Модели и алгоритмы многокритериального выбора на основе процедур агрегирования для СППР

Введение в многокритериальный выбор и СППР

Многие реальные решения нельзя корректно описать одним числом вроде минимальной цены или максимальной прибыли. На практике приходится одновременно учитывать качество, сроки, риски, удобство, надежность, экологичность, соответствие нормам и другие факторы. Такой класс задач называется многокритериальным выбором и является одним из центральных в системах поддержки принятия решений.

Зачем нужен многокритериальный выбор

Многокритериальный выбор возникает, когда:

Есть несколько альтернатив (вариантов действий), из которых нужно выбрать одну или упорядочить их.

Качество альтернатив оценивается по нескольким критериям.

Критерии могут конфликтовать (например, дешево часто противоречит высокому качеству).

Примеры задач:

Выбор поставщика: цена, срок поставки, стабильность качества, условия оплаты.

Выбор проекта: ожидаемая отдача, риск, длительность, потребность в ресурсах.

Выбор ИТ-решения: стоимость владения, производительность, безопасность, поддерживаемость.

Важная особенность: в многокритериальных задачах обычно нет абсолютно лучшего варианта по всем критериям одновременно. Поэтому задача сводится к формализации предпочтений и поиску компромисса.

Что такое СППР

Система поддержки принятия решений (СППР) — это информационная система, которая помогает:

структурировать проблему и данные;

построить модель оценки альтернатив;

получить и проверить рекомендации;

объяснить, почему получился именно такой результат.

СППР не обязана принимать решение вместо человека. Типичная роль СППР — сделать рассуждение прозрачным: какие критерии учтены, как они измеряются, какие допущения использованы, что будет при изменении весов или данных.

См. также:

Система поддержки принятия решений

Многокритериальное принятие решений

Базовые понятия без которых нельзя

Альтернативы

Альтернатива — это вариант, который можно выбрать. Обычно их обозначают как , но в прикладной постановке это конкретные объекты: поставщики, проекты, кандидаты, сценарии.

Критерии

Критерий — это правило оценки альтернативы по одному аспекту.

Пример критерия на минимизацию: стоимость, время, дефекты, риск.

Пример критерия на максимизацию: прибыль, качество, надежность, удовлетворенность.

Критерии должны быть понятны, измеримы (хотя бы экспертно) и согласованы по смыслу: что считается лучше, а что хуже.

Предпочтения и компромисс

Предпочтения описывают, что для лица, принимающего решение (ЛПР), важнее при конфликте критериев. Например: "я готов немного переплатить, если надежность существенно выше".

Компромисс часто описывают через:

важность критериев (веса);

ценность прироста показателя по критерию (например, снижение риска с 10% до 5% может быть важнее, чем с 30% до 25%);

ограничения (например, бюджет не более X).

Доминирование и Парето-оптимальность

Если альтернатива не хуже другой по всем критериям и строго лучше хотя бы по одному — говорят, что она доминирует другую. Доминируемые альтернативы рационально исключать.

Множество альтернатив, которые не доминируются никакими другими, называют множеством Парето.

Эффективность по Парето

Важно: Парето-множество обычно все равно содержит несколько вариантов, поэтому нужен следующий шаг — выбор или ранжирование.

От данных к решению: почему это непросто

В многокритериальных задачах почти всегда встречаются сложности:

Разные шкалы (рубли, дни, баллы, проценты).

Разная направленность (где-то нужно больше, где-то меньше).

Смешение количественных и качественных оценок (например, "высокая/средняя/низкая").

Неполные и шумные данные.

Неопределенность будущего (оценки зависят от сценариев).

Поэтому СППР часто включает процедуры:

приведение критериев к сопоставимому виду (например, нормирование);

обработку пропусков и проверку согласованности;

анализ чувствительности (что будет, если веса или данные изменятся).

Процедуры агрегирования: ключевая идея курса

Агрегирование — это способ свести многокритериальную оценку к более простой форме: например, к единому итоговому показателю или к единому порядку альтернатив.

Интуиция проста: мы хотим получить понятный ответ вида "альтернатива A лучше B с учетом всех критериев", не потеряв при этом смысл исходных оценок.

Простейший пример агрегирования: взвешенная сумма

Одна из самых известных моделей — взвешенная сумма нормированных оценок:

Где:

— конкретная альтернатива.

— количество критериев.

— нормированная оценка альтернативы по критерию (обычно приводится к масштабу, например от 0 до 1, чтобы разные единицы измерения стали сопоставимы).

— вес критерия , отражающий его относительную важность.

— агрегированный (итоговый) балл альтернативы .

Смысл формулы: для каждой альтернативы мы берем ее оценки по критериям, умножаем на важность критериев и суммируем. Чем больше — тем предпочтительнее альтернатива (если модель настроена на максимум).

Ограничение подхода: он предполагает, что компромиссы линейны и допускают взаимную компенсацию (плохое по одному критерию можно перекрыть хорошим по другому). В реальных задачах это не всегда приемлемо — и именно поэтому в курсе будут рассматриваться разные процедуры агрегирования и условия их применимости.

Типовой процесс многокритериального выбора в СППР

Ниже — общий шаблон, который затем будет уточняться на конкретных моделях.

Формулировка цели решения и перечня альтернатив.

Выбор критериев и уточнение их смысла (что считаем лучше).

Сбор данных и/или получение экспертных оценок.

Приведение оценок к сопоставимому виду (шкалы, нормирование, обработка пропусков).

Настройка модели предпочтений (веса, функции полезности, правила агрегирования).

Расчет итоговой оценки или построение ранжирования.

Проверка устойчивости результата (анализ чувствительности) и подготовка объяснения.

!Схема показывает, как данные и предпочтения проходят через подготовку и агрегирование к итоговой рекомендации

Роль человека и роль модели

Корректная СППР разделяет ответственность:

Модель отвечает за вычислимость, прозрачность и воспроизводимость.

ЛПР отвечает за выбор критериев, допущения, интерпретацию результата и принятие итогового решения.

Ошибочная практика — воспринимать численный рейтинг как "истину". Рейтинг — это результат выбранной модели и введенных предпочтений, поэтому в СППР критически важны объяснимость и проверка предпосылок.

Как эта статья связана с последующими темами курса

Дальше курс будет углублять три линии:

Моделирование предпочтений: как формально описывать важность критериев и компромиссы.

Процедуры агрегирования: какие существуют правила свертки многокритериальных оценок, чем они отличаются и когда применимы.

Алгоритмы для СППР: как получать решение, анализировать чувствительность и готовить объяснение для пользователя.

Эта вводная статья задает общий язык (альтернатива, критерий, предпочтения, Парето) и мотивацию: многокритериальный выбор — это не просто расчет, а управляемый, проверяемый процесс, в котором процедуры агрегирования играют центральную роль.

Формализация задачи: альтернативы, критерии, предпочтения

В предыдущей статье мы обсудили, почему многокритериальный выбор важен для СППР и какую роль играют процедуры агрегирования. Теперь сделаем следующий шаг: научимся формально описывать задачу так, чтобы ею можно было управлять в СППР и применять алгоритмы агрегирования.

Формализация нужна не ради “математики”, а ради трех практических целей:

Сопоставимость: чтобы оценки разных альтернатив можно было сравнивать.

Воспроизводимость: чтобы другой аналитик получил тот же результат при тех же данных и предпочтениях.

Объяснимость: чтобы можно было показать, какие исходные данные и предпочтения привели к итоговому ранжированию.

