آموزش روش LMAW

مقدمه 

تصمیم‌گیری همیشه بخشی از زندگی ما بوده، از انتخاب یک رستوران برای شام گرفته تا تصمیم‌های پیچیده‌تر در دنیای حرفه‌ای. حالا اگر بخواهیم در مورد مسائل چندمعیاره مثل انتخاب بهترین مسیر لجستیکی یا اولویت‌بندی پروژه‌ها صحبت کنیم، کار کمی سخت‌تر می‌شود. اینجا روش‌های تصمیم‌گیری چندمعیاره (MCDM) به کمکمان می‌آیند. یکی از این روش‌ها که اخیراً توجهم را جلب کرده، LMAW یا “Logarithm Methodology of Additive Weights” است. در این مطلب می‌خواهم کمی درباره این روش حرف بزنم، ببینیم چطور کار می‌کند و چرا ارزش توجه دارد. همراه من باشید تا با هم این ابزار جالب را کشف کنیم!

روش LMAW چیست؟

روش LMAW اولین بار در سال 2021 توسط پاموچار و همکارانش در مقاله‌ای که در ResearchGate منتشر شد، معرفی شد. هدفش این بود که فرایند پیچیده وزن‌دهی به معیارها را ساده‌تر کند، بدون اینکه دقت را فدا کند. فکر کنید به روش‌های قدیمی‌تر مثل AHP که پر از مقایسه‌های جفتی و محاسبات سنگین بود؛ LMAW می‌گوید “بیایید یک راه میان‌بر پیدا کنیم!” این روش از یک رویکرد لگاریتمی استفاده می‌کند تا وزن معیارها را محاسبه کند و بعد گزینه‌ها را بر اساس آن‌ها رتبه‌بندی کند.

فرض کنید می‌خواهید بهترین شرکت حمل‌ونقل را انتخاب کنید. معیارهایی مثل هزینه، سرعت و قابلیت اطمینان دارید. در LMAW، ابتدا این معیارها را بر اساس اهمیتشان اولویت‌بندی می‌کنید؛ مثلاً می‌گویید هزینه از همه مهم‌تر است، بعد سرعت و بعد قابلیت اطمینان. سپس این اولویت‌ها وارد یک فرمول لگاریتمی می‌شوند و وزن هر معیار به دست می‌آید. یکی از نقاط قوت LMAW این است که به داده‌های خیلی پیچیده نیاز ندارد. LMAW تعادل خوبی بین سادگی و دقت برقرار می‌کند.

البته، هیچ روشی بی‌عیب نیست. LMAW فرض می‌کند که اولویت‌بندی اولیه شما دقیق است، و اگر این اولویت‌ها اشتباه باشند، نتیجه هم تحت تأثیر قرار می‌گیرد. ولی به نظرم این بیشتر به مهارت تصمیم‌گیرنده برمی‌گردد تا ضعف خود روش. چیزی که من ازش خوشم آمد، این بود که این روش به ما اجازه می‌دهد با داده‌های نسبتاً ساده، تصمیم‌های پیچیده بگیریم.

در فیلم زیر پیش نمایشی از فیلم اصلی آورده شده است.