primerjava veČparametrskih odloČitvenih metod dex in promethee · večparametrsko odločanje...

Diplomsko delo visokošolskega strokovnega študija Informatika v organizaciji in managementu

PRIMERJAVA VEČPARAMETRSKIH ODLOČITVENIH METOD DEX IN PROMETHEE

Mentor: izr. prof. dr. Uroš Rajkovič Kandidatka: Urša Kriţnik

Kranj, september 2016

ZAHVALA Zahvaljujem se mentorju izr. prof. dr. Urošu Rajkoviču za strokovno pomoč,

dragocene nasvete in zanesljivo vodenje preko ovir pri pisanju diplomske naloge.

Zahvaljujem se mami za lektoriranje diplomske naloge.

Zahvaljujem se staršema za spodbudne besede, potrpeţljivost, dober zgled, in ker

mi vedno in povsod stojita ob strani.

Posebna zahvala gre mojemu dragemu Alešu in sestri Manci. Brez njune podpore,

nesebične pomoči in varstva male Maruše bi bil ta korak v mojem ţivljenju precej

teţji.

POVZETEK Diplomsko nalogo smo osnovali na proučevanju dveh večparametrskih odločitvenih metod. Na podlagi zajetega znanja iz strokovne literature smo raziskali njuno uporabnost ter razloge za in proti uporabi posamezne metode. Predstavili smo pojem odločanja, prikazali kako pomembno vlogo ima v našem ţivljenju. Opredelili smo proces odločanja po korakih in kako oz. s čim si lahko pri tem učinkovito pomagamo. Proučili smo večparametrski odločitveni metodi DEX in PROMETHEE ter prikazali uporabo metod v praksi in sicer na primeru izbora protivirusne zaščite. Zgradili smo odločitveni model, ki nam je pomagal do odločitve. Za to smo uporabili računalniška programa DEXi in Visual PROMETHEE. Na podlagi modela smo metodi med seboj kritično primerjali. V zadnjem delu smo metodi ocenili s SWOT analizo in za konec prikazali še njune pluse in minuse.

KLJUČNE BESEDE:

Metoda DEX

Metoda PROMETHEE

Večparametrski odločitveni model

Odločanje

Protivirusna zaščita

ABSTRACT The thesis was established on the study of two multi-attribute decision making methods. On the basis of knowledge gathered with the scientific literature we investigated usefulness and the reasons for and against the use of each method. We introduced the concept of decision-making and showed the importance of its role in our lives. The decision-making process was presented step by step and explained what to do to get efficient support and help making a decision. We examined the multi-attribute decision methods DEX and PROMETHEE and demonstrated the use of these methods in practice on a case of choosing the most appropriate provider of anti-virus security software. We constructed a decision-making model, which helped us to make the right decision. The computer programs utilized in this study are DEXi and Visual PROMETHEE. Based on the model a critical comparison between two methods has been made. In the last section we evaluated the methods using SWOT analysis and in the end of the thesis showed their pluses and minuses.

KEYWORDS: DEX method

PROMETHEE method

Multi-attribute decision model

Decision making

Anti-virus security software

KAZALO

1. UVOD ................................................................................................................................ 1

1.1. Predstavitev problema ............................................................................................. 1

1.2. Predstavitev ciljev .................................................................................................... 1

1.3. Izbrane metode dela ................................................................................................ 2

2. TEORETIČNA IZHODIŠČA .................................................................................................. 3

2.1. Odločanje ................................................................................................................. 3

2.2. Metode odločanja .................................................................................................... 3

2.3. Večparametrsko odločanje ...................................................................................... 4

2.4. Faze odločitvenega procesa ..................................................................................... 5

2.5. Podpora odločanja ................................................................................................... 7

3. VEČPARAMETRSKA ODLOČITVENA METODA DEX ........................................................... 9

3.1. Struktura modela in merske lestvice ........................................................................ 9

3.2. Funkcije koristnosti ................................................................................................ 10

3.3. Lastnosti metode DEX ............................................................................................ 10

4. VEČPARAMETRSKA ODLOČITVENA METODA PROMETHEE ........................................... 12

4.1. Struktura modela in merske lestvice ...................................................................... 13

4.2. Funkcija koristnosti (preferenčna funkcija) ............................................................ 14

4.3. Lastnosti metode PROMETHEE .............................................................................. 17

5. ODLOČITVENI MODEL IN ORODJI VEČPARAMETRSKEGA MODELIRANJA ...................... 18

5.1. Odločitveni problem .............................................................................................. 18

5.2. Identifikacija in opis kriterijev ................................................................................ 18

5.3. Programsko orodje DEXi ........................................................................................ 19

5.4. Programsko orodje Visual PROMETHEE ................................................................. 19

6. MODELIRANJE ................................................................................................................ 21

6.1. Modeliranje v programu DEXi ................................................................................ 21

6.1.1. Strukturiranje drevesa kriterijev .................................................................... 22

6.1.2. Določitev merskih lestvic ............................................................................... 22

6.1.3. Določitev preferenčne funkcije ...................................................................... 23

6.1.4. Izbira in opis variant ....................................................................................... 25

6.1.5. Vrednotenje variant ....................................................................................... 26

6.1.6. Končna ocena variant ..................................................................................... 26

6.2. Modeliranje v programu Visual PROMETHEE ........................................................ 29

6.2.1. Strukturiranje drevesa kriterijev .................................................................... 29

6.2.2. Določitev merskih lestvic ............................................................................... 30

6.2.3. Določitev preferenčne funkcije ...................................................................... 31

6.2.4. Izbira in opis variant ....................................................................................... 32

6.2.5. Končna ocena variant ..................................................................................... 33

6.3. Primerjava rezultatov vrednotenja ........................................................................ 35

7. ANALIZA .......................................................................................................................... 37

7.1. SWOT analiza metode DEX in programa DEXi ........................................................ 37

7.2. SWOT analiza metode PROMETHEE in programa Visual PROMETHEE .................. 38

8. ZAKLJUČEK ...................................................................................................................... 40

LITERATURA IN VIRI ............................................................................................................ 42

KAZALO SLIK ....................................................................................................................... 43

KRATICE IN AKRONIMI ....................................................................................................... 44

PRILOGE .............................................................................................................................. 45

Univerza v Mariboru – Fakulteta za organizacijske vede Diplomsko delo visokošolskega strokovnega študija

Urša Križnik: Primerjava večparametrskih odločitvenih metod DEX in PROMETHEE stran 1

1. UVOD

1.1. PREDSTAVITEV PROBLEMA Vsakokrat, ko sprejemamo odločitve, se v naših moţganih odvija bitka med intuicijo (notranjim čutom) in logiko. Odločanje je ena najpomembnejših aktivnosti človeka. Z odločanjem si krojimo ţivljenje. Pretekle odločitve, lahko jim rečemo tudi izkušnje, so nas naredile takšne, kot smo danes. Če bi v preteklosti sprejeli drugačne odločitve, bi danes lahko npr. imeli drugo sluţbo in ţiveli v drugem kraju. Z odločitvami, ki jih sprejemamo danes, v tem ali v prihodnjem trenutku, pomembno vplivamo na našo prihodnost. Odločitve so lahko popolnoma intuitivne, preproste: kaj bomo zajtrkovali, kaj oblekli za v sluţbo, po kateri poti se bomo peljali, da bomo hitreje prispeli na cilj. Napačna odločitev v takšnih primerih nima velikih posledic. Odločitve so lahko precej teţje, strateške, kompleksnejše, ţivljenjskega pomena in zato zahtevajo večje količine informacij in znanja kot npr. odločanje o primernem kandidatu na razgovoru za sluţbo, najemu kredita, nakupu računalniške opreme, lokaciji izgradnje jedrske elektrarne in podobnem. Z odločanjem se srečujemo vsak dan, vsakih nekaj sekund, zavestno ali nezavedno. Odločitev sprejmemo tudi, če se odločimo, da odločitev preloţimo na kasneje. V teţjih primerih odločanja so posledice napačnih odločitev lahko zelo velike, zato velikokrat z odločitvami odlašamo, jih prestavljamo na poznejši čas. Kar pa ni vedno dobra izbira, saj se nemalokrat zgodi, da se od problema preveč oddaljimo, pozabimo na pomembne informacije, ki bi nam pomagale pri odločitvi, prepustimo odločitev drugim, morda se zgodijo takšni dogodki, ki pomembno vplivajo na proces reševanja problema. Velikokrat sprejmemo dobro, pravo odločitev, včasih pa tudi slabo, napačno. Vsak proces odločanja vsebuje tveganje, da bo izbrana odločitev napačna, hkrati pa nam tudi slabe odločitve ponujajo moţnost, da se iz njih nekaj naučimo in se zato prihodnjič odločamo bolje. Po vsem naštetem vidimo, kako pomemben je proces odločanja in izbira prave odločitve. Potrebno je razumevanje vseh dejavnikov in procesov odločanja, potrebno se je zavedati problemov, do katerih lahko pride po odločitvi ter vedeti, kako jih reševati. Pri reševanju problemov si lahko pomagamo z različnimi metodami, tehnikami, pripomočki ter z analizo in modeliranjem odločitev.

1.2. PREDSTAVITEV CILJEV Cilj diplomske naloge je med seboj kritično primerjati večparametrski odločitveni metodi DEX in PROMETHEE. Podrobno smo raziskali in prikazali razloge za in proti uporabi posamezne metode.



Metodo DEX smo prikazali s pomočjo uporabe računalniškega programa za večparametrsko odločanje DEXi, za prikaz uporabe metode PROMETHEE pa program Visual PROMETHEE. Uporabo metod smo prikazali na primeru izbora najustreznejše protivirusne zaščite. Na spletu smo poiskali več variant različnih ponudnikov, jih razstavili na posamezne kriterije in vnesli v programa DEXi in Visual PROMETHEE. Programa sta s pomočjo prej določenih uteţi in preferenčne funkcije ocenila izbrane ponudnike protivirusne zaščite. Na izbranem primeru smo z uporabo orodij prikazali postopek odločanja na podlagi izbranih metod in končna rezultata med seboj primerjali. Ugotovili smo ali je dobljeni rezultat v obeh programih enak in katera metoda se je izkazala kot primernejša za našo uporabo.

1.3. IZBRANE METODE DELA Za izdelavo diplomske naloge smo uporabili deskriptivno in komparativno metodo. Deskriptivno metodo smo uporabili za teoretični del diplomske naloge; za raziskovanje in proučevanje monografske in serijske publikacije ter elektronskih virov – domače in tuje literature, knjig ter strokovnih člankov o odločanju, sistemih za pomoč pri odločanju ter odločitvenih metodah. Na podlagi zajetega znanja smo v programih DEXi in Visual PROMETHEE oblikovali odločitveni model za problem izbora protivirusne zaščite, ki nam je pomagal praktično prikazati uporabo odločitvenih metod. Na podlagi postopka izgradnje modela smo s pomočjo SWOT (slov. PSPN) analize metodi kritično ocenili in ocene interpretirali. Ocenjevali smo prednosti (Strenght), slabosti (Weaknesses), priloţnosti (Opportunities) in nevarnosti (Threats). Na koncu smo uporabili komparativno metodo za kritično primerjavo uporabljenih metod večparametrskega odločanja DEX in PROMETHEE.



