---
id: wiki-2026-0508-의사결정-매트릭스-decision-matrix
title: 의사결정 매트릭스 (Decision Matrix)
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [Decision Matrix, Pugh Matrix, Weighted Decision Matrix]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
verification_status: applied
tags: [architecture, decision-making, adr, evaluation]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
  language: python
  framework: pandas
---

# 의사결정 매트릭스 (Decision Matrix)

## 매 한 줄
> **"매 옵션 × 매 기준 × 매 가중치"**. 후보 alternative를 행, 평가 기준(criterion)을 열, 셀에 점수를 채우고 column별 가중치를 곱해 합산하는 정량적 비교 도구. 1980년대 Stuart Pugh의 concept selection method에서 출발해 architecture trade-off (ATAM), tool selection, vendor evaluation에 광범위 적용.

## 매 핵심

### 매 구성 요소
- **Alternatives** (행): 비교할 옵션 (e.g., PostgreSQL vs DynamoDB vs MongoDB).
- **Criteria** (열): 평가 축 (latency, cost, team familiarity, ops burden, ...).
- **Weights**: 각 criterion의 중요도 (보통 1-5 또는 합 1.0).
- **Scores**: 각 셀에 옵션이 criterion을 얼마나 만족하는지 (1-5 또는 -1/0/+1 Pugh 방식).
- **Total**: Σ(score × weight) per alternative.

### 매 두 갈래
- **Weighted scoring** (Kepner-Tregoe): 절대 점수 1-5.
- **Pugh matrix**: baseline 대비 -/0/+ 만 사용 — 빠르고 bias 적음.

### 매 응용
1. **Architecture decision (ADR)**: alternative 비교 표를 ADR에 첨부 → reviewer가 가중치에 동의하는지 검증.
2. **Vendor selection**: cloud provider, observability tool, payment gateway.
3. **Refactor target prioritization**: impact × effort × risk 매트릭스.

## 💻 패턴

### Pandas로 weighted scoring
```python
import pandas as pd

criteria = ['latency', 'cost', 'team_skill', 'ops_burden', 'ecosystem']
weights  = pd.Series({'latency': 0.30, 'cost': 0.20,
                      'team_skill': 0.25, 'ops_burden': 0.15, 'ecosystem': 0.10})

scores = pd.DataFrame({
    'PostgreSQL': [4, 4, 5, 3, 5],
    'DynamoDB':   [5, 3, 2, 5, 4],
    'MongoDB':    [4, 3, 3, 3, 4],
}, index=criteria).T   # rows = alternatives

totals = (scores * weights).sum(axis=1).sort_values(ascending=False)
print(totals)
# PostgreSQL    4.20
# DynamoDB      3.85
# MongoDB       3.30
```

### Pugh matrix (baseline 대비)
```python
baseline = 'PostgreSQL'
delta = scores - scores.loc[baseline]
delta['signed_total'] = delta.sum(axis=1)
print(delta[['signed_total']])
#             signed_total
# PostgreSQL             0
# DynamoDB              -2
# MongoDB               -3
```

### Sensitivity analysis (가중치 변동에 대한 robustness)
```python
import numpy as np
rng = np.random.default_rng(42)
trials = []
for _ in range(1000):
    perturbed = weights * rng.uniform(0.7, 1.3, size=len(weights))
    perturbed /= perturbed.sum()
    trials.append((scores * perturbed).sum(axis=1).idxmax())

pd.Series(trials).value_counts(normalize=True)
# PostgreSQL    0.81  → 가중치 ±30% 흔들어도 81%에서 1위 유지 → robust
# DynamoDB      0.19
```

### ADR에 매트릭스 embed (Markdown)
```markdown
## Decision

| Criterion (weight) | Postgres | DynamoDB | MongoDB |
|---|---|---|---|
| Latency p99 < 50ms (0.30) | 4 | 5 | 4 |
| Cost @ 10k req/s (0.20)   | 4 | 3 | 3 |
| Team familiarity (0.25)   | 5 | 2 | 3 |
| Ops burden (0.15)         | 3 | 5 | 3 |
| Ecosystem (0.10)          | 5 | 4 | 4 |
| **Weighted total**        | **4.20** | **3.85** | **3.30** |

**Chosen**: PostgreSQL.
```

### Cost / Effort / Impact prioritization
```python
backlog = pd.DataFrame([
    {'task': 'index DB',      'impact': 5, 'effort': 1, 'risk': 1},
    {'task': 'rewrite auth',  'impact': 4, 'effort': 5, 'risk': 4},
    {'task': 'add CDN',       'impact': 3, 'effort': 2, 'risk': 1},
])
backlog['ROI'] = backlog['impact'] / (backlog['effort'] * backlog['risk'])
print(backlog.sort_values('ROI', ascending=False))
```

## 매 결정 기준
| 상황 | Approach |
|---|---|
| 옵션 2-3개, 기준 명확 | weighted scoring |
| 옵션 많고 빠른 screening | Pugh matrix |
| Stakeholder 의견 분분 | sensitivity analysis 추가 |
| Criterion 자체에 동의 안 됨 | 매트릭스보다 먼저 criterion 합의 |

**기본값**: 가중치는 stakeholder workshop에서 합의 후 고정 — 점수만 토론.

## 🔗 Graph
- 부모: [[Architecture Decision Record]] · [[ATAM]]
- 변형: [[Pugh Matrix]] · [[Weighted Scoring]]

## 🤖 LLM 활용
**언제**: alternative 후보 5+ 개를 빠르게 narrow down, ADR 초안 작성 시.
**언제 X**: criterion 자체가 미정의 — 매트릭스가 의견 차이 숨김.

## ❌ 안티패턴
- **점수 사후 조정**: 결과가 마음에 안 들어 점수를 바꿈 → confirmation bias.
- **가중치를 결정 후 정하기**: 결론에 맞춰 weight reverse-engineering.
- **무한 criterion**: 20개 넘어가면 weight 차이 희석 → top-7로 제한.
- **Sensitivity analysis 생략**: 가중치 ±10%에 순위가 뒤집히면 결정이 약함.

## 🧪 검증 / 중복
- Verified (Stuart Pugh, *Total Design*, 1991; Kepner-Tregoe decision analysis).
- 신뢰도 A.

## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — weighted/Pugh 두 변형, sensitivity analysis 추가 |