Ürün geliştirme sürecinde çok amaçlı karar verme yaklaşımı

Transkript

1 tüdergs/d mühendslk Clt:5, Sayı:6, Aralık 2006 Ürün gelştrme sürecnde çok amaçlı karar verme yaklaşımı Sadettn Emre ALPTEKİN, Ethem TOLGA İTÜ Fen Blmler Ensttüsü, Mühendslk Yönetm Programı, 34469, Ayazağa, İstanbul Özet Ekonomlern küreselleşmes le beraber azarlardak yüksek rekabet, ürünlern ve servslern kaltesnn güvence altına alınmasını sağlayan ürün/servs gelştrme ve yleştrme yöntemlernn önemn arttırmıştır. Bu stratejk kalte yönetm araçlarından br de, Kalte İşlev Konuşlandırma (KİK) (Qualty Functon Deloyment-QFD) dır. KİK yöntem, müşter tale ve htyaçları doğrultusunda yen ürünlern/hzmetlern tasarımı veya mevcut ürünlern/hzmetlern gelştrlmes çn organzasyon çnde farklı şlevler olan takım üyelernn kullandığı müşter-odaklı br tasarım aracıdır. KİK, müşter memnunyetn, üretm sürecnn lk aşaması olan tasarım aşamasında sağlayarak, ürün üretldkten veya hzmet sunulduktan sonra gereken düzeltme çalışmalarının önüne geçmey amaçlamaktadır. KİK nın temel grds olan müşter stek ve gereksnmler, müşterler tarafından sözcüklerle fade edldklernden, genel olarak ölçülmes güç br yaıya sahtrler. Buna br çözüm olarak çalışmada bulanık mantık kavramı temel alınmıştır. KİK sürecndek Müşter Gereksnmler (MG) le Tasarım Özellklernn (TÖ) kend aralarındak bağımlılık lşklern ve müşter gereksnmler le tasarım özellkler arasındak lşky değerlendrmek çn analtk serm sürecn kullanılmıştır. Pyasadak en y ürün/hzmetn belrlenmes çn Uzlaşık Programlama (UP) yöntem önerlmştr. MG ler le TÖ ler arasındak lşky belrlemek çn doğrusal regresyon denklemler oluşturulmuştur. Bütün bu aşamalar sonucu elde edlen verler bütçe kısıtını çeren hedef rogramlama yöntemne aktarılı çözülmüştür. Amaç, seçlen ürünün/hzmetn erformansının MG ler karşılayacak şeklde arttırılmasıdır. Türkye dek yüksek öğrenm kurumlarının sunduğu elektronk eğtme lşkn gerçek br uygulama, önerlen yöntemlern uygulanablrlğn göstermektedr. Anahtar Kelmeler: Kalte şlev konuşlandırma, analtk serm sürec, uzlaşık rogramlama, hedef rogramlama, elektronk eğtm. Yazışmaların yaılacağı yazar: Sadettn Emre ALPTEKİN. ealtekn@gsu.edu.tr; Tel: (212) dahl: 427. Bu makale, brnc yazar tarafından İTÜ Fen Blmler Ensttüsü, Mühendslk Yönetm Programı nda tamamlanmış olan "Ürün gelştrme sürecnde çok amaçlı karar verme yaklaşımı" adlı doktora teznden hazırlanmıştır. Makale metn tarhnde dergye ulaşmış, tarhnde basım kararı alınmıştır. Makale le lgl tartışmalar tarhne kadar dergye gönderlmeldr.

2 S. E. Altekn, E. Tolga Product develoment rocess usng multle crtera decson makng aroach Extended abstract The globalzaton of the economes dmnshes the dfferences between local and foregn roducts/ servces. Nowadays, both the number of the roduct/ servce rovders and also the varety of the lace of the orgns are ncreasng. Consequently, the frms are facng a tough cometton whle tryng to kee and ncreasng ther market shares. Unavodably, the frms began to look out for the lttle dfferentatons whch wll ensure ther success over ther comettors. Thus, they are develong roducts/servces talor-made for ther customers. The man dea behnd all these efforts s to determne somehow the requrements of the customers and to ensure that, the roducts roduced and the servces rovded wll satsfy these needs. In ths work, an alcaton n the area of e- learnng, whch s a term recently establshed followng the late develoments n the area of the networks lke the Internet, s roosed. E-learnng can be bascally defned as, the transformaton from the face-to-face conventonal educaton nto dstance based, ndeendent from tme and lace educaton form. Its man dfference from the conventonal educaton s that, revously the academcs controlled the ace, lace, tme and the resentaton of the educaton, whereas, now, e-educaton gave the control of these attrbutes to the learners. As the decson makers are the learners durng the e-learnng rocess, new develoment rocedures should be reared dfferng from the rocedures of conventonal tye of learnng. In order to ensure the satsfacton of the customers wth the new develoments, ther needs should be known forehand. Addtonally the attenton of the customer could only be ket alve, not only by satsfyng ther current needs, but also foreseeng ther future needs, when develong the roducts/servces. Thus, n ths study, Qualty Functon Deloyment (QFD), whch s one of these key desgn actvtes, s used to solve the roduct defnton roblem durng the new roduct develoment rocess. The am s, to study, evaluate and suggest mrovements for the e-learnng alcatons n Turkey, n order to satsfy the customers. The QFD methodology, whch wll be used to develo e-learnng roducts, s defned as, a customerorented desgn tool wth