2. TEORETIČNA IZHODIŠČA

2.1. ODLOČANJE Glagol odločanje je definiran kot glagolnik besede odločati. Beseda odločati pa pomeni, da oseba izraţa voljo, kako naj bo; poda, izreče o čem končno mnenje, sodbo; določa, usmerja izid česa; pri izbiri da čemu prednost; omahuje glede uresničitve česa (Ahlin et al., 1998). »Sprejemanje dobrih odločitev je eno najpomembnejših določil tega, kako dobro izpolnjujemo svoje odgovornosti in uresničujemo svoje osebne in poklicne cilje. Sposobnost sprejemanja pametnih odločitev je temeljna ţivljenjska veščina.«, pravijo Hammond, Keeney in Raiffa (2000, stran 12). Odločanje lahko definiramo še drugače, in sicer kot izbiro ene izmed več moţnih variant, alternativ, moţnosti oziroma različic. Izbrati ţelimo tisto alternativo, ki najbolj ustreza našim ciljem (Bohanec, 2012). Poleg izbora najboljše variante si včasih ţelimo le-te tudi razvrstiti od najboljše do najslabše. Če navedemo nekaj primerov: če planiramo zakup oglasnega prostora v medijih, so variante različni mediji (tiskani mediji, radio, televizija), če izbiramo študij, so variante različne vrste oziroma smeri študija, če izbiramo banko, kjer bomo najeli kredit, so variante različne banke, če kupujemo nov avtomobil, so variante različni tipi in znamke avtomobilov. Kadar obstaja ena sama rešitev nekega problema, potrebe po odločanju in izbiranju ni. Odločanje je torej kognitivna, miselna aktivnost, s pomočjo katere rešujemo probleme. Odločitveni problemi so lahko nezahtevni, rutinski, kjer se odločitev praktično sploh ne zavedamo, lahko so zelo teţki. Kompleksnejši kot je proces odločanja, večje so lahko posledice v primeru izbora napačne variante. Do tega nas lahko pripeljejo problemi pri odločanju (Jereb, Bohanec in Rajkovič, 2003):

veliko število dejavnikov, ki vplivajo na odločitev,

številne oziroma slabo definirane ali poznane variante,

zahtevno in pogosto nepopolno poznavanje odločitvenega problema in ciljev odločitve,

obstoj več skupin odločevalcev z nasprotujočimi si cilji ter

omejen čas in drugi viri za izvedbo odločitvenega procesa.

2.2. METODE ODLOČANJA Metode odločanja delimo v tri skupine (Bohanec, 2012):

metode primerjave alternativ po parih,

metode odločanja v negotovosti oziroma s tveganjem in

metode večparametrskega odločanja (angl. MCDM). Metode primerjave alternativ po parih: po teh metodah med seboj primerjamo po dve alternativi in izberemo tisto, ki jo imamo rajši oziroma nam je bolj všeč, ne ukvarjamo pa se z njenimi lastnostmi. Hkrati podamo še oceno, za koliko nam



je alternativa bolj všeč, lahko se nam seveda obe zdita enakovredni. Na ta način alternative uredimo oziroma med njimi poiščemo najboljšo. Metode odločanja v negotovosti oziroma s tveganjem: alternative ocenjujemo glede na eno samo lastnost , njena vrednost pa ni odvisna le od naših odločitev temveč tudi od dejavnikov, na katere nimamo vpliva (na primer vreme, razmere na trţišču, rezultat raziskave in podobno). Metode večparametrskega odločanja (angl. MCDM): po teh metodah alternative ocenjujemo na podlagi več parametrov oziroma lastnosti. Posamezne parametre ocenimo, ocene zdruţimo v končno oceno posamezne variante in tako dobimo najboljšo. V to skupino spadajo preprostejše metode in zahtevnejše hierarhične metode večparametrskega odločanja. V nadaljevanju bomo obravnavali metodi DEX in PROMETHEE.

2.3. VEČPARAMETRSKO ODLOČANJE Kot pove ţe sama beseda, je večparametrsko odločanje ocenjevanje več kot le enega parametra oziroma lastnosti neke alternative oziroma variante. Varianto razgradimo na posamezne parametre oziroma kriterije, ki jih ločeno ocenjujemo. Končno oceno variante dobimo z zdruţevanjem ocen posameznih parametrov.

Slika 1: Večparametrski odločitveni model (Vir: Jereb et al., 2003)

Kot prikazuje Slika 1, poteka ocenjevanje variant v treh stopnjah (Jereb et al., 2003; Bohanec, 2012):

določanje parametrov (atributov, kriterijev),

definicija funkcije koristnosti in

vrednotenje oziroma ocena variant.



Parametri (atributi, kriteriji) so vhodni podatki odločitvenega modela. Parameter, lahko ga poimenujemo tudi opisna lastnost, je lastnost, ki jo pri varianti opazujemo, ki je za nas pomembna in zato lahko vpliva na oceno njene zaţelenosti. Atribut ali merilo rečemo parametru, ki ima ţe definirano mersko lestvico. Če prikaţemo razliko med pojmoma na primeru cene: »cena« kot taka je parameter, medtem ko je »cena, izraţena v evrih« atribut. Kriteriji pa so merila, na podlagi katerih presojamo, vrednotimo in izbiramo variante glede na odločevalčev cilj. Funkcija koristnosti je predpis, po katerem se ocene posameznih parametrov zdruţujejo v spremenljivko Y, ki prikazuje končno oceno ali koristnost variante. »Funkcije koristnosti v skladu s strukturo modela izračunavajo vrednost alternativ pri osnovnih spremenljivkah modela, pri večparametrskih modelih zdruţujejo te vrednosti v vrednosti nadrednih parametrov ter pri odločanju s tveganjem upoštevajo verjetnostne porazdelitve izidov. Z drugimi besedami, funkcije koristnosti določajo potek vrednotenja alternativ.«, pravi Bohanec (2012, stran 222). Za vse variante moramo zbrati ocene osnovnih parametrov, ki smo jih dobili s pomočjo funkcije koristnosti. Rezultat vrednotenja posamezne variante je njena končna ocena. Varianta z najvišjo oceno je praviloma najboljša.

2.4. FAZE ODLOČITVENEGA PROCESA Odločanje je proces, ki ga sestavlja več aktivnosti, ne le trenutek izbora odločitve ali optimalne alternative, zato poteka v več korakih oziroma fazah. Skozi celoten proces se prepletajo aktivnosti kot na primer identifikacija problema, proučevanje in izbiranje alternativ, razgradnja problema, modeliranje, analiza in vrednotenje. Proces odločanja je pravzaprav bolj ali manj sistematično zbiranje in urejanje znanja, ki nam zagotavlja, da dobimo dovolj informacij za sprejem tehtne odločitve, hkrati pa tako tudi zmanjšamo verjetnost, da spregledamo kaj pomembnega, celoten proces pospešimo, pocenimo in da se zavedamo tveganj in posledic odločitve. Običajno sta najzahtevnejši prvi dve fazi (Jereb et al., 2003): identifikacija problemov in identifikacija kriterijev. Ustrezna sestava skupine in kvalitetno znanje o odločitveni problematiki sta bistvena pogoja za uspeh odločitvenega procesa. V drugi fazi pa je zelo pomembno izbrati prave kriterije. Pomembnih nikakor ne smemo spregledati. Zahtevna in prav tako pomembna naloga je še povezati izbrane kriterije v drevesno strukturo. Adair (2013) poudarja, da je postavljanje pravih vprašanj ključna spretnost v procesu odločanja, bodisi, ko se odločamo sami, bodisi, ko vodimo skupino odločevalcev. Prava vprašanja, na podlagi katerih se v problem poglobimo in ga laţje razumemo, so na primer:

»Kdaj smo se prvič začeli zavedati, da imamo problem?«;

»Ali smo problem definirali po svojih besedah?«. Adair (2013) še pove, da je problem, če ga pravilno definiramo, ţe do polovice rešen;



»Ali se dobro zavedamo, kaj poskušamo doseči? Kje točno se nahajamo in kaj še nameravamo storiti?«

Proces sestavljajo naslednje faze (Bohanec, 2012; Jereb et al., 2003):

identifikacija problema,

identifikacija kriterijev,

razgradnja modela in modeliranje,

vrednotenje, analiza in izbira alternativ in

realizacija odločitve.

1. faza: Identifikacija problema V prvi fazi ugotovimo, da je nastal problem, ki ga je potrebno rešiti. Definirati ter opredeliti moramo zahteve in cilje, ki jih ţelimo doseči. Oblikovati moramo odločitveno skupino. Odločevalci so tisti, ki identificirajo kriterije, alternative, se odločijo in so na koncu za sprejeto odločitev tudi odgovorni. Če je problem teţji, zahtevnejši, v skupino vključimo tudi strokovnjake s poglobljenim znanjem, metodologa oziroma odločitvenega analitika, ki skrbi za učinkovitost in usklajenost skupine ter predstavnike tistih, ki jih odločitev zadeva. »Način, kako opredelite problem, je ključna izbira sama po sebi. Zastavite ga napačno in odkorakali boste v napačno smer.«, nas opozarjajo Hammond, Keeney in Raiffa (2000, stran 25). Opominjajo nas tudi glede izbire ciljev. Pravijo, da so zelo pomembni, saj so osnova za ocenjevanje variant, ki jih imamo na voljo. Cilji so naša odločitvena merila in, ko se prepričamo, da smo definirali vse svoje cilje, se bomo zagotovo izmuznili neuravnoteţeni odločitvi – na primer (če se odločamo o zaposlitvi) taki, ki upošteva finančne vidike, spregleda pa osebni razvoj. Vidimo torej, da so dobro opredeljen problem in natančno določeni cilji bistveni za uspeh v procesu iskanja optimalne rešitve.

2. faza: Identifikacija kriterijev Le s pravilno določitvijo pomembnih kriterijev kasneje uspešno ovrednotimo, primerjamo in ocenimo izbrane variante. Faza identifikacije poteka v naslednjih korakih:

pripravimo spisek kriterijev, ki nam bo podlaga pri odločanju. Biti moramo pozorni, da ne spregledamo pomembnih kriterijev (načelo polnosti), da ne zajamemo nepomembnih ali takšnih, ki so izraţeni z drugimi kriteriji ter, da so merljivi;

strukturiramo kriterije - hierarhično jih uredimo v drevo kriterijev in sicer glede na medsebojne odvisnosti in vsebinsko povezavo; če na primer kupujemo avtomobil, so kriteriji »poraba goriva«, »CO2 izpusti« in »pospeški« vsebinsko povezani in tako izpeljani iz kriterija »tehnični podatki«;

sestavimo merske lestvice in sicer tako, da vsem kriterijem v drevesu določimo zaloge vrednosti, ki jih nato upoštevamo pri vrednotenju.



