Karar Verme Modelleri: Brunswik Lens ve Bayes Modeli

Bireysel karar verme için vurgu ve karmaşıklıkları bakımından farklılık gösteren birkaç normatif model vardır. Ayrıntılı olarak sunacağımız model, karar vermenin temel özelliklerini incelemek için büyük bir başarı ile kullanılmış olan modeldir. Aynı zamanda karar sürecini izlemek ve değerlendirmek için güzel bir kavramsal çerçeve sunar.

1. Brunswik Lens Modeli:

İnsanların aldığı kararları ve bunları nasıl yapacaklarını görmenin bir yolu Brunswik'in Lens Modeli (1956). Lens Modelinin bir şeması Şekil 15.3'te gösterilmiştir.

Model, karar sürecinin üç temel unsurdan oluştuğunu varsaymaktadır:

(1) Karar durumundaki temel bilgileri,

(2) Karar vericinin verdiği gerçek karar ve

(3) Bu özel durumda yapılması gereken en uygun veya doğru karar.

Bunların her biri Şekil 15.3'te gösterilmektedir.

Temel bilgiler:

Ne zaman bir kişi emrinde karar verirse, süreçte yardımcı olarak kullanabileceği veya kullanmayacağı bir dizi ipucu veya gösterge vardır. Örneğin, her ay ne kadar ürün X üreteceğine karar verme sorunu ile karşı karşıya kaldığınızda bir yönetici alın. Açıkçası, mevcut envanter, mevcut emirler, genel piyasa göstergeleri, acil astlarının tavsiyeleri vb. Gibi kararlarını iyi bir karar vermesine yardımcı olmak için potansiyel olarak kullanabileceği çok çeşitli karar değişkenleri vardır. Bunlar potansiyel işaret değişkenleridir. Şekil 15.3'te gösterilmiştir.

Gözlenen Karar:

Elbette, herhangi bir karar sürecinin bir tür yanıtla bitmesi gerekir - cevap sadece bir cevap vermeme kararı olsa bile, muhtemelen bir çeşit cevap verildiğini söylemek güvenlidir. Bir karar vermek her zaman bir seçim seçimini içerir. Dolayısıyla “karar davranışı” ve “seçim davranışı” gerçekten de ayırt edilemez bir olgudur. Şekil 15.3'ün sağ tarafındaki kutu, karar vericinin nihayetinde kendisini taahhüt ettiği eylem sürecini temsil eder.

Doğru Karar:

Karar vericinin gözünde bir eylem süreci olduğu gibi, herhangi bir kararla ilişkili olarak optimal bir cevap veya seçenek de var. Bu optimal karar, karar vericinin bu durumda seçmesi muhtemel olabilecek en iyi eylem seçimini temsil eder. Çok gerçek anlamda, gerçek kararın değerlendirilmesi gereken nihai kriteri temsil eder.

Pek çok karar durumunda, bu en uygun kararın ne olduğunu ya da belirli bir zamanda ne olduğunu gerçekten bilmek ya da bilmek zor. Ancak, en azından teoride, karar vericinin adına en uygun yanıt her zaman mevcuttur. Şekil 15.3'te bu değer soldaki kutuya “doğru” karar olarak gösterilmektedir.

Modelin dinamikleri:

Modelin temel bileşenlerini tanımladıktan sonra, şimdi bu elemanlar arasındaki ilişkileri incelemek mümkün olur. Bu karşılıklı ilişkiler bize karar verme sürecinin karmaşıklığının ve dinamik karakteristiğinin bir göstergesidir.

Gerçek İşaret Geçerliliği Karar vericinin kullanabileceği tek bir ipucunun gerçek değeri, bu işaretin tanısal veya öngörücü “gücü” ile temsil edilir. Başka bir deyişle, karar sürecinde bu ipucunu elde etmenin ne kadar yararlı olduğu. Geçiş işareti ile doğru karar, yani gerçek geçiş geçerliliği arasındaki korelasyon, bu öngörücü gücü temsil eden endekstir.

Örneğin, sürekli olarak her ay kaç ürün X üretmesi gerektiğine karar verme problemi ile karşı karşıya olan yöneticimizin durumunu tekrar ele alalım. Muhtemelen kullanacağı bir ipucu şu anki envanterinin büyüklüğüdür. Ayrıca, geçmiş yılın kayıtlarına bakıldığında, her ay, üretilmesi gereken X birimi sayısını belirtmenin mümkün olduğunu varsayalım. Tablo 15.1, 1966’da her ay için gösterilen bir varsayımsal örnek sunmaktadır.

(a) Mevcut envanterin boyutunu,

(b) Yöneticimizin üretmeye karar verdiği X birimi sayısı ve

(c) O ay üretilmesi gereken X ünite sayısı.

