najbolj zaželeni vrednosti. Z delnimi funkcijami koristnosti na nek način spravimo na skupni imenovalec tri med seboj sicer zelo različne parametre.
Na drugi stopnji pride do dejanskega združevanja parametrov. Funkcija, ki opravi to združevanje na sliki 2, je utežena vsota posameznih preferenc. Pri tem je najvplivnejši parameter cena avtomobila, katere utež 50 je enaka vsoti uteži preostalih dveh parametrov. Med tema pa je nekoliko pomembnejša varnost.
Tako definirani odločitveni model lahko uporabimo za vrednotenje variant - avtomobilov. Za vse variante moramo zbrati podatke po osnovnih parametrih: ceni, porabi in varnosti. Rezultat vrednotenja je končna ocena vsake variante, ki je v našem primeru izražena s števili med 0 in 100. Izmed treh avtomobilov na sliki 2 je dobil najvišjo oceno tretji, saj je najcenejši in relativno varčen ob še sprejemljivi varnosti.
Podatki o variantah in dobljene končne ocene so na sliki 2 prikazani v obliki tabele - preglednice. To obliko pogosto uporabljamo predvsem v preprostejših primerih, ko je parametrov in variant relativno malo. Pri tem si lahko pomagamo s splošnimi računalniškimi programi za delo s preglednicami, kot so Excel, Quattro Pro ali Lotus 1-2-3. Podatke o variantah vnesemo v tabelo, funkcijo koristnosti pa realiziramo s primernimi formulami.
V zahtevnejših primerih, ko je parametrov ali variant več (na primer nekaj deset), je navadno bolje, če posežemo po katerem izmed namenskih programov za podporo večparametrskega odločanja (OKeefe 89; Nagel 92). Ti imajo že vgrajena orodja, ki pomagajo odločevalcu pri definiciji parametrov, oblikovanju funkcij koristnosti in zajemanju podatkov o variantah. Najpomembnejšo operacijo - vrednotenje variant - dodatno podpirajo z vrsto koristnih pripomočkov za analizo dobljenih rezultatov, kot so analiza občutljivosti in stabilnosti odločitvenega modela, generator variant, analize tipa kaj-če ter najrazličnejši grafični prikazi in poročila. Nekateri omogočajo tudi delo z nenatančnimi in nepopolnimi podatki in v ta namen uporabljajo intervalski račun ali verjetnostne porazdelitve. Takšnih programov je na voljo precej, navedimo le nekaj najbolj znanih: MAUD, Decaid, Decision Pad, HIVIEW, PROMETHEE, DEX.