3. faza: Razgradnja modela in modeliranje V tej fazi problem razbijemo na podprobleme, saj je tako reševanje preglednejše, moţnost napak je manjša. Zgradimo enega ali več modelov. S pomočjo modelov izbrane alternative ovrednotimo, medsebojno primerjamo, ocenimo tveganja in razne druge izračune.

4. faza: Vrednotenje, analiza in izbira alternativ Model ali modele, ki smo jih predhodno zgradili, uporabimo za to, da variante ovrednotimo. »Vrednotenje variant je postopek določanja končne ocene variant na osnovi njihovega opisa po osnovnih kriterijih. Vrednotenje poteka »od spodaj navzgor« v skladu s strukturo kriterijev in funkcijami koristnosti. Varianta, ki dobi najvišjo oceno, je praviloma najboljša.« (Jereb et al., 2003, stran 14). Kot meni Čančer (2003), ima razvrščanje oziroma rangiranje v procesu odločanja poglavitno vlogo. Odločevalec se mora zavedati relativne pomembnosti vsakega kriterija in jo znati izraziti bodisi kot prioriteto oziroma prednost (določi jo z uporabo izključevanja), ali z uteţmi, s katerimi izraţa pomembnost posameznega kriterija.

5. faza: Realizacija odločitve Faza realizacije je rezultat odločitvenega procesa. Najprimernejšo varianto smo ţe izbrali, v tej fazi jo le še realiziramo oziroma uresničimo.

2.5. PODPORA ODLOČANJA Zahtevnejše primere sestavlja nekaj deset parametrov oziroma variant, zato lahko model hitro postane nepregleden. Podpora odločanja je znanost, veda, ki nudi podporo človeškemu odločanju in ga ţeli še izboljšati. Sestavljena je iz vrste bolj specializiranih znanstvenih in tehničnih disciplin in sicer:

Operacijske raziskave Z operacijskimi raziskavami ţelimo, s pomočjo modeliranja, poiskati najprimernejše rešitve realnih odločitvenih problemov. Kot pravi Bohanec (2012, stran 6), »metode operacijskih raziskav omogočajo predvsem:

strukturiranje in opis realnega problema v obliki matematičnega modela, ki vsebuje bistvene elemente opazovanega sistema in omogoča iskanje optimalnih rešitev;

preiskovanje moţnih rešitev problema in izdelavo sistematičnih postopkov za njihovo pridobivanje;

iskanje rešitve, po potrebi naj vključuje tudi matematično teorijo, ki ustreza določenim kriterijem optimalnosti in spremenljivosti.«

Med tipične metode operacijskih raziskav štejemo linearno in nelinearno programiranje, mreţne optimizacijske modele, kombinatorično optimizacijo, več ciljno odločanje in markovsko modeliranje.



Odločitvena analiza Odločitvena analiza ponuja vrsto metod in tehnik, primernih za reševanje in analizo zahtevnejših odločitvenih problemov. Probleme skuša razgraditi na manjše podprobleme. Ti so zato laţje obvladljivi. Ob tem upošteva elemente, kot so alternative, med katerimi izbiramo, dostopne informacije o odločitvenem problemu, znanja in zahteve odločevalca. Oceniti poskuša negotovosti ter tveganje pri odločitvah.

Sistemi za podporo odločanja Sistemi za podporo odločanja so interaktivni računalniški sistemi. Odločevalcem so v pomoč pri uporabi podatkov in modelov za spoznavanje in reševanje odločitvenih problemov. Sistemi slonijo na notranjih in zunanjih bazah podatkov, različne tehnike in metodologije omogočajo boljšo preglednost in primerljivost podatkov. S pomočjo sistemov lahko oblikujemo informacije (podatke, preglede, poročila) v skladu s potrebami procesa odločanja. (Hudej, Zidarn 2000) »Glavne značilnosti takšnih sistemov so:

vsebujejo podatke in modele;

namenjeni so predvsem za pomoč menedţerjem pri reševanju delno strukturiranih in nestrukturiranih odločitvenih problemov;

podpirajo odločevalca, se pravi, mu pomagajo z izbiro in prikazom informacij, vendar ga ne nadomeščajo;

bolj kot učinkovitosti so namenjeni izboljšanju kvalitete in uspešnosti odločitev.« (Bohanec, 2012, stran 7)

V diplomski nalogi smo raziskali in proučili programa večparametrkskega odločanja DEXi in Visual PROMETHEE.

Podatkovna skladišča Podatkovna skladišča so posebne zbirke podatkov. V njih so zbrani podatki iz različnih virov, predstavljeni na način, da jih lahko uporabimo pri podpori upravljavskih odločitev.



3. VEČPARAMETRSKA ODLOČITVENA METODA DEX Metoda DEX je večparametrska odločitvena metoda (angl. MCDM), ena od predstavnic kvalitativnih metod, saj so njeni parametri kvalitativni, simbolični (parametri zavzemajo vrednosti, opisane z besedami, kot na primer nesprejemljiv, sprejemljiv, popolnoma sprejemljiv). Posebnost kvalitativnih večparametrskih metod se kaţe tudi v funkciji koristnosti; ker z opisnimi parametri ni mogoče računati tako kot z numeričnimi, se funkcijo koristnosti določi s tabelami oziroma s pravili tipa če-potem.

3.1. STRUKTURA MODELA IN MERSKE LESTVICE Metoda DEX ima hierarhično strukturo drevesa kriterijev. Vrh drevesa predstavlja končna ocena posamezne variante opazovanega odločitvenega problema (na Sliki 2 je vrh drevesa ocena stanovanja). Iz njega so izpeljani kriteriji – skupine vsebinsko povezanih kriterijev. Ti se delijo naprej, dokler ne pridemo do nivoja kriterijev, ki jih ne delimo več – ti so osnovni kriteriji. Velja priporočilo, da naj noben izpeljan kriterij ne bi imel več kot štiri podredne kriterije. Še veliko bolje bi bilo, če bi imel le dva ali tri. »Tako se izognemo »kombinatorični eksploziji«, zaradi katere lahko postanejo tabele, s katerimi definiramo funkcijo koristnosti, izredno velike in jih je teţko definirati.«, navaja Bohanec (2012, stran 126). Metoda DEX uporablja simbolične, kvalitativne zaloge vrednosti. Slika 2 ponazarja, da lahko tudi za kriterij »cena najema« (na primer, če iščemo najemniško stanovanje) uporabimo opisno zalogo vrednosti: »previsoka«, »sprejemljiva« in podobno.

Slika 2: Drevo kriterijev in merske lestvice (Bohanec, 2012)



3.2. FUNKCIJE KORISTNOSTI Funkcije koristnosti so pri metodi DEX izraţene tabelarično kot kombinacije vseh vrednosti izpeljanih kriterijev. Bohanec (2012, stran 129) navaja: »V tabeli zberemo vse vrednosti podrednih parametrov in za vsako kombinacijo definiramo vrednost, ki jo v tem primeru zavzame nadredni parameter. Pravimo, da funkcijo koristnosti definiramo po točkah, pri čemer vsaka takšna kombinacija predstavlja posamezno točko funkcije. Vsako točko lahko razumemo tudi kot preprosto pravilo če-potem.«.

Slika 3: Funkcija koristnosti parametra »stanovanje«, definirana s tabelo (Vir:

Bohanec, 2012)

Na Sliki 3 vidimo, da ima kriterij »stanovanje« dva izpeljana oziroma podredna kriterija in sicer »velikost« in »starost«. Oba kriterija imata po tri vrednosti, zato je vseh kombinacij v tabeli 9 (3x3=9). »Za vsako kombinacijo vrednosti podrednih atributov je definirana vrednost nadrednega atributa. Vsaka kombinacija opisuje preprosto pravilo če-potem. Na primer: Če »velikost« = premajhno in »starost« = novo, potem »stanovanje« = nesprej(emljivo).«, pravi Bohanec (2012, stran 129). V metodi DEX, kot bomo videli kasneje na praktičnem primeru odločitvenega modela, tabele ne definiramo »ročno«, pač pa jo ţe avtomatično kreira računalniški program DEXi. Ta vnaprej pripravi tabelo s kombinacijami vrednosti, ki smo jih prej določili podrejenim oziroma izpeljanim kriterijem, uporabnik pa mora le še vnesti vrednosti nadrednih kriterijev.

3.3. LASTNOSTI METODE DEX Če strnemo vse, kar smo doslej izvedeli o metodi DEX:

uporablja kvalitativne (simbolične) parametre;

funkcije koristnosti so nelinearne (Bohanec, 2012, stran 131); določene so po točkah, ki jih lahko definiramo precej svobodno. Tako je funkcija precej

bolj »ţivahna« kot bi bila, če bi jo omejili z linearno funkcijo (urejanje funkcije z uteţmi);



slaba stran metode je, da je funkcijo koristnosti precej teţe definirati (po točkah), kar zahteva veliko več dela in običajno še uporabo računalniškega programa;

še ena slabost metode je ta, da lahko vsakemu kriteriju določimo le (majhno) število različnih vrednosti. To pomeni, da imajo na koncu variante oziroma njihove lastnosti, ki se med seboj le malo razlikujejo, enako oceno. Če ţelimo izvedeti, katera od teh variant z enako oceno je najboljša, moramo opraviti dodatne analize, kar pa je lahko problem pri večjem številu variant.

Z metodo DEX lahko modeliramo najzahtevnejše odločitvene procese, takšne z veliko variantami in kriteriji. Zelo primerna je za modeliranje takšnih problemov, ki temeljijo na subjektivnih parametrih, ki jih teţko formalno opredelimo in natančno merimo in ocenimo. Določanje funkcije po točkah nam dopušča svobodo pri definiranju poteka funkcije, hkrati pa nas omejuje z majhnim razponom zalog vrednosti kriterijev.



