Ευχαριστία Η παρούσα διπλωματική εργασία πραγματοποιήθηκε κατά το ακαδημαϊκό έτος 2008-2009, στο τμήμα Διοίκησης Επιχειρήσεων του Πανεπιστημίου Πατρών, στα πλαίσια του Μεταπτυχιακού προγράμματος MBA «Νέες Αρχές Διοίκησης Επιχειρήσεων» κάτω από την εποπτεία του επίκουρου καθηγητή κ. Ι. Γιαννίκου. Από τη θέση αυτή, θέλω να ευχαριστήσω τον κ. Γιαννίκο για την πολύτιμη και ουσιαστική βοήθειά του στην πραγματοποίηση αυτής της εργασίας. Πάτρα, Ιανουάριος 2009 Τσινιά Ελένη 2
ΠΕΡΙΕΧΟΜΕΝΑ ΠΕΡΙΛΗΨΗ 5 1. ΕΙΣΑΓΩΓΗ 6 2. Η ΠΟΛΥΚΡΙΤΗΡΙΑΚΗ ΑΝΑΛΥΣΗ ΑΠΟΦΑΣΕΩΝ 10 2. 1 Πολυκριτηριακή Ανάλυση & Επιχειρησιακή Έρευνα 2. 2 Μεθοδολογικό Πλαίσιο Πολυκριτηριακής Ανάλυσης 2. 3 Βασικές Μεθοδολογικές Προσεγγίσεις 13 16 21 3. ΜΟΝΤΕΛΑ ΑΠΟΦΑΣΕΩΝ ΕΠΙΛΟΓΗΣ ΠΡΟΣΩΠΙΚΟΥ 23 3.1 Fuzzy Multiply Criteria Decision Making method (MCDM) 3. 2 Fuzzy Multicriteria Case Based Reasoning (CBR) 3. 3 Αναλυτική Ιεραρχική Διαδικασία Analytical Hierarchy Process (AHP) 3. 4 Αναλυτική Διαδικασία Δικτύου Analytical Network Process (ANP) 23 28 36 42 3. 5 Multiply criteria Disaggregation Aggregation UTA II (MIIDAS system) 45 3. 6 Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) 3. 7 Measuring Attractiveness by a Categorical Based Evaluation Technique (MACBETH) 3. 8 Σύγκριση των Μοντέλων 4. ΕΦΑΡΜΟΓΗ 4. 1 Λογισμικό M- MACBETH 48 51 57 59 59 3
4. 2 Δεδομένα Προβλήματος & Εφαρμογή 4. 3 Τελική Επιλογή & Αποτελέσματα 5. ΣΥΜΠΕΡΑΣΜΑΤΑ ΠΡΟΤΑΣΕΙΣ 67 79 98 6. ΒΙΒΛΙΟΓΡΑΦΙΑ 100 4
ΠΕΡΙΛΗΨΗ Στην παρούσα εργασία, ξεκινάμε παρουσιάζοντας τις βασικές αρχές της πολυκριτηριακής ανάλυσης αποφάσεων -κεφάλαιο 2-, η οποία είναι απαραίτητη για να τεθούν οι θεωρητικές βάσεις της ανάλυσης που θα ακολουθήσει. Συνεχίζουμε αναλύοντας τα 7 σημαντικότερα μαθηματικά υποδείγματα επιλογής και αξιολόγησης προσωπικού -κεφάλαιο 3-. Στο κεφάλαιο 4, εφαρμόζουμε τη μέθοδο MACBETH, την οποία αναλύσαμε κατά την παρουσίαση των σημαντικότερων μαθηματικών υποδειγμάτων, σε πραγματικά δεδομένα που ελήφθησαν από μεγάλη ελληνική τράπεζα και αφορούν στην επιλογή του κατάλληλου υποψηφίου για θέση στελέχους. Ξεκινάμε, δίνοντας το πλαίσιο λειτουργίας του λογισμικού M-MACBETH, με τη βοήθεια του οποίου πραγματοποιήθηκε η εφαρμογή και καταλήγουμε στα συμπεράσματά μας, τα οποία παρουσιάζονται στο κεφάλαιο 5, μαζί με παρατηρήσεις και προτάσεις για περαιτέρω έρευνα. Κλείνουμε με την παράθεση της σχετικής βιβλιογραφίας που χρησιμοποιήθηκε. 5
1. ΕΙΣΑΓΩΓΗ Ένας από τους πιο σημαντικούς για μια επιχείρηση τομείς είναι η επιλογή του κατάλληλου ατόμου για την κατάλληλη θέση. Όσο και να αναπτύσσεται η τεχνολογία, η συμβολή του ανθρώπινου παράγοντα παραμένει πολύ σημαντική. Μια επιχείρηση είναι τόσο καλή όσο το σύνολο των ανθρώπων που απασχολεί. Τον τελευταίο καιρό, όλο και περισσότερες επιχειρήσεις αντιλαμβάνονται τη σημασία της υιοθέτησης μιας ανθρωποκεντρικής θεώρησης για τη διαχείριση ανθρώπινου δυναμικού. Η εν λόγω θεώρηση βασίζεται στην αναγνώριση και ανάπτυξη ικανοτήτων και κινήτρων των εργαζομένων, ως βασικό παράγοντα επίδρασης στην παραγωγικότητα τους. Αυξάνοντας τις ικανότητες και μεγεθύνοντας την ικανοποίηση που λαμβάνουν οι εργαζόμενοι από την εργασία τους, επιτυγχάνεται και ο στόχος της επιχείρησης για βελτιστοποίηση της αποδοτικότητάς της, με θετική κατάληξη για την κερδοφορία της. Η επιλογή και αξιολόγηση προσωπικού εφαρμόζει τη μέτρηση των ατομικών διαφορών για την πρόσληψη ατόμων σε εργασίες όπου πολλά άτομα είναι το ίδιο πιθανό να επιτύχουν. Οι βιομηχανικοί και οργανωτικοί ψυχολόγοι (IO) που δραστηριοποιούνται σε αυτόν τον τομέα χρησιμοποιούν πληροφορίες σχετικά με την εργασία και τους υποψηφίους για να βοηθήσουν μια επιχείρηση να καθορίσει ποιος υποψήφιος είναι ο πιο κατάλληλος για τη συγκεκριμένη θέση. Αυτό που σήμερα ονομάζουμε βιομηχανική και οργανωτική ψυχολογία ξεκίνησε να αναπτύσσεται στις αρχές του εικοστού αιώνα. Τόσο οι ψυχολόγοι (HugoMόnsterberg) όσο και οι διοικητικοί φιλόσοφοι (Frederick Taylor) ενδιαφέρθηκαν για την επιλογή των σωστών ανθρώπων για τις εργασίες, και πώς αυτό θα είχε επιπτώσεις στην παραγωγικότητα. Ο τομέας άκμασε κατά τη διάρκεια του Β παγκόσμιου πολέμου οπότε αναπτύχθηκαν οι πυροβολαρχίες μεγάλης κλίμακας (Army General Classification Test) και οι τεχνικές αξιολόγησης της ηγεσίας (Office of Strategic Services assessment centers). Αυτό οδήγησε σε μια ευρεία αποδοχή της χρησιμοποίησης δομημένων 6
τεχνικών για την επιλογή προσωπικού. Η IO ψυχολογία απομακρύνθηκε από την κλινική κρίση, και κατευθύνθηκε σε προβλέψεις που βασίζονται σε πιο αξιόπιστες και έγκυρες τεχνικές επιλογής. Μια ανησυχία για τη δικαιοσύνη στις διαδικασίες επιλογής προέκυψε κατά τη διάρκεια της εποχής των αστικών δικαιωμάτων (Civil Rights era). Μέσω μιας σειράς δικαστικών υποθέσεων, ιδιαίτερα της Griggs vs. Duke Power (ΗΠΑ 1971), τα πρότυπα για την επικύρωση και τη χρήση τεστ πριν την πρόσληψη καθιερώθηκαν. Το 1978 υιοθετήθηκαν οι ομοιόμορφες οδηγίες για τις διαδικασίες επιλογής υπαλλήλων (The Uniform Guidelines on Employee Selection Procedures). Ένα μεγάλο μέρος της νομολογίας και το υλικό στις οδηγίες κωδικοποιήθηκαν αργότερα στο νόμο αστικών δικαιωμάτων το 1991. Στο σύγχρονο ανταγωνιστικό επιχειρηματικό περιβάλλον, οι εταιρείες, για να διασφαλίσουν μακροπρόθεσμο ανταγωνιστικό πλεονέκτημα, επιδιώκουν την προσέλκυση και επιλογή παρακινούμενων και αφοσιωμένων εργαζομένων. Οι μέθοδοι που ακολουθούνται σήμερα για την επιλογή των ατόμων με τα απαιτούμενα προσόντα περιλαμβάνουν τη συλλογή βιογραφικών δεδομένων, συνεντεύξεις, ψυχολογικά τεστ, και την αξιολόγηση από ειδικευμένα κέντρα. Απαραίτητη προϋπόθεση για την επίτευξη του στόχου είναι η δίκαιη μεταχείριση των εργαζομένων. Ακόμα και σε στάδιο υποψηφίου, ο μελλοντικός εργαζόμενος θα πρέπει κατά την πρώτη γνωριμία του με τον οργανισμό να αισθάνεται ότι τυγχάνει δίκαιης μεταχείρισης. Για το λόγο αυτό, η αρχή και οι κανόνες της ισότητας και της δικαιοσύνης πρέπει να διέπουν, μεταξύ άλλων διαδικασιών, και το στάδιο της Επιλογής Προσωπικού. Η οργανωσιακή δικαιοσύνη είναι η μελέτη της δικαιοσύνης σε έναν οργανισμό, ειδικότερα μέσα από την κοινωνική ψυχολογία, σε επίπεδο κοινωνικών αλληλεπιδράσεων. Διακρίνεται σε distributive (δικαιοσύνη ως προς τα αποτελέσματα της επιλογής), procedural (δικαιοσύνη ως προς τη χρήση εργαλείων επιλογής), interpersonal (δικαιοσύνη ως ποιότητα της διαπροσωπικής συμπεριφοράς) & informational (δικαιοσύνη ως επάρκεια των πληροφοριών σχετικά με τη χρήση συγκεκριμένων μεθόδων και τη λήψη της τελικής απόφασης). 7