cross-functonal team members used to develo new roducts/ servces or to mrove current roducts/servces regardng the needs and the requrements of the customers. QFD tres to satsfy the customers at the ntal roducton stage, namely the desgn stage, reventng correctve actons to be made after the roduct has been roduced. QFD starts after the develoment team consstng of team members from all the dvsons of the organzaton reaches a consensus n the dentfcaton of the Customer Needs (CNs), whch wll be used durng the desgn rocess. Ths data, wll be used to establsh the house of qualty, whch s a kng lannng matrx transformng the CNs nto measurable Product Techncal Requrements (PTRs). Durng the develoment rocess, both the needs meanngless and the needs crucal for the customers are dstngushed to ensure to remove or nclude them accordng these fndng. In order to categorze the needs as mentoned, the nner deendences among the CNs, the relatonshs between the CNs and the PTRs and lastly the nner deendences among the PTRs should be measured. Accordng to these relatonshs, t wll be foreseen, how and n whch drecton, a modfcaton n the desgn of the roduct could affect the CNs. The roosed aroach tres to solve the roblem of measurng the CNs and requrements whch are usually exressed n customers own hrases. It conssts of fuzzy logc theory ntegrated wth Analytc Network Process (ANP), Comromse Programmng (CP), lnear regresson and Goal Programmng (GP) methods. The ANP s used to dentfy the mortance ratngs of the PTRs whch wll maxmze the satsfacton of the CNs, wth regard to the relatonsh between and among the CNs and the PTRs. The CP emloyed dentfes the deal and the ant-deal erformance values for the CNs and the dstances from them for each roduct n the market. As the dstances for each CN are summed, the dstance value ndcatng the erformance of ths roduct s defned. Fuzzy lnear regresson s ntegrated to the model to ntegrate the relatonshs between the CNs and the PTRs nto the GP model. The GP model uses the best roducts dstance value as the goal along wth the budget lmtaton of the organzaton. The soluton to the otmzaton model defnes the target PTR erformance values to be the best roduct n the market by satsfyng the customers. Keywords: Qualty functon deloyment, analytc network rocess, comromse rogrammng, goal rogrammng, e-learnng. 16

3 Ürün gelştrme sürecnde çok amaçlı karar verme yaklaşımı Grş Günümüzün yüksek teknoloj ve uluslararası rekabet ortamında, ürünlern/hzmetlern, müşterlere hızlı ve etkn br şeklde ulaştırılması, frmaların azar aylarını korumaları ve varlıklarını sürdüreblmeler açısından hayat önem taşımaktadır. Bu sebelerden dolayı, yen ürün gelştrme çalışmaları son yıllarda gderek önem kazanmıştır. Kalte İşlev Konuşlandırma (KİK), yen ürün gelştrme teknklernden br olarak, Müşter Gereksnmlern (MG) nceleyerek, bunların tatmn edlmesn sağlamayı amaçlamaktadır. KİK uygulaması, ürün/hzmet gelştrme sürecnn lk aşaması olan tasarım aşamasında başlamaktadır. Bu aşamada MG ler tolanarak, ürün/hzmet tasarım özellklerne dönüştürülmektedr. Bu süreç, elle tutulamayan MG lern, elle tutulablr ürün/hzmet teknk gereksnmlerne br dönüşümü olarak görüleblr. Bu lk aşamaya Kalte Ev (House of Qualty HOQ) denmektedr. KİK sürec, kalte evnn yanı sıra çeştl aşamalardan oluşmaktadır. Bu aşamalardan her br br öncekne at çıktıları grdler olarak kullanarak benzer dönüşümler sağlamaktadır. Ürün gelştrme sürecnden örnek verlrse; kalte evnden sonra gelen knc aşama, öneml Teknk Özellkler (TÖ) ürün/ hzmet arça özellklerne; üçüncü aşama, öneml arça/ürün özellklern üretm/gelştrme oerasyonlarına ve son olarak da dördüncü aşama, öneml üretm/gelştrme oerasyonlarını günlük oerasyonlara ve kontrollere dönüştürmektedr. Bu çalışmada, sadece lk aşama olan kalte ev üzernde durulacaktır. Önerlen yaklaşım, Türkye de İnternet tabanlı uzaktan eğtm hzmet sunan ünverstelern ürünler üzernde uygulanmıştır. Özellkle son dönemde, ağ teknolojler alanındak sürekl gelşmenn br sonucu olarak eğtm elektronk ortama aktarılmaya başlanmıştır. Bu konunun uygulama konusu olarak ele alınmasının sebeb; Türkye dek eğtm sstemnn de bu yen eğlm yakından tak etme çabası çersnde olmasıdır. Daha önceler akademsyenler tarafından, hızı, yer, zamanı, sunma ve etkleşm şekl belrlenen klask eğtm, elektronk eğtm le beraber tüm kontrolü öğrenen breylere devretmştr. Bu değşm öğrenclere olduğu kadar akademsyenlere de yen sorumluluklar yüklemştr. Artık öğrencler kendlerne en uygun ve etkn ürünü kendler seçerken, öğretm üyeler de, eğtm dokümanlarını yenden tasarlayarak e-eğtm latformuna uygun hale getrmek durumundadırlar. Bu çalışma le amaçlanan se, önerlen yaklaşımın yen ürün gelştrme sürecne uygulanarak, müşterlern tatmnn