Альтернативы

Альтернативы — это варианты, между которыми выбирает ЛПР.

Чаще всего альтернативы удобно задавать как множество:

Где:

— множество альтернатив;

— -я альтернатива;

— количество альтернатив.

Практические требования к набору альтернатив:

Альтернативы должны быть сравнимыми по смыслу (например, все — поставщики одной категории).

Альтернативы должны быть достаточно конкретными, чтобы их можно было оценить по критериям.

Набор должен быть полным в рамках задачи: если “очевидно нужный” вариант забыли включить, СППР даст формально правильный, но управленчески неверный результат.

Критерии

Критерий — это измеряемый аспект, по которому оценивают альтернативы.

Удобно задавать критерии множеством:

Где:

— множество критериев;

— -й критерий;

— количество критериев.

Направленность критерия

Для каждого критерия нужно явно зафиксировать, что означает “лучше”:

критерии на максимизацию (чем больше, тем лучше): надежность, производительность, удовлетворенность;

критерии на минимизацию (чем меньше, тем лучше): цена, срок, риск, число дефектов.

Без этого формализация ломается: одна и та же таблица чисел может привести к противоположным выводам, если перепутать направление.

Шкалы измерения

Критерии могут измеряться в разных шкалах:

количественные (рубли, дни, проценты);

порядковые (например, “низкий/средний/высокий”), где важен порядок, но неизвестно, насколько “высокий” больше “среднего”.

Для СППР важно заранее договориться, как кодировать качественные оценки. Частая практика — перевод в баллы по согласованной шкале (например, 1–5), но это допущение нужно фиксировать, потому что процедура агрегирования может быть чувствительна к такому кодированию.

Хороший критерий

Критерий считается удачным для СППР, если:

он понятен ЛПР и экспертам;

его можно измерить (данными или экспертно);

он не дублирует другой критерий в том же смысле (иначе один и тот же аспект будет “учтен дважды”);

он операционален: по нему реально отличить альтернативы.

Матрица оценок (матрица решений)

Когда альтернативы и критерии определены, оценки удобно собрать в таблицу, которую часто называют матрицей решений.

Формально это можно записать так:

Где:

— таблица (матрица) оценок;

— число или балл, соответствующий альтернативе и критерию ;

— индекс альтернативы (от 1 до );

— индекс критерия (от 1 до ).

Пример матрицы решений (иллюстративно):

| Альтернатива | Цена (минимум), тыс. руб. | Срок (минимум), дни | Надежность (максимум), % | Поддержка (максимум), баллы 1–5 | |---|---:|---:|---:|---:| | | 980 | 21 | 96 | 4 | | | 870 | 35 | 93 | 5 | | | 1020 | 18 | 98 | 3 |

Что важно уточнить рядом с таблицей:

единицы измерения;

направление (мин/макс) для каждого критерия;

источник данных (измерения, отчетность, экспертная оценка);

как обработаны пропуски (если они есть).

Предпочтения: что именно хочет ЛПР

Матрица оценок описывает “как есть”, но не отвечает на вопрос “как выбрать”. Для выбора нужна модель предпочтений: какие компромиссы допустимы.

В СППР предпочтения обычно задают одним (или комбинацией) следующих способов.

Предпочтение как отношение сравнения

Можно определить правило сравнения альтернатив как отношение “не хуже”:

Читается как: “альтернатива не хуже альтернативы ” с точки зрения ЛПР.

Если одновременно и , то ЛПР считает их равноценными.

Если , но не верно , то предпочтительнее .

Зачем это нужно: многие алгоритмы (включая процедуры агрегирования и методы ранжирования) по сути строят или приближают именно такое правило сравнения.

Справочно по базовым понятиям отношений: Отношение порядка

Веса критериев

Самый распространенный способ задать важность критериев — ввести веса:

Где:

— важность критерия ;

обычно веса берут неотрицательными и нормируют так, что .

Смысл нормировки: веса становятся “долями важности” и удобнее интерпретируются.

Ключевое допущение: веса корректны только вместе с выбранной процедурой агрегирования. Одни и те же веса могут означать разные компромиссы в разных моделях.

Пороговые значения и требования

Иногда ЛПР не готов к компенсации “как угодно”: например, высокая надежность не компенсирует слишком долгий срок.

Тогда предпочтения задают в форме ограничений или минимально приемлемых уровней:

бюджет не более X;

срок не более Y;

надежность не ниже Z.

В таком подходе часть критериев работает как фильтр: альтернативы, нарушающие требования, исключаются до агрегирования или ранжирования.

Идея компенсации и ее границы

При агрегировании часто возникает вопрос: можно ли “перекрыть” плохую оценку по одному критерию хорошей по другому?

Если компенсация допустима в широких пределах, подходят модели типа взвешенной суммы.

Если компенсация ограничена или запрещена (например, безопасность нельзя компенсировать низкой ценой), обычно нужны другие процедуры агрегирования или явные ограничения.

Эта грань важна: ошибка в понимании компенсации приводит к рейтингу, который формально корректен, но не соответствует управленческой логике ЛПР.

Минимальная формальная постановка задачи для СППР

Чтобы задача многокритериального выбора была корректно описана для дальнейших алгоритмов курса, обычно достаточно указать:

Множество альтернатив .

Множество критериев .

Матрицу оценок .

Направленность каждого критерия (мин/макс) и единицы измерения.

Предпочтения ЛПР в одной из форм: веса , ограничения, правила сравнения или их сочетание.

После этого можно переходить к подготовке данных (например, приведению шкал к сопоставимому виду) и к выбору процедуры агрегирования.

!Схема показывает, какие элементы нужно задать, чтобы перейти от описания проблемы к алгоритмам агрегирования.

Как эта формализация используется дальше

В следующих темах курса формализация станет “входом” для моделей агрегирования:

мы будем приводить оценки к сопоставимому виду, чтобы разные единицы измерения не искажали результат;

рассмотрим разные процедуры агрегирования и сравним их допущения (особенно про компенсацию);

научимся объяснять итоговое ранжирование через вклад критериев и заданные предпочтения.

Нормализация и шкалирование критериев

В предыдущих статьях мы зафиксировали, что задача многокритериального выбора в СППР задаётся через альтернативы , критерии , матрицу оценок и предпочтения (например, веса ). Следующая практическая проблема: значения критериев измеряются в разных единицах (рубли, дни, проценты, баллы), имеют разную направленность (минимизация или максимизация) и разные диапазоны. Если перейти к агрегированию без подготовки шкал, результат часто будет искажён.

Эта статья объясняет, как и зачем выполняют нормализацию и шкалирование критериев перед применением процедур агрегирования в СППР.

Зачем нормализовать критерии

Нормализация и шкалирование нужны, чтобы привести оценки к сопоставимому виду.

Ключевые эффекты:

Сопоставимость шкал: критерий в рублях не должен автоматически доминировать над критерием в баллах только потому, что числа крупнее.

Единая направленность: после преобразования должно быть ясно, что большее значение означает лучше (или наоборот), и это одинаково для всех критериев.

Корректная работа агрегирования: многие процедуры (например, взвешенная сумма) предполагают, что критерии находятся в сравнимых диапазонах.

Устойчивость и интерпретируемость: выбор способа нормализации влияет на чувствительность к выбросам и на то, как интерпретировать вклад критериев.

> Важное правило СППР: нормализация не должна скрывать смысл данных. Её задача — сделать критерии сопоставимыми, но не “нарисовать” предпочтения.