Η αντίληψη που έχει ο κάθε υποψήφιος για το δίκαιο ή μη των μεθόδων επιλογής προσωπικού συνδέεται με συγκεκριμένους προβλεπτικούς παράγοντες της μελλοντικής συμπεριφοράς του. Επί παραδείγματι, η procedural justice και οι αντιλήψεις των υποψηφίων περί αυτής, δύνανται να προβλέψουν το βαθμό ικανοποίησης κάθε υποψηφίου για τη θέση εργασίας του, το ρυθμό αποχώρησής του, την αφοσίωση, αλλά και την απόδοσή του. Η αντίληψη κάθε υποψήφιου εργαζομένου είναι δυνατό να διαπιστωθεί μέσα από τις αντιδράσεις του, κατά τη διαδικασία επιλογής. Αντιλαμβάνεται λοιπόν κανείς, ότι η επιλογή προσωπικού είναι μια ιδιαίτερα πολύπλοκη διαδικασία, στα πλαίσια της οποίας πρέπει να ληφθούν πολυδιάστατες αποφάσεις. Η δυσκολία ή πολυπλοκότητα ενός προβλήματος απόφασης πρέπει να αναζητηθεί κυρίως σε δύο παράγοντες: στον πολυδιάστατο χαρακτήρα των επιπτώσεων των δράσεων και στη βεβαιότητα ή αβεβαιότητα που διέπει τα δεδομένα του προβλήματος. Οι περισσότερες αποφάσεις μπορούν σήμερα να χαρακτηριστούν ως πολυδιάστατες ή πολυκριτήριες ή πολυκριτηριακές αποφάσεις (multicriteria decisions). Στην επιχειρησιακή έρευνα, η προπαρασκευή των αποφάσεων βασίζεται σε μαθηματικά μοντέλα απόφασης (decision models). Ένα μοντέλο είναι γενικά ένα περίγραμμα, το οποίο, για ένα πεδίο ερωτηματικών, αποτελεί μια αφηρημένη αναπαράσταση ενός συνόλου φαινόμενων και προορίζεται για να χρησιμεύσει ως εργαλείο στη διαχείριση ή/και στην επικοινωνία. Η διαδικασία μέσω της οποίας κατασκευάζεται ένα μοντέλο για ένα συγκεκριμένο πρόβλημα ονομάζεται μοντελοποίηση του προβλήματος (problem modeling). Τα μοντέλα της πολυκριτήριας ανάλυσης, στη μεγαλύτερη πλειοψηφία τους, απεικονίζουν μια παραδοσιακή αντίληψη του ορθολογισμού που βασίζεται στις αρχές της γραμμικότητας και της αιτιότητας, δηλαδή στη λογική, ότι η απόφαση καθορίζεται από τα κριτήρια (συνθετική προσέγγιση aggregation approach). Η αναλυτική-συνθετική προσέγγιση (aggregation-disaggregation approach), από τη δική της πλευρά, δέχεται 8
ότι η απόφαση και τα κριτήρια επιδέχονται προοδευτική επεξεργασία αλληλοδομούμενα μέσα στο χρόνο (Jacquet-Lagreze & Siskos, 1982). 9
2. Η ΠΟΛΥΚΡΙΤΗΡΙΑΚΗ ΑΝΑΛΥΣΗ ΑΠΟΦΑΣΕΩΝ Η πολυκριτηριακή ανάλυση αποφάσεων (Δούμπος, 2006) αποτελεί ένα εξελιγμένο πεδίο της επιχειρησιακής έρευνας, ο οποίος τις τελευταίες τρεις δεκαετίες έχει γνωρίσει ιδιαίτερη άνθηση τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο. Βασικό ρόλο στην ανάπτυξη και διάδοση της πολυκριτηριακής ανάλυσης αποτέλεσε η απλή διαπίστωση ότι η επίλυση πολύπλοκων και ιδιαίτερα σημαντικών προβλημάτων λήψης αποφάσεων δεν είναι δυνατό να πραγματοποιείται μέσω μιας μονόπλευρης και μονοδιάστατης ανάλυσης. Κατά την προσπάθεια, όμως, εξέτασης όλων των παραμέτρων ενός προβλήματος και των κριτηρίων-παραγόντων που επηρεάζουν τη λήψη της κατάλληλης απόφασης, γεννάται ένα ιδιαίτερα σημαντικό πρόβλημα, το οποίο ορισμένες φορές αποθαρρύνει τους αποφασίζοντες και αναλυτές από την υιοθέτηση αυτής της πιο ρεαλιστικής προσέγγισης. Το πρόβλημα αυτό αναφέρεται στον τρόπο με τον οποίο μπορεί να πραγματοποιηθεί η σύνθεση όλων των παραμέτρων ώστε να επιτευχθεί η λήψη ορθολογικών αποφάσεων. Η αντιμετώπιση του προβλήματος αυτού αποτελεί το βασικό αντικείμενο της πολυκριτηριακής ανάλυσης αποφάσεων. Η κύρια όμως ειδοποιός διαφορά της πολυκριτηριακής ανάλυσης από άλλες εναλλακτικές προσεγγίσεις, δεν είναι η απλή σύνθεση όλων των παραμέτρων ενός προβλήματος. Αυτή πραγματοποιείται και μέσω άλλων μεθοδολογικών προσεγγίσεων. Το βασικό χαρακτηριστικό γνώρισμα της πολυκριτηριακής ανάλυσης είναι η πραγματοποίηση της αναγκαίας σύνθεσης υπό το πρίσμα της πολιτικής λήψης των αποφάσεων και του συστήματος προτιμήσεων και αξιών, το οποίο συνειδητά ή ασυνείδητα χρησιμοποιεί ο αποφασίζων. Το χαρακτηριστικό αυτό έχει ιδιαίτερη σημασία στο χώρο της λήψης αποφάσεων. Όπως είναι κατανοητό, το αποτέλεσμα της όποιας ανάλυσης πραγματοποιείται με σκοπό την αντιμετώπιση ενός προβλήματος λήψης αποφάσεων, έχει ως τελικό αποδέκτη τον ίδιο τον αποφασίζοντα. Συνεπώς, η ανάπτυξη υποδειγμάτων λήψης αποφάσεων μέσω 10
μεθοδολογικών προσεγγίσεων που δεν είναι σε θέση να ενσωματώσουν τον αποφασίζοντα και τις προτιμήσεις του στη διαδικασία ανάπτυξης των υποδειγμάτων αυτών, ουσιαστικά προσδίδουν στον αποφασίζοντα έναν παθητικό ρόλο, ο οποίος περιορίζεται στην παρακολούθηση και εφαρμογή των αποτελεσμάτων μαθηματικών υποδειγμάτων. Υπό το πρίσμα των παρατηρήσεων αυτών, η πολυκριτηριακή ανάλυση έχει δώσει ιδιαίτερο ενδιαφέρον στην έρευνα θεμάτων που σχετίζονται με την ανάλυση, μαθηματική μοντελοποίηση και αναπαράσταση των προτιμήσεων που διέπουν την πολιτική λήψης αποφάσεων από τη πλευρά του εκάστοτε αποφασίζοντα. Απώτερος στόχος είναι η παροχή των απαραίτητων πληροφοριών για την υποστήριξη της διαδικασίας λήψης των αποφάσεων, συμβάλλοντας στον εντοπισμό των βασικών χαρακτηριστικών του εξεταζόμενου προβλήματος καθώς και των ιδιαιτεροτήτων των διαθέσιμων εναλλακτικών λύσεων. Οι μεθοδολογικές εξελίξεις που έχουν πραγματοποιηθεί κατά τη διάρκεια της ιστορικής πορείας του χώρου της πολυκριτηριακής ανάλυσης, καλύπτουν, όπως θα παρουσιαστεί στη συνέχεια, όλα τα είδη των προβλημάτων λήψης αποφάσεων. Στις παραγράφους που ακολουθούν παρουσιάζονται αναλυτικότερα οι κύριες μεθοδολογικές προσεγγίσεις της πολυκριτηριακής ανάλυσης. Ως πρώτη τεκμηριωμένη προσπάθεια επιστημονικής αντιμετώπισης του προβλήματος της σύνθεσης πολλαπλών κριτηρίων μπορεί να θεωρηθεί η εργασία του Pareto (1896), ο οποίος έθεσε τις απαραίτητες αξιωματικές βάσεις, εισάγοντας παράλληλα μια εκ των πλέον βασικών εννοιών της σύγχρονης πολυκριτηριακής ανάλυσης, την έννοια της αποτελεσματικότητας (efficiency). Μεταπολεμικά, ο Koopmans (1951) επέκτεινε την έννοια της αποτελεσματικότητας του Pareto εισάγοντας την έννοια του αποτελεσματικού συνόλου, δηλαδή του συνόλου των εναλλακτικών δραστηριοτήτων οι οποίες δεν κυριαρχούνται από καμία άλλη εναλλακτική δραστηριότητα (non dominated set of alternatives). Κατά την ίδια περίπου χρονική περίοδο (1940 1950) οι Von Neumann και Morgenstern (1944) αναπτύσσουν τη 11