4. VEČPARAMETRSKA ODLOČITVENA METODA PROMETHEE Metoda PROMETHEE spada v skupino večparametrskih odločitvenih metod (angl. MCDM). Metoda je uporabniku prijazna, zagotavlja direktno interpretacijo kriterijev in analizo rezultatov (American Journal of Civil Engineering and Architecture [AJCEA], 2014). Razvita je za pomoč pri reševanju problemov s končnim številom alternativ, ki jih moramo razvrstiti glede na kriterije, ki so si včasih nasprotujoči. Pogosto jo imenujejo tudi PROMETHEE-GAIA metoda. GAIA je grafična analiza, ki se uporablja za interpretacijo. Metoda PROMETHEE je pravzaprav druţina metod. Vanjo spada šest različic, ki so si sledile v naslednjem časovnem zaporedju (International Journal of Engineering Science Invention [IJESI], 2013; Mareschal, 2013):

leta 1982 razvije Jean-Pierre Brans osnovni različici I in II (PROMETHEE I in PROMETHEE II, delno in popolno razvrščanje variant). Metodi nam predlagata najboljšo rešitev glede na to, kako je odločevalec ovrednotil kriterije, kaj mu je bolj pomembno in čemu daje prednost;

dve leti kasneje se z Bertrandom Mareschalom poveţe v tim in nastaneta različici PROMETHEE III in IV (razvrščanje na podlagi intervalov in neprekinjenih odločitvenih problemov);

leta 1988 avtorja predstavita modul GAIA, ki podpira in prikazuje grafične analize modeliranih odločitvenih problemov z metodo PROMETHEE. GAIA pomaga pri boljšem razumevanju odločitvenega problema. Modul je še danes eden redkih efektivnih opisnih večkriterijskih odločitvenih metod;

leta 1992 razvijeta različico PROMETHEE V, ki predstavlja rešitev za izbiranje pri omejitvah (na primer pri omejitvi proračuna);

leta 1994 predstavita različico PROMETHEE VI, ki z analizo preverja občutljivost oziroma stabilnost uteţi, ki jih določi odločevalec. Različica je bila naprej implementirana v računalniškem programu PromCalc1.

Kljub temu, da obstaja toliko različic, se uporabniki v splošnem vseeno sklicujejo nanje kot na druţino PROMETHEE metod ali kar na PROMETHEE metodo. Zato bomo tudi mi v nadaljevanju o metodi govorili v ednini. PROMETHEE metoda analizira podatke (kriterije in variante) znotraj tabele, kar nam prikazuje Slika 4, kjer so z a1 do an označene variante, s f1 do fk pa kriteriji.

1 PromCalc je aplikacija razvojnega tima Brans-Mareschal, delujoča v MS-DOS okolju. Razvita je bila okoli leta 1990 in je ena prvih interaktivnih in grafičnih programskih orodij na voljo za potrebe večkriterijske odločitvene analize. (Mareschal, 2014)



Slika 4: Tabela vrednotenja (Vir: Brans, Mareschal, 2005)

Brans in Mareschal (2005) večparametrsko odločanje razloţita na primeru posameznikove izbire osebnega avtomobila. Cena je seveda pomemben kriterij. Jasno je namreč, da se posameznik ne odloča zgolj glede na ceno, saj ne izbere vsak poceni avtomobila. Nekdo bi rajši izbral luksuznega, nekomu je pomembnejša ekonomična voţnja, spet drugemu športna. Avtomobil, ki bi bil v vseh pogledih najboljši in bi ustrezal vsem kriterijem, ne obstaja. Od odločevalca se pričakuje, da bo med vsemi variantami izbral tisto, ki ima največ optimalnih kriterijev, saj to pomeni, da je najboljša. Ključnega pomena je torej, da je odločevalec dobro seznanjen s problemom ter da pravilno definira svoje preference in prioritete.

4.1. STRUKTURA MODELA IN MERSKE LESTVICE Pri metodi PROMETHEE so kriteriji razvrščeni v hierarhično strukturo – drevo kriterijev. Njihove preferenčne (prednostne) vrednosti so izraţene z mersko lestvico od 0 do 1, kjer 0 pomeni, da noben kriterij ni v prednosti, 1 pa pomeni, da ima en kriterij popolno prednost pred drugim. Struktura je omejena na tri nivoje (Mareschal, 2013), kot prikazuje Slika 5:

na zgornjem nivoju so glavni kriteriji (angl. Cluster) ali grozdi. Kriteriji se razgrajujejo na podredne kriterije. Vsak kriterij je označen s svojo barvo;

na srednjem nivoju so izpeljani kriteriji, grupirani v skupine (angl. Group). Vsaka skupina kriterijev pripada svojemu grozdu. Vsaka skupina od svojega nadrednega kriterija prevzame barvo, na svojem nivoju pa se v skupini med seboj ločijo z različno barvno obrobo;

na spodnjem nivoju so osnovni, posamezni kriteriji. Vsak od njih pripada svoji skupini kriterijev. Osnovne kriterije izraţamo in merimo v »naravnih« enotah: cena najemnine v denarnih enotah, prostornino v prostorninskih enotah, porabo bencina v litrih na kilometer itd.



Slika 5: Hierarhična struktura kriterijev (Vir: Mareschal, 2013)

Metoda PROMETHEE uporablja tako kvantitativne (na primer v denarni enoti izraţena cena avtomobila), kot tudi kvalitativne (simbolične, opisne) merske lestvice. V slednjem primeru moramo določiti tudi število nivojev kvalitativne merske lestvice.

4.2. FUNKCIJA KORISTNOSTI (PREFERENČNA FUNKCIJA) Metoda PROMETHEE je matematično osnovana, temelji na medsebojni primerjavi parov variant (Brans, Mareschal, 2005; IJESI 2013). To pomeni, da medsebojno primerjamo dve varianti pri posameznem kriteriju, pri tem pa se vprašamo, ali se nam zdi razlika pomembna ali ne, kasneje, ko določamo uteţi, potrebne za vrednotenje končne ocene variante, pa še, za koliko se nam zdi določena varianta pomembnejša. Uporaba metode PROMETHEE od odločevalca zahteva, da opravi dva bistvena koraka in sicer:

določitev preferenčne funkcije in

določitev uteţi kriterijev.

1. korak: medsebojna primerjava para variant za vsak kriterij V prvem koraku med seboj primerjamo ocene para variant za vsak posamezni kriterij. Če je razlika med ocenama variant majhna, je lahko prednost ene pred drugo majhna ali pa je sploh ni. Če je razlika velika, pa je lahko velika tudi prednost. Vzemimo za primer kriterij cena in primerjajmo ceno variante a in variante b. Razpon med cenama variant nam prikaţe, ali gre za veliko ali majhno razliko. Manjša razlika pomeni, da lahko damo rahlo prednost (preferenco), ali pa nobene, varianti z niţjo ceno in obratno: velika razlika lahko precej poveča prednost



varianti z niţjo ceno. Razlika med ocenama nam daje moţnost, da kasneje v procesu odločanja intenzivnost (jakost) prednosti izmerimo, ovrednotimo in na ta način določimo uteţi. Slika 6 prikazuje šest osnovnih preferenčnih funkcij, s katerimi razpolagamo v metodi PROMETHEE.

Slika 6: Preferenčne funkcije (Vir: Brans, Mareschal, 2005)

Meje tolerance Točka q v grafih predstavlja spodnjo mejo tolerance. Je največja sprejemljiva razlika med variantama, ki jo odločevalec še sprejme za zanemarljivo in zato nobeni od variant ne da prednosti pred drugo. Točka p v grafih predstavlja drugo, zgornjo mejo tolerance. Je najmanjša še sprejemljiva razlika med ocenama variant, preden določi prednost eni od bolje ocenjenih variant. Premica, ki na grafu leţi na x osi, pomeni, da nobena od variant nima prednosti pred drugo. Linearna rast premice nakazuje na večanje prednosti ene variante



pred drugo. Premica vzporedno z x osjo ţe pomeni, da eno od variant preferiramo pred drugo. Premica skozi točko (0,1) pa pomeni strogo prednost ene od variant. Običajna preferenčna funkcija je prava izbira za kvalitativne kriterije, še posebej tiste z manj-nivojskimi merskimi lestvicami (na primer za pet-nivojsko lestvico z vrednostmi od zelo slabe do zelo dobre). Funkcija z nivoji konstantne preference je prava izbira za kvalitativne kriterije z več-nivojskimi merskimi lestvicami. Linearna in V-funkcija sta primerni za večino kvantitativnih kriterijev.

2. korak: ocenjevanje intenzivnosti preference Ko za opazovani kriterij primerjamo par variant, razlika ni vedno brez pomena. Če bo med ocenama variant za isti kriterij razlika majhna, bo temu primerno majhna tudi naša preferenca variante. In tudi obratno: če bo razlika velika, bo takšna tudi preferenca. Lahko si tudi določimo mejo tolerance. Do meje smatramo razliko za zanemarljivo, če pa mejo preseţemo, se lahko odločimo za strogo prednost ene od variant. Preferenčna funkcija P

P(a,b) = P(F(a)-f(b)) = P(d)

P: A x A [0,1]

izraţa intenzivnost preference kriterija a v primerjavi s kriterijem b: P(a,b) = 0, kar pomeni, da v primerjavi med a in b ni nobene preference; P(a,b) ≈ 0, kar pomeni, da v primerjavi med a in b obstaja šibka preferenca a; P(a,b) ≈ 1, kar pomeni, da v primerjavi med a in b obstaja močna preferenca a; P(a,b) = 1, kar pomeni, da v primerjavi med a in b obstaja stroga preferenca a.

3. korak: izračun preferenčne ocene Ko vsem kriterijem določimo preferenčno funkcijo, jim je potrebno določiti še uteţi. Uteţ je ocena, ki predstavlja relativno pomembnost kriterija. Preferenčna funkcija prikazuje našo odločitev, pove, čemu dajemo prednost, uteţ pa, za koliko nam je kriterij bolj pomemben. Na podlagi tega z izračunom dobimo preferenčno oceno kriterija. Ocene kriterijev agregiramo (zdruţimo) proti korenu drevesa kriterijev in na koncu dobimo preferenčno oceno variante. Preferenčni tokovi Z metodo PROMETHEE lahko variante tudi razvrščamo. V ta namen moramo poznati tri spremenljivke: Phi+, Phi- in Phi. Gre za preferenčne tokove.



Phi+ - pozitivni oziroma izhodni tok. Meri, koliko je varianta a pomembnejša od vseh ostalih variant. Imenujemo jo lahko tudi mera moči variante a. Večja, kot je vrednost, boljša je varianta. Phi- - negativni oziroma vhodni tok. Je mera šibkosti variante a in meri koliko so ostale variante pomembnejše kot varianta a. Manjši kot je Phi-, boljša je varianta. Phi (net flow) – je ravnoteţje med pozitivnim in negativnim tokom. Zdruţi oba, pozitivni in negativni tok, v eno oceno. Večji kot je Phi, boljša je varianta. Uporabo tokov bomo na primerih prikazali v praktičnem delu naloge.

4.3. LASTNOSTI METODE PROMETHEE Na kratko povzemimo še lastnosti te metode:

metoda uporablja kvalitativne (simbolične) in kvantitativne parametre;

funkcije koristnosti določamo glede na medsebojno primerjavo variant za vsak kriterij posebej;

metoda obsega več različic, ki so zdruţene v pripadajočem programu in se med seboj dopolnjujejo;

dobra interpretacija rezultatov in odločitvenega problema z GAIA analizo;

slaba stran metode je, da je zaradi medsebojne primerjave parov variant ocenjevanje precej zamudno. Model je zato primeren za manjše število variant in kriterijev.

Metoda PROMETHEE je izredno razvita, vse od svojega nastanka je v veliki meri analizirana, raziskana in se konstantno nadgrajuje in izboljšuje. Dandanes jo uspešno uporabljajo na različnih področjih: v bančništvu, medicini, kemiji, v turizmu, vladnih institucijah, transportu in podobnem. Metoda PROMETHEE je implementirana v računalniških programih PromCalc, Decision Lab 2000, D-Sight in Visual PROMETHEE. V diplomski nalogi bomo prikazali uporabo slednjega programa.



