آموزش نرم‌افزار Expert Choice

Expert Choice یک ابزار نرم افزاری است که برای تصمیم گیری استفاده می شود و به افراد و سازمان ها کمک می کند مجموعه ای از گزینه ها را ارزیابی کنند و بر اساس مجموعه ای از معیارها بهترین انتخاب ممکن را داشته باشند. این ابزار از یک رویکرد ساختاریافته برای تصمیم‌گیری به نام فرآیند تحلیل سلسله مراتبی (AHP) استفاده می‌کند که به کاربران اجازه می‌دهد گزینه‌ها را بر اساس اهمیت نسبی آنها و معیارهایی که برایشان مهم است مقایسه و اولویت‌بندی کنند. دوره آموزش Expert Choice با هدف آموزش این ابزار حیاتی تهیه و تدوین شده است که در ادامه به معرفی آن خواهیم پرداخت.

آموزش نرم‌افزار Expert Choice

دوره آموزش پیش رو نیز ضمن پرداختن به آموزش اکسپرت چویس، به بررسی فرآیند سلسله مراتبی در نرم افزار اکسپرت چویس پرداخته و پکیج کاملی از  آموزش Expert Choice را ارائه می‌دهد. در نهایت تلاش دارد خروجی ایده‌آل مدنظر برای فراگیر را حاصل کند؛ برای این کار مدرس به پشتیبانی پس از دوره آموزش Expert Choice می‌پردازد. وجه تمایز این دوره با دیگر دوره‌های آموزش اکسپرت چویس در آموزش تصمیم‌گیری چند معیاره گروهی با استفاده سلسله مراتبی و پیاده‌سازی آن در نرم افزار Expert Choice است. 

دوره آموزش Expert Choice برای چه کسانی مناسب است؟

دوره آموزشی Expert Choice برای افراد و سازمان‌هایی مناسب است که می‌خواهند نحوه استفاده از نرم افزار Expert Choice را برای تصمیم‌گیری بهتر یاد بگیرند. این آموزش برای طیف گسترده‌ای از متخصصان، از جمله تحلیلگران تجاری، مدیران پروژه، محققان و تصمیم‌گیرندگان در صنایع مختلف طراحی شده است.

چه یک تصمیم‌گیرنده با تجربه و چه تازه وارد در این زمینه باشید، آموزش Expert Choice می‌تواند به شما کمک کند تا یاد بگیرید چگونه از نرم افزار به‌طور مؤثر برای ارزیابی گزینه‌ها و تصمیم‌گیری آگاهانه استفاده کنید. این آموزش اصول اولیه فرآیند تحلیل سلسله مراتبی (AHP) و نحوه اعمال آن را در سناریوهای تصمیم‌گیری در دنیای واقعی با استفاده از نرم افزار Expert Choice پوشش می‌دهد.

علاوه بر این، آموزش Expert Choice را می‌توان متناسب با نیازهای خاص صنایع مختلف تنظیم کرد و آن را برای متخصصان در بخش‌های مختلف از جمله مالی، مراقبت‌های بهداشتی، مهندسی و دولتی مناسب می‌کند.

مقدمه‌ای بر Expert Choice

یکی از اساسی‌ترین موضوعات مطرح در دنیای امروزی که همواره از دغدغه‌های اصلی مدیریت محسوب می‌شود، بحث تصمیم‌گیری است لزوم اتخاذ تصمیم درست و برگزیدن گزینه مناسب از میان گزینه‌های متعدد زمینه انتخاب بهترین تولید کننده، بهترین توزیع کننده و… در تشکیل یکپارچگی‌ها و موارد مشابه از جمله مسائل مهم مطرح برای تصمیم‌گیری‌های چند معیاره است. این تصمیمات جزئی از مسائل بزرگ و کلان را شامل می‌شوند و در بسیاری از این موارد در صورت نادرست بودن تصمیم، هزینه‌های زیادی را باید پرداخت. از این رو تصمیم‌گیری صحیح در تمام مسائل اهمیت به سزایی دارد. یکی از کارآمدترین تکنیک‌های تصمیم‌گیری چند معیاره استفاده از روش تحلیل سلسله مراتبی یا  AHP(Analytical Hierarchy Process) است که در روش AHP مسئله اصلی به کمک یک ساختار سلسله مراتبی به مسائل کوچک‌تر شکسته خواهد شد. در این ساختار معیارها سطح بندی می‌شود (هدف و معیارهای اصلی در سطوح بالاتر و معیارهای فرعی در سطح پایین‌تر قرار می‌گیرند)، گزینه‌ها نسبت به پایین‌ترین سطح معیارها و نیز معیارهای هر سطح نسبت به معیارهای یک سطح بالاتر وزن دهی می‌شوند.