sağlamaktır. Yukarıda bahs geçen hususları ele almak çn atılması gereken lk adım, başarılı br e-eğtm ortamı çn gerekl temel krterlern belrlenmes olacaktır. E-eğtm değerlendrme krterler Başarılı br e-eğtm rojes, klask eğtm sürecnn ana özellklernn yanı sıra, uzaklık ve teknoloj le lgl dğer özellkler de göz önünde bulundurmalıdır. Akademk yazındak makale çalışmaların çoğunda, eğtm sürecnde olması gereken öneml faktörler belrlenmştr. Ayrıca, sadece e-eğtm sürecne ve öneml ölçütlern belrlenmesne odaklanan çalışmalar da mevcuttur (Wang, 2003; Chu vd., 2004; Hwanga vd., 2004). KİK sürec çn kullanılması en uygun değerlendrme krterler kümesnn belrlenmesnde bu çalışmalar yol gösterc olmuştur. Blg ve Sakarya Ünversteler nn emba rogramları le Orta Doğu Teknk Ünverstes nn Informatc Onlne Yüksek Lsans rogramları ncelenerek, mevcut ürünlern, müşterlern tatmn edeblmes çn gerekl ürün özellkler ve yaılması gereken yleştrmeler belrlenmeye çalışılmıştır. Bu uygulama sırasında gerekl olan verler, konunun uzmanları ve bu rogramların öğrencler le yaılan görüşmeler sonucunda belrlenmştr. Belrlenen krterler üç ana gru altında ncelenmştr. Bunlar Tablo 1 de görüldüğü gb; çerk, tasarım ve etkleşm başlıkları altında tolanmıştır. Uzmanlarla yaılan çalışmalar sonucunda se, ünverstelern MG lern tatmn etmek çn gerekl olan TÖ ler belrlenmştr. İçerk, tasarım, okul ve rofesör başlıkları altında 4 ana gruba ayrılan TÖ ler, Tablo 2 de verlmştr. 17

4 S. E. Altekn, E. Tolga Tablo 1. Müşter gereksnmler İçerk Tasarım Etkleşm Eksksz Kolay kullanılır Talelere hızlı br şeklde ceva veryor mu? Güncel Kolay gezlr Test yöntemler adl m? Anlaşılması kolay Güvenlr Taşınablr Fyat Tutarlı Görsel olarak çekc Test sonuçları zamanında açıklanıyor mu? Öğrenmek stenlen konu seçleblyor mu? Öğrenme sürec ve erformansı kaydedlyor mu? Öğrenme sürecnde kşsel destek sağlanıyor mu? Pratk yama fırsatları oluyor mu? Tablo 2. Tasarım özellkler İçerk Tasarım Okul Eğtmen Güncel gereçler Değşken zorluk dereces İlgl bağlantı ve kaynakça sağlama Endüstr le lşk Çıktısı alınablr Kurs değerlendrme testler Açık br şeklde tanımlanmış bölümler/alt bölümler İlg çekc multmedya uygulamaları Performanslı ve hızlı şleme yeteneğ Not blgsn kaydetme Ödeme seçenekler İy eğtml eğtmenler Çevrmç danışman desteğ Programın kabul görmes Kşsel danışman desteğ Klask eğtmde güvenlrlk Konusuna hakm olma Adl ödev/sınav kontrolü Görüşme saatlernde esneklk E-eğtme uygun vasıflara sah olma Tartışma ve gerbldrm destekleme Kalte ev KİK uygulamaları, sürecn dört matrsnden lk olan kalte ev le başlamaktadır. Kalte evnden sonra gelen matrsler, br öncek aşamanın çıktılarını kullanarak, kalte ev sürecnde yaılan hesalamaları gerçekleştrmektedrler (Şekl 1). Müşter gereksnmler Müşternn ses, müşter özellkler, müşter htyaçları veya tale edlen kalte olarak da blnrler. Kalte evnn lk grds olarak, üründe/hzmette dkkat edlmes gereken özellkler vurgularlar. Tasarım özellkler Tasarım gereksnmler, ürün özellkler, mühendslk karakterstkler veya frmanın ses olarak da adlandırılırlar. TÖ ler, frmanın MG lern ne ölçüde tatmn ettğn ölçmede kullanılır. MG ler, frmaya ne yaması gerektğn söylerken, TÖ ler bunları nasıl yerne getrmes gerektğn göstermektedr. Müşter gereksnmler önem sırası Müşterlerden elde edlen verler, genellkle aynı anda karşılanması güç olan taleler çerdğnden, bunların ağırlıklandırılması gerekmektedr. Müşterler, her br gereksnmlern genellkle 5 l, 7 l veya 9 lu uanlama ölçekler kullanarak değerlendrrler. Müşter gereksnmler le tasarım özellkler arasındak korelasyon Korelasyon matrs, her br TÖ nün, her br MG y nasıl etkledğn göstermektedr. Bu adım, MG lerden TÖ lere dönüşümü sağladığı çn çok önemldr. Başka br deyşle, bu aşama le beraber MG ler, TÖ ler cnsnden fade edleblmektedr. Müşter gereksnmler arasındak korelasyon MG lern genellkle brbr arasında bağımlılık lşks vardır. Bazıları brbrn desteklerken, bazılarının yleştrlmes, kalanları kötü yönde etkleyeblmektedr. Bu etkler, korelasyon matrs yardımıyla tanımlanmaktadır. Tasarım özellkler arasındak korelasyon Kalte evnn çatısını oluşturan bu matrs, aynı anda yleştrlmes gereken özellkler belrleyerek, br değşmn dğern ne ölçüde etkleyeceğn göstermektedr. Rekabet analz Rekabet analz sürec, müşternn tatmn edleblmes çn gerekl olan yleştrmelern hang yönde yaılması gerektğn belrlemey amaçlamaktadır. Frmanın ürününü/hzmetn rekabet çnde bulunduğu dğer frmaların ürünler/hzmetler le karşılaştırarak, frmanın güçlü ve zayıf olduğu noktaları, MG ler cnsnden ortaya koymaktadır. 18

