2nd/10_Wiki/Topics/Domain_Programming/Architecture/의사결정_매트릭스(Decision_Matrix).md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, tech_stack

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

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)

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)

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)

## 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

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