θεωρία χρησιμότητας, η οποία αποτελεί τη βάση ενός από τα κυριότερα μεθοδολογικά ρεύματα της πολυκριτηριακής ανάλυσης αποφάσεων. Στη δεκαετία του 1960 όλες οι προαναφερθείσες «προκαταρκτικές» ερευνητικές εργασίες αποτέλεσαν το έναυσμα για την πραγματοποίηση περαιτέρω έρευνας από τους Charnes και Cooper (1961) όσον αφορά τη σύνδεση της θεωρίας του γραμμικού προγραμματισμού και της πολυκριτηριακής ανάλυσης (προγραμματισμός στόχων goal programming), καθώς και από τον Fishburn (1965) όσον αφορά την επέκταση της θεωρίας χρησιμότητας σε προβλήματα λήψης αποφάσεων υπό καθεστώς πολλαπλών κριτηρίων. Περί τα τέλη της δεκαετίας του 1960, η πολυκριτηριακή ανάλυση άρχισε να απασχολεί και τους Ευρωπαίους επιχειρησιακούς ερευνητές. Πρωτοπόρος μεταξύ αυτών υπήρξε ο Roy (1968), ο οποίος ανέπτυξε τη θεωρία των σχέσεων υπεροχής (outranking relations) και θεωρείται ο ιδρυτής της «Ευρωπαϊκής σχολής» της πολυκριτηριακής ανάλυσης. Τις επόμενες δύο δεκαετίες (1970 1990), η πολυκριτηριακή ανάλυση αναπτύχθηκε ραγδαία σε θεωρητικό επίπεδο αλλά και σε θέματα πρακτικών εφαρμογών για την αντιμετώπιση διαφόρων πολύπλοκων πραγματικών προβλημάτων λήψης αποφάσεων. Προς την κατεύθυνση αυτή σημαντική υπήρξε η συμβολή της πληροφορικής και της επιστήμης των υπολογιστών. Η ταχύτατη τεχνολογική πρόοδος που συντελέστηκε στους χώρους αυτούς, κυρίως κατά τις τελευταίες δύο δεκαετίες, έδωσε τα απαραίτητα μέσα για την υλοποίηση των μεθοδολογικών εξελίξεων της πολυκριτηριακής ανάλυσης σε ολοκληρωμένα πληροφορικά συστήματα (πολυκριτηριακή συστήματα υποστήριξης αποφάσεων), τα οποία παράλληλα συνέβαλλαν και στην προώθηση των πρακτικών εφαρμογών της πολυκριτηριακής ανάλυσης. 12
2. 1 Πολυκριτηριακή Ανάλυση & Επιχειρησιακή Έρευνα Το «παραδοσιακό» μεθοδολογικό πλαίσιο της επιχειρησιακής έρευνας βασίζεται στα στάδια που παρουσιάζονται γραφικά στο Σχήμα 2.1.1 (Δούμπος, 2006). Σχήμα 2.1.1: Το μεθοδολογικό πλαίσιο της επιχειρησιακής έρευνας Στο πρώτο στάδιο πρέπει να πραγματοποιηθεί η διαμόρφωση του προβλήματος. Το στάδιο αυτό αφορά: Τον καθορισμό των μεταβλητών απόφασης (decision variables). Οι μεταβλητές απόφασης αφορούν το σύνολο των παραγόντων οι τιμές των οποίων πρέπει να προσδιοριστούν προκειμένου να αντιμετωπιστεί το πρόβλημα. Για παράδειγμα, σε ένα πρόβλημα διαχείρισης παραγωγής, οι μεταβλητές μπορούν να αφορούν το επίπεδο παραγωγής διαφόρων προϊόντων, το είδος και τον όγκο των χρησιμοποιούμενων πρώτων υλών, κλπ. Τον προσδιορισμό του στόχου του προβλήματος (objective). 13
Ο στόχος προσδιορίζει το κριτήριο αξιολόγησης της ποιότητας των πιθανών λύσεων στο πρόβλημα. Παραδείγματα στόχων είναι η μεγιστοποίηση του κέρδους, η ελαχιστοποίηση του κινδύνου, κλπ. Τον προσδιορισμό του χώρου των εφικτών λύσεων (feasible solutions). Στην πλειοψηφία των προβλημάτων λήψης αποφάσεων, οι πιθανές λύσεις του προβλήματος προσδιορίζονται από ένα σύνολο περιορισμών. Οι περιορισμοί αυτοί αφορούν τα διαθέσιμα μέσα (υλικά, κεφάλαια, ανθρώπινοι πόροι) καθώς και το περιβάλλον στο οποίο λαμβάνεται η απόφαση (για παράδειγμα νομικοί περιορισμοί). Βάσει της παραπάνω διαμόρφωσης του προβλήματος, το δεύτερο στάδιο αφορά στην κατασκευή του κατάλληλου μοντέλου που περιγράφει το πρόβλημα. Ως μοντέλο ορίζεται η μαθηματική αναπαράσταση (περιγραφή) του προβλήματος στην οποία αποτυπώνονται όλες οι μεταβλητές απόφασης, στόχοι και περιορισμοί. Βέβαια, στις περισσότερες περιπτώσεις η πραγματικότητα είναι πολύ πολύπλοκη ώστε να αναπαρασταθεί με πληρότητα σε ένα σύνολο μαθηματικών σχέσεων. Για το λόγο αυτό, η κατασκευή του μοντέλου βασίζεται πάντα σε κάποιες υποθέσεις, ώστε να είναι δυνατή η ποσοτική ανάλυση του προβλήματος. Όσο πιο ρεαλιστικές είναι οι υποθέσεις στις οποίες βασίζεται το μοντέλο, τόσο αυξάνεται η πιθανότητα το μοντέλο να συμβάλει με επιτυχία στην αντιμετώπιση του εξεταζόμενου προβλήματος. Το τρίτο στάδιο της ανάλυσης αφορά την επίλυση του μοντέλου με την κατάλληλη μαθηματική διαδικασία (μέθοδο, αλγόριθμο), έτσι ώστε να προσδιοριστούν οι τιμές των μεταβλητών απόφασης οι οποίες αντιστοιχούν σε μια εφικτή λύση που βελτιστοποιεί τον στόχο του προβλήματος. Η φάση της αξιολόγησης αφορά την ανάλυση της ποιότητας της λύσης (ευαισθησία, ευστάθεια, κλπ.) συναρτήσει των παραμέτρων του μοντέλου, των υποθέσεων που πραγματοποιήθηκαν και των δεδομένων του προβλήματος. Τέλος, το τελευταίο στάδιο της ανάλυσης αφορά την υλοποίηση της λύσης και την υποστήριξή της (αιτιολόγηση) σε περίπτωση όπου αυτό κριθεί απαραίτητο. 14
15
2. 2 Μεθοδολογικό Πλαίσιο Πολυκριτηριακής Ανάλυσης Βάσει των ιδιαιτεροτήτων που παρουσιάζουν τα προβλήματα λήψης αποφάσεων με πολλαπλά κριτήρια, ο χώρος της ΠΑ έχει τους ακόλουθους τρεις βασικούς στόχους (Δούμπος, 2006): Την ανάλυση της ανταγωνιστικής φύσης των κριτηρίων. Τη μοντελοποίηση των προτιμήσεων του αποφασίζοντος. Τον εντοπισμό ικανοποιητικών λύσεων. Για την επίτευξη αυτών των στόχων, ο Roy (1996) πρότεινε ένα γενικό μεθοδολογικό πλαίσιο, το οποίο και ακολουθείται στα πλαίσια της πολυκριτηριακής ανάλυσης. Το πλαίσιο αυτό αποτελείται από τέσσερα στάδια και παρουσιάζεται γραφικά στο Σχήμα 2.2.1. Όπως είναι εμφανές, το προτεινόμενο μεθοδολογικό πλαίσιο περιλαμβάνει τέσσερις φάσεις-στάδια μεταξύ των οποίων είναι δυνατή η δυνατότητα αναδράσεων. Τα στάδια αυτά αναλύονται στη συνέχεια. 16
Σχήμα 2.2.1: Το μεθοδολογικό πλαίσιο της πολυκριτηριακής ανάλυσης Αντικείμενο της απόφασης Το πρώτο αυτό στάδιο του μεθοδολογικού πλαισίου της ΠΑ αφορά τον καθορισμό του συνόλου των εναλλακτικών δραστηριοτήτων και της προβληματικής της ανάλυσης. Ως «εναλλακτική δραστηριότητα» ή απλά «εναλλακτική» (alternative ή action) ορίζεται κάθε πιθανή επιλογή η οποία αποτελεί λύση του εξεταζόμενου προβλήματος και η οποία πρέπει να αξιολογηθεί ως προς την καταλληλότητά της. Το σύνολο των εναλλακτικών δραστηριοτήτων μπορεί να προσδιοριστεί είτε ως ένα διακριτό σύνολο (discrete set), είτε ως ένα συνεχές σύνολο (continuous set). Μετά τον προσδιορισμό του συνόλου των εναλλακτικών δραστηριοτήτων, απαιτείται ο καθορισμός της προβληματικής της ανάλυσης (decision problematic). Γενικά, υπάρχουν τέσσερις προβληματικές που καλύπτουν το σύνολο των πρακτικών περιπτώσεων: Προβληματική α (επιλογή, choice): Η προβληματική τύπου α αναφέρεται στην επιλογή μίας ή περισσότερων εναλλακτικών οι οποίες θεωρούνται ως οι πλέον κατάλληλες. Για παράδειγμα, κατά την χωροθέτηση ενός εργοστασίου η προβληματική αφορά την επιλογή της πλέον κατάλληλης τοποθεσίας. Προβληματική β (ταξινόμηση, classification/sorting): Η προβληματική τύπου β αναφέρεται στην ταξινόμηση των εναλλακτικών δραστηριοτήτων σε προκαθορισμένες ομοιογενείς κατηγορίες. Για παράδειγμα, κατά την αξιολόγηση μιας αίτησης δανειοδότησης το αντικείμενο της ανάλυσης αφορά την αξιολόγηση του αιτούντα (επιχείρηση ή ιδιώτη) και την ταξινόμησή του είτε στην κατηγορία των αποδεκτών αιτήσεων, είτε στην κατηγορία των απορριπτέων αιτήσεων. Προβληματική γ (κατάταξη, ranking): Η προβληματική τύπου γ αναφέρεται στην κατάταξη των εναλλακτικών δραστηριοτήτων από τις καλύτερες προς τις χειρότερες. Για παράδειγμα, κατά εισαγωγή των μαθητών σε μια πανεπιστημιακή σχολή απαιτείται η κατάταξή τους βάσει της βαθμολογίας τους στις εισαγωγικές εξετάσεις. 17