5 Ürün gelştrme sürecnde çok amaçlı karar verme yaklaşımı Tasarım özellkler Müşter gereksnmler bağımlı önem sırası Tasarım özellkler arasındak bağımlılık lşks Müşter gereksnmler Müşter Gereksnmler Tasarım Özellkler Müşter Gereksnmlernn Önem Sırası Ürün A Ürün B Ürün C Rekabet analz Müşter gereksnmler arasındak bağımlılık lşks Tasarım Özellkler Önem Sırası Sıralama Tasarım özellkler bağımlı önem sırası ve ek hedefler Müşter gereksnmler le tasarım özellkler arasındak bağımlılık lşks Şekl 1. Kalte evnn genel yaısı Tasarım özellklernn genel önem sırası ve ek hedefler Bu aşamada daha önceden elde edlmş sonuçlar kullanılarak, TÖ lern bağımlı önem sırası elde edlmektedr. Malyet, üretleblrlk gb dğer metrkler bu aşamada analze dahl edleblr (Shllto, 1994). Bu metrkler, öncelklern ve yleştrme yönlernn belrlenmesnn yanı sıra, gereksnmlern karşılanmasını garant altına alacak tarafsız br araç sunmaktadırlar. Uygulama KİK yöntemnn uygulanması sırasında gerekl olan verler, genellkle öznel ve zor ölçüleblrdr. Buna br çözüm olarak, bulanık mantık kavramının benzer roblemlerdek bulanık ve öznel yaıları ele almadak başarısından faydalanılmak stenmştr. Yaklaşımda; bulanık Analtk Serm Sürec (ASS), bulanık Uzlaşık Programlama (UP), bulanık regresyon, bulanık hedef rogramlama yöntemlernden yararlanılmıştır. Yöntemde, e-eğtm uygulaması çn mevcut ürünün rekabet çnde bulunduğu dğer ürünler karşısındak erformansını ölçeblecek br yaı oluşturulması öngörülmüştür. Ayrıca, yöntemdek bütçe kısıtı, ünverstelern gerçek hayatta karşılaştıkları kısıtları temsl etmes açısından oldukça etkl olmuştur. Amaç, müşternn tatmnn ölçerken, yleştrme/gelştrme çalışmaları çn yön göstermektr. Yaklaşım, Şekl 2 de gösterldğ gb 4 ana adıma ayrılı nceleneblr. Brnc adım KİK sürec MG lern belrlenmesyle başlamaktadır. Bu aşamada MG lern, müşternn kend drak ettğ şeklde ve kend kelmeleryle tolanması gerekldr. Tolanan ve düzenlenen MG ler, kalte evnn sol üst bölümüne yerleştrlrler. Buna ek olarak, belrlenen bu MG ler tatmn etmek çn organzasyonun kullanacağı araçlar olan TÖ ler bu adımda belrlenmektedr. Müşterlern beklentlern yansıtablmek çn, 19

6 S. E. Altekn, E. Tolga öznel ve bulanık fadelern dkkatle ele alınması gerekmektedr. Bununla baş edlmek çn, Zadeh n 1965 yılında ortaya çıkardığı bulanık mantık kavramından yararlanılmıştır. Çalışmada; MG ler le TÖ lern brbrler arasındak ve kend aralarındak lşkler bulanık sayılarla fade edlmştr. Saaty (1980) ve Saaty (1996), AHS ve ASS yöntemlernn bulanık olduğunu savunmasına rağmen, üçgen bulanık sayılarla gösterlen 9-kademel br ölçekten faydalanılması, karar verclern değerlendrmelern aralıklar cnsnden yamalarını sağlayarak, sonuçların daha fazla olasılığı barındırmasını sağlamıştır. İknc adım MG lern lstes genellkle frmanın aynı anda başedemeyeceğ kadar çeştl olmaktadır. Aks durumda dah, eldek kaynakların ve bütçenn sınırlı olmasından dolayı, MG ler arasında ödünleşm yaılması gerekmektedr. MG ler ölçmek ve brbrlerne göre önemlern belrlemek çn, ASS ve bulanık mantık teorsnden faydalanan br yaklaşım gelştrlmştr. Önerlen yaklaşım Karsak ve dğerlernn (2002) kesn sayılarla uyguladığı yönteme dayanmaktadır. Ancak bu çalışmada, bulanık mantık teors ASS yöntemyle brleştrlmştr. Bulanık mantık teorsnn kullanılması, sayısallaştırılması mümkün olmayan, eksk veya elde edlemeyen blglern karar modelne eklenmesn sağlamaktadır. Bu brleştrmey haklı çıkaran, MG lern görece önemler le MG lern kend aralarındak lşklernn göz önünde bulundurması sırasında bu t tam olmayan veya kesnleştrlemeyen blglerle çalışılması gereğdr. MG lern bağımlı önem dereceler ( w C ), oztf karşıt matrslern % satırlarının geometrk ortalamalarının kullanılmasıyla hesalanmıştır (Buckley, 1985). ASS k aşamadan oluşmaktadır: lk aşamada ağ yaısı oluştururken, knc aşamada elemanların önem dereceler hesalanır. Elemanlar arasındak bütün lşkler kasayacak şeklde roblem oluşturulmalıdır. Bütün bu lşkler, kl karşılaştırmalar le hesalanır ve bu görece önem vektörler le br süer matrs elde edlr. Bu süer matrs, elemanlar arasındak etklern matrsdr. Genel önem sırasının elde edlmes çn süer matrsn lmt kuvvet alınır. Bunun sonucu olarak, her br elemanın etkledğ dğer elemanların üzerndek etknn, kümülatf değer elde edlmş olur (Saaty ve Vargas, 1998). KİK modelnn süer matrs gösterm aşağıdak gbdr: H K A Hedef (H) W = Krterler (K) w W Alternatfler (A) % 0 W W 2 4 (1) Burada, w 1, hedefn MG ler üzerndek etksn % gösteren br vektördür. Bu roblemde, müştery tatmn edecek br ürün/hzmet temsl etmektedr. W 2, MG lern her br TÖ üzerndek etksn gösteren br matrstr. W 3 ve W 4 MG lern ve TÖ lern kend aralarındak bağımlılık lşksn gösteren matrslerdr. Eğer br ağ, hedef dışında, sadece krterler ve alternatfler gb k grutan oluşuyorsa, sstemdek elemanların bağımlılığını ölçmek çn Saaty ve Takzawa (1986) tarafından önerlen matrs manülasyonundan faydalanılablr. Bu yaklaşıma göre, MG lern bağımlı önemler ( w C ), W 3 ün w 1 le çarımından % % elde