بطور کلی فرآیند تحلیل سلسله مراتبی شامل: ساخت سلسله مراتبی، مقایسه‌های زوجی، ترکیب وزن‌ها، تحلیل حساسیت و روش رتبه‌بندی هستند. با توجه به پیچیدگی حل مسائل تصمیم‌گیری چند معیاره به خصوص در مسئله با داده‌ها و اطلاعات زیاد و با اهمیت، لزوم استفاده از یک نرم افزار برای حل مسائل احساس می‌شود یکی از نرم‌افزاvها Expert Choice است چرا که کار با اکسل فرآیند حل را طولانی و طاقت فرسا می‌کند. برای یادگیری این نرم افزار باید از دوره‌های آموزشی استفاده کرد که مدرس دوره علاوه بر تسلط بر خود نرم افزار بر فرآیند سلسله مراتبی و در اصل مسائل تصمیم‌گیری تسلط کافی را داشته‌باشد چرا که تصمیم‌گیری در مسائل و پروژه‌های مختلف از حساسیت بالایی برخوردار است.

آموزش نرم افزار Expert Choice

Expert Choice نرم افزار تصمیم‌گیری بوده که مبتنی بر تصمیم‌گیری چند معیاره است. Expert Choice فرآیند تحلیل سلسله مراتبی (AHP) را اجرا می‌کند و در زمینه‌هایی مانند تولید،  مدیریت محیط‌زیست، کشتی‌سازی و کشاورزی استفاده شده است. این نرم افزار توسط توماس ال (Thomas L. Saaty) و ارنست فورمن(Ernest Forman) در سال 1983 ایجاد شد، همچنین این نرم افزار توسط Expert Choice ارائه شده است.

این مطلب فرآیند تحلیل سلسله مراتبی اصلی (AHP) را همان‌طور که در بسته نرم‌افزاری Expert Choice ارائه شده است. به طور خاص، ما در مورد  مسئله مدل‌سازی ، مقایسه‌های زوجی(pairwise comparisons)، مقایسه مقیاس‌ها(judgement scales) ، استخراج روش‌ها(derivation methods)، شاخص‌های سازگاری(consistency indices)، سنتز وزن‌ها(synthesis of the weights) و تحلیل حساسیت(sensitivity analysis) بحث می‌کنیم. در نهایت، محدودیت‌های AHP ارائه می‌گردد.

درباره Expert Choice

همانطور که پیش از این گفتیم اکسپرت چویس یک فرآیند تحلیل سلسله مراتبی (AHP) یک تصمیم گیری چند معیاره (MCDM) است.  روشی که به تصمیم گیرنده کمک می کند تا با یک مشکل پیچیده با چندین معیار متناقض و ذهنی (مانند انتخاب مکان یا سرمایه گذاری، رتبه بندی پروژه ها و غیره) مواجه شود. اکثریت قریب به اتفاق برنامه ها همچنان از AHP استفاده می کنند و از پیشرفت های متوالی بی اطلاع هستند. این واقعیت احتمالاً به دلیل نرم افزار پیشرو پشتیبانی کننده AHP، یعنی Expert Choice، است که همچنان AHP را در خود جای داده است.

فرآیند تحلیل سلسله مراتبی (AHP) یک تصمیم چند معیاره است در این مقاله، AHP را از طریق Expert Choice توصیف می‌کنیم و طرحی از جهت‌های اصلی در پیشرفت‌های روش‌شناختی (برخلاف بحث از کاربردها) و تحقیقات بیشتر ارائه می‌کنیم.

روش AHP اصلی مانند چندین روش دیگر MCDM مانند ELECTRE، MacBeth، SMART، PROMETHEE، UTA، و غیره، AHP مبتنی بر چهار مرحله است: مدل‌سازی مسئله، ارزش‌گذاری وزن‌ها، تجمیع وزن‌ها و فرآیند سلسله مراتبی و انتخاب خبره: مزایا و محدودیت ها، یا بینش، تحلیل حساسیت.

همان‌طور که پیش از این گفتیم اکسپرت چویس یک فرآیند تحلیل سلسله مراتبی (AHP) یک تصمیم‌گیری چند معیاره (MCDM) است.  روشی که به تصمیم‌گیرنده کمک می‌کند تا با یک مشکل پیچیده با چندین معیار متناقض و ذهنی (مانند انتخاب مکان یا سرمایه‌گذاری، رتبه‌بندی پروژه‌ها و غیره) مواجه شود. اکثریت قریب به‌اتفاق برنامه‌ها همچنان از AHP استفاده می‌کنند و از پیشرفت‌های متوالی بی‌اطلاع هستند. این واقعیت احتمالاً به دلیل نرم افزار پیشرو پشتیبانی‌کننده AHP، یعنی Expert Choice، است که همچنان AHP را در خود جای داده است.