Προβληματική δ (περιγραφή, description): Η προβληματική τύπου δ αναφέρεται στην περιγραφή των εναλλακτικών δραστηριοτήτων βάσει των επιδόσεών τους στα επιμέρους κριτήρια αξιολόγησης. Η επιλογή της κατάλληλης προβληματικής σχετίζεται αποκλειστικά και μόνο με το πρόβλημα που εξετάζεται. Επιπλέον, σε ορισμένες περιπτώσεις πιθανόν να απαιτείται ο συνδυασμός δύο προβληματικών για την καλύτερη αντιμετώπιση του προβλήματος. Συνεπής οικογένεια κριτηρίων Στο δεύτερο στάδιο της διαδικασίας καθορίζεται μια συνεπής οικογένεια κριτηρίων (consistent family of criteria). Ως κριτήριο θεωρείται μια μονότονη συνάρτηση x, δηλωτική των προτιμήσεων του αποφασίζοντος, τέτοια ώστε για κάθε δυο εναλλακτικές x και x να ισχύει: x > x x P x x = x x I x όπου: - x και x είναι οι επιδόσεις των εναλλακτικών x και x στο κριτήριο x - P και Ι είναι αντίστοιχα οι σχέσεις προτίμησης και αδιαφορίας οριζόμενες έτσι ώστε: x P x : η εναλλακτική x προτιμάται της x (προτίμηση) x Ι x : οι εναλλακτικές x και x είναι ισοδύναμες (αδιαφορία) Για τη λήψη ορθολογικών αποφάσεων με πολλαπλά κριτήρια, θα πρέπει να διασφαλιστεί ότι το σύνολο των εξεταζόμενων κριτηρίων διαμορφώνει μια συνεπή οικογένεια κριτηρίων. Ένα σύνολο κριτηρίων (x1, x2,..., xn) θεωρείται ότι διαμορφώνει μια συνεπή οικογένεια κριτηρίων εάν και μόνο αν διαθέτει τις ακόλουθες τρεις ιδιότητες: Μονοτονία (monotonicity) Ένα σύνολο κριτηρίων θεωρείται ότι διαθέτει την ιδιότητα της μονοτονίας, αν και μόνο αν, για οποιεσδήποτε δυο εναλλακτικές x και x τέτοιες ώστε x i > x ι για κάποιο 18
κριτήριο xi και x j = x j για όλα τα υπόλοιπα κριτήρια xj (j i), συμπεραίνεται ότι x P x. Επάρκεια (exhaustivity) Ένα σύνολο κριτηρίων θεωρείται ότι διαθέτει την ιδιότητα της επάρκειας, αν και μόνο αν, για οποιεσδήποτε δυο εναλλακτικές x και x τέτοιες ώστε x i = x ι για όλα τα κριτήρια xi, συμπεραίνεται ότι x Ι x. Μη πλεονασμός (non redundancy) Ένα σύνολο κριτηρίων θεωρείται ότι διαθέτει την ιδιότητα του μη πλεονασμού. αν και μόνο αν, η διαγραφή ενός οποιουδήποτε κριτηρίου xi οδηγεί σε παραβίαση των ιδιοτήτων της μονοτονίας ή της επάρκειας. Μοντέλο ολικής προτίμησης Μετά την ολοκλήρωση των δύο προηγούμενων σταδίων της ανάλυσης (αντικείμενο του προβλήματος, διαμόρφωση συνεπούς οικογένειας κριτηρίων), το επόμενο στάδιο αφορά την κατασκευή και χρησιμοποίηση ενός μοντέλου ολικής προτίμησης (global evaluation model). Ως μοντέλο ολικής προτίμησης θεωρείται η σύνθεση όλων των κριτηρίων έτσι ώστε να επιτευχθεί ο στόχος της ανάλυσης ανάλογα με την προβληματική που έχει καθοριστεί. Το μοντέλο ολικής προτίμησης μπορεί να χρησιμοποιηθεί ως βάση για: Τον προσδιορισμό μιας συνολικής αξιολόγησης κάθε εναλλακτικής. Την πραγματοποίηση διμερών συγκρίσεων μεταξύ των εναλλακτικών. Τη διερεύνηση του συνόλου των εναλλακτικών λύσεων, όταν αυτό είναι συνεχές. Η ανάπτυξη του μοντέλου ολικής προτίμησης μπορεί να πραγματοποιηθεί με δύο τρόπους: Αλληλεπιδραστικά μέσω της συνεργασίας του αναλυτή με τον αποφασίζοντα. Στην προσέγγιση αυτή ο αποφασίζοντας καθορίζει ένα σύνολο παραμέτρων σχετικών με την πολιτική λήψης των αποφάσεων που ακολουθεί (για παράδειγμα, τα βάρη των κριτηρίων). Αναλύοντας τις αποφάσεις που λαμβάνει ο αποφασίζων έτσι ώστε να αναπτυχθεί το κατάλληλο μοντέλο ολικής προτίμησης που είναι συμβατό με την πολιτική 19
λήψης των αποφάσεων που ακολουθεί ο αποφασίζων. Η προσέγγιση αυτή έχει αρκετές ομοιότητες με τη μεθοδολογία της παλινδρόμησης, η οποία είναι ιδιαίτερα διαδεδομένη στο χώρο της στατιστικής. 20
2. 3 Βασικές Μεθοδολογικές Προσεγγίσεις Στο χώρο της ΠΑ έχουν αναπτυχθεί τις τελευταίες τρεις δεκαετίες διάφορες μεθοδολογίες. Οι μεθοδολογίες αυτές μπορούν να χωριστούν σε διάφορες κατηγορίες ανάλογα με τη μορφή του μοντέλου ολικής προτίμησης που χρησιμοποιούν, αλλά και τη διαδικασία ανάπτυξης του μοντέλου. Βάσει αυτής της θεώρησης, οι Pardalos et al. (1995) πρότειναν την ακόλουθη κατηγοριοποίηση: Πολυκριτήριος μαθηματικός προγραμματισμός (multi-objective mathematical programming) Πολυκριτηριακή θεωρία χρησιμότητας (multiattribute utility theory) Θεωρία των σχέσεων υπεροχής (outranking relations theory) Αναλυτική-συνθετική προσέγγιση (preference disaggregation approach) Σχήμα 2.3.1: Οι βασικές μεθοδολογικές προσεγγίσεις της πολυκριτηριακής ανάλυσης Όπως παρουσιάζεται στο Σχήμα 2.3.1, μεταξύ των τεσσάρων αυτών βασικών προσεγγίσεων της πολυκριτηριακής ανάλυσης αποφάσεων, οι τρεις τελευταίες, δηλαδή η 21
πολυκριτηριακή θεωρία χρησιμότητας, η θεωρία των σχέσεων υπεροχής και η αναλυτική συνθετική προσέγγιση, προσανατολίζονται προς την αντιμετώπιση διακριτών προβλημάτων λήψης αποφάσεων. Απώτερος στόχος τους, είναι η σύνθεση όλων των κριτηρίων με σκοπό την αξιολόγηση ενός πεπερασμένου συνόλου εναλλακτικών δραστηριοτήτων σύμφωνα με τις προβληματικές της επιλογής, κατάταξης ή ταξινόμησης. Αντίθετα, ο πολυκριτήριος μαθηματικός προγραμματισμός αποτελεί μια γενίκευση της γνωστής θεωρίας του μαθηματικού προγραμματισμού σε περιπτώσεις όπου πρέπει να βελτιστοποιηθούν πολλαπλές αντικειμενικές συναρτήσεις. Όπως βέβαια είναι εμφανές από το παραπάνω σχήμα, η συμβολή του κάθε θεωρητικού ρεύματος της πολυκριτηριακής ανάλυσης δεν περιορίζεται στην αντιμετώπιση μόνο ενός είδους προβλημάτων λήψης αποφάσεων (συνεχή ή διακριτά). Αναλυτικότερα, η πολυκριτηριακή θεωρία χρησιμότητας, η θεωρία των σχέσεων υπεροχής και η αναλυτική συνθετική προσέγγιση μπορούν να χρησιμοποιηθούν και ως εργαλεία για την αντιμετώπιση συνεχών προβλημάτων, συμβάλλοντας στην αποτύπωση του συστήματος αξιών και προτιμήσεων του αποφασίζοντος σε ένα μαθηματικό υπόδειγμα. Το υπόδειγμα αυτό, χρησιμοποιούμενο σε συνδυασμό με τεχνικές πολυκριτήριου μαθηματικού προγραμματισμού μπορεί να οδηγήσει στην επίλυση συνεχών προβλημάτων (για παράδειγμα καθορισμός της σύνθεσης ενός χαρτοφυλακίου χρεογράφων, το οποίο βελτιστοποιεί τη συνάρτηση χρησιμότητας του επενδυτή). Αντίστοιχα, και ο πολυκριτήριος μαθηματικός προγραμματισμός μπορεί να συμβάλει στην αντιμετώπιση διακριτών προβλημάτων. 22