edlrken, TÖ lern bağımlı önemler (W A ), W 4 le W 2 çarım sonucundan ortaya çıkmaktadır. TÖ lern genel önem sırasının elde edlmes çn, W A le w C çarımından faydalanılmaktadır. % Üçüncü adım Bu çalışmada önerlen yaklaşımın akademk yazına en büyük katkısını bu aşamada yaılan hesalamalar oluşturmaktadır. Yaklaşım, ürün gelştrme sürecne, seçlen ürünün rakler karşısındak erformansını entegre etmektedr. Bu erformans gösterges, akademk yazında genellkle entro ve satış noktası metotlarının kullanılmasıyla gerçekleştrlmştr (Chan vd., 1999; Chan ve Wu, 2005). Ancak bu uygulamada, bulanık UP (Fuzzy Comromse Programmng) yöntemnden faydalanılmıştır. Yöntemlern dayandığı temel aynı olmakla brlkte, çeştl farklılıklar göze çarmaktadır. Entro ve satış noktası metotları, her br MG çn rakler arasındak erformans farklılıklarını ölçmekte ve benzer erformans sevyelerne yüksek önem dereceler atamaktadır. Bunun anlamı, eğer frma, br MG de raklerne nazaran daha y erformans 20

7 Ürün gelştrme sürecnde çok amaçlı karar verme yaklaşımı göstermşse, bu MG de daha fazla yleştrme yamasına gerek yoktur. Benzer şeklde, eğer br frma br MG de raklerne göre oldukça kötü erformans gösteryorsa, raklernn sevyesn yakalaması çn çok fazla çaba harcaması gerekmektedr. Rakler arasındak erformans farklılıklarının etks, MG lern görece önem derecelerne knc br ağırlık olarak yansıtılmaktadır. Bu şeklde, MG lern düzeltlmş br görece önem dereceler elde edleblmektedr. UP metodunda se, her br MG çn ayrı hedef sevyelern belrlenmes mümkün olmaktadır. Bu sevyelern belrlenmes çn rekabet analz gerçekleştrlmektedr. UP lk olarak Zeleny (1974) tarafından ortaya atılmıştır. İdeal çözüm kavramını tanımlayan ve buna ulaşmaya çalışan çok amaçlı br karar verme yaklaşımıdır. UP, klask fayda teorsne br alternatf olarak, aynı anda brden çok amacın tatmn edlmes sırasında, fayda fonksyonunun blnmedğ hallerde kullanılmaktadır. Bu durum, KİK sürec sırasında karşılaşılan yaıyla benzerlk arz etmektedr. Çünkü, KİK sürecnde de müşternn fayda fonksyonu blnmemektedr. Yöntemde ana adımı, alternatflern deal çözümden uzaklıklarını temsl eden L metrğnn belrlenmes oluşturmaktadır. İdeal çözüm, her br alternatfn en y değerlerne ulaştığı nokta olarak tanımlanmaktadır. Bu çözüm, hang alternatfn deal çözüme daha yakın, hanglernn se daha uzak olduğunu belrlemekte kullanılmaktadır. Bu yöntemn dayandığı temel rens kaynakların kısıtlı olması ve yöntemn amacı se brbrleryle çelşen hedefler arasında ödünleşme yamaktır. Bu amaca ulaşmak çn kaynaklar arasında ödünleşme ve aylaşma yoluyla, her br amaç fonksyonunun deal noktadan uzaklığı enküçüklenmeye çalışılmaktadır. L metrk cnsnden Denklem (2) dek gb verlmştr: m j L = j w = 1 Z Z 1/ Z Z (2) Bu denklemde w le fade edlen arametre her br amacının ağırlığını göstermektedr. Z ve Z değerler, alternatflern, amaç uzayındak en y ve en kötü çözümlern fade etmektedrler. Z j, j nc alternatfn nc amaçta elde ettğ amaç fonksyonu değerdr. arametres (dengeleme faktörü), uzaklığı ölçmekte kullanılan metrğ göstermektedr. nn değer 1 e eşt olduğunda, Manhattan uzaklığı yan geometrk anlamda, k nokta arasındak en büyük uzaklık hesalarda kullanılmaktadır. = 2 olduğunda se, k nokta arasındak en kısa mesafe olan doğru çzg durumu söz konusudur. Bu uzaklığa Ökld uzaklığı denlmektedr. Bu uzaklık tk br knc dereceden denklem modeln oluşturmaktadır. nn değerler 2 den büyük olmaya başlayınca, uzaklıkların geometrk gösterm mümkün olmamaktadır. nn uç br değer olan, Tchebycheff uzaklığını temsl etmektedr. (2) denklemndek, bulanık çıkarma şlem, Bojadzev ve Bojadzev (1995) tarafından önerlen uzaklık formülasyonu yardımıyla hesalanmıştır. Bu yönteme göre, A 1 = (a 1, b 1, c 1 ) ve A 2 = (a 2, b 2, c 2 ) üçgen bulanık sayıları arasındak uzaklık, (3) denklem le hesalanmaktadır: 1 D = { max ( a a 1 2, c c 1 2 ) + b b 1 2} (3) 2 Yöntemn sonucunda, her br MG çn deal çözümler ve brbryle rak olan alternatfler arasından en y erformans sağlayanı belrlenmektedr. Bu sonuçlara göre, eğer seçlen ürün yasadak en y ürün se, genellkle bu ürünün müşterler tatmn etmes çn çok fazla çaba göstermesne gerek yoktur. Bu durumda, breysel olarak müşter gereksnmler ncelen düşük erformans gösterlenler yleştrleblr. Fazla yleştrme yaılmasa dah, ürün halhazırda başarılı br ürün olarak görüleblr. Ancak, ürün yasadak en y ürün değlse, yleştrme çn daha fazla olanak vardır. L % metrğ en y olan alternatf, seçlen ürün çn br hedef olmaktadır. Bu çalışmada önerlen yaklaşım, L % metrğn hedef rogramlamaya grd olacak br hedef olarak almaktadır. 21