Два разных понятия: шкалирование и нормализация

В прикладной практике термины иногда смешивают, но полезно различать:

Шкалирование: любое преобразование, которое меняет масштаб (например, перевод в диапазон или стандартизация).

Нормализация: частный случай шкалирования, когда значения приводятся к некоторой “норме” или стандартному диапазону (часто ), чтобы их было удобно сравнивать и агрегировать.

Дальше под нормализацией будем понимать преобразование оценок в сопоставимые значения , которые можно безопаснее агрегировать.

Подготовка направленности критериев

Перед любой нормализацией нужно зафиксировать направленность каждого критерия:

если критерий на максимизацию, то больше — лучше;

если критерий на минимизацию, то меньше — лучше.

Есть два типовых подхода:

Привести все критерии к “больше — лучше” с помощью преобразования.

Нормализовать с учётом направления (формула сразу учитывает минимум/максимум).

Далее в формулах будем получать так, что больше — лучше.

Нормализация min-max

Это один из самых распространённых способов привести критерии к диапазону .

Для критерия на максимизацию

Где:

— исходная оценка альтернативы по критерию ;

— минимальное значение по критерию среди всех альтернатив;

— максимальное значение по критерию среди всех альтернатив;

— нормализованная оценка в диапазоне от 0 до 1.

Смысл:

худшая альтернатива по критерию получает 0;

лучшая — 1;

остальные — пропорционально внутри диапазона.

Для критерия на минимизацию

Здесь те же обозначения, но числитель “переворачивает” шкалу: меньшие значения исходного критерия превращаются в большие нормализованные.

Практические замечания

Если (все альтернативы одинаковы по критерию), делить нельзя. Тогда критерий не различает альтернативы и обычно задают для всех (или , если критерий трактуется как “не даёт преимущества”), но выбор нужно явно зафиксировать в СППР.

Min-max чувствителен к выбросам: один экстремальный вариант может “сжать” различия между остальными.

Стандартизация (z-score)

Если важны отклонения от среднего уровня, используют стандартизацию:

Где:

— среднее значение критерия по альтернативам;

— стандартное отклонение критерия ;

— стандартизованная оценка (обычно без фиксированного диапазона).

Интерпретация:

означает “на среднем уровне” по критерию;

означает “на одно стандартное отклонение выше среднего”.

Чтобы получить “больше — лучше” для критерия на минимизацию, часто меняют знак: .

Практический смысл:

хорошо работает, когда критерии близки к “колоколообразным” распределениям;

может быть менее наглядной для ЛПР, чем ;

также чувствительна к выбросам через и .

Векторная нормализация

Этот вариант часто встречается в методах ранжирования, где важна геометрическая интерпретация (например, в TOPSIS).

Где:

— число альтернатив;

знаменатель — длина “вектора критерия” ;

— нормализованные значения, сопоставимые по масштабу внутри критерия.

Замечание: такая нормализация не гарантирует диапазон и требует аккуратной обработки критериев на минимизацию (например, предварительного преобразования “меньше — лучше” в “больше — лучше”).

Ранговое шкалирование для порядковых оценок

Если критерий задан в виде порядковой шкалы (например, “низкий/средний/высокий”), то простая замена на 1–3 — это сильное допущение: она делает шаги между уровнями равными.

Более аккуратный подход:

перейти к рангам (местам) альтернатив по критерию;

затем нормализовать ранги в .

Пример нормализации ранга (для “больше — лучше”):

Где:

— ранг альтернативы (1 — худшая, — лучшая);

— число альтернатив;

— значение от 0 до 1.

Этот подход сохраняет порядок и уменьшает риск “переинтерпретировать” качественные уровни как количественные расстояния.

Как нормализация влияет на агрегирование

Процедуры агрегирования (к которым курс будет переходить дальше) по-разному чувствительны к выбору шкалирования.

Типовые связи:

Взвешенная сумма обычно требует, чтобы были сопоставимы по диапазону и смыслу, поэтому min-max и похожие преобразования часто удобны.

Методы, основанные на расстояниях до идеала (например, TOPSIS), часто используют векторную нормализацию или min-max, потому что масштаб напрямую влияет на расстояния.

Если в модели предпочтений предполагается ограниченная компенсация, то “мягкая” нормализация может скрыть критические провалы. Тогда дополнительно вводят пороги или штрафы.

Ключевая идея для СППР: нормализация — это часть модели, а не только “техническая обработка”. Её нужно документировать и проверять анализом чувствительности.

Пример: один набор данных и разные результаты нормализации

Пусть есть 3 альтернативы и 3 критерия:

цена (тыс. руб.) — минимизация;

срок (дни) — минимизация;

надёжность (%) — максимизация.

| Альтернатива | Цена, тыс. руб. (min) | Срок, дни (min) | Надёжность, % (max) | |---|---:|---:|---:| | | 980 | 21 | 96 | | | 870 | 35 | 93 | | | 1020 | 18 | 98 |

Применим min-max так, чтобы везде было “больше — лучше”. Получим .

Для цены: минимум 870, максимум 1020.

Для срока: минимум 18, максимум 35.

Для надёжности: минимум 93, максимум 98.

| Альтернатива | Цена | Срок | Надёжность | |---|---:|---:|---:| | | 0.267 | 0.824 | 0.600 | | | 1.000 | 0.000 | 0.000 | | | 0.000 | 1.000 | 1.000 |

Интерпретация:

максимально хорош по цене, но худший по сроку и надёжности.

максимально хорош по сроку и надёжности, но худший по цене.

— компромиссный вариант.

Именно в таком “сопоставимом” виде далее удобно применять агрегирование (например, взвешенную сумму), а также объяснять ЛПР вклад каждого критерия.

!Схема показывает место нормализации в конвейере СППР

Выбор метода: практическая памятка

Выбор зависит от смысла критериев, качества данных и будущей процедуры агрегирования.

Если нужна понятная интерпретация и прозрачность для ЛПР, часто выбирают min-max.

Если важно сравнение относительно среднего уровня и распределения, используют z-score.

Если метод дальше опирается на геометрические расстояния, может подойти векторная нормализация.

Если критерии заданы порядковыми уровнями, аккуратнее применять ранги или заранее проработанную экспертную шкалу.

Отдельно стоит учитывать выбросы и “сломанные” данные:

при сильных выбросах имеет смысл либо очищать данные, либо выбирать более устойчивое преобразование, либо вводить ограничения/пороги, чтобы редкий экстремум не определял всё ранжирование.

Что должно быть зафиксировано в СППР

Чтобы нормализация была воспроизводимой и объяснимой, в постановке задачи обычно фиксируют:

направленность каждого критерия (min/max);

выбранный метод нормализации по каждому критерию;

правила обработки равных значений и отсутствующих данных;

обоснование, почему метод соответствует смыслу критерия и выбранной процедуре агрегирования.

Дальше, когда мы будем разбирать конкретные процедуры агрегирования, нормализованная матрица станет стандартным входом для расчёта итоговых оценок и ранжирования.

Процедуры агрегирования: взвешенные свёртки и полезность

В предыдущих статьях курса мы:

ввели язык многокритериального выбора и роль СППР;

формализовали задачу через альтернативы , критерии и матрицу оценок ;

показали, почему перед расчётами почти всегда нужна нормализация и приведение направления критериев к единому смыслу.

Теперь мы переходим к центральному шагу СППР: процедурам агрегирования. Это правила, которые превращают набор оценок по критериям в:

одно итоговое число (оценку альтернативы), или

порядок (ранжирование) альтернатив.