5. ODLOČITVENI MODEL IN ORODJI VEČPARAMETRSKEGA

MODELIRANJA 5.1. ODLOČITVENI PROBLEM Kot primer za prikaz uporabe večkriterijskih odločitvenih metod smo izbrali problem izbora optimalne protivirusne zaščite. Protivirusna zaščita (skrajšano antivirus, angl. anti-malware software) je vrsta računalniške programske opreme, ki preprečuje, zaznava in odstranjuje zlonamerno kodo, ki lahko nam ali našemu računalniku povzroči le manjšo neprijetnost, lahko pa resno škodo. Računalnik se nam lahko pokvari, lahko izgubimo podatke na disku, lahko nam ukradejo identiteto ali druge pomembne podatke, na primer geslo spletne banke. Ravno zaradi takšnih neprijetnosti je priporočljiva uporaba protivirusne zaščite. Da voljo imamo pestro ponudbo protivirusne zaščite, tako plačljive kot tudi brezplačne. Pestre so tudi variante protivirusne zaščite, saj nudijo od varovanja pred virusi kot tudi pred neţeleno elektronsko pošto, filtriranja oziroma omejevanja neprimerne spletne vsebine in celo starševskega nadzora (omejevanje količine časa, ki ga otrok preţivi za računalnikom, spremljanje aktivnosti otroka na internetu in podobno).

5.2. IDENTIFIKACIJA IN OPIS KRITERIJEV Ob pregledovanju in primerjavi različnih ponudnikov računalniških programov protivirusne zaščite smo se vprašali, katere lastnosti se nam zdijo pomembne, kaj ţelimo, da nam program nudi in omogoča, kaj bi lahko pogrešali in česa ne potrebujemo. Razmisliti smo morali tudi, kako pomembno vlogo ima cena zaščite. Smo pripravljeni zanjo tudi plačati? Po tehtnem razmisleku smo se odločili, da bodo vodilni kriteriji za izbiro cena programske zaščite, njena učinkovitost in karakteristike programa. Kriterija cena nismo razstavljali, saj nam ponudnik ponudi izdelek kot celoto. Kot učinkovitost programa smo šteli poznavanje zlonamerne kode in zanesljivost, ki jo merijo različni laboratoriji, ki programe testirajo. Ugotovili smo ţe, da je dandanes paleta zlonamerne kode zelo bogata, nepridipravi pa kljub temu ne počivajo in razvijajo nove in nove škodljivce, zato smo kriterij poznavanje razdelili na več kriterijev in sicer na poznavanje virusov (sem smo šteli viruse, ki se prenesejo na naš računalnik), na zlonamerno kodo, ki napada našo elektronsko pošto in na ostalo zaščito. Viruse smo nato razdelili na viruse kot so trojanci, črvi, izsiljevalska koda in vohunska koda. Zaščito elektronske pošte smo razdelili na neţeleno pošto ter na ribarjenje (krajo občutljivih podatkov). Pod ostalo pa smo šteli blokiranje sumljivih spletnih strani, poţarni zid in varnost pri nakupovanju oziroma spletnem bančništvu. Zanesljivost smo prav tako razdelili, in sicer na število laboratorijev, ki testira določeno zaščito (več kot jih je, bolj verjamemo rezultatom), na zaznavanje, kar nam pove, v kolikšni meri so programi zaznali



zlonamerno kodo, in pa na točnost, ki nam pove, ali se je program v zaznavanju groţnje zmotil ali ne. Karakteristike programa, ki so nas zanimale, so bile karakteristike delovanja programa, uporabnost aplikacije ter čiščenje in namestitev programa. Delovanje smo razdelili na velikost, ki jo program zavzame na disku in v spominu računalnika, vpliv na hitrost delovanja računalnika in hitrost skeniranja na zahtevo. Pri uporabnosti aplikacije smo ocenjevali preglednost grafičnega vmesnika, preprostost rokovanja s programom in opremljenost z dodatnimi funkcijami. Kriterija namestitev programa in odstranjevanje zlonamerne opreme smo zdruţili v nadrednem kriteriju ostalo.

5.3. PROGRAMSKO ORODJE DEXI Orodje DEXi je program za pomoč pri večparametrskem odločanju. Razvit je bil leta 1999 na Institutu Joţef Stefan. Prvotno je bil namenjen izobraţevanju študentov in srednješolcev z namenom podpore pri odločanju in reševanju zahtevnih odločitvenih problemov. Medtem, ko je njegov predhodnik DEX je deloval v MS DOS okolju, DEXi deluje v okolju MS Windows. Program je na voljo brezplačno na spletu, namenjen pa je vsem, ki si ţelijo podpore v procesu odločanja. Postopek modeliranja odločitvenega problema s pomočjo programa DEXi poteka tako, da najprej strukturiramo drevo kriterijev. Vsem kriterijem definiramo zaloge vrednosti. Osnovnim kriterijem nato določimo funkcije koristnosti, s katerimi ovrednotimo višje leţeče, nadredne kriterije. Na ta način ocenjujemo kriterije vse do korena drevesa. Nato vnesemo še izbrane alternative - variante. Po prej določenih pravilih in ocenah DEXi rezultate vrednotenja variant prikaţe v obliki tabele, lahko pa tudi grafično. DEXi podpira tudi analizo kaj-če, kar nam prikaţe, kaj se zgodi, če isti varianti spremenimo zaţelenost (preferenčna funkcija) ali uteţ kakšnega od njenih kriterijev. O uporabljenih uteţeh, funkcijah, ocenah in podobnem pa lahko natisnemo poročila. Program je uporabniku prijazen, saj omogoča preprosto kreiranje in urejanje drevesa kriterijev, urejanje merskih lestvic in določanje preferenčnih funkcij. Preprosto je tudi naknadno dodajanje kriterijev v strukturirano drevo, kljub ţe določenim merskim lestvicam in funkcijam, saj program lepo prikaţe, kje je le-te potrebno dopolniti ali popraviti zaradi naknadno dodanega kriterija.

5.4. PROGRAMSKO ORODJE VISUAL PROMETHEE Program Visual PROMETHEE (Mareschal, 2013) je zadnji v vrsti PROMETHEE-GAIA podprtih programov in hkrati najbolj izpopolnjen, razvit pod budnim očesom Bertranda Mareschala. Je programsko orodje, v katerem je implementirana metoda PROMETHEE skupaj z njeno opisno geometrično analizo GAIA. Metoda je uporabna na katerem koli področju večkriterijskega odločanja, kot na primer urbanističnega načrtovanja, naloţbenih strategij, človeških virov in podobno.



Metodo uporabljamo za pomoč odločevalcu pri razvrščanju, urejanju ali izboru najugodnejše variante v odločitvenem modelu. Orodje GAIA nam pomaga, da modelirani problem ponazorimo in prikaţemo grafično vrednotenje in analizo variant. Visual PROMETHEE nam močno olajša izvajanje metod PROMETHEE in na atraktiven način vizualno s pomočjo metode GAIA prikazuje rezultate. Tako kot večina večparametrskih odločitvenih metod in orodij tudi Visual PROMETHEE zahteva vnos različnih variant, kriterijev in ocen. Program teče v MS Windows okolju in sicer v Windows XP, Vista, Windows 7 in 8 ter novejših operacijskih sistemih. Visual PROMETHEE je program, ki je na voljo prek spleta, na domači strani metode PROMETHEE in sicer v dveh različicah: brezplačni verziji Academic Edition, namenjeni samostojnemu učenju in vsem neprofitnim raziskavam, ter plačljivi verziji Business Edition, namenjeni vsem ostalim uporabnikom. Ta verzija omogoča uporabo programa in metode brez omejitev. Za potrebe diplomske naloge smo si na računalnik namestili študijsko verzijo, torej Academic Edition.



6. MODELIRANJE

6.1. MODELIRANJE V PROGRAMU DEXI V programu DEXi proces odločanja poteka v več zavihkih, kot vidimo na Sliki 7. V zavihku Model kreiramo in urejamo drevo kriterijev, določamo zaloge vrednosti in funkcijo koristnosti (preferenčno funkcijo). V zavihku Variante v ţe izgrajeni model dodajamo različne variante, ki jih bomo ocenili. Zavihek Vrednotenje nam prikaţe ovrednotene kriterije variant. Na koncu pa v zavihku Grafikoni vidimo končno oceno variant.

Slika 7: DEXi – osnovno okno – strukturiranje modela

Modeliranje v programu DEXi je potekalo po naslednjem vrstnem redu:

strukturiranje drevesa kriterijev,

določitev merskih lestvic,

določitev preferenčne funkcije,

izbira in opis variant in

vrednotenje variant.



6.1.1. Strukturiranje drevesa kriterijev

V program DEXi smo vnesli izbrane kriterije in jih med seboj vsebinsko povezali v skupine kriterijev in sicer v štiri nivoje. Slika 8 prikazuje drevo, ki smo ga zgradili iz dvajsetih osnovnih in enajstih izpeljanih kriterijev. Osnovni ali podredni kriteriji so tisti, ki nimajo izpeljanih kriterijev in so najniţe leţeči v drevesni strukturi, kjer nastopajo kot končna vozlišča oziroma »listi«. Ker vrednotenje vedno poteka od spodaj navzgor, vrednost osnovnih vpliva na vrednost pripadajočega nadrednega kriterija.

Slika 8: Hierarhična struktura kriterijev v programu DEXi

6.1.2. Določitev merskih lestvic

DEXi operira s kvalitativnimi (opisnimi) merskimi lestvicami. To so spremenljivke, s katerimi merimo kriterije. Lestvice so urejene od najslabše, do najboljše ocene, kot nam prikazuje Slika 9. Kriterijema cena in število laboratorijev smo določili številske spremenljivke, kar ne pomeni, da bomo z njimi računali, ampak



predstavljajo intervalni merski lestvici. Na primer merska lestvica pri parametru cena je predstavljena kot interval od (> kot) 30€ do 0€, kjer (> kot) 30€ predstavlja najslabšo oceno, 0€ pa najboljšo.

Slika 9: Zaloge vrednosti glavnih kriterijev

6.1.3. Določitev preferenčne funkcije

Po določitvi merskih lestvic je sledilo določanje preferenčne funkcije (funkcije koristnosti). Omenili smo ţe, da ocena osnovnih kriterijev (»listov« drevesa) vpliva na oceno nadrednih. Kriterijem, ki so zadnji v vrsti za določitev končne ocene variante, smo s pomočjo uteţi2 (prikazuje Slika 10) določili pomembnost. Kot vidimo na Sliki 11, nam je najbolj pomembna lastnost učinkovitost, najmanj pa cena. Določitev preferenčne funkcije poteka s pomočjo tabele, ki jo prikaţe DEXi. Tabela vsebuje kombinacije vseh zalog vrednosti kriterijev, DEXi na podlagi določenih uteţi predvidi rezultate koristnosti, mi pa jih lahko potrdimo ali pa določimo po svoje.