3. ΜΟΝΤΕΛΑ ΑΠΟΦΑΣΕΩΝ ΕΠΙΛΟΓΗΣ ΠΡΟΣΩΠΙΚΟΥ Κατά τα τελευταία χρόνια έχουν αναπτυχθεί πολλά μαθηματικά υποδείγματαμοντέλα αποφάσεων επιλογής και αξιολόγησης προσωπικού. Ανάλογα με την εφαρμογή και τη χρήση που θέλει να κάνει ο αποφασίζων, επιλέγει και το πλέον κατάλληλο. Σε αυτό το κεφάλαιο, γίνεται μια συνοπτική περιγραφή των βασικότερων μοντέλων με μικρά παραδείγματα, αντιπροσωπευτικά της εφαρμογής της κάθε μιας. 3. 1 Fuzzy Multiply Criteria Decision Making method (MCDM) Η μέθοδος λήψης αποφάσεων πολλαπλών κριτηρίων (MCDM) ασχολείται με τη θεωρία και τη μεθοδολογία που μπορεί να λύσουν πολύπλοκα προβλήματα, τα οποία αντιμετωπίζουν οι επιχειρήσεις, αλλά και άλλοι τομείς της ανθρώπινης δραστηριότητας. Ένα πολύπλοκο πρόβλημα χαρακτηρίζεται από τους αντικρουόμενους στόχους ή κριτήρια, όπως το κόστος, η απόδοση, η ασφάλεια, η υπευθυνότητα, η παραγωγικότητα κ.ά.. Όταν παρουσιάζεται πρόβλημα πολλαπλών κριτηρίων, δεν υπάρχει μια ιδανική απόφαση, αλλά αρκετές ή ακόμα και άπειρες ικανοποιητικές λύσεις. Η ανάπτυξη των μεθόδων MCDM έχει σαν βασικό κίνητρο, όχι μόνο τη λύση ποικίλων πρακτικών (real-life) προβλημάτων, που προϋποθέτουν την εξέταση πολλών κριτηρίων, αλλά και την ανάγκη για αξιοποίηση της προόδου στα μαθηματικά, και συγκεκριμένα στις τεχνικές βελτιστοποίησης (mathematical optimization), στην επιστήμη των υπολογιστών (scientific computing) και στις μεθόδους λήψης αποφάσεων. Πρακτικά, η θεωρία λήψης αποφάσεων αναφέρεται στην κατάσταση, όπου μια υπεύθυνη ομάδα ή ένα εντεταλμένο άτομο καλείται να διαλέξει μια ενέργεια σε ένα αβέβαιο περιβάλλον. Η θεωρία βοηθά να προσδιοριστούν οι εναλλακτικές λύσεις με την υψηλότερη αναμενόμενη αξία ή τη μεγαλύτερη πιθανότητα να έχουμε αναμενόμενη αξία. 23
Επιπλέον, η θεωρία είναι σχεδιασμένη έτσι ώστε να βοηθά τους decision mak ers στην επιλογή μεταξύ ενός συνόλου εναλλακτικών λύσεων. Κάθε επιλογή είναι μια εναλλακτική απόφαση. Στη πολυκριτήρια ανάλυση, η επιλογή πραγματοποιείται μέσω της αξιολόγησης ενός συνόλου κριτηρίων. Τα κριτήρια πρέπει να είναι μετρήσιμα, ακόμα και αν η μέτρηση είναι σε εικονική κλίμακα (π.χ. ναι/όχι, παρουσία /απουσία ). Τα αποτελέσματα πρέπει να είναι, επίσης, μετρήσιμα για κάθε εναλλακτική λύση. Τα κριτήρια αποτελούν τη βάση για τη σύγκριση των εναλλακτικών και επομένως διευκολύνουν την επιλογή μίας ικανοποιητικής λύσης. Η διαδικασία λήψης αποφάσεων στηρίζεται στις πληροφορίες σχετικά με τις εναλλακτικές λύσεις. Η ποιότητα αυτών των πληροφοριών, σε κάθε απόφαση, μπορεί να περιλαμβάνει από επιστημονικά δεδομένα μέχρι υποκειμενικές ερμηνείες, και από βέβαιες έως και αβέβαιες εκροές, παρουσιαζόμενες με πιθανότητες ή ασαφείς αριθμούς (fuzzy numbers). Αυτή η διαφοροποίηση των πληροφοριών στη διαδικασία λήψης αποφάσεων καθιστά αναγκαίες τέτοιες μεθόδους όπως η MCDM, καθώς αυτές μπορούν να οδηγήσουν σε καλύτερες αποφάσεις. Η μέθοδος MCDM, που παρουσιάζουμε, προτείνει έναν αλγόριθμο λήψης αποφάσεων πολλαπλών κριτηρίων βασισμένο στην έννοια της ιδανικής και μη ιδανικής λύσης. Η προτεινόμενη μέθοδος μας επιτρέπει να ενσωματώσουμε τα στοιχεία με τη μορφή γλωσσικών μεταβλητών, οι οποίες χρησιμοποιούνται και για τον ορισμό των υποκειμενικών συντελεστών στάθμισης των κριτηρίων, τους οποίους ορίζουν οι decision makers. Η μέθοδος αυτή χρησιμοποιείται τόσο για την επιλογή προσωπικού, όσο και για την αξιολόγησή του. Η πρώτη περιγραφή της μεθόδου που ακολουθεί, αφορά τη χρήση της για την επιλογή προσωπικού. Στη συνέχεια, θα αναφερθούμε και στην εφαρμογή της στην αξιολόγηση εργασίας. Όταν εφαρμόζουμε τη μέθοδο MCDM για την επιλογή προσωπικού πρέπει, αρχικά, να πραγματοποιήσουμε μια προκριματική εξέταση των υποψηφίων. Κατά την εξέταση 24
αυτή, συλλέγουμε πληροφορίες για τους υποψηφίους, οι οποίες θα είναι και οι εισροές στον αλγόριθμο λήψης αποφάσεων που θα περιγράψουμε. Τα βήματα του αλγόριθμου είναι τα εξής: 1 ο βήμα: Διορίζουμε μια επιτροπή, τα μέλη της οποίας θα είναι αυτοί που θα πάρουν τις αποφάσεις (decision makers) που απαιτούνται για τη διαδικασία. Εν συνεχεία, καθορίζουμε τους τελικούς υποψηφίους και τα κριτήρια επιλογής, βάση των οποίων θα εξεταστούν. 2 ο βήμα: Τα κριτήρια επιλογής συγκεντρώνονται σε ένα πίνακα, ο οποίος καλείται πίνακας απόφασης (decision matrix ή decision table) και αποτελείται από έναν αριθμό στηλών και γραμμών. Οι γραμμές αντιπροσωπεύουν τους υποψηφίους, ενώ οι στήλες τα κριτήρια. Οι τιμές στο κέντρο του πίνακα αντιπροσωπεύουν την εκροή κάθε κριτηρίου, δηλαδή μια μέτρηση ή πρόβλεψη της απόδοσης κάθε υποψηφίου σε κάθε κριτήριο. Ο πίνακας απόφασης είναι πάρα πολύ σημαντικός, γιατί περιέχει τα δεδομένα για την σύγκριση μεταξύ των εναλλακτικών επιλογών, στη συγκεκριμένη περίπτωση, μεταξύ των υποψηφίων. 3 ο βήμα: Κανονικοποιούμε τον πίνακα απόφασης, έτσι ώστε οι τιμές κριτηρίων να είναι ελεύθερες από μονάδες, και, επομένως, συγκρίσιμες. 4 ο βήμα: Έπειτα, καθορίζουμε την ιδανική λύση Α & τη μη ιδανική λύση A*. 5 ο βήμα: Κατόπιν, ορίζουμε τους συντελεστές βαρύτητας των κριτήριων. Το βήμα αυτό χωρίζεται στα εξής στάδια: a. Ζητείται από τους συμμετέχοντες στη διαδικασία (decision maker s) να καθορίσουν τους υποκειμενικούς συντελεστές στάθμισης για κάθε κριτήριο. b. Υπολογίζονται οι υποκειμενικοί συντελεστές στάθμισης για τα κριτήρια. c. Κατόπιν, υπολογίζονται οι συνολικοί συντελεστές στάθμισης για την πληροφόρηση των συμμετεχόντων. 25