В этой статье разберём самый распространённый класс агрегирования: взвешенные свёртки и их связь с идеей полезности.

!Схема показывает, как данные и предпочтения проходят через нормализацию, полезности и взвешивание к итоговому рейтингу

Что означает «агрегировать» в многокритериальной задаче

Пусть для каждой альтернативы есть оценки по критериям. После нормализации мы часто работаем не с исходными , а с сопоставимыми значениями , где:

— индекс альтернативы (от 1 до );

— индекс критерия (от 1 до );

устроены так, что больше — лучше и масштабы критериев стали сопоставимыми (например, при min-max нормализации).

Агрегирование отвечает на вопрос: как из вектора получить итоговую оценку альтернативы.

Ключевой момент: любая свёртка всегда несёт допущения о том, как ЛПР допускает компромиссы между критериями.

Взвешенная сумма как базовая свёртка

Самая известная процедура — взвешенная сумма нормированных оценок:

Где:

— итоговый балл альтернативы (чем больше, тем лучше);

— число критериев;

— нормированная оценка альтернативы по критерию ;

— вес критерия , отражающий относительную важность;

обычно и веса нормируют так, что .

Как интерпретировать веса

В модели взвешенной суммы вес — это коэффициент влияния критерия на итог. Но важно понимать нюанс:

веса не являются универсальной «важностью вообще»;

их смысл зависит от того, как устроены (масштаб, нормализация) и от самой свёртки.

Если вы поменяли нормализацию, то «те же самые» веса могут дать другое ранжирование, потому что изменится вклад критериев.

Главное допущение взвешенной суммы: компенсация

Взвешенная сумма — компенсаторная модель:

плохое значение по одному критерию может быть компенсировано хорошим значением по другому.

Это удобно (даёт ясный рейтинг), но может противоречить смыслу задачи. Например, «низкую безопасность нельзя компенсировать низкой ценой» — тогда одной взвешенной суммы обычно недостаточно, нужны пороги/ограничения или другая процедура агрегирования.

Когда взвешенная сумма обычно уместна

На практике она хорошо работает, когда одновременно верно следующее:

критерии после нормализации действительно сопоставимы по смыслу шкалы;

ЛПР принимает компенсации (по крайней мере в некотором диапазоне);

нет «запретительных» требований, которые должны выполняться обязательно.

Справочно: этот подход известен как взвешенная сумма или взвешенная линейная комбинация и широко используется в MCDA.

Почему одной нормализации часто недостаточно: идея полезности

Нормализация делает шкалы сопоставимыми, но не описывает ценность изменения критерия для ЛПР.

Пример смысловой проблемы:

снизить срок поставки с 40 до 35 дней и с 10 до 5 дней — это одинаковое уменьшение на 5 дней;

но управленческий эффект может быть разным (например, переход через критический порог).

Чтобы учесть такие нелинейные эффекты, вводят однокритериальные функции полезности.

Однокритериальная полезность

Для каждого критерия задают функцию , которая переводит значение критерия в шкалу «ценности» для ЛПР.

Если мы работаем с нормированным , то часто пишут так:

Где:

— полезность альтернативы по критерию ;

— функция полезности по критерию ;

обычно удобно выбирать диапазон , где 0 — худший приемлемый уровень, 1 — лучший.

Функции полезности бывают:

линейные (ценность растёт пропорционально);

вогнутые (убывающая отдача: каждый следующий прирост менее ценен);

выпуклые (возрастающая ценность ближе к лучшим значениям);

пороговые (почти «всё или ничего» вокруг требования).

Важно: полезность — это не «объективная» физическая величина, а модель предпочтений.

Справочно о концепции полезности: Полезность

Аддитивная многокритериальная полезность (взвешенная полезность)

Когда для каждого критерия задана полезность , распространённая модель агрегирования выглядит так:

Где:

— итоговая (агрегированная) полезность альтернативы ;

— веса критериев (обычно и );

— полезность по критерию после преобразования шкалы.

Эта модель отличается от «простой взвешенной суммы» тем, что между и итогом появляется слой смысла: как именно ЛПР оценивает изменения критерия.

Такая конструкция соответствует идеям многокритериальной теории полезности (MAUT).

Справочно: Multi-attribute utility theory

Что означают веса в модели полезности

В аддитивной полезности веса интерпретируются корректнее, если:

шкалы полезности согласованы (например, все лежат в и одинаково трактуются как «ценность»);

критерии не «пересекаются по смыслу» (нет двойного учёта одного и того же эффекта);

предпочтения допускают аддитивное разложение.

В прикладных СППР это обычно достигают не теоретическими доказательствами, а инженерной дисциплиной:

явно фиксируют смысл критерия;

проверяют, что критерии не дублируют друг друга;

выполняют анализ чувствительности по весам и по форме .

Практический пример: взвешенная сумма после min-max

Возьмём пример из прошлой статьи: 3 альтернативы и 3 критерия.

цена — минимизация;

срок — минимизация;

надёжность — максимизация.

После min-max нормализации (где везде «больше — лучше») получилась матрица :

| Альтернатива | Цена | Срок | Надёжность | |---|---:|---:|---:| | | 0.267 | 0.824 | 0.600 | | | 1.000 | 0.000 | 0.000 | | | 0.000 | 1.000 | 1.000 |

Предположим, ЛПР задал веса:

цена: ;

срок: ;

надёжность: .

Тогда итог по взвешенной сумме:

Здесь:

— нормированная оценка цены альтернативы ;

— нормированная оценка срока;

— нормированная оценка надёжности.

Посчитаем приближённо:

- - -

Итоговый порядок: .

Управленческое чтение результата:

очень выгоден по цене, но «проваливается» по сроку и надёжности, и модель это наказывает;

выигрывает по сроку и надёжности, несмотря на худшую цену;

— компромисс.

Важно: если для ЛПР срок «не должен быть хуже некоторого порога», то корректнее сначала отфильтровать альтернативы по ограничению, а не надеяться на компенсацию через веса.

Ограничения, пороги и «двухэтапная» агрегация

В СППР часто используют комбинированную логику:

сначала отсечение по обязательным требованиям (порогам);

затем агрегирование среди оставшихся.

Типовой вариант порога для критерия на минимизацию (например, срок):

«срок не более 25 дней».

Тогда альтернатива, нарушающая требование, исключается независимо от того, насколько она хороша по другим критериям.

Такой подход делает модель ближе к реальной управленческой логике и уменьшает риск «неприемлемой компенсации».

Что нужно документировать в СППР при использовании взвешенных свёрток

Чтобы результат был воспроизводимым и объяснимым, в СППР обычно фиксируют:

выбранный метод нормализации и правила обработки направленности критериев;

вид агрегирования (простая взвешенная сумма или взвешенная полезность);

источник весов (экспертно, от ЛПР, из процедуры согласования);

наличие порогов/ограничений и порядок их применения;

результаты анализа чувствительности (насколько меняется рейтинг при изменении весов или шкал).

Куда идём дальше

Взвешенные свёртки — отправная точка: они просты, объяснимы и хорошо реализуются в СППР. Но у них есть пределы применимости (компенсация, чувствительность к шкалам, зависимость критериев).

В следующих темах курса обычно рассматривают:

более «жёсткие» или частично некомпенсаторные правила агрегирования;

методы ранжирования, которые сравнивают альтернативы иначе, чем через одну суммарную оценку;

алгоритмы анализа устойчивости решения и объяснения вклада критериев.