فرآیند تحلیل سلسله مراتبی (AHP) یک تصمیم چند معیاره است در این مقاله، AHP را از طریق Expert Choice توصیف می‌کنیم و طرحی از جهت‌های اصلی در پیشرفت‌های روش‌شناختی (برخلاف بحث از کاربردها) و تحقیقات بیشتر ارائه می‌کنیم.

روش AHP اصلی مانند چندین روش دیگر MCDM مانند ELECTRE ،MacBeth ،SMART ،PROMETHEE ،UTAو غیره. AHP مبتنی بر چهار مرحله است: مدل‌سازی مسئله، ارزش‌گذاری وزن‌ها، تجمیع وزن‌ها و فرآیند سلسله مراتبی و انتخاب خبره: مزایا و محدودیت‌ها، یا بینش، تحلیل حساسیت.

مراحل AHP

در بخش‌های بعدی این چهار مرحله مورداستفاده توسط AHP و را بررسی خواهیم کرد. تحولات آن بر اساس یک مشکل ساده است: انتخاب یک ماشین برای خرید.

مدل سازی مسئله

مانند تمام فرآیندهای تصمیم‌گیری، مسئول یا تسهیل‌کننده مدت زیادی با تصمیم‌گیرندگان می‌نشیند تا مشکل را سروسامان دهد، که می‌تواند به سه بخش تقسیم شود: هدف (خرید ماشین)، معیارها (هزینه اولیه، هزینه نگهداری). ، پرستیژ، کیفیت و زیرمعیارهای آن) و پیشنهادات (فیات یونو، نیسان ماکسیما 4 در، مرسدس بنز 290، ولوو 840، فورد فیستا).

AHP مزیت اجازه دادن به ساختار سلسله مراتبی معیارها را دارد که به کاربران در هنگام تخصیص وزن‌ها تمرکز بهتری بر معیارها و زیرمعیارهای خاص می‌دهد.

مقایسه‌های زوجی (pairwise comparisons)

در هر نقطه از سلسله‌مراتب، یک ماتریس مقایسه‌های زوجی تصمیم‌گیرنده را جمع‌آوری می‌کند. روانشناسان استدلال می‌کنند که بیان نظر خود در مورد دو گزینه آسان‌تر و دقیق‌تر از همه گزینه‌ها به طور هم‌زمان است.

همچنین امکان هماهنگی و بررسی متقابل بین مقایسه‌های مختلف زوجی را فراهم می‌کند.

AHP از یک مقیاس نسبی استفاده می‌کند که برخلاف روش‌هایی که از مقیاس‌های فاصله‌ای استفاده می‌کنند، به هیچ واحدی در مقایسه نیاز ندارد. ارزیابی یک مقدار نسبی یا یک ضریب a/b از دو کمیت a و b است که واحدهای یکسانی دارند (شدت، متر، مطلوبیت و غیره).

تصمیم‌گیرنده نیازی به ارائه یک سنجش عددی ندارد. در عوض یک قدردانی نسبی کلامی که در زندگی روزمره ما آشناتر است، کافی است.

اگر ماتریس کاملاً سازگار باشد، قاعده گذر (1) برای همه مقایسه‌ها برقرار است:

:aij

aij = aik · akj (1)

به عنوان مثال، اگر تیم A تیم B را دو بر صفر و تیم B تیم C را سه بر صفر شکست دهد، با قانون گذر (1) انتظار می‌رود که تیم A تیم C را شش بر صفر (3 · 2 = 6) شکست دهد. با این حال، این به‌ندرت اتفاق می‌افتد زیرا جهان ما طبیعتاً ناسازگار است.

از آنجایی که برای به دست آوردن اولویت‌های معنادار به حداقل سازگاری نیاز است، یک آزمون باید انجام شود . وبر و همکاران (1996) بیان می‌کنند که ترتیبی که مقایسه‌ها در ماتریس وارد می‌شوند ممکن است بر قضاوت‌های متوالی تأثیر بگذارد.

سنجش میزان (Judgement scales)

یکی از نقاط قوت AHP امکان ارزیابی معیارها و گزینه‌های کمی و کیفی در همان مقیاس ترجیحی 9 سطحی است. این‌ها می‌توانند عددی، کلامی یا گرافیکی باشند.