d. Τέλος, υπολογίζονται οι γενικοί συντελεστές στάθμισης των κριτηρίων, τους οποίους θα χρησιμοποιήσουμε στην αξιολόγηση και είναι αποδεκτοί από όλους. 6 ο βήμα: Αφού ορισθούν οι συντελεστές στάθμισης των κριτηρίων μπορούμε, πλέον, να αξιολογήσουμε τους υποψήφιους. Κάθε υποψήφιος αποτελεί μια εναλλακτική λύση στον αλγόριθμο. Σε αυτό το βήμα, λοιπόν, υπολογίζεται η απόσταση κάθε εναλλακτικής λύσης από την ιδανική και μη ιδανική λύση, όπως έχει ορισθεί στο τέταρτο βήμα. 7 ο βήμα: Στη συνέχεια, υπολογίζεται η εγγύτητα των εναλλακτικών λύσεων με την ιδανική λύση, σύμφωνα με το βήμα έξι. 8 ο βήμα: Τέλος, ταξινομούμε τους υποψηφίους σύμφωνα με τα αποτελέσματα του παραπάνω βήματος. Επιλέγουμε την εναλλακτική λύση, δηλαδή τον υποψήφιο με την υψηλότερη τιμή, διότι αυτή θα προσεγγίζει την ιδανική λύση, αλλά ταυτόχρονα θα απέχει από την μη ιδανική λύση. Το πρόβλημα αξιολόγησης προσωπικού μπορεί να αντιμετωπισθεί ως διοικητικό πολυκριτηριακό πρόβλημα λήψης αποφάσεων σε ασαφές περιβάλλον, υποστήριξαν οι S. Gupta και M. Chakraborty (1998). Φυσικό επακόλουθο αυτής της διατύπωσης είναι η εφαρμογή της MCDM στην αντιμετώπιση αυτού του προβλήματος. Είναι σημαντικό να επισημάνουμε, ότι οι μέθοδοι που προτείνονται για αξιολόγηση έχουν διαφορετική δομή από τις αντίστοιχες επιλογής προσωπικού. Συγκεκριμένα, η τεχνική που θα εξετάσουμε εδώ για την αξιολόγηση εργασίας προτείνει ένα μοντέλο γραμμικού προγραμματισμού ασαφούς στόχου, το οποίο χρησιμοποιείται για εργασίες με διαφορετικούς παράγοντες όπου κάθε παράγοντας έχει διαφορετικά επίπεδα. Αυτό το σύστημα αξιολόγησης εργασίας αναπτύσσεται σύμφωνα με ένα επιλεγμένο δείγμα εργασιών γνωστές ως εργασίες σύγκρισης (benchmark jobs) ή εργασίες κλειδιά (key jobs). Το επόμενο βήμα είναι να καθιερωθούν οι παράγοντες που καθορίζουν τη σχετική αξία μιας εργασίας. Οι Gupta και Ahmed (1988) ανέπτυξαν ένα μοντέλο γραμμικού προγραμματισμού στόχου για τον καθορισμό της σχετικής αξίας των διάφορων επιπέδων των παραγόντων εργασίας το οποίο και θα περιγράψουμε. 26
Αρχικά ορίζουμε τους παράγοντες της εργασίας. Τέτοιοι παράγοντες μπορεί να είναι η πολυπλοκότητα καθηκόντων, η εκπαίδευση, οι πνευματικές απαιτήσεις της εργασίας κ.ά.. Στη συνέχεια ορίζουμε τα επίπεδα στα οποία διαιρείται κάθε παράγοντας. Τέλος ορίζουμε τις εργασίες σύγκρισης, οι οποίες έχουν γνωστή αξία. Στη συνέχεια μορφοποιούμε πρόβλημα γραμμικού προγραμματισμού με αντικειμενική συνάρτηση μεγιστοποίησης ενός συντελεστή λ, ο οποίος εκφράζει την αξία που έχει κάθε παράγοντας σε κάθε επίπεδο. Οι περιορισμοί του προβλήματος προκύπτουν από τους στόχους που έχει θέσει η επιχείρηση και θέλει να επιτύχει μέσα από αυτή τη διαδικασία. Η λύση αυτού του προβλήματος είναι εύκολη με τη χρήση ηλεκτρονικού υπολογιστή και συγκεκριμένα με τη χρήση ενός προγράμματος λογιστικών φύλλων, όπως το Excel. Το αποτέλεσμα του προβλήματος είναι ένας πίνακας, στον οποίο παρουσιάζεται η αξία κάθε παράγοντα σε κάθε επίπεδο, σύμφωνα με τον οποίο η διοίκηση μπορεί να αξιολογήσει οποιαδήποτε εργασία αποτελούμενη από διαφορετικούς παράγοντες με διαφορετικά επίπεδα. Το προτεινόμενο ασαφές μαθηματικό πρότυπο ενισχύει τη διαδικασία αξιολόγησης εργασίας και δίνει την ευελιξία στον αποφασίζοντα να δημιουργήσει διαφορετικά συστήματα αμοιβής (S. Gupta, M. Chakraborty, 1998). 27
3. 2 Fuzzy Multicriteria Case Based Reasoning (CBR) Ένα ακόμα εργαλείο ασαφών πολλαπλών κριτηρίων προτείνεται στη βιβλιογραφία για να βοηθήσει στην επιλογή του καταλληλότερου υποψηφίου. Η μέθοδος ονομάζεται Fuzzy multicriteria Case Based Reasoning (CBR). Η μέθοδος αυτή έχει δεχθεί επιρροές από διάφορα επιστημονικά πεδία, όπως γνωστικές επιστήμες, knowledgebased systems, βάσεις δεδομένων (databases), neural networks. Επίσης έχει κοινά στοιχεία και με άλλα επιστημονικά πεδία, π.χ. τη στατιστική και τη μορφοποίηση υποδειγμάτων (pattern recognition). Η CBR χρησιμοποιεί ένα συνδυασμό τριών μηχανισμών: τα ασαφή σύνολα (Fuzzy set theory), τα πολλαπλά κριτήρια (MCDM) και τη CBR μεθοδολογία για να αντιμετωπίσει το πρόβλημα της επιλογής προσωπικού. Τα ασαφή σύνολα χρησιμοποιούνται για να αντιπροσωπεύσουν και να χειριστούν τα αβέβαια κριτήρια του προβλήματος σε ένα σύστημα ηλεκτρονικών υπολογιστών. Είναι αναγκαίο να αναφέρουμε ορισμένα εισαγωγικά στοιχεία για αυτή τη θεωρία ασαφών συνόλων, για να γίνουν καλύτερα κατανοητά και τα υποδείγματα που περιγράφουμε. Η θεωρία ασαφών συνόλων παρουσιάστηκε από τον Lofti Zadeh. Το υπόδειγμα που παρουσιάσθηκε ήταν ένα σύνολο κανόνων και ρυθμίσεων, το οποίο ορίζει τα όρια και υποδεικνύει τον τρόπο για να λυθεί επιτυχώς ένα πρόβλημα μέσα σε αυτά (Zadeh, 1965). Όπως αντιλαμβανόμαστε και από το όνομά της, πρόκειται για μία λογική η οποία επισημαίνει τρόπους συλλογισμού, που είναι προσεγγιστικοί, παρά ακριβείς. Το πλεονέκτημα αυτής της θεωρίας είναι η ικανότητα της να παρέχει ένα εναλλακτικό πλαίσιο μοντελοποίησης της ασάφειας. Η ασάφεια είναι ένα είδος αβεβαιότητας σχετικό με το βαθμό εφαρμογής/ προσαρμογής (fitting) που παρουσιάζει κάποιο αντικείμενο, σχετικά με μια δεδομένη έννοια. Η θεωρία ασαφών συνόλων εστιάζει σε αυτό το είδος αβεβαιότητας, η οποία παρέχει μια πλήρη δομή που εκφράζει και εξετάζει, επίσης, αυτή την ασάφεια. Επίσης, 28
παρέχει την απαραίτητη υποδομή για να εφαρμοστεί η πρώτη μορφή συλλογισμού υπολογιστικά, που αντιπροσωπεύει την υποκειμενική ανθρώπινη διαδικασία συμπεράσματος με έναν άμεσο και ρεαλιστικό τρόπο (Royes, Biastos & Royes, 2003). Ένα ασαφές σύνολο ορίζεται από μία συνάρτηση που ποικίλει από το [0,1] και η οποία ορίζει ένα βαθμό συμμετοχής κάθε στοιχείου στο σύνολο. Ουσιαστικά, ο βαθμός συμμετοχής αντιπροσωπεύει την έκταση στην οποία τοποθετεί ένα στοιχείο στο σύνολο, η άποψη ενός ειδικού. Ένα στοιχείο μπορεί να συμμετέχει σε περισσότερα σύνολα, με διαφορετικούς βαθμούς συμμετοχής. Σύμφωνα με τον Zadeh (1965): αν Χ είναι ένα μη κενό σύνολο, ένα ασαφές σύνολο (Fuzzy Set) στο Χ χαρακτηρίζεται από τη συνάρτηση συμμετοχής του: μ Α : Χ [0,1] όπου μ Α ερμηνεύεται ως ο βαθμός συμμετοχής κάθε στοιχείου χ στο ασαφές σύνολο Α, για κάθε Χ που ανήκει στο Χ. Η θεωρία αυτή βρήκε εφαρμογή σε πολλές άλλες θεωρίες, μεταξύ αυτών και στα προβλήματα λήψης αποφάσεων. Η λήψη απόφασης είναι μια διαδικασία ανεύρεσης της καλύτερης λύσης, από όλες τις διαθέσιμες εναλλακτικές. Στα περισσότερα από αυτά τα προβλήματα, η πολυπλοκότητα των κριτηρίων και η αξιολόγηση των εναλλακτικών λύσεων είναι κοινά σημεία για όλα τα υποδείγματα. Σε αυτό το σημείο, αρωγός είναι η θεωρία ασαφών συνόλων. Αν προσθέσουμε και το γεγονός ότι οι περισσότερες μέθοδοι του ανθρώπινου τρόπου συλλογισμού και ειδικά η κοινή λογική είναι προσεγγιστικές, ακόμα και στη φύση, καταλαβαίνουμε την αξία μιας θεωρίας που μας δίνει τη δυνατότητα να μαθηματικοποιήσουμε «ανθρώπινα» προβλήματα, όπως η επιλογή ενός υποψηφίου. Η θεωρία ασαφών συνόλων αποδείχθηκε, όπως ήδη έχουμε επισημάνει, ένα πολύ χρήσιμο εργαλείο για αυτούς που καλούνται να πάρουν αποφάσεις (decision makers) και πρέπει να μετρήσουν υποκειμενικές κρίσεις. Το σημαντικότερο εργαλείο από αυτή τη θεωρία, το οποίο χρησιμοποιείται κατά κόρον και στα παρακάτω υποδείγματα, είναι οι γλωσσικές μεταβλητές. 29