Нелинейные агрегаторы: OWA, Choquet, взаимодействия критериев

В предыдущих темах курса мы построили стандартный конвейер СППР для многокритериального выбора:

формализовали альтернативы, критерии и матрицу оценок;

привели критерии к сопоставимому виду с помощью нормализации;

агрегировали оценки через взвешенную сумму или аддитивную полезность.

Эти модели удобны и объяснимы, но у них есть принципиальные ограничения:

они предполагают линейную компенсацию (провал по одному критерию можно «выкупить» успехом по другому);

они плохо описывают ситуации, где критерии взаимодействуют (например, частично дублируют друг друга или дают эффект только вместе).

Ниже рассматриваются два класса нелинейных агрегаторов, которые часто применяют в СППР, когда линейная свёртка недостаточна:

OWA (Ordered Weighted Averaging) — агрегирование по отсортированным оценкам, отражающее управленческую «позицию» типа оптимизм/пессимизм или скорее AND/скорее OR.

Интеграл Шоке (Choquet integral) — агрегирование с учётом взаимодействий критериев (синергия, избыточность).

Когда нужны нелинейные агрегаторы

Нелинейные процедуры агрегирования полезны, если хотя бы один из пунктов верен:

ЛПР формулирует цель как «хотим, чтобы по большинству критериев было хорошо» или «достаточно, чтобы хотя бы по нескольким ключевым было отлично».

Есть критерии, которые перекрывают друг друга (например, надёжность и количество отказов частично описывают одно и то же).

Есть критерии, дающие эффект только совместно (например, качество и срок: быстрый результат ценен только если качество не падает).

Требуется управлять видом компромисса, а не только весами.

Далее будем считать, что по каждому критерию уже получены нормированные значения , где больше — лучше (например, в диапазоне ), как в теме про нормализацию.

OWA: упорядоченное взвешенное усреднение

OWA-оператор агрегирует не «критерий 1, 2, 3…», а отсортированные значения критериев для конкретной альтернативы.

Идея: для альтернативы берём её оценки , сортируем по убыванию и затем применяем веса к местам в сортировке.

Справка: Ordered weighted averaging operator

Формула OWA

Пусть для альтернативы после сортировки по убыванию получен ряд:

, где каждое — это одно из , просто переставленное по величине.

Тогда OWA определяется так:

Где:

— число критериев;

— -е по величине значение среди для альтернативы ;

— OWA-вес позиции (вес не критерия, а места в упорядоченном списке);

обычно и , чтобы агрегированная оценка была сопоставима со шкалой исходных .

Как интерпретировать OWA-веса

OWA-веса задают управленческий стиль:

если вес сосредоточен на первых местах, модель «любит» альтернативы с хотя бы несколькими очень сильными сторонами;

если вес сосредоточен на последних местах, модель «боится» слабых мест и стремится избегать провалов;

если веса равны, получаем обычное среднее, и порядок критериев не важен.

Полезно помнить:

в OWA можно вовсе не задавать разные важности критериев; важнее становится вопрос как мы относимся к распределению качества по критериям.

при желании важность критериев можно учитывать отдельно (например, через предварительное преобразование оценок или комбинированные схемы), но базовый OWA — именно про порядок значений.

!Профили OWA-весов показывают, как меняется агрегирование от «берём лучшее» к «берём худшее»

Частные случаи OWA, которые стоит знать

Максимум: если , а остальные 0, то .

Минимум: если , а остальные 0, то .

Среднее арифметическое: если для всех , то получаем обычное среднее.

Эти три случая полезны в СППР как «режимы»:

как хорошо альтернатива может себя показать в лучшем аспекте (max);

насколько она не проваливается в худшем аспекте (min);

средний уровень (average).

Мини-пример OWA

Пусть у альтернативы три нормированные оценки: . Тогда после сортировки .

При получаем (максимум).

При получаем (минимум).

При получаем .

Одна и та же альтернатива может оказаться «лучшей» или «худшей» в зависимости от того, ожидает ли ЛПР яркий плюс хотя бы в чём-то или отсутствие слабых мест.

Взаимодействия критериев и почему линейные веса не всегда работают

Взвешенная сумма (и аддитивная полезность) предполагает, что вклад критериев складывается независимо. Но в реальности часто есть два эффекта.

Избыточность (перекрытие): два критерия описывают близкий смысл. Тогда если альтернатива хороша по обоим, это не должно удваивать итоговую оценку.

Синергия (усиление): два критерия усиливают друг друга. Тогда хорошие значения по обоим дают больше пользы, чем сумма по отдельности.

Пример избыточности:

надёжность, % и количество отказов.

Пример синергии:

скорость выполнения и качество: высокая скорость ценна, если качество не страдает.

Чтобы моделировать такие эффекты, нужны агрегаторы, которые умеют учитывать совместное влияние критериев. Классический инструмент для этого — интеграл Шоке.

Интеграл Шоке: агрегирование через «вес» групп критериев

Интеграл Шоке строится не на весах отдельных критериев, а на так называемой ёмкости (её также называют неаддитивной мерой или fuzzy measure) — функции, которая назначает «важность» не только одиночным критериям, но и любым их подмножествам.

Справка:

Choquet integral

Fuzzy measure theory

Ёмкость (capacity)

Пусть множество критериев . Ёмкость — это функция для любого подмножества .

Требования к ёмкости:

(пустой набор критериев не даёт ценности);

(вся совокупность критериев нормирована к 1 для удобства интерпретации);

если , то (монотонность: больше критериев не должно уменьшать «вес набора»).

Интуиция: похожа на вес критерия 1, но дополнительно появляется, например, — «важность пары» как единого блока.

Как ёмкость задаёт взаимодействия

Рассмотрим два критерия и .

Избыточность (перекрытие) можно выразить как:

Синергия (усиление) можно выразить как:

Здесь:

— «вклад» критерия сам по себе;

— «вклад» критерия сам по себе;

— «вклад их совместного присутствия».

!Диаграмма иллюстрирует, как ёмкость отличает синергию от перекрытия критериев

Формула интеграла Шоке (в дискретном виде)

Для альтернативы есть нормированные оценки .

1) Отсортируем значения по возрастанию:

.

2) Определим множества критериев, соответствующие «верхним уровням»:

— это множество критериев, чьи значения не меньше (то есть критерии, попавшие в -й и более высокие уровни после сортировки).

3) Тогда интеграл Шоке:

Где:

— агрегированная оценка альтернативы ;

— -е значение после сортировки (для );

(техническое значение для удобства формулы, если оценки в );

— ёмкость соответствующего набора критериев.

Интуиция формулы:

мы идём по «ступенькам» значений ;

прирост взвешивается не одиночным критерием, а «весом группы критериев», которые достигают хотя бы этого уровня.

Когда Шоке превращается во взвешенную сумму

Если ёмкость аддитивна, то есть для любого набора выполняется:

где и , то интеграл Шоке совпадает с обычной взвешенной суммой:

То есть линейная модель — это частный случай Шоке без взаимодействий.

Практичная аппроксимация: 2-аддитивная модель (только пары)

Полная ёмкость требует задать значений (для всех подмножеств критериев), что быстро становится непрактичным.

Компромисс для СППР — ограничиться взаимодействиями только попарно. Это часто называют 2-аддитивной постановкой.

В одном из распространённых представлений агрегатор принимает вид:

Где:

— нормированная оценка альтернативы по критерию ;

— «одиночный» вклад критерия ;

— параметр взаимодействия пары ;

— вклад пары определяется слабейшим из двух значений (интуитивно: «пара хороша ровно настолько, насколько не проседает худший компонент»).

