Matriz de decisão: como comparar alternativas com critérios, pesos e análise de sensibilidade

Três fornecedores, cinco pessoas na reunião e cada uma defendendo uma opção por um motivo diferente. Alguém sugere montar uma planilha. Duas horas depois, a tela mostra 8,1 contra 7,3, e a conversa termina, porque agora existe um número.

Esse é o risco e o valor da matriz de decisão. Bem usada, ela obriga o grupo a dizer o que importa, quanto importa e com base em quê. Mal usada, ela dá aparência de precisão a opiniões que continuam sendo opiniões. A diferença está em como os critérios são separados, como as escalas são definidas e no que se faz depois do cálculo.

O que é#

A matriz de decisão ponderada compara alternativas por meio de critérios explícitos. Cada critério recebe um peso, cada alternativa recebe uma nota em cada critério, e o total é a soma das notas ponderadas.

A técnica costuma ser associada a Stuart Pugh, que descreveu a seleção de conceitos em engenharia no início dos anos 1980 (Pugh, 1981). Na forma clássica, a matriz de Pugh compara cada conceito com uma referência usando sinais de melhor, pior ou igual. As versões com pesos e notas numéricas são adaptações posteriores. O cálculo em si é um modelo de valor aditivo, o mais usado em análises com múltiplos objetivos (Parnell & Trainor, 2009).

Por que um modelo tão simples ajuda? Dawes (1979) mostrou que modelos lineares simples, mesmo com pesos não otimizados, como pesos iguais, superam o julgamento clínico ao prever um critério numérico a partir de preditores numéricos. O estudo trata de previsão, não de escolha de fornecedores, mas sugere algo útil aqui: boa parte do ganho vem de escolher bons critérios e aplicá-los com consistência, não de refinar a segunda casa decimal dos pesos.

Quando usar e quando evitar#

Como montar, passo a passo#

Critérios eliminatórios e compensatórios#

Em um modelo aditivo, nota alta em um critério compensa nota baixa em outro. Isso é útil para custo e prazo, mas perigoso para requisitos que não admitem troca. Uma opção barata e rápida não deve vencer se não cumpre uma exigência de segurança.

A solução é separar as duas coisas, como faz a análise de decisão de Kepner-Tregoe. Os objetivos MUST são mínimos obrigatórios, e os objetivos WANT comparam as alternativas que restaram. Na formulação da própria consultoria, os MUSTs decidem quem entra no jogo, e os WANTs decidem quem vence (Kepner-Tregoe).

Exigência legal, requisito de segurança e teto de orçamento costumam ser eliminatórios. Tudo que pode ser negociado entra como compensatório.

Escalas e âncoras#

Sem âncoras, um 7 de uma pessoa é o 9 de outra. A escala precisa dizer o que cada nota significa, e nota alta precisa significar sempre “mais favorável”. Em custo, portanto, nota alta quer dizer mais barato.

Critérios sem unidade natural, como facilidade de uso, também precisam de âncoras observáveis. Por exemplo: “9 significa que um usuário novo concluiu a tarefa principal sem ajuda no teste”.

Peso depende da amplitude#

Este é o erro mais sutil da matriz. A pergunta “qual critério é mais importante?” parece correta, mas está incompleta. Um peso reflete o quanto importa ir do pior ao melhor valor daquele critério, e por isso só tem significado em relação à amplitude considerada (Monat, 2009).

Se todas as opções custam quase o mesmo, o custo pode ser muito importante para a empresa e, ainda assim, quase não diferenciar esta decisão. Dar a ele 40% só adiciona ruído.

A técnica de swing weighting trata disso. Em vez de perguntar o que é mais importante em abstrato, pergunte: se eu pudesse levar um critério do pior para o melhor valor observado entre as opções, qual traria o maior ganho? A matriz de swing weights de Parnell & Trainor (2009) considera explicitamente importância e variação ao atribuir os pesos.

Exemplo resolvido: escolher uma plataforma de atendimento com IA#

Uma empresa vai contratar uma plataforma de atendimento com IA e recebeu quatro propostas. Os critérios eliminatórios são contrato de tratamento de dados adequado à LGPD e integração com o sistema atual. A opção D não oferece o contrato exigido e sai antes da pontuação, sem que nenhum preço baixo possa compensar isso.

Restam três opções, avaliadas em três critérios: C1 é qualidade técnica, C2 é custo total e C3 é prazo de implantação. Nota alta significa sempre mais favorável.

O cálculo da opção A:

As contas de B ($2{,}4 + 2{,}7 + 2{,}1 = 7{,}2$) e de C ($2{,}8 + 1{,}8 + 2{,}7 = 7{,}3$) seguem a mesma lógica. A opção A lidera, mas esse ainda não é o resultado da análise.

Sensibilidade aos pesos#

Os pesos são julgamentos, então a primeira pergunta é se outra combinação razoável mudaria a resposta.

A opção A resiste a mudanças moderadas. Só quando o custo chega a metade da decisão a opção B passa à frente, e por uma diferença pequena. Se a diretoria de fato pensa assim, vale explicitar esse ponto, porque a decisão passa a ser sobre prioridades, não sobre fornecedores.