Γλωσσική μεταβλητή χαρακτηρίζεται μία μεταβλητή με γλωσσική έκφραση της αξίας της και όχι αριθμητική. Ένα παράδειγμα γλωσσικής μεταβλητής είναι η ποιότητα εξυπηρέτησης σε ένα εστιατόριο, δηλαδή κατά πόσο ήταν άμεσο και γρήγορο το service ή οποιαδήποτε άλλο χαρακτηριστικό μπορούμε να σκεφτούμε για την εξυπηρέτηση ενός πελάτη σε ένα εστιατόριο. Η πιθανή τιμή αυτής της μεταβλητής είναι: πολύ απογοητευτικό, απογοητευτικό, μέτριο, ικανοποιητικό, πολύ ικανοποιητικό service. Κάθε γλωσσική μεταβλητή μπορεί να εκφραστεί με ένα ασαφή τριγωνικό αριθμό (triangular fuzzy numb er). Ένας ασαφής τριγωνικός αριθμός μπορεί να ορισθεί από τρεις αριθμούς (n 1, n 2, n 3 ), όπως φαίνεται και στο διάγραμμα 3.2.1. Ένα ασαφές σύνολο Α καλείται τριγωνικός ασαφής αριθμός (triangular fuzzy number) με ανώτερο σημείο (peak) ή κέντρο (center) α, με αριστερό όριο a>0 και δεξί όριο β>0 εάν η συνάρτηση συμμετοχής του έχει τη μορφή: Α () t = 1 a t α 1 t a β if a α t a if a t a+ β 0 otherwise Και συνήθως χρησιμοποιείται ο συμβολισμός Α= (α,a,β) 30
μ (χ) 1 α-a α α+β Χ Διάγραμμα 3.2.1 Στην αξιολόγηση εργασίας, για παράδειγμα, ζητείται από τους αξιολογητές να καταγράψουν τις απόψεις, ή καλύτερα τις κρίσεις τους, με τις γλωσσικές μεταβλητές, οι οποίες με τη σειρά τους αντιπροσωπεύονται από ασαφείς τριγωνικούς αριθμούς σε μία κλίμακα από το μηδέν έως το εκατό (Chen Tung Chen, 2000). Τα πλεονεκτήματα της άμεσης χρήσης της ειδικής γλώσσας σε ένα σύστημα υποστήριξης απόφασης είναι όχι μόνο πάνω στο κέρδος της ακρίβειας, αλλά και στην αποδοχή και την εμπιστοσύνη του οργανισμού στα αποτελέσματα του συστήματος (Royes, Biastos & Royes, 2003). Ο δεύτερος μηχανισμός, η τεχνική πολλαπλών κριτηρίων ερευνά τα ασαφή κριτήρια προκειμένου να παραχθεί ένας κανόνας ταξινόμησης προτίμησης των υποψηφίων. Συγκεκριμένα αναφέρεται σε προβλήματα με πολλαπλά κριτήρια αξιολόγησης ενός περιορισμένου αριθμού εναλλακτικών λύσεων, εδώ έναν πεπερασμένο αριθμό υποψηφίων για τη κενή θέση εργασίας. Η μεθοδολογία CBR ολοκληρώνει το μοντέλο ενεργώντας ως μνήμη προηγούμενων περιπτώσεων στις οποίες μπορούμε να ανατρέξουμε όταν προκύπτει ένα καινούργιο πρόβλημα. Οι προηγούμενες καταγεγραμμένες περιπτώσεις διαμορφώνουν την κύρια πηγή γνώσης για αυτόν/αυτούς που ασχολούνται με τη διαδικασία πρόσληψης προσωπικού. Είναι βέβαιο ότι κάθε προηγούμενη περίπτωση θα περιέχει χρήσιμες 31
πληροφορίες και για τις αντίστοιχες μελλοντικές περιπτώσεις, όπως η καταγραφή του πρακτικού αποτελέσματος. Άλλες χρήσιμες πληροφορίες που καταγράφονται είναι: το κατά πόσο η επιλογή του υποψηφίου ήταν σωστή σε κάθε περίπτωση, σημαντικές ενέργειες που μπορούν να χρησιμοποιηθούν για τον καθορισμό του νέου επεισοδίου και άλλες. Ένας άλλος σημαντικός στόχος που επιτυγχάνεται μέσω της ενότητας CBR είναι η ικανότητα εκμάθησης των ανθρώπων που εμπλέκονται στη διαδικασία επιλογής προσωπικού. Μπορούμε να πούμε ότι λειτουργεί σαν μια βάση δεδομένων των περιπτώσεων/ σεναρίων που έχει διαχειριστεί ο οργανισμός και με τη δυνατότητα ανάκτησης, όποτε κρίνεται χρήσιμο ή αναγκαίο. Έτσι η διαδικασία γίνεται πιο ισχυρή και η ποιότητα βοήθειας που παρέχεται αυξάνεται συνεχώς μέσω της διατήρησης των νέων περιπτώσεων/ σεναρίων. Τα βήματα που ακολουθούμε σε αυτή τη μεθοδολογία είναι τα εξής: 1 ο βήμα: Καθορισμός (νέων ή μη) κριτηρίων αξιολόγησης και των συντελεστών στάθμισης τους. Οι decision mak ers εξετάζουν και αναλύουν το νέο σενάριο. Σύμφωνα με τους Gleiber Fernandes Royes, Rogério Cid Bastos & Golber Fernandes Royes (2003) υπάρχει ένας προκαθορισμένος θεμελιώδης αριθμός κριτηρίων. Τα κριτήρια αυτά είναι: 1. εμπειρία στον τομέα της επιχειρησιακής οργάνωσης 2. εμπειρία στη συγκεκριμένη λειτουργία 3. το υπόβαθρο εκπαίδευσης 4. η ικανότητα ηγεσίας 5. η ικανότητα προσαρμογής 6. η ηλικία 7. ικανότητα για ομαδική εργασία. 32
Τα κριτήρια αυτά έχουν προκαθορισμένους συντελεστές στάθμισης σε μια προσπάθεια διαμόρφωσης ενός τυποποιημένου προβλήματος επιλογής προσωπικού. Με την εξέταση του νέου σεναρίου, ωστόσο, μπορεί να προστεθούν ή ακόμα και να αφαιρεθούν κριτήρια, ώστε να προσαρμοστούν στη νέα κατάσταση. Στα νέα κριτήρια που θα προσθέσουμε πρέπει να καθορίσουμε και τους συντελεστές στάθμισης τους με τη βοήθεια της θεωρίας των ασαφών συνόλων. Η κλίμακα των γλωσσικών μεταβλητών πρέπει να καθοριστεί για την αξιολόγηση της αξίας κάθε κριτηρίου. Ένα παράδειγμα τέτοιας κλίμακας μπορεί να είναι οι πέντε ακόλουθοι γλωσσικοί συντελεστές στάθμισης: Ελάχιστα Σημαντικός, Λίγο Σημαντικός, Μέτρια Σημαντικός, Σημαντικός, Πολύ Σημαντικός. 2 ο βήμα: Ορισμός υποψηφίων και κατασκευή του πίνακα απόφασης. Σε αυτό το στάδιο καθορίζονται οι υποψήφιοι (εναλλακτικές λύσεις) που θα αξιολογηθούν και κατασκευάζεται ο πίνακας απόφασης (Decision Matrix). Ο πίνακας απόφασης περιέχει τις αποδόσεις των υποψηφίων σε κάθε κριτήριο αξιολόγησης, οι οποίες προέρχονται από το στάδιο της προκριματικής εξέτασης. Οι πληροφορίες από την προκριματική εξέταση δεν είναι ακριβείς καθαρές (crisp) τιμές αλλά ανακριβείς γλωσσικές πληροφορίες που τις μετατρέπουμε σε crisp τιμές με την βοήθεια της θεωρίας ασαφών συνόλων. Σε αυτό το σημείο ολοκληρώνεται η πρώτη ενότητα της μεθόδου που την έχουμε ονομάσει ασαφή σύνολα, λόγω της χρήσης της αντίστοιχης θεωρίας. Τα δύο βήματα που ακολουθούν αναφέρονται στη δεύτερη ενότητα της μεθόδου η οποία περιλαμβάνει τη τεχνική πολλαπλών κριτηρίων που θα χρησιμοποιήσουμε. Η ενότητα αυτή αποτελεί και το μαθηματικό κομμάτι της μεθόδου CBR. 3 ο βήμα: Ορισμός του καλύτερου και του χειρότερου προφίλ υποψηφίου. Ουσιαστικά σε αυτό το βήμα καλούνται οι decision makers να ορίσουν την ιδανικά θετική και αρνητική λύση του προβλήματος. Αυτός ο ορισμός γίνεται σύμφωνα με τους 33