2 S pomočjo uteži določamo, čemu dajemo prednost. Višja kot je utež, bolj nam je lastnost pomembna.



Slika 10: Pomoč določanja funkcije koristnosti z določanjem uteži

Slika 11: Tabela funkcij koristnosti (preferenčne funkcije)



6.1.4. Izbira in opis variant

Do tega koraka smo ţe konstruirali model za pomoč pri odločanju, sedaj moramo vanj vnesti različne variante, med katerimi se bomo odločali. Nabor variant smo pridobili z raziskovanjem po spletu. Odločili smo se za deset ponudnikov programov protivirusne zaščite. Programi obstajajo v dveh verzijah: plačljivi in brezplačni, le da so slednji malce okrnjeni. Izbrali smo predstavnike obojih, saj nas je zanimalo, ali so brezplačni prav tako dobri in bodo tako tudi sluţili svojemu namenu, ali se je morda bolje odločiti za plačljivo verzijo. Prav iz tega razloga smo tudi lastnosti cena pri določanju preferenčne funkcije namenili najniţjo uteţ. Izbrani programi so:

Kaspersky Anti-Virus,

Trend Micro Antivirus+,

Bitdefender Antivirus Plus,

Avira Antivirus Pro,

ESET NOD32 Antivirus,

Webroot AntiVirus,

AVG free antivirus,

ZoneAlarm Free Antivirus,

Avast free antivirus in

Panda Free Antivirus. Programe (variante) smo vnesli v program DEXi, kar ponazarja Slika 12.

Slika 12: Variante



6.1.5. Vrednotenje variant

Na Sliki 13 vidimo, kako smo na podlagi prej določenih preferenčnih funkcij, zalog vrednosti ter uteţi ovrednotili kriterije posameznih variant. Tabela prikazuje ocene kriterijev po nivojih. Na podlagi teh ocen nam DEXi prikaţe končno oceno vsake variante. Glede na končne ocene bomo ugotovili, katera varianta je najslabša, katera najboljša in kako so se odrezale ostale.

Slika 13: Vrednotenje kriterijev variant

6.1.6. Končna ocena variant

Slika 14 prikazuje končno oceno variant. Dva ponudnika, to sta Avast Free antivirus in Panda free antivirus, sta ocenjena z oceno neprimerno, trije, Kasperski antivirus, Avira antivirus Pro in ZoneAlarm Free antivirus, z oceno primerno, prav tako trije, Trend Micro antivirus +, ESET Nod32 antivirus ter AVG Free antivirus, z oceno dobro, Webroot antivirus dosega prav dobro oceno, odlično pa Bitdefender antivirus Plus. Kot smo ţe omenili, se kaj hitro zgodi, da več variant pade v isti razred oziroma dobi isto oceno. To pomeni teţavo v smislu razvrščanja variant znotraj istega razreda, saj vemo, da so si variante različne, pa vendar ocenjene z isto oceno. V takšnem primeru moramo za jasnejši rezultat uporabiti dodatne analize.



Slika 14: Končna ocena variant

DEXi nam lahko prikaţe tudi rezultate glede na dva ali več izbranih kriterijev. Na sliki 15 prikazujemo ocene vseh variant glede na dva izbrana kriterija (karakteristike in cena). Iz grafikona lahko razberemo, da je, glede na opazovana kriterija cena in karakteristike, Bitdefender v zlati sredini, saj je njegova cena povprečna, karakteristike pa v zgornjem srednjem razredu. Najslabši varianti sta Avast Free in Panda Free, oba sta sicer brezplačna, kar je zelo dobro, so pa njune karakteristike najslabše ocenjene. Z isto oceno sta bila ocenjena programa Kaspersky AV in Avira AV Plus ter AVG Free AV in ZoneAlarm Free AV.



Slika 15: Ocena variant glede na dva izbrana kriterija

Na sliki 16 prikazujemo štiri variante glede na tri izbrane kriterije (karakteristike, cena in poznavanje). Tu lahko vidimo, da je najboljša varianta tista, ki zavzema največjo površino grafa.

Slika 16: Ocena variant glede na tri izbrane kriterije



6.2. MODELIRANJE V PROGRAMU VISUAL PROMETHEE V program Visual PROMETHEE poteka modeliranje v naslednjih korakih:

kreiranje hierarhične strukture kriterijev,

določitev merskih lestvic,

določitev preferenčne funkcije in

določitev uteţi.

6.2.1. Strukturiranje drevesa kriterijev

Uporabo metode PROMETHEE bomo prikazali na istem problemu kot prej metodo DEX, na primeru izbora protivirusne zaščite. Za izbor bomo uporabili iste kriterije. Visual PROMETHEE dopušča hierarhično strukturo na največ treh nivojih (glavni kriteriji, skupina njihovih izpeljanih kriterijev in osnovni kriteriji), zato smo najprej uredili kriterije v tri nivoje. Na prvem nivoju sta glavna kriterija učinkovitost in karakteristike. Vsakemu od njiju smo določili svojo barvo, zato bo kasneje v glavni tabeli laţje vidno, kateri kriteriji so vsebinsko povezani, saj si barvo namreč delijo. Na srednjem nivoju smo določili skupine kriterijev, ki so prevzeli barvo svojega nadrednega kriterija, določili pa smo jim obrobo drugačne barve, da jih med seboj ločimo še znotraj iste skupine. Glavni kriterij učinkovitost smo razstavili na dva podredna kriterija in sicer poznavanje in zanesljivost. Kriteriji delovanje, aplikacija in ostalo pripadajo drugemu glavnemu kriteriju karakteristike. Strukturiranje smo zaključili z osnovnimi kriteriji, ki smo jih povezali z nadrednimi. Slika 17 grafično prikazuje, kako smo drevo kriterijev narisali in pobarvali v skladu s prej določenimi barvami, saj program Visual PROMETHEE hierarhične strukture ne prikazuje.

Slika 17: Strukturirani kriteriji v programu Visual PROMETHEE

V osnovnem okencu programa je prikaz odločitvenega modela v obliki tabele. Ko strukturiramo drevo kriterijev, program v tabeli prikaţe le osnovne kriterije. Slika 18 prikazuje vnesene kriterije in njihove barve.



Slika 18: Osnovni kriteriji in njihove barve, ki izražajo pripadnost glavnim

kriterijem

6.2.2. Določitev merskih lestvic

Naslednji korak modeliranja je določitev zalog vrednosti. Visual PROMETHEE ima v programu ţe prednastavljene več-nivojske merske lestvice in sicer numerične in kvalitativne. Ker modeliramo isti odločitveni model kot v programu DEXi, smo tudi v tem programu uporabili le opisne lestvice, kot vidimo na Sliki 19. Za naš primer bi lahko uporabili ţe pripravljene lestvice, ki jih ponuja program Visual PROMETHEE, vendar smo pripravili svoje, da se bodo smiselno ujemale s kriteriji.

Slika 19: Prikaz urejanja lastnih merskih lestvic

Nato smo kriterijem določili še uteţi, kar predstavlja Slika 20. Uporabili smo iste uteţi, kot v programu DEXi.



Slika 20: Določanje uteži kriterijem v programu Visual PROMETHEE

6.2.3. Določitev preferenčne funkcije

Po merskih lestvicah (zalogah vrednosti) pridejo na vrsto preferenčne funkcije (Slika 21). Glede na teorijo preferenčne funkcije, ki smo jo proučevali v poglavju o metodi PROMETHEE, smo vsem kriterijem, razen kriteriju cena, določili običajno funkcijo, saj vemo, da nam ocena »zelo pomembno« pomeni več kot ocena »pomembno«. Ocene po merskih lestvicah se enakomerno stopnjujejo. V ta namen nismo potrebovali določati nobenih meja tolerance. Kriteriju cena smo določili V-funkcijo, ki je posebna vrsta linearne funkcije.



Slika 21: Pomoč pri določanju preferenčne funkcije

6.2.4. Izbira in opis variant

Variante in njihovi opisi so navedeni v poglavju o modeliranju v programu DEXi. Iste variante smo vnesli v spodnji del tabele programa Visual PROMETHEE in jih ovrednotili s prej določenimi merskimi lestvicami, kar predstavlja Slika 22. Le za kriterij cena smo vnesli numerične vrednosti.

Slika 22: Odločitveni model v Visual PROMETHEE prikazuje vse na enem mestu

(variante, kriterije, preferenčne funkcije, ocene in statistične izračune)



6.2.5. Končna ocena variant

Visual PROMETHEE ponuja pestro izbiro prikazov rezultatov vrednotenja in analize. PROMETHEE I nam variante razvrsti kljub temu, da medsebojno ne primerja vseh variant ali pa celo, da vsebuje kakšne variante, ki so med seboj neprimerljive. Temelji na pozitivnem (izhodnem) in negativnem (vhodnem) toku. Tista varianta, ki je v grafu najvišje, ima pred ostalimi variantami prednost. Graf sestavljata merili Phi+ in Phi- in sicer vsaka na svoji strani. Na sredi med njima je merilo, ki ustreza oceni net flow toka. Variante so na grafu prikazane na levi in desni strani (kot nam kaţe slika 23). Če se črti dveh variant na sredinskem merilu prekriţata, pomeni, da gre za varianti, ki sta med seboj neprimerljivi. Po drugi strani nam metoda PROMETHEE II variante razvršča samo, če smo med seboj primerjali vse variante in če razvrščanje ne zajema med seboj neprimerljivih variant. Ta metoda temelji na net flow (ravnoteţnem) toku. Rangiranje variant po obeh metodah je grafično prikazano na Sliki 23.

Slika 23: PROMETHEE I in II – delno in popolno razvrščanje variant

PROMETHEE mavrica (Slika 24) prikazuje, tako kot metoda PROMETHEE II, popolno rangiranje variant, le da namesto njihovih končnih ocen prikazuje agregirane kriterije in njihovo pomembnost znotraj vrednosti posamezne variante. Med merilom Phi (na skrajni levi in desni strani) so prikazani stolpci – variante, vsaka razrezana na toliko delov, kolikor imamo kriterijev. Razrezani deli, agregirani kriteriji, so mavrično obarvani – gre za barve, ki smo jih določili glavnim kriterijem, obrobo pa tisto, ki smo jo določili skupini kriterijev. Velikost kriterijev predstavlja pomembnost posameznega kriterija, ki smo jo določili z uteţmi.



Slika 24: Mavrica – Agregirane vrednosti vseh variant

Slika 25 kaţe še en pogled ocenjenih kriterijev, v tem primeru po posamezni variantI. Predstavlja net flow, ravnoteţje med pozitivnim in negativnim preferenčnim tokom (moč in šibkost) posameznega kriterija.