(A) ve (c) sütunları arasındaki korelasyonu m olarak gösterildiği gibi çizersek, Şekil 15.4'te, eğilimin, üretilmesi gereken çok sayıda birime karşılık gelen düşük stok değerlerinin olduğunu görüyoruz. Gerçekten, (a) ve (c) arasındaki korelasyon eksi 0 869'dur! Bu bize mevcut envanterin boyutunun yüksek, ancak negatif olarak gereken birim sayısı ile ilgili olduğunu söylemektedir. Başka bir deyişle, bu mükemmel bir işarettir - karar vericinin çok dikkatli bir şekilde ilgilenmesi gerektiği.

Gözlenen Geçerliliği Geçerliliği Karar süreci hakkında soracağımız bir sonraki soru “Karar vericinin belirli bir ipucunu ne kadar iyi veya ne ölçüde kullandı? Ona sunulan bir işaret veriliyor, onu kullanma eğilimi var mı? Bu, işaret değerleri ile karar vericinin bir takım kararlar üzerinde gerçekte yaptıkları arasındaki korelasyonu inceleyerek belirlenebilir, yani Tablo 15.1'deki (a) ve (b) sütunları. Bu korelasyon, 0.377 değerinde olduğunu görebileceğimiz Şekil 15.4'te çizilmiştir. Bu nedenle, yürütücümüz açık bir şekilde ipucunu kullandı, ancak kullanılması gereken dereceye kadar değil (en azından doğru olarak doğru bir şekilde tahmin edilen gerçek ilişkinin yönüne sahipti).

Karar Verici Başarı :

Sormamız gereken üçüncü ve belki de en alakalı soru, karar vericinin görevini ne kadar iyi yerine getirdiği sorusudur. Gerçekleştirdiği kararlar, geçmişe bakılarak yapılması gereken kararlara yakın olduğu sürece, yüksek bir başarı seviyesine sahip miydi? Bu, Tablo 15.1'deki (b) ve (c) sütunları arasındaki korelasyon derecesine bakarak belirlenebilir.

Yürütücünün üretmeye karar verdiği birim sayısı (sütun b) ile üretmeye karar vermesi gereken sayı (sütun c) arasındaki korelasyon, bizim örneklemimizde 0.165 olarak ortaya çıkmaktadır - herhangi bir standart tarafından çok iyi bir başarı elde edilmemiştir. Karar vericimiz bu özel durumlarda kendisine çok yardımcı olabilecek bir ipucuyla yapabileceği kadar iyi yapmıyor.

Araştırma Sonuçları :

Lens Modeli temelde insanda karar sürecini çalışabileceğimiz bir dizi matematiksel endeks sağlayan insan karar sürecinin tanımlayıcı bir kavramsallaştırmasıdır. Modele dayanan araştırmanın çoğu soyut laboratuvar araştırmasıydı - birçok gerçekçi görev ortamında uygulanmadı. Bununla birlikte, araştırma bulguları, insanların karar verme durumunda ipuçlarını kullanma yetenekleri hakkında oldukça ilginç şeyler olduğunu göstermiştir, bu nedenle bu bulguların kısa bir özeti verilecektir.

Öncelikle bir dizi çalışma (Schenck ve Naylor, 1965, 1966; Dudycha ve Naylor 1966; Summers, 1962; ve Peterson, Hammond ve Summers, 1966) karar vericilerin işaretleri uygun şekilde kullanmayı öğrenebileceklerini göstermiştir. Yani, hangi ipuçlarının iyi, hangilerinin kötü olduğunu öğrenme ve iyi ipuçlarını kötü ipuçlarından daha fazla dikkat etme eğilimindedirler.

Bununla birlikte, Dudycha-Naylor çalışması, bir karar vericinin çok iyi bir ipucuna sahip olması ve ona daha zayıf fakat yine de bazı ek öngörücü değeri olan ikinci bir ipucu vermesi durumunda, onun performansının düşeceğine dair çok ilginç bir bulgu olduğunu gösterdi. o sadece tek bir ipucu olsaydı! Görünen o ki, kötü ipuçları karar verme sürecine tahmin edici değer eklediklerinden daha fazla statik veya “gürültü” ekliyor. Öte yandan, ilk ipucu yalnızca öngörü gücünde ortalama ise ve karar vericiye ikinci, çok iyi bir ipucu verirseniz, performansı belirgin şekilde artar.