Dá para ampliar o teste sorteando milhares de combinações de pesos em torno da base. Com 10 mil sorteios, a opção A vence em cerca de 90% dos casos, a B em 8% e a C em 2%:

import numpy as np

alternatives = ["A", "B", "C"]
scores = np.array([[9, 7, 8], [6, 9, 7], [7, 6, 9]], dtype=float)

def totals(weights):
    weights = np.asarray(weights, dtype=float)
    return dict(zip(alternatives, np.round(scores @ (weights / weights.sum()), 2).tolist()))

print(totals([40, 30, 30]))  # {'A': 8.1, 'B': 7.2, 'C': 7.3}
print(totals([20, 50, 30]))  # {'A': 7.7, 'B': 7.8, 'C': 7.1}

# Sorteia pesos em torno da base e conta quantas vezes cada opção vence.
rng = np.random.default_rng(42)
samples = rng.dirichlet([4, 3, 3], size=10_000)
winners = (scores @ samples.T).argmax(axis=0)
print({a: round(float((winners == i).mean()), 3) for i, a in enumerate(alternatives)})
# {'A': 0.898, 'B': 0.08, 'C': 0.021}

Sensibilidade às notas#

Notas também são estimativas, e aqui a análise fica mais útil. Veja o que acontece se a qualidade técnica da opção A foi superestimada:

A vantagem de A depende de uma única nota. Esse é o principal resultado do exercício, porque diz onde gastar o esforço de validação: antes de assinar, vale fazer uma prova de conceito que meça a qualidade técnica de A com dados reais. Revisar as notas de prazo mudaria bem menos.

Como cada ponto em C1 move o total em 0,4, uma diferença de 0,1 entre duas opções está dentro do erro de qualquer avaliação. Empates técnicos devem ser tratados como empates e decididos por outros fatores.

Erros comuns#

• Dupla contagem: “custo de licença” e “custo total” medem quase a mesma coisa e inflam o peso real de custo. O mesmo vale para “facilidade de uso” e “adoção esperada”.
• Muitos critérios: com 15 critérios, cada um pesa pouco, e os totais tendem a se aproximar.
• Ajuste reverso: mudar pesos até o resultado coincidir com a preferência inicial. Para reduzir o risco, defina os pesos antes de ver as notas.
• Ancoragem em grupo: a primeira nota dita em voz alta puxa as seguintes. Peça notas individuais e discuta as divergências depois.
• Notas sem fonte: se ninguém consegue explicar de onde veio um 8, ele é um palpite e deve ser marcado como tal.

Como usar uma LLM#

Uma LLM ajuda a sugerir critérios esquecidos, apontar dupla contagem, redigir âncoras e propor cenários de sensibilidade. Ela não testou os produtos, e preços ou funcionalidades citados de memória podem estar errados. As notas devem vir das suas evidências. Confira também as contas em uma planilha ou script, fora do chat.

Ajude a construir uma matriz de decisão para escolher entre [alternativas].

Objetivo: [descrever].
Critérios eliminatórios: [lista].
Critérios compensatórios: [lista].
Pesos propostos, totalizando 100%: [lista ou pedir sugestão].
Evidências por alternativa: [dados, testes, propostas].

1. Aponte critérios redundantes ou que não diferenciam as alternativas.
2. Elimine as opções que não cumprem os critérios eliminatórios.
3. Proponha uma escala com âncoras observáveis, em que nota alta
   signifique sempre mais favorável.
4. Calcule os totais somente onde houver dados e destaque as lacunas.
   Não invente notas, preços nem características de produtos.
5. Mostre fórmulas e justificativas.
6. Faça análise de sensibilidade variando os pesos dos dois critérios
   mais importantes e as duas notas mais incertas.
7. Termine com uma recomendação condicional: o que faria a escolha mudar
   e o que validar antes de decidir.

Saída esperada: tabela ponderada, ranking explicável, análise de sensibilidade e lista do que validar.

Antes de confiar na resposta:

• Refaça as contas. Copie notas e pesos para uma planilha e confirme os totais.
• Rastreie cada nota. Nota sem evidência volta para a lista de lacunas.
• Procure critérios faltantes. Pergunte que tipo de falha a matriz não conseguiria detectar.
• Sanitize o contexto. Propostas comerciais costumam ter cláusulas de confidencialidade.

Como apresentar o resultado#

Evite levar apenas o ranking para quem decide. Uma boa recomendação diz qual opção lidera, em quais condições ela continua liderando, o que faria a escolha mudar e o que será validado antes da assinatura. No exemplo: “Recomendamos A, condicionada a uma prova de conceito que confirme nota mínima de 8 em qualidade técnica. Se o custo representar metade da decisão, B passa a ser competitiva”.

Combine com outros frameworks#

• Matriz de Eisenhower: prioriza atividades por urgência e importância. A matriz ponderada compara alternativas com vários critérios.
• Análise custo-benefício: aprofunda o critério financeiro quando o valor ao longo do tempo pesa na decisão.
• Teste de hipótese: valida com dados a nota mais sensível.
• Análise SWOT: gera as opções estratégicas que a matriz vai comparar.

Referências#

1. Pugh, S. (1981). Concept selection: a method that works. In: Hubka, V. (ed.), Review of design methodology. Proceedings of the International Conference on Engineering Design, Rome. Zürich: Heurista, 497–506. Referência
2. Kepner-Tregoe. Improve hiring success with Kepner-Tregoe decision analysis. Link
3. Monat, J. P. (2009). The benefits of global scaling in multi-criteria decision analysis. Judgment and Decision Making, 4(6), 492–508. DOI
4. Parnell, G. S. & Trainor, T. E. (2009). Using the Swing Weight Matrix to Weight Multiple Objectives. INCOSE International Symposium, 19(1), 283–298. DOI
5. Dawes, R. M. (1979). The robust beauty of improper linear models in decision making. American Psychologist, 34(7), 571–582. DOI