Как читать параметры взаимодействия:

если , пара даёт синергетический бонус;

если , пара даёт штраф за избыточность;

если , взаимодействие пары не учитывается.

Важно: при настройке параметров нужно соблюдать согласованность (чтобы итоговая функция была монотонной по каждому критерию). В СППР это обычно обеспечивают либо ограничениями в процедуре калибровки, либо использованием готовых библиотек/алгоритмов обучения ёмкостей.

Сравнение OWA и Шоке в логике СППР

| Характеристика | OWA | Интеграл Шоке | |---|---|---| | Что моделирует | Отношение ЛПР к распределению качества по критериям (оптимизм/пессимизм, AND/OR) | Взаимодействия критериев (синергия/перекрытие) | | На что похож | «Взвешивание мест» в отсортированном списке значений | «Взвешивание групп критериев» через ёмкость | | Что задаём | Веса для позиций | Ёмкость (часто с ограничением до пар) | | Когда полезен | Хотим управлять тем, насколько важны лучшие/худшие критерии | Знаем, что критерии зависимы по смыслу | | Главный риск | Игнорирует конкретные смыслы критериев (важно только, кто больше/меньше) | Сложность параметризации и объяснения, рост числа параметров |

Как встраивать нелинейные агрегаторы в конвейер СППР

1) Подготовка критериев

привести направления к «больше — лучше»;

нормализовать шкалы (часто в ), потому что и OWA, и Шоке чувствительны к масштабу.

2) Определиться, что именно нужно смоделировать

если важна политика типа «не допускаем слабых мест» или «хотим хотя бы один прорывной плюс» — чаще подходит OWA;

если важны перекрытия и синергии между конкретными критериями — чаще подходит Шоке.

3) Калибровка параметров

OWA: выбрать профиль (например, по сценарию «пессимистичный», «нейтральный», «оптимистичный»), согласовать с ЛПР.

Шоке: определить взаимодействующие пары (или группы) и задать ёмкость/взаимодействия экспертно или по данным.

4) Анализ чувствительности

проверять, как меняется ранжирование при небольших изменениях (OWA) или параметров ёмкости (Шоке);

фиксировать диапазоны устойчивости решения, потому что нелинейность часто усиливает чувствительность.

Что важно документировать в СППР

метод нормализации и правила направленности критериев;

выбранный агрегатор (OWA или Шоке) и мотивацию выбора;

параметры агрегатора:

для OWA: вектор и его смысл (например, «ориентация на худшие критерии»);

для Шоке: описание зависимостей критериев (какие пары синергируют, какие избыточны) и способ задания/обучения ёмкости;

результаты анализа устойчивости и пояснение, почему итоговый рейтинг соответствует логике ЛПР.

Таким образом, нелинейные агрегаторы расширяют инструментарий процедур агрегирования: OWA позволяет управлять «формой компромисса» через порядок оценок, а интеграл Шоке позволяет явно учитывать взаимодействия критериев, которые линейные веса описать не могут.

Ранжирование и выбор: алгоритмы, устойчивость, чувствительность

Процедуры агрегирования из предыдущих тем (взвешенная сумма, полезность, OWA, интеграл Шоке) дают нам способ получить итоговую оценку альтернативы. Но в СППР пользователь обычно ждёт не число, а управленческий результат:

ранжирование (список альтернатив от лучших к худшим);

выбор (одна альтернатива или небольшой набор);

объяснение, почему выбран именно этот вариант;

уверенность, что результат не «ломается» от небольших изменений входных предположений.

Эта статья связывает агрегирование с практическими алгоритмами ранжирования и показывает, как проверять устойчивость решения через анализ чувствительности.

!Схема показывает, где именно возникают ранжирование и анализ устойчивости в общем процессе

От агрегированной оценки к ранжированию

Пусть есть множество альтернатив и выбран агрегатор (например, взвешенная сумма или OWA), который даёт каждой альтернативе итоговый балл . Тогда ранжирование строится напрямую:

если модель настроена на принцип больше — лучше, то более высокий означает более предпочтительную альтернативу;

ранжирование получают сортировкой по убыванию .

Алгоритм ранжирования по итоговому баллу

Подготовить данные: привести критерии к единой направленности и нормализовать оценки (например, min-max), чтобы все критерии были сопоставимы.

Задать параметры предпочтений:

- для взвешенной суммы или полезности: веса и, при необходимости, функции полезности ; - для OWA: вектор OWA-весов ; - для Шоке: ёмкость (или параметры взаимодействий).

Для каждой альтернативы посчитать агрегированный балл .

Отсортировать альтернативы по .

Обработать равенства: если у альтернатив одинаковый балл (или почти одинаковый), применить правило разрешения ничьих.

Ничьи и «почти ничьи»

Ничьи возникают по двум причинам:

реальная равноценность: альтернативы действительно близки;

огрубление модели: округление, балльные шкалы, грубая нормализация.

Типовые правила для СППР:

если меньше заданного малого порога , считать альтернативы практически равными;

выводить не только точечный рейтинг, но и группы близких альтернатив.

Выбор вместо полного ранжирования

Полный рейтинг полезен, но управленческая задача часто звучит как:

выбрать одну альтернативу;

выбрать топ-;

выбрать все альтернативы, которые «достаточно хороши».

Это три разных режима, и СППР обычно поддерживает их одновременно.

Выбор топ-

Это прямой срез рейтинга:

отсортировать по ;

взять первые .

Риск: если различия в баллах малы, топ- может быть нестабилен к шуму.

Выбор по порогу качества

Можно задать правило:

принять альтернативы, для которых .

Где:

— итоговый балл;

— порог, выбранный ЛПР.

Плюс: получается набор «приемлемых» альтернатив. Минус: нужен смысловой выбор .

Двухэтапный выбор: фильтрация + агрегирование

Из темы про свёртки важно помнить про недопустимую компенсацию. Практически часто делают так:

Сначала отсекают альтернативы, нарушающие обязательные требования (срок не больше X, риск не выше Y).

Затем ранжируют оставшиеся по агрегатору.

Этот подход уменьшает риск ситуации «дёшево, но неприемлемо».

Предварительное сокращение множества альтернатив: Парето-фильтрация

Перед любой агрегацией полезно удалить заведомо слабые варианты.

Альтернатива доминирует альтернативу , если не хуже по всем критериям и строго лучше хотя бы по одному. Тогда рационально исключить.

Справочно: Эффективность по Парето

Практический смысл для СППР:

меньше альтернатив — проще объяснение и выше доверие;

меньше риск, что «плохие» варианты случайно окажутся высоко из-за настроек весов.

Важно: Парето-фильтрация обычно не даёт единственного победителя, но хорошо подготавливает данные к агрегированию.

Устойчивость и чувствительность: зачем это нужно

Многокритериальная модель содержит параметры и допущения:

веса критериев;

выбор нормализации;

форма полезности;

параметры OWA или Шоке;

обработка пропусков, округление.

Если небольшое изменение любого из этих элементов полностью меняет рейтинг, решение считается неустойчивым. В СППР это критично: пользователь должен понимать, насколько рекомендация надёжна.

Справочно: Анализ чувствительности

Далее под чувствительностью будем понимать вопрос: как меняется ранжирование при изменении параметров модели.

Локальная чувствительность для взвешенной суммы

Для модели взвешенной суммы после нормализации:

где:

— итоговый балл альтернативы ;

— число критериев;

— вес критерия (обычно и );

— нормализованная оценка альтернативы по критерию .