Bir başka ilginç bulgu yakın zamanda Clark (1966) tarafından bildirilmiştir. Olumsuz geçerliliği olan işaretlerin bir karar vericiye doğrudan ya da olumlu bir ilişkiye sahip işaretler kadar yararlı olmadığını gösterdi. Bazı nedenlerden dolayı, insanlar olumsuz geçerliliği sağlayan bilgi kaynaklarına yardımcı olarak kullanmayı öğrenme konusunda daha zor bir zaman geçirmiş gibi görünmektedir. Okuyucu, öngörüsel amaçlar için bir ilişkinin işaretinin önemli olmadığını, yani - 0, 80 geçerliliği olan bir işaretin + 0, 80 geçerliliğine sahip bir işaret kadar potansiyel olarak yararlı olduğunu hatırlayacaktır.

Lens modelini kullanan insan karar vericileri hakkında edinilen diğer bilgiler (1) insanlar, doğru karar için doğrusal ilişkilere sahip olan ipuçlarını kullanmayı öğrenme konusunda öğrenmede daha iyidir (doğrusal olmayan bir ilişki olan ipuçlarını kullanmaktan daha doğru karar için olanlardan daha iyidir) (Dickinson ve Naylor, 1966; Hammond ve Summers, 1965) ve (2) insanlar, ipuçları ne olursa olsun gerçek bir öngörü gücüne sahip olmasa bile, sistematik olarak ipuçlarını kullanma eğilimindedir (Dudycha ve Naylor, 1966). Bu son bulgu basitçe, bir karar vericinin kendisi için mevcut olan ipuçlarından hiçbirinin değeri olmayan bir duruma getirilmesi durumunda, yine de bazılarını değerlimiş gibi seçip kullanma eğiliminde olacağı anlamına gelir.

2. Bayes Karar Verme Modeli :

Halen insan karar verme çalışmasında kullanımın artmasıyla ortaya çıkan bir başka matematiksel model Bayes Teoremi olarak bilinmektedir.

Bu aşağıdaki gibidir:

P (A | B) = P (B | A) P (A) / P (B | A) P (A) + P (B | Ā) P (Ā)

Burada P (A | B) = B'nin meydana gelmesi durumunda A'nın olasılığı

P (B | A) = A'nın meydana gelmesi durumunda B'nin olasılığı

P (A) = A olasılığı

P (Ā) = A değil, yani 1 - A olasılığı

P (B | Ā) = verilen B olasılığı A değil

Bayes Teoremi gibi ifadeler çoğu zaman kafa karıştırıcı olmadığından, pratik bir karar görevi örneği düşünelim ve Bayes Modelinin nasıl uygulanabileceğini görelim.

Tüm firmalar tarafından karşılaşılan tipik karar verme görevlerinden biri, kimler seçileceğine ve kimler iş başvurusu havuzundan reddeteceğine karar vermektir. Bir firmanın yeni bir seçim testi denemeye karar verdiği durumu göz önünde bulundurun. Tecrübenin, çalışanların yalnızca yüzde 60'ının gerçekten tatmin edici olduğunu gösterdiğini de göz önünde bulundurun. Ayrıca şirketin geçmişte uygulamasının herkesi işe almak ve onlara çalışma şansı vermek olduğunu varsayalım.

Tatminkar olduğu ortaya çıkan erkeklerin yüzde 80'inin yeni seçim testinde kesme puanının üstünde olduğu, kesimden sonra da tatmin edici olmayan puanların yüzde 40'ının bulunduğu tespit edildi. Şimdi, eğer bu testi seçim için kullanırsak ve bu adamları sadece kesme puanının üstünde işe alırsak, kesme puanının üzerindeki bir kişinin tatmin edici olma olasılığı nedir?

Şimdi sembollerimizi tekrar tanımlarsak, şunları yaparız:

P (A) = başarılı olma olasılığı = 0.60

P (B) = sınavı geçme olasılığı

P (B | A) = çalışanın başarılı olması durumunda testten geçme olasılığı = 0.80

P (B | Ā) = Çalışanın başarısız olması durumunda testten geçme olasılığı = 0.40

P (B | A) = çalışanın başarılı olması durumunda testten geçememe olasılığı = 0.20

P (B | A) = Çalışanın başarısız olması durumunda testten geçememe olasılığı = 0.60

P (A | B) 'yi, yani testi geçtiği takdirde, bir kişinin başarılı olma ihtimalini bilmek istiyoruz.

Bayes Teoremi şunları gösterir:

P (A | B) = (0.80) (0.60) / (0.80) (0.60) + (0.40) (0.40)

= 0.48 / 0.48 + 0.16 = 0.75

Başka bir deyişle, yalnızca tarama testimizi geçenleri seçersek, işe almada testsiz yüzde 60 rakamına kıyasla yüzde 75 başarı elde edeceğiz. Bayes Teoreminin endüstride karar vermeye uygulaması daha sık görülmektedir. Çok güçlü bir araçtır ve kullanımı gelecek yıllarda büyük oranda artmalıdır.