συντελεστές στάθμισης που έχουν προκαθορισθεί ή ορισθεί ήδη από το πρώτο βήμα της μεθοδολογίας. 4 ο βήμα: Ταξινόμηση υποψηφίων με τη χρήση μιας πολυκριτηριακής τεχνικής. Αυτό το βήμα αποτελεί ουσιαστικά την πρακτική εφαρμογή της τεχνικής που έχει επιλεγεί. Η τεχνική πολλαπλών κριτηρίων που μπορεί να χρησιμοποιηθεί είναι η Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) που αναφέρουμε και περιγράφουμε αναλυτικά παρακάτω. Επειδή η τεχνική TOPSIS χρησιμοποιεί μόνο τριγωνικούς (triangular) αριθμούς μπορούν να χρησιμοποιηθούν και άλλες τεχνικές πολλαπλών κριτηρίων όπως τα ασαφή διαστήματα LR που πρότειναν πρώτοι ο Dubois και Prade (1987). Οι ασαφείς τιμές μετασχηματίζονται σε ασαφή διαστήματα LR και οι αριθμητικές διαδικασίες γίνονται σε αυτή τη βάση. Αυτό που πρέπει να αναφέρουμε είναι ότι το αποτέλεσμα του τέταρτου βήματος είναι η ταξινόμηση των υποψηφίων σε μια σειρά προτίμησης ανάλογα με τα αποτελέσματα που έχουν προκύψει από την τεχνική που έχουμε χρησιμοποιήσει. Αν για παράδειγμα χρησιμοποιηθεί η TOPSIS, τότε υπολογίζονται οι συντελεστές απόδοσης (Performance Index) για κάθε εναλλακτική και ιεραρχούνται με αύξουσα σειρά. Επιλέγεται η εναλλακτική ή εδώ ο υποψήφιος με το μεγαλύτερο συντελεστή. Τα επόμενα βήματα μας εισάγουν στη τρίτη και τελευταία ενότητα της μεθόδου που περιγράφουμε, η οποία καλείται CBR. 5 ο βήμα: Ανάκτηση παλαιών παρόμοιων υποθέσεων. Το προηγούμενο βήμα έδωσε στους decision mak ers τον υποψήφιο που το προφίλ του είναι πιο κοντά με αυτό του ιδανικού υποψηφίου. Σε αυτό το σημείο γίνεται ανάκτηση των προηγούμενων παρόμοιων περιπτώσεων που έχουν αντιμετωπισθεί για να τις συγκρίνουμε με τη παρούσα περίπτωση ή το τρέχον σενάριο. Πιο συγκεκριμένα η ανάκτηση αυτή εξυπηρετεί δύο σημαντικούς στόχους: α) να αναλύσει σημαντικά περιστατικά ή ενέργειες που θεωρήθηκε χρήσιμο να τροποποιηθούν ή και να ερευνηθούν σε κάποιο παρόμοιο προηγούμενο σενάριο. 34
Συνήθως χρησιμοποιείται η στρατηγική των προσομοιώσεων, δηλαδή γίνονται αλλαγές στο σενάριο ώστε να παρατηρηθούν οι αλλαγές που προκύπτουν όπως αλλαγή στην ταξινόμηση των υποψηφίων, και β) να ελέγχει το τελικό αποτέλεσμα της υπόθεσης. Σε κάθε προηγούμενο επεισόδιο είναι καταγεγραμμένο το πρακτικό αποτέλεσμα της επιλεγμένης λύσης ή καλύτερα εάν η διαδικασία πρόσληψης του παρελθόντος, με παρόμοια χαρακτηριστικά, ήταν επιτυχής ή όχι. Αυτές οι πληροφορίες είναι χρήσιμες για την πρόβλεψη των πιθανοτήτων επιτυχίας ή αντίστοιχα αποτυχίας στο νέο παρόμοιο πρόβλημα επιλογής που αντιμετωπίζει τώρα ο οργανισμός. Η ανάκτηση μπορεί να γίνει με διαφόρους δείκτες όπως: μέσω παρόμοιων συντελεστών στάθμισης μέσω παρόμοιων ιδανικών και μη ιδανικών λύσεων μέσω παρόμοιων σεναρίων κ.λ.π. 6 ο βήμα: Το καινούργιο σενάριο καταγράφεται και αποθηκεύεται. Αν και αποτελεί το τελευταίο βήμα είναι εξίσου ή ίσως και το πιο σημαντικό βήμα σε αυτή τη διαδικασία. Με την ολοκλήρωση της διαδικασίας το σενάριο αποθηκεύεται. Η λίστα των κριτηρίων, οι συντελεστές στάθμισης, τα αποτελέσματα της ενδεδειγμένης επιλογής, οι πιο ενδιαφέρουσες παρατηρήσεις κατά την προσομοίωση και άλλα καταγράφονται για μελλοντική χρήση. Αυτό το βήμα ουσιαστικά ενσωματώνει την διαδικασία και ικανότητα εκπαίδευσης στη μέθοδο, εφόσον το σενάριο μπορεί πλέον να ανακτηθεί, όπως και αλλά προηγούμενα, και να αποτελέσει πηγή πληροφοριών σε νέες παρόμοιες καταστάσεις. 35
3. 3 Αναλυτική Ιεραρχική Διαδικασία Analytical Hierarchy Process (AHP) Η AHP πρώτη φορά παρουσιάστηκε και αναπτύχθηκε από τον T. Saaty, (1980). Έκτοτε έχει καθιερωθεί ως μια από τις περισσότερο εφαρμοσμένες μεθόδους ανάλυσης αποφάσεων. Η διάδοση της AHP οφείλεται τόσο στην απλότητα και τη σαφήνεια της όσο και στην ευκολία υλοποίησής της. Η μέθοδος φαίνεται να μην έχει κοινά στοιχεία με τις παραπάνω μεθόδους ωστόσο και αυτή αποτελεί μια πολυκριτηριακή μέθοδο λήψης αποφάσεων. Κοινός τόπος σε όλες τις μεθόδους είναι η χρήση της θεωρίας ασαφών συνόλων που και εδώ αποδεικνύεται ένα πολύ χρήσιμο εργαλείο. Η AHP είναι μια ευέλικτη διαδικασία λήψης αποφάσεων, η οποία βοηθά τους ανθρώπους να καθορίσουν προτεραιότητες και να λάβουν την καλύτερη απόφαση όταν πρέπει να εξεταστούν οι ποιοτικές και οι ποσοτικές πτυχές μιας απόφασης. Χρησιμοποιείται για τη λύση προβλημάτων με διακριτές εναλλακτικές λύσεις, όπως η επιλογή ενός υπαλλήλου. Η AHP μπορεί να χρησιμοποιηθεί για επιλογή αλλά και αξιολόγηση προσωπικού, ωστόσο το πιο σύνηθες είναι η χρήση της για την αξιολόγηση της απόδοσης των υπαλλήλων. Για να πραγματοποιηθεί η αξιολόγηση της απόδοσης των εργαζομένων, γενικά, το σημαντικό είναι να καθοριστούν οι παράγοντες αξιολόγησης. Η επιλογή αυτών των παραγόντων πρέπει να γίνεται σύμφωνα με τη στρατηγική και την κουλτούρα της επιχείρησης. Στη συνέχεια θα χρησιμοποιηθεί μια διαδικασία στάθμισης παραγόντων, όπως η AHP. Τέλος, πραγματοποιείται η αξιολόγηση των υπαλλήλων. Η αναλυτική ιεραρχική διαδικασία (AHP) αποτελείται από δύο επίπεδα. Το πρώτο είναι η αξιολόγηση του υπαλλήλου ή υποψηφίου (όταν αφορά επιλογή προσωπικού) σύμφωνα με τους παράγοντες που έχουμε ορίσει. Στο δεύτερο επίπεδο γίνεται η επιλογή του υπαλλήλου χρησιμοποιώντας μία ασαφή προσέγγιση με κανόνες (fuzzy rule based system) βασισμένη στους παράγοντες που αντιπροσωπεύουν τους στόχους της 36
οργάνωσης. Αναλυτικά η μεθοδολογία αποτελείται από τέσσερα στάδια όπου κάθε στάδιο χωρίζεται σε ενότητες. Το πρώτο στάδιο είναι ο προσδιορισμός του προβλήματος. Στην πολυκριτήρια ανάλυση αυτό σημαίνει τον προσδιορισμό των ατόμων που θα αξιολογηθούν, αλλά και των παραγόντων σύμφωνα με τους οποίους θα γίνει η αξιολόγηση. Για παράδειγμα, μπορούμε να επιλέξουμε να αξιολογήσουμε τους πωλητές μιας εταιρείας και κριτήρια να είναι οι μηνιαίες πωλήσεις, ο αριθμός συμφωνιών, τα επικοινωνιακά προσόντα, οι δημόσιες σχέσεις κ.λ.π. Για να είναι επιτυχημένη η διαδικασία θα πρέπει οι παράγοντες αυτοί να είναι μετρήσιμοι και να αποφευχθούν γλωσσικές μεταβλητές όπως «καλός άνθρωπος» κ.λ.π. που δε βοηθούν στην αξιολόγηση της απόδοσης στην εργασία. Το στάδιο χωρίζεται στις εξής ενότητες: Καθορισμός των στρατηγικών στόχων: Όπως είναι φυσικό, πριν ξεκινήσει μια διαδικασία πρέπει να εξεταστούν οι στόχοι που έχουμε θέσει και πρέπει να πετύχουμε μέσω της διαδικασίας. Οι στόχοι αυτοί πρέπει να απορρέουν από την εταιρική κουλτούρα. Ένα παράδειγμα στόχου μπορεί να είναι η μείωση του χρόνου κατάρτισης των υπαλλήλων ή ο περιορισμός της αποχής από την εργασία. Ορισμός των παραγόντων βάση των ικανοτήτων (competency based factors) που απαιτούνται για την πραγματοποίηση των επιχειρηματικών στόχων της οργάνωσης. Κάθε στόχος που τίθεται, απαιτεί και διαφορετικά χαρακτηριστικά που θα εξεταστούν σε κάθε υπάλληλο. Σε αυτή τη φάση γίνεται η καταγραφή αυτών των χαρακτηριστικών εναρμονιζόμενα με τους στόχους της προηγούμενης ενότητας. Παραδείγματα τέτοιων παραγόντων είναι: η επικοινωνία, η προσωπικότητα, οι γνώσεις, οι δεξιότητες, οι διοικητικές ικανότητες και άλλοι. Προσδιορισμός των ποσοτικών δεικτών για κάθε παράγοντα (factor). Κάθε παράγοντας που προσδιορίστηκε απαιτεί αντίστοιχα πρακτικά και αξιόπιστα μέσα μέτρησης. Συγκεκριμένα χρησιμοποιούνται δείκτες μέτρησης των παραγόντων για να διαπιστωθεί αν και κατά πόσο διαθέτουν τα συγκεκριμένα χαρακτηριστικά οι υπάλληλοι. 37