Las matrices de decisión (MADM) son una metodología útil para comparar múltiples alternativas y seleccionar la opción que mejor se adapte a sus necesidades y presupuesto. Al evaluar un conjunto de criterios para cada opción, puede estar seguro de que comprende claramente el espacio de decisión.
Sin embargo, a menudo se malinterpretan o se aplican mal. Este artículo explica cómo utilizar matrices de decisión de atributos múltiples y evitar los errores comúnmente asociados con su uso. También sienta las bases para un método diferente que toma prestados conceptos importantes de MADM sin caer en sus trampas implícitas.
Un ejemplo motivador: selección de tiendas de campaña
Mi familia está buscando una tienda de campaña nueva. Como tal, hicimos lo que hacemos habitualmente: buscamos en Google “la mejor tienda de campaña para acampar en coche”. Uno de los primeros resultados fue un artículo de GearLab titulado “Las mejores tiendas de campaña | Probadas y clasificadas”.
En el artículo, GearLab califica 16 tiendas de campaña en una escala del 1 al 10 en cinco atributos. Pesan esos atributos y luego clasifican las tiendas del 1 al 16 según las puntuaciones ponderadas. Este es un ejemplo sencillo de una matriz de decisión de atributos múltiples.
El propósito de MADM
MADM a menudo se trata como una forma de que los datos tomen una decisión en nombre de una parte interesada. En el artículo de GearLab, recomiendan la “mejor” tienda de campaña según sus hallazgos de MADM. Quiero recalcar que MADM no toma la decisión; lo informa.
Puede entenderse mejor como una herramienta útil para estructurar comparaciones entre todas las alternativas, eliminar opciones claramente inferiores y revelar a los principales contendientes. Si se utiliza adecuadamente, ayuda a quienes toman decisiones a ver el panorama de opciones disponibles en lugar de señalarles una única opción “correcta”.
Cuando se usa mal, puede desviar una decisión y dejar a quien toma la decisión con un mal sabor de boca por la toma de decisiones “basada en datos”.
En resumen, el propósito de MADM es brindar a quienes toman decisiones una mejor comprensión de sus opciones, eliminar opciones deficientes y presentar propuestas de valor, no automatizar la decisión.
Cómo utilizar correctamente MADM
Aquí está mi guía básica de MADM:
Identificar quién toma las decisiones, el espacio de decisión y los atributos. Defina los pesos para cada atributo. Recopile los datos y calcule las puntuaciones ponderadas. Grafique los productos frente al precio y encuentre la frontera eficiente. Presentar los hallazgos y recomendaciones al tomador de decisiones.
Brevemente, describiré cada uno con un poco más de detalle.
Primero, determine quién es quien toma las decisiones. ¿Estás haciendo este análisis por decisión de otra persona o por la tuya propia? Para este ejemplo, supongamos que es por decisión propia.
Definir el espacio de decisión es generalmente bastante sencillo. Necesita saber el tipo de artículo (como una tienda de campaña) que se está considerando e identificar las n opciones principales. Asegúrese de probar de manera justa todas las opciones, no sólo las que le vengan a la mente primero.
Luego, asigna varios atributos. Elabora una lista de cosas que podrían hacer que el producto sea más útil o valioso.
Después de definir los atributos, recomiendo hablar con quien toma las decisiones. Una vez que comience a hablar con la persona que toma las decisiones, asegúrese de utilizar sus prioridades, no las suyas.
Clasifique los atributos por importancia y considere las compensaciones. Preguntas de compensación como “¿Cambiaría una pulgada de espacio libre de 71 pulgadas a 70 pulgadas por una tienda de campaña que sea un poco más resistente al viento?” Luego, asigne pesos a los atributos de acuerdo con estas respuestas y colóquelos en una tabla para su uso posterior. Estos nunca serán perfectos, incluso cuando el análisis sea para su propio uso.
Ahora tienes algo que se parece a esto.