Slika 25: Agregirane vrednosti po posamezni varianti



GAIA je deskriptivna metoda, ki dopolnjuje metodo PROMETHEE. Sestavljajo jo različne analize in prikazi, med drugim GAIA web, GAIA 3D in GAIA plane. GAIA web (slov. mreţa) prikazuje s točkami povezane vrednosti/ocene kriterijev posamezne variante v kroţnici. Slabša kot je ocena kriterija, bolj je njegova točka pomaknjena v center kroţnice in obratno: boljša kot je ocena, bolj je točka pomaknjena proti zunanjemu loku kroţnice. Povezane točke tvorijo graf na kroţnici. Boljša kot je ocena variante, večjo površino kroga zavzema njen graf. Na Sliki 26 prikazujemo mreţo variant ZoneAlarm Free AV, Webroot AV, Avast Free AV in Bitdefender AV Plus.

Slika 26: Prikaz izbranih variant z analizo Gaia web

6.3. PRIMERJAVA REZULTATOV VREDNOTENJA V praksi smo ţeleli prikazati uporabo odločitvenih metod DEX in PROMETHEE, zato smo to storili na podlagi odločitvenega problema izbora optimalne protivirusne zaščite. Da smo lahko konstruirali odločitveni model s pomočjo programskih orodij DEXi in Visual PROMETHEE, smo najprej naredili spisek kriterijev, ki so se nam za odločitev zdeli najpomembnejši, in jih med seboj vsebinsko povezali. To nam je



bila osnova za gradnjo odločitvenega modela v programski opremi, ki podpira omenjeni proučevani metodi. Izgradnja modela je v obeh programih potekala na enak način: z vnosom kriterijev smo strukturirali drevo kriterijev, definirali merske lestvice in določili preferenčne funkcije, vnesli izbrane variante in jih ovrednotili. Ob primerjavi rezultatov vrednotenja smo opazili, da sta nam oba programa prikazala isti rezultat: ponudnika protivirusne zaščite Bitdefender kot najprimernejšo, optimalno varianto glede na pravila, ki smo jih določili v fazi izgradnje modela. Na drugem mestu je Webroot, na zadnjem pa, prav tako enaka ocena v obeh programih, Panda.



7. ANALIZA S pomočjo SWOT analize (slov. PSPN analize) smo proučili prednosti in slabosti metod DEX in PROMETHEE. Analiza je pokazala, katera od njiju je v čem boljša ter kje so njune šibke točke. Obravnavali smo priložnosti metod, kar pojasnjuje, v čem bi se metodi lahko še izboljšali. Nazadnje smo opredelili še nevarnosti metod. Tu so zajete vse ovire in dejavniki, ki lahko vplivajo na slabši končni rezultat.

7.1. SWOT ANALIZA METODE DEX IN PROGRAMA DEXI Prednosti: Metoda DEX ima veliko prednosti. Najprej izpostavimo uporabo simboličnih, opisnih parametrov, saj nam je običajno v primeru odločanja bolj jasno, če je vrednost kriterija »okolica hiše« na primer »moteča« ali »navdušujoča«, kot pa če bi jo opisovali z numeričnimi vrednostmi, s katerimi se je velikokrat teţe izraziti. Prednost je tudi modeliranje z večjim številom variant in kriterijev. Ena izmed prednosti je enostavno določanje preferenčne funkcije; program DEXi nam avtomatično ponudi tabelarično obliko vseh kombinacij vrednosti kriterijev, mi le določimo vrednosti nadrednim kriterijem. Omogoča preprosto »kaj-če« analizo, in sicer s spreminjanjem pravil in kriterijev. Na ta način vidimo, kako ocena določenega kriterija vpliva na končni rezultat variante. Prednost je tudi enostavno dopolnjevanje, popravljanje ali spreminjanje modela in to kadar koli tekom modeliranja. Med prednosti štejemo še uporabniku prijazen, preprost in razumljiv program DEXi. Omogoča podajanje ocene kljub nepopolnim podatkom. Prav tako so nas prepričale grafične ponazoritve ocen variant in preprostost izdelave poročil. Slabosti: Definiranje funkcije koristnosti dopušča veliko svobode, kar je sicer prednost, a hkrati zahteva večjo zbranost in več dela - to je slabost. V primeru odločanja v skupini se hitro lahko zgodi, da dva odločevalca iste kriterije ovrednotita popolnoma drugače in iz tega sledi, da imamo dve različni oceni iste variante. Več variant z isto oceno ne moremo ločiti oziroma jih razvrstiti, zato moramo uporabiti različne dodatne analize. Prav tako se lahko zgodi, da ocenjevalec ni nepristranski in prikroji vrednotenje glede na osebne prioritete, kar sicer lahko rešimo tako, da sestavimo skupino s čim več odločevalci. Še ena od slabosti metode je tudi ta, da če je variant ali kriterijev preveč, lahko model postane nepregleden. Kot slabost pa štejemo še to, da ne podpira numeričnih, torej kvantitativnih spremenljivk, zato so lahko modeli nenatančni. Priložnosti: Zaradi preprostega in razumljivega načina uporabe, je metoda DEX primerna za reševanje širokega spektra odločitvenih problemov. Še posebej je primerna v tistih situacijah, ko se odločamo na podlagi kriterijev, ki jih je teţko izmeriti ali izraziti s številkami, zato raje uporabimo opisne vrednosti. Omenili smo ţe slabost metode, v primeru, kadar je več variant ocenjenih z isto oceno in jih ne moremo



preprosto razvrstiti oziroma izbrati najboljše. Rešitev te slabosti vidimo kot priloţnost in sicer z moţnostjo njene nadgradnje z metodo QQ v programu Vredana. Metoda kombinira kvalitativno (opisno) in kvantitativno vrednotenje variant, z njeno pomočjo ločimo in razvrstimo variante, ki po metodi DEX padejo v isti razred. Nevarnosti: Najzahtevnejši del modeliranja odločitvenega problema je opredelitev kriterijev. Napačno izbrani kriteriji lahko močno vplivajo na končno oceno variante. Na podlagi tega moramo biti pozorni, da ne izberemo kriterijev, ki so nepomembni ali ne vplivajo na odločitev, takšnih, ki so med seboj odvisni ali takšnih, ki niso merljivi. Paziti moramo, da ob vrednotenju nismo pristranski ali da s prilagajanjem modela (na primer s popravljanjem preferenčne funkcije) ne teţimo k varianti, ki smo ji ţe na začetku dajali prednost. Ena od nevarnosti je preveliko število vrednosti.

7.2. SWOT ANALIZA METODE PROMETHEE IN PROGRAMA VISUAL PROMETHEE

Prednosti:

Med prednosti metode Visual PROMETHEE štejemo operiranje s kvalitativnimi in kvantitativnimi merskimi lestvicami, zato so končne ocene variant preciznejše. Nedvoumno prikaţe končne ocene variant in jih razvrsti. S programom lahko obdelujemo veliko število kriterijev in variant. Nabor grafičnih prikazov rezultatov razvrščanja je zelo velik. Program je pregleden, barvit in preprost za uporabo. Všeč nam je pomoč pri izbiri preferenčne funkcije in določanju uteţi. Visual PROMETHEE je jasno in praktično oblikovan in zagotavlja efektivno in zanesljivo pot do rešitve. Odločevalsko skupino sestavljajo posamezniki z različnimi prioritetami in pogledom na variante, ki so predmet odločanja. Program Visual PROMETHEE omogoča uporabo scenarijev (maksimalno deset), kar pomeni, da ima lahko vsak proučevani odločitveni model deset različnih pogledov (scenarijev) ob enkrat. Tako so različna mnenja vedno prikazana (v programu v zavihkih) in na razpolago v pregled. Prednost je tudi podajanje ocene kljub pomanjkljivim podatkom.

Slabosti:

Slaba lastnost programa Visual PROMETHEE je, da ne prikaţe hierarhične strukture drevesa kriterijev. Struktura se nam zdi pomembna, saj imamo na ta način stalen pregled nad kriteriji in njihovo vsebinsko povezanostjo. Izdelava strukture kriterijev oziroma definiranje kriterijev in njihove vsebinske povezave sem nam zdi komplicirano, kljub asistenci za izgradnjo hierarhije kriterijev. Metoda je v veliki meri matematično podprta, kar se nam zdi manj primerno za preprostejše probleme. Preveč kriterijev lahko hitro prikaţe zmeden, nepregleden model, zato se nam zdi metoda primernejša za manjše število kriterijev. Metoda je sicer preprosta za uporabo, zato jo lahko uporablja vsak posameznik, vendar pa je vseeno bolj primerna za kompleksnejše probleme odločevalske skupine.



Priložnosti: Zdi se nam, da bi program Visual PROMETHEE moral prikazati odločitveno drevo kriterijev. Tako bi vedno imeli na voljo dostop do strukture in vsebinske povezanosti kriterijev, saj je celoten proces odločanja laţe obvladljiv, če imamo moţnost, da si kadar koli ogledamo drevo kriterijev, še posebej, ko imamo kriterijev veliko, kar pomeni veliko informacij in vrednotenja. Program sedaj omogoča v glavnem oknu programa le prikaz vseh osnovnih kriterijev. Kako so ti med seboj povezani oziroma kakšne skupine tvorijo, lahko vidimo le na podlagi določenih barv, kar pa je popolnoma nepregledno in bi zraven potrebovali vsaj še barvno legendo. Nevarnosti:

Kot pri drugih metodah na odločevalca preţijo nevarnosti, če pozna problem le površno, saj to pomeni nepopolno ali popolnoma napačno določanje kriterijev. Zelo pomembna je natančna izbira preferenčne funkcije. Prav tako je zelo pomembno precizno določiti uteţi posameznem kriteriju. Vse to lahko vplivajo na končno oceno variant. Rešitev večparametrskega problema ni odvisna le od v program vnesenih podatkov ampak tudi od preferenc odločevalcev. Odločevalec lahko s svojo pristranskostjo vpliva na drugačno vrednotenje variant, saj bo izpostavil in zastopal svoje prioritete. Vsi odločevalci se ne odločijo za isto varianto. Zato je pomembno, da takoj na začetku dodobra proučijo problemsko stanje, jasno definirajo cilje in kriterije ter skupaj določijo prednosti.



8. ZAKLJUČEK Odločanje je veščina, ki jo izpopolnjujemo vse ţivljenje. Sprejemamo veliko dobrih in slabih odločitev. Na napačnih odločitvah se učimo, pa vendar nas je strah odločitev sprejeti. Strah pred posledicami, ki jih imamo zaradi napačne odločitve. Zato je ključnega pomena, da se o problemu dobro informiramo, ga analiziramo in v proces odločanja vključimo pomoč, ki nam jo nudijo odločevalske skupine ter sistemi za podporo odločanju.