8 S. E. Altekn, E. Tolga Öğrenclerle görüşme Eğtm uzmanlarıyla görüşme Yazın araştırması HOQ nn sol üst bölümü MG lern belrlenmes Uzmanlar Gelştrme takımı HOQ nn gövdesnn üst bölümü TÖ lern belrlenmes ADIM 1 HOQ nn gövdesnn sol bölümü Bulanık Mantık Analtk Ağ Sürec MG lern kl karşılaştırılması Geometrk ortalama yöntemnn uygulanması MG lern görece önemler MG lern kend aralarındak lşk MG lern bağımlı önemler HOQ nn yan çatı bölümü ADIM 2 HOQ nn sağ bölümü Ürünlern her brnn erformans değerler Uzlaşık rogramlama Her br MG çn en y çözümün bulunması Her br MG çn en kötü çözümün bulunması İdeal çözümden uzaklıkların belrlenmes En düşük uzaklığın hedef olarak belrlenmes ADIM 3 Bulanık Mantık Analtk Ağ Sürec MG ler tatmn edecek TÖ lern belrlenmes TÖ lern her br MG çn kl karşılaştırılması TÖ lern kl karşılaştırılması Bütçe kısıtının belrlenmes MG ler le TÖ ler arasındak lşk çn bulanık regresyon denklemler Uzaklık hedefnn belrlenmes Geometrk ortalama yöntemnn uygulanması Hedef rogramlama HOQ nn gövde bölümü MG ler le TÖ ler arasındak lşk TÖ lern kend aralarındak lşk HOQ nn çatı bölümü TÖ ler çn erformans değerlernn belrlenmes HOQ nn alt bölümü TÖ lern bağımlı önem dereceler ADIM 4 Şekl 2. Yöntemn karar verme sürec 22

9 Ürün gelştrme sürecnde çok amaçlı karar verme yaklaşımı Dördüncü adım Bu adımda, lk olarak MG ler le TÖ ler arasında br bağımlılık lşks kurulacaktır. Bu lşknn belrlenmesyle MG ler, TÖ lere dönüştürüleblmektedr. Bu lşknn varlığı ve büyüklüğü, her br MG çn TÖ lern karşılaştırılmasıyla elde edlmektedr. Ağırlıklar bu adımda da, bulanık geometrk ortalama metodu yardımıyla belrlenerek, W % 2 matrs oluşturulmaktadır. Ancak bu lşk değerler, TÖ lern kend aralarındak lşklern göz önünde bulundurmamaktadır. TÖ lern kend aralarındak lşknn belrlenmesnde uygulanan adımlar bu aşamada da uygulanarak, W % 4 matrs elde edlmektedr. Sonuç olarak, W % 4 le W % 2 matrslernn çarılmasıyla, TÖ lern bağımlı önem dereceler elde edlmektedr. Daha sonra, çok değşkenl bulanık doğrusal regresyon yöntem, yaklaşıma Buckley ve Feurng n (2000) (4) denklemnde önerdkler şeklyle entegre edlmştr. Y % = A% X % + B %, = 1,..., m; j = 1,..., n (4) j j Bu çalışmada, Y % bağımlı değşken, her br MG çn üçüncü adımda elde edlen erformans değerlern göstermektedr. A % j arametreler, TÖ lern genel bağımlı önem derecelern temsl etmektedr. X % j bağımsız değşkenler, TÖ lern gelştrme takımı tarafından değerlendrlmeler sonucu elde edlen erformans değerlerdr. B % arametreler se, bu denklemdek tek blnmeyen oluşturmaktadırlar. (3) denklemnn kullanılmasıyla değerler hesalanmaktadır. Yaklaşımdak son aşamayı, bulanık hedef rogramlama yaklaşımı oluşturmaktadır. Önerlen bulanık hedef rogramlama yaklaşımı, br adet hedeften oluşmaktadır. Bu hedef, raklern ürünler arasında en y erformansı elde etmektr. Bu değer, üçüncü adımda hesalanan L % metrğ yar- dımıyla belrlenmektedr. Ana kısıt olarak, bütçe kısıdı alınmıştır. Yöntemn amacı, en y ürüne at L % metrk değer le belrlenen L % metrğnden samaları enküçüklemektr. Sonuç olarak elde edlen; bütçe kısıtlarını gözeterek rakler arasında en y erformansı sağlayan ürünü yakalayacak şeklde ürünün yleştrlmesdr. Hesalamalarda kullanılan genel hedef rogramlama formülasyonu aşağıda verlmştr. Bu denklemde, w% arametreler,. MG nn bağımlı ağırlıklarını temsl etmektedr. Y % ve Y % değerler, her br MG çn alternatf ürünlern elde ettğ en y ve en kötü erformans değerlern göstermektedr. Y % j değşken, j. alternatfn. MG de elde ettğ erformans değern fade etmektedr. arametres, kullanılan uzaklık metrğn belrtmektedr. Mn d m m j % 1 Y% = Y% j = 1 j b% X% < C% j + d + j 1/ Y% Y% + w + d d = L% Y% = A% X% + B% j j X% < (8,9,9) + d, d 0; = 1, 2,..., m; j = 1, 2,..., n (5) Bu çalışmada, değer 1 olarak alınmıştır. L %, en y ürünün L % metrk değerdr. d - ve d + değerler, L % hedefnden oztf ve negatf samaları göstermektedr. b % j, her br tasarım özellğnn stenen erformans değerne ulaşmak çn gereken brm malyet mktarıdır. C % arametres, tolam bütçe kısıdını oluşturmaktadır. Modeldek, bulanık doğrusal regresyon denklem, MG ler le TÖ ler arasındak lşknn değerlernn, enyleme sürec boyunca erformans değerler değştrlrken, sabt tutulmasını sağlamaktadır. TÖ lern erformans değerlernn 9- kademel ölçeğn en y erformans değern aşamayacağı da kısıt olarak eklenmştr. Hedef rogramlama modelnn çözümü, tasarım özellklernn ulaşılması gereken erformans sevyelern ortaya koymaktadır. Frma sadece belrtlen tasarım özellklerne yatırım yaarak yasadak en y ürüne sah olablmektedr. Vaka analz Bu uygulamada Blg ve Sakarya Ünverstelernn e-mba rogramları le Orta Doğu Teknk 23