Когда одна альтернатива обгоняет другую

Сравним две альтернативы и . Разность итоговых баллов:

где:

— насколько лучше по итоговой модели;

— преимущество над по критерию в нормированной шкале.

Если , то модель ранжирует выше .

Практическая интерпретация:

если по ключевым критериям маленькие, то лидерство может быть хрупким;

если лидерство держится за счёт одного критерия с большим весом, то изменение этого веса может поменять победителя.

Быстрая диагностика «хрупких» мест

Для текущих весов можно посмотреть вклад каждого критерия в разность:

вклад критерия в преимущество над равен .

Если один критерий почти полностью определяет знак , стоит проверить сценарии, где его вес или измерение меняются.

Практические методы анализа чувствительности в СППР

Ниже — методы, которые чаще всего реально внедряются.

Анализ «по одному параметру»

Идея: менять один параметр, остальные держать фиксированными.

Типовые эксперименты:

увеличить один вес на небольшую величину и затем перенормировать веса так, чтобы снова выполнялось ;

изменить способ нормализации одного критерия (например, min-max вместо z-score) и пересчитать рейтинг;

изменить порог фильтрации и посмотреть, меняется ли победитель.

Что фиксировать в отчёте СППР:

при каких изменениях параметра меняется топ-1;

при каких изменениях меняется состав топ-;

какие альтернативы «почти равны».

Сценарный анализ

Идея: вместо одного набора весов и параметров задать несколько сценариев предпочтений.

Пример для весов:

сценарий «стоимость важнее»: повышен;

сценарий «риски важнее»: повышен;

сценарий «баланс»: веса близки к равным.

Затем СППР показывает:

победителя по каждому сценарию;

альтернативы, которые стабильно входят в топ-.

Сценарный анализ особенно важен, когда в организации есть несколько стейкхолдеров с разными приоритетами.

Монте-Карло чувствительность

Идея: считать веса и параметры не фиксированными, а случайными в допустимых диапазонах, и многократно пересчитывать рейтинг.

Справочно: Метод Монте-Карло

Практический результат для СППР:

доля прогонов, где альтернатива занимает 1-е место;

доля прогонов, где альтернатива входит в топ-.

Это даёт измерение устойчивости лидерства без требования «единственно верных» весов.

!Пример отчёта устойчивости: как часто каждая альтернатива становится лучшей

Типовые источники неустойчивости рейтинга

Зависимость от нормализации

Даже при фиксированных весах смена нормализации меняет относительные «расстояния» между альтернативами. Это может изменить итоговый рейтинг, особенно если:

есть выбросы;

диапазон критерия очень широкий;

критерий почти у всех одинаковый, кроме одного.

Практика СППР:

заранее договориться о нормализации и документировать её;

проверить хотя бы 2 разумных варианта и показать, меняется ли топ-1.

Перекомпенсация

Компенсаторные свёртки могут «прощать» провалы. Если ЛПР не принимает такую логику, то рейтинг может быть формально устойчивым, но управленчески неприемлемым.

Решение:

вводить пороги и фильтры;

применять менее компенсаторные агрегаторы (например, OWA с фокусом на худшие критерии).

Взаимодействия критериев

Если критерии частично дублируют друг друга, линейная модель может переоценивать альтернативы, сильные в этой «группе». Тогда малые изменения весов внутри группы могут резко менять рейтинг.

Решение:

пересмотреть набор критериев;

использовать агрегирование с взаимодействиями (например, Шоке), если зависимость действительно смысловая.

Устойчивое решение: что считать «хорошим» результатом

В СППР полезно различать:

лучший по точечной настройке — лидер при текущих весах/параметрах;

устойчиво хороший — альтернатива, которая почти всегда в топе при разумных изменениях параметров.

Практические критерии устойчивости:

лидер сохраняется при небольшом изменении весов (например, на несколько процентов);

альтернатива стабильно входит в топ- по большинству сценариев;

альтернатива редко нарушает пороги даже при шуме данных.

Как оформлять результаты ранжирования и чувствительности в СППР

Чтобы результат был объяснимым и проверяемым, в отчёте СППР обычно фиксируют:

Итоговый рейтинг и значения агрегированного балла.

Основные предпосылки:

- нормализация; - веса или параметры агрегатора; - пороги/ограничения.

Объяснение лидерства:

- какие критерии внесли основной вклад; - где у лидера слабые места.

Проверку устойчивости:

- сценарии или диапазоны изменения весов; - результаты Монте-Карло (если применялось).

Управленческую рекомендацию:

- победитель и план Б (альтернатива, которая устойчива и близка по баллу).

Связь с предыдущими темами курса такова: агрегирование даёт формулу расчёта , а ранжирование и чувствительность превращают эту формулу в практическую рекомендацию, которой можно доверять.

Внедрение в СППР: сбор данных, интерфейсы, валидация решений

Модели агрегирования из предыдущих тем курса (взвешенная сумма и полезность, OWA, интеграл Шоке) отвечают на вопрос как считать итоговый балл и строить ранжирование. Но чтобы это стало работающей системой поддержки принятия решений (СППР), нужно решить инженерные вопросы:

откуда берутся данные и как обеспечить их качество;

как пользователь задаёт предпочтения и видит объяснения;

как проверять, что рекомендации корректны, устойчивы и воспроизводимы.

Эта статья описывает практический слой внедрения: сбор данных, интерфейсы и валидация решений.

!Общая архитектура внедрения многокритериального выбора в СППР

Конвейер внедрения: что именно должно работать

В терминах курса вход СППР обычно включает альтернативы , критерии , матрицу оценок , а после подготовки данных часто используют нормированные оценки и выбранный агрегатор.

Практический конвейер в СППР выглядит так:

Определение альтернатив и критериев, согласование смыслов и направленностей (минимизация или максимизация).

Сбор исходных данных и фиксация источников.

Проверка качества данных, обработка пропусков и выбросов.

Приведение шкал: нормализация и, при необходимости, функции полезности.

Ввод предпочтений: веса, пороги, выбор агрегатора и сценариев.

Расчёт итоговых баллов и ранжирование.

Объяснение результата и анализ устойчивости.

Журналирование, версия данных и версии настроек модели.

Критическое требование к СППР: один и тот же запрос при одинаковых данных и одинаковых настройках должен давать один и тот же результат.

Сбор данных: источники, структура, качество

Источники данных

Данные для критериев в СППР обычно приходят из нескольких типов источников:

Операционные системы организации (ERP, CRM, SCM).

Файлы и реестры (электронные таблицы, каталоги, прайс-листы).

Внешние источники (открытые данные, рейтинги, регистры).

Экспертные оценки (опросы, комиссии, интервью).

Главная ошибка внедрения на этом этапе: смешать в одной колонке измерения и мнения без явного указания источника и доверия.

Единая структура данных: что хранить по каждому критерию

Чтобы избежать хаоса, в СППР обычно вводят карточку критерия и словарь данных.

Пример полей карточки критерия:

| Поле | Зачем нужно | Пример | |---|---|---| | Название | Чтобы критерий был однозначен | Срок поставки | | Направленность | Чтобы корректно сравнивать | min | | Единицы | Чтобы не путать масштабы | дни | | Источник | Чтобы понимать происхождение | ERP: заказы | | Частота обновления | Чтобы знать актуальность | ежедневно | | Правило пропусков | Чтобы расчёт был воспроизводим | медиана по группе | | Правило выбросов | Чтобы не «ломать» нормализацию | ограничение по перцентилям | | Нормализация | Чтобы подготовка была прозрачной | min-max | | Полезность | Чтобы моделировать ценность | пороговая | | Тип значения | Чтобы правильно вводить | число, порядок |

Такой словарь напрямую поддерживает темы курса про нормализацию и агрегирование: модель перестаёт быть набором формул и становится управляемым объектом.