Sistemi za podporo odločanju so v veliko pomoč, ko je v procesu odločanja potrebna natančnost in preciznost, ko je količina informacij prevelika in je kriterijev ter variant preveč za intuicijo odločevalca. Sistemi povečujejo produktivnost, učinkovitost ter zmogljivost in vodijo k optimalnem izboru. (Wikipedia, 2015). Vendar pa sistemi vseeno sluţijo le kot pripomoček pri odločanju in nikakor ne morejo nadomestiti človeškega razuma. Konec koncev človek sprejme odločitev in je zanjo in za njene posledice, pa naj bodo dobre ali slabe, tudi odgovoren. V diplomskem delu smo raziskali in predstavili metodi večparametrskega odločanja DEX in PROMETHEE, predstavili njuno uporabo v odločitvenem procesu, s pripadajočima računalniškima programoma praktično prikazali celoten postopek odločanja, ovrednotili, ocenili izbrane variante in končno oceno utemeljili ter analizirali. Na koncu smo kritično primerjali obe metodi. Za primer, na katerem smo prikazali postopek odločanja in uporabo odločitvenih metod, smo uporabili izbor najprimernejše protivirusne zaščite. Dandanes je potreba po protivirusni zaščiti precej večja kot pred leti. Z razvojem računalniške tehnologije in s širjenjem dostopnosti do interneta, so se virusi in ostale zlonamerne programske kode »širila kot gobe po deţju«. Ţe skoraj vsak uporabnik ima na osebnem računalniku shranjene občutljive podatke kot na primer certifikate za spletno banko, Pay Pal ali kateri koli drug račun za osebne finance. Škoda, ki jo lahko naredijo virusi ali nepridipravi, ki vdrejo v naše račune, je lahko zelo velika. Protivirusna zaščita nas ubrani tako pred napadi kot tudi pred virusi. Odločitveni proces smo pričeli z ugotovitvijo problema. Dodobra smo ga razčlenili, poiskali vse pomembne kriterije in jih povezali glede na njihovo vsebinsko pripadnost, da smo dobili drevesno strukturo kriterijev. Isto drevo kriterijev smo uporabili v programih DEXi in Visual PROMETHEE, prav tako smo uporabili iste uteţi ter ista odločitvena pravila. Na ta način smo zgradili odločitvena modela. Nato smo vanju vnesli različne ponudnike protivirusne zaščite. Uporabljena programa sta nam na koncu prikazal rezultate oziroma ocene variant. Oba sta pokazala, da je najprimernejši ponudnik protivirusne zaščite Bitdefender, ki si je prisluţil oceno odlično, sledi mu Webroot, a z niţjo oceno prav dobro. Primerjani metodi sta si enaki v korakih modeliranja, a različni v postopku posameznega koraka. Velika razlika je v določanju preferenčne funkcije, ki je v programu DEXi teţja in bolj komplicirana kot v programu Visual PROMETHEE. Vsaka od metod ima svoje »pluse« in »minuse«, svoje prednosti in slabosti. Teţko



se je odločiti in podati takojšen odgovor na vprašanje, katera je boljša. Obe sta preprosti in uporabniku prijazni, kar ju dela primerni tako za vsakdanje kot tudi kompleksnejše odločitvene probleme. Še vedno pa smo mnenja, da je za preprostejše probleme in za posameznega odločevalca, primernejša metoda DEX, saj se odločevalcu ni potrebno poglabljati v zahtevnejšo interpretacijo analiz programa Visual PROMETHEE. Diplomska naloga je bila osnovana na primerjavi večparametrskih odločitvenih metod DEX in PROMETHEE. Lastnosti in funkcije obeh metod so zelo obširno raziskane in razloţene s strani njunih razvijalcev. Mi smo raziskali le njune osnove. Metodi smo tudi preizkusili in rezultate prikazali v praktičnem delu naloge. Na konkretnem primeru, ki smo si ga v ta namen izbrali, smo predstavili odločitveni proces po fazah, proučili, preizkusili in uporabili programsko orodje, ki deluje na temeljih opazovanih odločitvenih metod. V orodjih smo zgradili odločitveni model in v praksi uporabili odločitveni metodi. Tudi v praktičnem delu smo prikazali le osnovne prikaze in analize obeh programov, saj je izbrani odločitveni problem zaradi svoje preprostosti primeren za fizičnega, vsakdanjega uporabnika računalnika. Za zahtevnejšo uporabo metod in analiz, ki jih programski orodji omogočata, še posebej analiza, ki jo nudi Visual PROMETHEE z GAIA metodo (ki omogoča poglobljeno raziskavo in razumevanje proučevanega problemskega stanja), bi morali razviti in še bolj izpopolniti odločitveni model za ocenjevanje ponudnikov protivirusne zaščite. Model bi morali prilagoditi za uporabo v podjetjih in ga tako razširiti ter nadgraditi z dodatnimi kriteriji, na primer zaščita fizičnih in virtualnih streţnikov ipd. V tem primeru, če bi uporabili program DEXi, bi ga morali, zaradi nevarnosti, da več variant dobi isto oceno, kombinirati z drugim programom, na primer z ţe omenjenim programom Vredana, ki rezultate znotraj razreda brez teţav razvrsti, medtem, ko nam program Visual PROMETHEE rezultate in analize nudi brez pomoči drugih, dodatnih programov.



LITERATURA IN VIRI

Knjige:

ADAIR, J. (2013). Decision making & problem solving. Croydon: CPI Group

AHLIN, M., BOKAL, L., GLOŢANČEV, A., HAJNŠEK-HOLZ, M., HUMAR, M., KEBER, J. et al. (1998). Slovar slovenskega knjižnega jezika. Ljubljana: DZS

BOHANEC, M. (2012). Odločanje in modeli. Ljubljana: DMFA-zaloţništvo

ČANČER, V. (2003). Analiza odločanja: Izbrana poglavja. Maribor: Ekonomsko-poslovna fakulteta

HAMMOND, J. S., KEENEY, R. L. in RAIFFA, H. (2000). Pametne odločitve. Ljubljana: Gospodarski vestnik

HUDEJ, F., ZIDARN, J. (2000). Odločitveni modeli. Novo mesto: Visoka šola za upravljanje in poslovanje

JEREB, E., BOHANEC, M., RAJKOVIČ, V. (2003). DEXi – Računalniški program za večparametrsko odločanje. Kranj: Moderna organizacija

Elektronski viri:

American Journal of Civil Engineering and Architecture. (2014). A comparison of AHP and PROMETHEE family Decision Making methods for Selection of Building Structural System. Pridobljeno 15.5.2016 na http://pubs.sciepub.com/ajcea/2/5/1/

Brans, J.P., Mareschal, B. (2005): Chapter 5 PROMETHEE Methods. Pridobljeno 30.3.2016 na http://www.inf.unideb.hu/valseg/dolgozok/anett.racz/docs/DSS/Promethee.pdf

International Journal of Engineering Science Invention. (2013). Preference Ranking Organization Method Of Enrichment Evaluation (Promethee). Pridobljeno 8.4.2016 na http://www.ijesi.org/papers/Vol%202(11)/Version-1/F021101028034.pdf

Mareschal, B. (2013): Visual PROMETHEE 1.4 Manual. Pridobljeno 15.3.2016 na http://www.promethee-gaia.net/files/VPManual.pdf

Mareschal, B. (2014): PROMETHEE-GAIA software. Pridobljeno 15.3.2016 na http://www.promethee-gaia.net/software.html

Wikipedia. (2015), Sistemi za podporo odločanju. Pridobljeno 10.4.2016 na https://sl.wikipedia.org/wiki/Sistem_za_podporo_pri_odlo%C4%8Danju

http://pubs.sciepub.com/ajcea/2/5/1/

http://www.inf.unideb.hu/valseg/dolgozok/anett.racz/docs/DSS/Promethee.pdf

http://www.inf.unideb.hu/valseg/dolgozok/anett.racz/docs/DSS/Promethee.pdf

http://www.ijesi.org/papers/Vol%202(11)/Version-1/F021101028034.pdf

http://www.promethee-gaia.net/files/VPManual.pdf

https://sl.wikipedia.org/wiki/Sistem_za_podporo_pri_odlo%C4%8Danju



KAZALO SLIK Slika 1: Večparametrski odločitveni model (Vir: Jereb et al., 2003) 4 Slika 2: Drevo kriterijev in merske lestvice (Vir: Bohanec, 2012) 9 Slika 3: Funkcija koristnosti parametra »stanovanje«, definirana s tabelo

(Vir: Bohanec, 2012) 10 Slika 4: Tabela vrednotenja (Vir: Brans, Mareschal, 2005) 12 Slika 5: Hierarhična struktura kriterijev (Vir: Mareschal, 2013) 13 Slika 6: Preferenčne funkcije (Vir: Brans, Mareschal, 2005) 15 Slika 7: DEXi – osnovno okno – strukturiranje modela 21 Slika 8: Hierarhična struktura kriterijev v programu DEXi 22 Slika 9: Zaloge vrednosti glavnih kriterijev 23 Slika 10: Pomoč določanja funkcije koristnosti z določanjem uteţi 24 Slika 11: Tabela funkcij koristnosti (preferenčne funkcije) 24 Slika 12: Variante 25 Slika 13: Vrednotenje kriterijev variant 26 Slika 14: Končna ocena variant 27 Slika 15: Ocena variant glede na dva izbrana kriterija 28 Slika 16: Ocena variant glede na tri izbrane kriterije 28 Slika 17: Strukturirani kriteriji v programu Visual PROMETHEE 29 Slika 18: Osnovni kriteriji in njihove barve, ki izraţajo pripadnost glavnim

kriterijem 30 Slika 19: Prikaz urejanja lastnih merskih lestvic 30 Slika 20: Določanje uteţi kriterijem v programu Visual PROMETHEE 31 Slika 21: Pomoč pri določanju preferenčne funkcije 32 Slika 22: Odločitveni model v Visual PROMETHEE prikazuje vse na enem

mestu (variante, kriterije, preferenčne funkcije, ocene in statistične izračune) 32

Slika 23: PROMETHEE I in II – delno in popolno razvrščanje variant 33 Slika 24: Mavrica – Agregirane vrednosti vseh variant 34 Slika 25: Agregirane vrednosti po posamezni varianti 34 Slika 26: Prikaz izbranih variant z analizo Gaia web 35



KRATICE IN AKRONIMI DEX: Decision EXpert: večparametrska odločitvena metoda GAIA: Geometrical Analysis for Interactive Aid: opisna geometrična

analiza MADM: Multi-Attribute Decision Making: večparametrsko odločanje PROMETHEE: Preference Ranking Organization METHod for Enrichment

Evaluations: večparametrska odločitvena metoda PSPN: Prednosti, Slabosti, Priloţnosti, Nevarnosti SWOT: Strenghts, Weaknesses, Opportunities, Threaths: prednosti,

slabosti, priloţnosti in nevarnosti



PRILOGE Priloga 1 – Poročilo o modelu - program DEXi



Priloga 2 – Poročilo o modelu – program Visual PROMETHEE



PROMETHEE I



PROMETHEE II

primerjava veČparametrskih odloČitvenih metod dex in promethee · večparametrsko odločanje...

Documents