10 S. E. Altekn, E. Tolga Ünverstes nn Informatc Onlne Yüksek Lsans rogramları, önerlen yaklaşım yardımıyla değerlendrlecektr. Amaçlanan, müştery tatmn edecek br e-eğtm rogramının oluşturulmasıdır. Programların smler, A, B ve C le gösterlmştr. Yaklaşımın brnc adımı sonucunda elde edlen MG ler ve TÖ ler Tablo 1 ve Tablo 2 de gösterlmştr. İknc adım sonunda se, müşter gereksnmler bağımlı önem değerler ( w% ), kl karşılaştırmalar sonucunda elde C edlen öz vektörler kullanılarak oluşturulan W % 3 matrs le kl karşılaştırmalar sonucu elde edlen MG lern görece önem değerler olan w% 1 vektörünün çarılmasıyla elde edlmektedr. Yer kısıtından dolayı 17x17 lk br matrs olan W % 3 matrs le w% 1 vektörü verlmemştr. Yaklaşımın üçüncü adımında, seçlen e-eğtm ürünün rekabet analz sonucunda elde edlecek erformans değer belrlenmeye çalışılacaktır. Uygulanan uzlaşık rogramlama yöntem le, seçlen uzaklık tne göre uzaklığın ölçülmes çn Manhattan uzaklığı alınmış ve nn değer 1 olarak seçlmştr. Ürünlern her br MG dek erformans değerler, müşterlern her br ürünü doğrudan değerlendrmeler le elde edlmştr. Sonuçların ncelenmesyle, her br müşter gereksnm çn en y ve en kötü değerler belrlenmştr. (2) ve (3) denklemler kullanılarak, her br ürün çn L % metrk değerler he- salanmıştır (Tablo 3). Bu tabloya bakarak, herhang br müşter gereksnmnn erformans değer, uzaklıklar cnsnden görüleblmektedr. Seçlen ürünün br müşter gereksnmndek erformansı en yyse, onun bu müşter gereksnm çn hesalanan uzaklık değer de 0 olmaktadır. Yöntem uygulamak çn, belrlenen üç ürün arasından kncs olan B ürünü seçlmştr. Bu ürüne at, L % metrk değer (0.155, 0.572, 2.088) olarak bulunmuştur. Bu değer, A ürününe at L % metrk değer olan (0.062, 0.225, 0.854) değernden daha kötüdür. Bu sonuçlar, br sonrak aşamaya aktarılarak, hedef rogramlama roblem çn ulaşılması stenen hedef olarak kullanılacaktır. (0.0101,0.0303,0.1089) (0.0070,0.0209, (0.0220,0.0636,0.2069) (0.0574,0.1287,0.3784) (0.0064,0.0215,0.1002) (0.0206,0.0851,0.3438) (0.0117,0.0460,0.2300) (0.0088,0.0355,0.1693) T ( w% ) = ( W% w% ) = C 3 1 (0.0053, ,0.1036) (0.0267,0.0811,0.2619) (0.0108,0.0413,0.1572) (0.0064,0.0183,0.0437) (0.0076,0.0325,0.1304) (0.0285,0.1108,0.3689) (0.0140,0.0569,0.2091) (0.0212,0.0927,0.3589) (0.0353,0.1133,0.2480) Dördüncü adım, MG ler le TÖ ler arasındak lşknn hesalanmasıyla başlamaktadır. Bunun çn TÖ ler arasındak bağımlılık lşks matrs ( W % 4 ) le MG ler çn TÖ lern görece önemler belrlenerek elde edlen ( W % 2 ) matrs çarılarak, TÖ lern bağımlı önem dereceler ( W % A ) elde edlmektedr. Yöntemn son aşamasını hedef rogramlama oluşturmaktadır. Hedef çn gerekl ver, br öncek aşamada hesalanmıştır (Tablo 3). Seçlen B ürününün erformansı, her br MG nn deal sonucuna uzaklıkları tolamı en küçük olarak bulunan ve şu ank en y ürün olan A nın erformans sevyesne getrlmeye çalışılacaktır. Bütçe kısıdı (500, 720, 940) olarak belrlenmştr. TÖ lere at erformans değerlernn brm malyet Tablo 4 te verlmştr. Parasal brm yerne, 9-kademel ölçek le görece değerler olarak verlmşlerdr. Bulanık doğrusal regresyon denklemlernde kullanılan arametre değerler ( B % ), (3) ve (4) denklemler yardımıyla hesalanmıştır. Bu verler, (5) denklemndek hedef rogramlama modelnde grd olarak kullanılmıştır. Model GAMS yazılımı kullanılarak çözülmüştür. 24

11 Ürün gelştrme sürecnde çok amaçlı karar verme yaklaşımı Tablo 3. Müşter gereksnmlernn L % metrk değerler Ürün A Ürün B Ürün C Eksksz (0.000, 0.000, 0.000) (0.010, 0.030, 0.109) (0.008, 0.025, 0.091) Güncel (0.000, 0.000, 0.000) (0.001, 0.003, 0.011) (0.007, 0.021, 0.076) Anlaşılması kolay (0.000, 0.000, 0.000) (0.017, 0.048, 0.155) (0.022, 0.064, 0.207) Güvenlrlk (0.000, 0.000, 0.000) (0.017, 0.038, 0.110) (0.057, 0.129, 0.378) Taşınablrlk (0.002, 0.008, 0.038) (0.006, 0.022, 0.100) (0.000, 0.000, 0.000) Fyat (0.017, 0.071, 0.287) (0.021, 0.085, 0.344) (0.000, 0.000, 0.000) Kolay kullanım (0.000, 0.000, 0.000) (0.008, 0.031, 0.153) (0.012, 0.046, 0.230) Kolay geznm (0.004, 0.018, 0.085) (0.009, 0.035, 0.169) (0.000, 0.000, 0.000) Tutarlı (0.005, 0.022, 0.104) (0.003, 0.011, 0.051) (0.000, 0.000, 0.000) Görsel çekclk (0.027, 0.081, 0.262) (0.015, 0.044, 0.143) (0.000, 0.000, 0.000) Talelere hızlı br şeklde ceva veryor mu? (0.005, 0.021, 0.079) (0.011, 0.041, (0.000, 0.000, 0.000) Test yöntemler adl m? (0.000, 0.000, 0.000) (0.004, 0.010, 0.025) (0.006, 0.018, 0.044) Test sonuçları zamanında açıklanıyor mu? (0.000, 0.000, 0.000) (0.002, 0.007, 0.026) (0.008, 0.033, 0.130) Öğrenmek stenlen konu seçleblyor mu? (0.000, 0.000, 0.000) (0.010, 0.037, 0.123) (0.029, 0.111, 0.369) Öğrenme sürec ve erformansı kaydedlyor mu? (0.000, 0.000, 0.000) (0.004, 0.014, 0.052) (0.014, 0.057, 0.209) Öğrenme sürecnde kşsel destek sağlanıyor mu? (0.000, 0.000, 0.000) (0.021, 0.093, 0.359) (0.007, 0.031, 0.120) Pratk yama fırsatları oluyor mu? (0.000, 0.000, 0.000) (0.000, 0.000, 0.000) (0.035, 0.113, 0.248) L % Metrk Değer (0.061, 0.220, 0.854) (0.155, 0.548, 2.088) (0.205, 0.647, 2.102) Tablo 4. Tasarım özellklernn