استخراج اولویت‌ها(Priorities derivation)

هنگامی‌که ماتریس‌های مقایسه پر شدند، اولویت‌ها را می‌توان محاسبه کرد. AHP سنتی از روش مقدار ویژه استفاده می‌کند. برای برخی از کاربران این روش کاملاً مبهم به نظر می‌رسد. برای توضیح آن، از حالت یک ماتریس سازگار با اولویت‌های شناخته‌شده p شروع می‌کنیم.

در این مورد، مقایسه گزینه‌های i و j با pi/pj ارائه می‌شود که ضرب‌در بردار اولویت p به دست می‌آید:

p1/p1
p1/p2
…
p1/pn
 =n    
p2/p1
p2/p2
…
p2/pn
…
…
…
…
pn/p1
pn/p2
…
pn/pn

یا گروه بندی شده                                      

A p = n p

where   p : vector of the priorities 

n : dimension of the matrix 

A: comparison matrix

معادله (2) فرمول یک مسئله بردار ویژه است. اولویت‌های محاسبه شده برای یک ماتریس سازگار دقیق هستند.

 ثبات Consistency

از آنجایی که اولویت‌ها تنها در صورتی معنا پیدا می‌کنند که از ماتریس‌های سازگار یا تقریباً سازگار استخراج شده باشند، باید یک بررسی سازگاری اعمال شود. ساعتی (1977) یک شاخص سازگاری (CI) را پیشنهاد کرده است که به روش ارزش ویژه مربوط می‌شود:

CI=  

where λmax = maximal eigenvalue

تجمع Aggregation 

آخرین مرحله ترکیب اولویت‌های محلی در همه معیارها به منظور تعیین اولویت جهانی است. تاریخ رویکرد AHP (که بعداً حالت توزیعی نامیده می‌شود) یک تجمع افزایشی را با عادی‌سازی مجموع اولویت‌های محلی برای وحدت اتخاذ می‌کند.

where  pi:  global priority of the alternative i   

lij: local priority   

wj: weight of the criterion j

حالت ایده‌آل از یک نرمال‌سازی با تقسیم امتیاز هر گزینه فقط بر امتیاز بهترین جایگزین تحت هر معیار استفاده می‌کند. اگر از قبل اولویت‌ها را بدانیم، حالت توزیعی تنها رویکردی است که این اولویت‌ها را بازیابی می‌کند.

با این حال، اگر یک کپی (بلتون و گیر 1983) یا یک نسخه نزدیک (دایر 1990) از یک جایگزین معرفی یا حذف شود (تروت 1988)، ممکن است تغییر رتبه‌ای از گزینه‌ها ظاهر شود. این پدیده از سویی مورد انتقاد قرار گرفته و از سوی دیگر مشروعیت یافته است. این پدیده معکوس رتبه منحصر به AHP نیست، بلکه برای همه مدل‌های افزایشی است.

تجزیه و تحلیل میزان حساسیت Sensitivity analysis

آخرین مرحله از فرآیند تصمیم‌گیری، تجزیه‌وتحلیل حساسیت است، که در آن داده‌های ورودی به‌منظور مشاهده تأثیر بر نتایج، کمی اصلاح می‌شوند. اگر رتبه‌بندی تغییر نکند، گفته می‌شود که نتایج قوی هستند.

تجزیه‌وتحلیل حساسیت بهتر است با یک رابط گرافیکی تعاملی انجام شود. Expert Choice امکان تجزیه‌وتحلیل حساسیت‌های مختلف را می‌دهد که تفاوت اصلی در نمایش‌های گرافیکی مختلف است.

محدودیت های AHP اصلی و expert choice

در کنار همه مزایایی که expert choice دارد، معایبی نیز برای آن وجود خواهد داشت که در زیر بحث شده‌اند:

ساختار مشکل

این مرحله مهم است، زیرا ساختار متفاوت امکان دارد منجر به رتبه‌بندی نهایی متفاوتی شود. مشاهده کرده‌اند که معیارهایی با تعداد زیرمعیارهای زیاد نسبت به زمانی که جزئیات کمتری دارند وزن بیشتری دریافت می‌کنند. بروگا (2004) یک دستورالعمل کامل برای ساختار یک مسئله به صورت سلسله مراتبی ارائه کرده است. هنگام تنظیم سلسله‌مراتب AHP با تعداد زیادی از عناصر، تصمیم‌گیرنده باید سعی کند این عناصر را در دسته‌ها مرتب کند.