La recopilación de datos puede variar en dificultad. En esta situación, es relativamente sencillo. Busque cada tienda de campaña, vaya a “especificaciones técnicas” para encontrar la mayor parte de la información y a reseñas para encontrar el resto. Registre esos datos en su matriz de decisiones. Si no es sencillo, es posible que necesites asignar subjetivamente un valor a cada atributo, pero asegúrate de definir tu criterio, o al menos tu pensamiento general, si haces esto.
Para las tiendas de campaña de GearLab, calificaron cada atributo en una escala del 1 al 10, como se muestra a continuación.
Ahora, su matriz de decisiones se ve así. Tenga en cuenta que para que el gráfico sea legible, omití el atributo “calidad”.
Sólo queda calcular las puntuaciones ponderadas. Para hacer esto, tome la suma del producto de los pesos y los valores de cada artículo. Ahora tiene su matriz de decisiones completa. También he incluido el precio como referencia.
A continuación, trace la puntuación ponderada de cada artículo frente a su precio, oriéntese en la gráfica y trace la frontera eficiente:
A partir de esto, podemos identificar ocho tiendas de campaña en la frontera eficiente. Estar en la frontera eficiente significa que no podemos obtener una puntuación mejor ponderada al mismo precio o a un precio menor. Esta es la idea clave que proporciona MADM: identificar qué opciones están estrictamente dominadas y cuáles implican compensaciones significativas entre calidad y costo.
Si este gráfico le resulta familiar, es probable que haya visto un gráfico similar en una frontera financiera eficiente entre riesgo y rendimiento. Un eje es algo que desea menos (precio/riesgo) y el otro es algo que desea más (puntuación/retorno).
Entonces, ¿cuál recomendar? Si mi presupuesto es de 600 dólares y quiero la tienda de campaña de mayor calidad que pueda permitirme, optaría por la North Face Wawona 6.
Vea aquí: tracé una línea en el presupuesto y luego elegí la primera tienda a la izquierda de esa línea en la frontera eficiente. Podría hacer algo similar si tuviera un “presupuesto de calidad” y trazara una línea y luego eligiera el primer punto de la frontera eficiente por encima de la línea.
Todo lo que queda ahora es presentar sus hallazgos a quien toma las decisiones. Al hacer esto recomiendo orientarlos hacia la trama y señalar y explicar la frontera eficiente. Algo tan simple como “por cada uno de estos puntos no se puede obtener una mejor calificación por el mismo precio” será suficiente. Llame la atención sobre la opción mejor valorada. Si conoce su presupuesto de antemano, haga la recomendación adecuada.
Tenga en cuenta que si utilizamos una relación entre la puntuación ponderada y el precio, perdemos mucha información y no podemos determinar qué tienda elegir. Es aceptable incluir esta información, pero no es necesario, ya que a veces cuenta una historia engañosa. Por ejemplo, si una tienda de campaña cuesta sólo 5 dólares en una venta de garaje y es tan grande como la mejor competidora, pero gotea cuando llueve, no es un verdadero competidor. Sin embargo, la relación probablemente la mostraría como la opción de “mejor valor”. Por una razón similar, el precio debe mantenerse separado de los atributos en MADM y usarse solo como restricción o compensación.
Conclusión
Ahora que comprende cómo funciona MADM, sus deficiencias son más fáciles de ver. Tiene una tendencia a pasar por alto ciertos detalles en la toma de decisiones generalizando todo en una sola puntuación y asumiendo linealidad en todos los atributos (es decir, un aumento de 70 pulgadas a 71 pulgadas se trata tan valioso como un aumento de 40 pulgadas a 41 pulgadas, lo que probablemente no sea el caso).
Es esencial comprender la mecánica de MADM para apreciar la mejora lograda al adoptar el siguiente método. En la segunda parte de esta serie de dos partes, propondré una alternativa a MADM que preserva sus fortalezas y al mismo tiempo produce recomendaciones más estrechamente alineadas con las prioridades de los tomadores de decisiones.
Nota del autor
Si le gustó, escribo sobre razonamiento analítico, ciencia de decisiones, optimización y ciencia de datos. También comparto nuevos trabajos y pensamientos relacionados en LinkedIn.