Цель обучения
После урока вы сможете найти ключевое assumption в weighted matrix и провести sensitivity analysis до заявления об устойчивом результате.
Почему это важно
Weighted total меняется при правдоподобном изменении score, weight или normalisation. Арифметика может быть верной, а recommendation — нестабильной.
Ключевая идея: rank условен
Ranking зависит от:
- состава альтернатив;
- набора критериев;
- шкал и normalisation;
- preference weights;
- evidence для scores.
Sensitivity меняет правдоподобные inputs и показывает, меняется ли лидер.
Визуальное объяснение
Текстовая альтернатива: от base ranking переходят к pivotal inputs, меняют их в credible ranges и проверяют winner; стабильность усиливает вывод, reversal требует условия или evidence.
Разбор примера
Platform A опережает B на 1,2. Accessibility score A основан на sales demo и весит 20%. При диапазоне score 5–9 вариант B лидирует ниже 7.
Решение: «A предпочтителен, только если independent accessibility test даёт не менее 7 по определённой шкале». Спор превратился в evidence condition.
Типичная ошибка
Ошибка: случайно менять все числа.
Используйте credible ranges. Начинайте с high-weight, low-confidence cells и спорных definitions.
Быстрая проверка
Изменение low-confidence score на единицу меняет лидера. Что делать?
A. Скрыть sensitivity.
B. Добавить decimals.
C. Получить evidence или сделать решение условным.
D. Увеличить вес winner.
Ответ: C.
Практический prompt
Найдите две high-weight, low-confidence cells. Задайте ranges и условие решения при rank reversal.
Резюме
- Weighted rank зависит от model choices.
- Sensitivity проверяет credible uncertainty.
- Начинайте с pivotal low-confidence inputs.
- Нестабильность превращается в evidence/governance condition.
Следующий урок
Сравните Decision Matrix с Kepner–Tregoe и Pairwise Comparison.