مقایسه‌های زوجی Pairwise comparisons

مقایسه‌ها در یک ماتریس متقابل مثبت ثبت می‌شوند. در موارد خاص، مانند مبادلات ارزی، نمی‌توان از ماتریس‌های متقابل استفاده کرد. حتی اگر با ماتریس‌های غیر متقابل مشابه با ماتریس‌های سنتی رفتار شود، Expert Choice این امکان را نمی‌دهد که متقابل نباشد.

ارزیابی میزان و اندازه Judgement scales

استفاده از مقایسه‌های کلامی به‌طور شهودی جذاب، کاربرپسند و در زندگی روزمره ما از اعداد رایج‌تر است. همچنین امکان دارد ابهاماتی را در مقایسه‌های غیر پیش‌پاافتاده ایجاد کند. این ابهام در زبان انگلیسی نیز موردانتقاد قرار گرفته است.

استخراج اولویت‌ها Priorities derivation

جانسون و همکاران تنها دو سال بعد از انتشار AHP اصلی،  یک مشکل وارونگی رتبه را برای وارونگی مقیاس با روش مقدار ویژه آزمایش کردند. به عنوان مثال، ماتریسی را در نظر بگیرید که بپرسید کدام خودرو مقرون‌به‌صرفه‌ترین سوخت را دارد. هنگامی‌که اولویت‌های محاسبه شده مشمول مقادیر: (0.061؛ 0.374؛ 0.134؛ 0.387؛ 0.043) باشند یعنی Volvo 840 برنده است.

ثبات Consistency

Expert Choice از نسبت سازگاری (4) استفاده می‌کند. با این حال، این نسبت سازگاری مورد انتقاد قرار گرفته است زیرا اجازه قضاوت متناقض در ماتریس‌ها را می‌دهد یا ماتریس‌های معقول را رد می‌کند. تکنیک‌های تعاملی مبتنی بر قانون گذر (1) به‌منظور کشف قضاوت‌های متناقض و تصحیح آن‌ها توسعه یافته‌اند. گنجاندن آن‌ها در انتخاب Expert سودمند خواهد بود.

 تجمع Aggregation

تجمع ضربی برای جلوگیری از پدیده برگشت رتبه مشاهده شده در حالت توزیعی پیشنهاد شده است. تجمع ضربی دارای ویژگی‌های غیر خطی بوده که اجازه می‌دهد یک مصالحه برتر انتخاب شود، که در مورد تجمع افزایشی صدق نمی‌کند. با این حال، وارگاس نشان داد که تجمع افزودنی تنها راه برای بازیابی وزن دقیق اجسام شناخته شده است. تجمیع ضربی در حال حاضر در Expert Choice امکان پذیر نیست.    

تجزیه‌وتحلیل میزان حساسیت  Sensitivity analysis

تحلیل حساسیت در Expert Choice وزن معیارها را به عنوان داده‌های ورودی تغییر می‌دهد. همچنین قابل‌تصور است که در آینده یک تجزیه‌وتحلیل حساسیت با تغییر تعاملی اولویت‌های محلی گزینه‌ها داشته باشیم (هیچ چالش ریاضی در آن وجود ندارد). با این حال، تجزیه‌وتحلیل حساسیت یک فرآیند اساسی در تصمیم‌گیری با AHP است.

نتیجه گیری 

تصمیماتی که به روش‌های پشتیبانی نیاز دارند، از نظر تعریف مشکل هستند و بنابراین مدل‌سازی آن‌ها پیچیده است. باید بین مدل‌سازی و قابلیت استفاده از مدل به توافق رسید. اعتقاد ما بر این است که AHP به این سازش رسیده و مانند گذشته برای بسیاری از موارد دیگر مفید خواهد بود. به‌طور خاص، AHP از جامعه دانشگاهی عبور کرده است تا به طور گسترده توسط پزشکان مورداستفاده قرار گیرد.

این استفاده گسترده مطمئناً به دلیل سهولت کاربرد آن و ساختار AHP است که از روش شهودی که در آن مدیران مشکلات را حل می‌کنند پیروی می‌کند. مدل‌سازی سلسله مراتبی مسئله، امکان اتخاذ ارزیابی‌های شفاهی و تأیید سازگاری دارایی‌های اصلی آن هستند.

Expert Choice، نرم‌افزار پشتیبانی کاربرپسند، قطعاً تا حد زیادی به موفقیت این روش کمک کرده است. این شامل رابط‌های کاربری گرافیکی بصری، محاسبه خودکار اولویت‌ها و ناسازگاری‌ها و چندین روش برای پردازش تحلیل حساسیت است.