erformans değerler brm malyet Tasarım Özellkler Malyet Güncel gereçler (2, 3, 4) Değşken zorluk dereces (3, 4, 5) İlgl bağlantı ve kaynakça sağlama (2, 3, 4) Endüstr le lşk (4, 5, 6) Çıktısı alınablr (1, 2, 3) Kurs değerlendrme testler (2, 3, 4) Açık br şeklde tanımlanmış bölümler/alt bö- (1, 2, 3) İlg çekc multmedya uygulamaları (2, 3, 4) Performanslı ve hızlı şleme yeteneğne sah (5, 6, 7) Not blgsn kaydetme (2, 3, 4) Ödeme seçenekler (6, 7, 8) İy eğtml eğtmenler (7, 8, 9) Çevrmç danışman desteğ (6, 7, 8) Programın kabul görmes (7, 8, 9) Kşsel danışman desteğ (6, 7, 8) Klask eğtmde güvenlrlk (7, 8, 9) Konusuna hakm olma (6, 7, 8) Adl ödev/sınav kontrolü (2, 3, 4) Görüşme saatlernde esneklk (5, 6, 7) E-eğtme uygun vasıflara sah olma (6, 7, 8) Tartışma ve gerbldrm destekleme (4, 5, 6) Tablo 5. Mevcut ve önerlen tasarım özellkler değerler Mevcut X % değerler Önerlen X % değerler j 1 (5.800, 6.800, 7.800) (5.829, 6.800, 7.800) 2 (4.200, 5.200, 6.200) (6.200, 6.200, 6.200) 3 (5.000, 6.000, 7.000) (5.000, 6.000, 7.000) 4 (6.400, 7.400, 8.400) (6.400, 7.400, 8.400) 5 (7.800, 8.800, 9.000) (7.800, 8.800, 9.000) 6 (6.200, 7.200, 8.200) (7.200, 7.200, 8.200) 7 (5.600, 6.600, 7.600) (7.624, , 7.624) 8 (3.600, 4.600, 5.600) (5.828, 5.828, 5.828) 9 (6.200, 7.200, 8.200) (6.400, 7.400, 8.200) 10 (7.400, 8.400, 9.000) (8.000, 8.400, 9.000) 11 (1.800, 2.800, 3.800) (4.786, 4.786, 4.786) 12 (4.000, 5.000, 6.000) (5.000, 5.000, 6.000) 13 (4.800, 5.800, 6.800) (4.800, 5.800, 6.800) 14 (5.200, 6.200, 7.200) (5.200, 7.200, 7.200) 15 (4.600, 5.600, 6.600) (4.600, 5.600, 6.600) 16 (4.400, 5.400, 6.400) (4.400, 5.400, 6.400) 17 (5.600, 6.600, 7.600) (5.600, 7.311, 7.600) 18 (7.400, 8.400, 9.000) (8.000, 8.474, 9.000) 19 (7.000, 8.000, 8.800) (8.000, 8.000, 8.800) 20 (6.200, 7.200, 8.200) (6.200, 8.200, 8.200) 21 (7.200, 8.200, 8.800) (7.200, 8.200, 8.800) Sonuçlar Sonuçlar Tablo 5 te verlmştr. Mevcut durum le önerlen duruma lşkn çözümlere bakarak, j 25

12 S. E. Altekn, E. Tolga yasadak en y ürünün erformansına ulaşmak çn yaılması gereken yleştrmeler belrleneblmektedr. Önerlen yleştrmelern sonucunda B ürünü çn elde edlen L % metrk değer (0.062, 0.225, 0.854) tr. Bu değer, en y ürün olan A nın L % metrk değerne eşttr. Bu sonuca göre, seçlen e-eğtm ürünün erformansı mevcut bütçe kısıtı altında, yasadak en y ürünün erformansını yakalayablmektedr. Sonuçlar nceledğnde, MG lerde stenen bu erformans değerlern elde etmek çn, değşken zorluk dereces, açık br şeklde tanımlanmış bölümler/alt bölümler, lg çekc multmedya uygulamaları ve ödeme alternatfler tasarım özellklernde yleştrmelere gdlmes gerektğ Tablo 5 tek hedef TÖ lern erformans değerlernden okunablmektedr. Kaynaklar Bojadzev, G. ve Bojadzev, M., (1995). Fuzzy sets, fuzzy logc, alcatons, Advances n Fuzzy Systems & Alcatons and Theory, 5, Sngaore: World Scentfc. Buckley, J.J., (1985). Fuzzy herarchcal analyss. Fuzzy Sets and Systems, 17, 3, Buckley, J.J. ve Feurng, T., (2000). Lnear and nonlnear fuzzy regresson: Evolutonary algorthm solutons, Fuzzy Sets and Systems, 112, Chan, L. K., Kao, H. P., Ng, A., ve Wu, M. L., (1999). Ratng the mortance of customer needs n qualty functon deloyment by fuzzy and entroy methods, Internatonal Journal of Producton Research, 37, 11, Chan, L.K. ve Wu, M.L., (2005). A systematc aroach to qualty functon deloyment wth a full llustratve examle, Omega, 33, Chu, C.M., Hsu, M.H., Sun, S.Z., Ln, T.C. ve Sun, P.C., (2004). Usablty, qualty, value and e- learnng contnuance decsons, Comuters & Educaton, 45, 4, Hwanga, G.J., Huanga, T.C.K. ve Tseng, J.R.C., (2004). A grou-decson aroach for evaluatng educatonal web stes, Comuters & Educaton, 42, Karsak, E.E., Sozer ve S., Altekn, S.E., (2002). Product lannng n qualty functon deloyment usng a combned analytc network rocess and goal rogrammng aroach, Comuters & Industral Engneerng, 44, Saaty, T.L., (1980). The Analytc Herarchy Process, McGraw-Hll. New York. Saaty, T.L., (1996). Decson Makng wth Deendence and Feedback: The Analytc Network Process, RWS Publcatons. Pttsburgh, PA. Saaty, T.L. ve Takzawa, M., (1986). Deendence and ndeendence: From lnear herarches to nonlnear Networks, Euroean Journal of Oeratonal Research, 26, Saaty, T.L. ve Vargas, L.G., (1998). Dagnoss wth deendent symtoms: Bayes theorem and the analytc herarchy rocess, Oeratons Research, 46, 4, Shllto, M.L., (1994). Advanced QFD Lnkng Technology to Market and Comany Needs, John Wley & Sons, New York. Wang, Y.S., (2003). Assessment of learner satsfacton wth asynchronous electronc learnng systems, Informaton & Management, 41, Zadeh, L.A., Fuzzy sets. Informaton and Control, 8, Zeleny, M., (1974). Lnear Multobjectve Programmng, Srnger Verlag, , New York. 26