Проверка качества данных

В СППР качество данных влияет на ранжирование так же сильно, как веса. Базовые измерения качества обычно описывают через:

полноту;

точность;

согласованность;

актуальность;

уникальность.

Справочно: Качество данных

Практики, которые почти всегда нужны:

Явные правила обработки пропусков по каждому критерию.

Проверки диапазонов и единиц измерения.

Контроль выбросов, особенно если используется min-max нормализация.

Протокол обновления данных, чтобы понимать, когда пересчитывать рейтинг.

Версионирование данных

Решение в СППР должно быть воспроизводимым, поэтому полезно хранить:

дату и источник загрузки данных;

версию набора данных (например, идентификатор загрузки);

изменения относительно предыдущей версии.

Это критично для разборов «почему в прошлом месяце система рекомендовала иначе».

Интерфейсы СППР: как превратить модель в решение

Интерфейс в СППР решает две задачи одновременно:

позволяет пользователю задать предпочтения без программирования;

делает результат объяснимым и проверяемым.

Экран настройки задачи

Обычно пользователь должен иметь возможность:

выбрать набор альтернатив;

включать и выключать критерии;

задавать направленность критерия (если она не фиксирована в справочнике);

задавать обязательные пороги (фильтрация до агрегирования).

Практическое правило: пороги и ограничения лучше задавать до агрегирования, если компенсация недопустима.

Экран выбора модели агрегирования

В рамках курса СППР чаще всего предлагают варианты:

взвешенная сумма или взвешенная полезность;

OWA с выбором профиля (ориентация на лучшие или худшие критерии);

интеграл Шоке, если нужно учитывать взаимодействия критериев.

Важно в интерфейсе не просто дать переключатель метода, а показать пользователю смысл выбора:

взвешенная сумма означает компенсацию;

OWA означает управление тем, насколько важны слабые места или сильные стороны;

Шоке означает, что учитываются синергии и избыточности критериев.

Экран задания весов и предпочтений

Если используется аддитивная модель, итоговый балл может считаться как

Где:

это -я альтернатива;

это число критериев;

это нормированная оценка альтернативы по критерию ;

это функция полезности по критерию , которая переводит нормированную оценку в шкалу ценности;

это вес критерия , отражающий его важность;

это итоговая агрегированная полезность.

Интерфейсно это означает, что пользователю нужно дать:

простой ввод весов с автоматической нормировкой до суммы 1;

библиотеку типовых функций полезности (линейная, пороговая, с убывающей отдачей);

быстрый просмотр того, как изменения весов меняют топ альтернатив.

Экран результатов и объяснений

Пользователь редко доверяет «просто рейтингу». Обычно нужно показывать:

итоговый список альтернатив;

вклад критериев в итоговую оценку;

какие пороги были нарушены и какие альтернативы отсеяны;

насколько устойчив результат к изменениям параметров.

!Пример экрана объяснимого ранжирования в СППР

Практически полезный элемент: режим сравнить две альтернативы, где показывается разность по критериям и что именно «перевесило».

Сценарии и сравнение стейкхолдеров

Если в организации несколько групп интересов, удобно вводить сценарии:

сценарий А: веса финансового отдела;

сценарий B: веса эксплуатации;

сценарий C: компромиссный.

СППР должна уметь сравнить результаты между сценариями и показать:

кто стабильно в топе;

где начинаются конфликты предпочтений.

Валидация решений: корректность, доверие, устойчивость

Внедрение модели в СППР требует двух разных видов проверки:

верификация: правильно ли система считает то, что задумано;

валидация: даёт ли система полезные и приемлемые рекомендации для реальной задачи.

Справочно: Верификация и валидация

Верификация расчётов

Минимальный набор проверок для моделей курса:

Проверка направленности: критерий min действительно преобразуется в шкалу «больше лучше».

Проверка нормализации: одинаковые входные данные дают одинаковые .

Проверка весов: веса неотрицательны и суммируются в 1.

Проверка граничных случаев: если все альтернативы одинаковы по критерию, система не падает и применяет заранее заданное правило.

Проверка монотонности: если по одному критерию альтернативу улучшить, итог не должен ухудшиться при прочих равных.

Верификация обычно реализуется как автоматические тесты и контрольные примеры, где результат известен заранее.

Валидация качества рекомендаций

Валидация отвечает на вопрос: соответствует ли решение управленческой логике.

Типовые методы:

Сравнение с историческими решениями, если есть архив фактических выборов.

Экспертная комиссия: разбор топ альтернатив и причин ранжирования.

Проверка на «неприемлемую компенсацию»: не поднимается ли в рейтинг альтернатива, которая проваливается по критически важному критерию.

Проверка объяснимости: пользователь понимает, почему победитель победил.

Валидация устойчивости и чувствительности

Из предыдущей темы курса важно перенести в эксплуатацию анализ чувствительности:

при небольших изменениях весов не должен хаотично меняться топ;

при разумных сценариях предпочтений должна сохраняться группа устойчиво сильных альтернатив;

при наличии шума в данных система должна показывать пользователю, что результат неустойчив.

Практический результат для интерфейса: рядом с рекомендацией должна быть оценка устойчивости, например доля сценариев, где альтернатива остаётся в топ-3.

Аудит, безопасность, воспроизводимость

СППР для принятия решений почти всегда требует управляемости и проверки задним числом:

кто менял веса и когда;

какие данные использовались;

какая версия нормализации и агрегатора применялась;

почему система выдала именно такой рейтинг.

Это реализуется через журналирование и контроль доступа:

разграничение ролей (просмотр, настройка, утверждение);

хранение версий данных и версий настроек;

отчёт с параметрами расчёта, который можно приложить к решению.

Типовые ошибки внедрения и практические меры

Ниже ошибки, которые чаще всего делают модель «непригодной», даже если формулы корректны:

Критерии не имеют владельцев и источников, поэтому данные «плавают».

Нормализация не задокументирована и меняется от случая к случаю.

Пороговые требования спрятаны внутри весов, из-за чего появляется неприемлемая компенсация.

Интерфейс даёт пользователю слишком много свободы без объяснения смыслов.

Нет режима анализа устойчивости, и система создаёт ложную уверенность.

Профилактика обычно проста:

фиксировать карточки критериев и правила подготовки данных;

хранить версии данных и настроек;

показывать объяснения и чувствительность вместе с результатом;

вводить сценарии предпочтений и сравнение сценариев.

Минимальный план внедрения: от прототипа к рабочей СППР

Согласовать критерии, их смыслы, направленности, единицы и источники.

Собрать первый набор данных и описать правила пропусков и выбросов.

Реализовать нормализацию и один базовый агрегатор (обычно взвешенная полезность).

Сделать интерфейс задания весов и порогов, а также экран объяснений.

Добавить анализ чувствительности хотя бы в сценарной форме.

Провести верификацию на контрольных примерах и валидацию с экспертами.

Включить журналирование, версии и права доступа.

Так конвейер курса превращается в систему: от формализации и агрегирования к внедрению, которому можно доверять в реальной практике принятия решений.