Beslutningsmodeller: Brunswik Lens og Bayes Model

Det finnes flere normative modeller for individuell beslutningsprosess, som varierer med hensyn til deres vekt og kompleksitet. Modellen som vi presenterer i detalj er en som har blitt brukt med stor suksess når det gjelder å studere de grunnleggende egenskapene ved beslutningstaking. Det gir også en fin konseptuell ramme for visning og verdsettelse av beslutningsprosessen.

1. Brunswik objektiv modell:

En måte å se på de beslutningene folk gjør og hvordan de går om å lage dem, er gjennom Lens Model of Brunswik (1956). Et diagram over objektivmodellen er vist i figur 15.3.

Modellen forutsetter at beslutningsprosessen består av tre viktige elementer:

(1) Den grunnleggende informasjonen i beslutningssituasjonen,

(2) Den faktiske beslutning truffet av beslutningstaker, og

(3) Den optimale eller riktige avgjørelsen som burde ha vært gjort i den aktuelle situasjonen.

Hver av disse er vist i figur 15.3.

Grunnleggende informasjon:

Når en person tar en avgjørelse, har han en rekke signaler eller indikatorer som han eller hun ikke kan bruke som hjelpemidler i prosessen. For eksempel, ta en leder overfor hver måned med problemet med å prøve å bestemme hvor mange enheter av produkt X som skal produseres. Det er åpenbart et bredt spekter av beslutningsvariabler som han potensielt kan bruke til å hjelpe ham med å gjøre sin beslutning en god, for eksempel nåværende beholdning, nåværende ordre, generelle markedsindikatorer, råd fra sine nærmeste underordnede osv. Dette er de potensielle stikkvariablene vist i figur 15.3.

Observert avgjørelse:

Selvfølgelig må enhver avgjørelsesprosess ende i et svar av noe slag - selv om svaret bare er avgjørelsen om ikke å gi et svar, er det sannsynligvis trygt å si at et svar av slag er gjort. Å ta en avgjørelse involverer alltid et valg av handling. Dermed er "beslutningsadferd" og "valgadferd" egentlig ganske uutslettelige fenomener. Boksen på høyre side av figur 15.3 representerer handlingsforløpet som beslutningstakeren endelig forplikter seg til.

Riktig beslutning:

Akkurat som det er et observert handlingsplan for beslutningstakerens side, så er det et optimalt svar eller valg i forbindelse med enhver beslutning. Denne optimale avgjørelsen representerer det best mulige handlingsalternativet som muligens kunne være valgt av beslutningstakeren i den aktuelle situasjonen. I en veldig reell forstand representerer det det ultimate kriteriet som den faktiske avgjørelsen skal vurderes på.

I mange beslutningssituasjoner er det vanskelig å noen gang virkelig bestemme eller vite hva denne optimale avgjørelsen er eller var på et bestemt tidspunkt. Imidlertid eksisterer det alltid i teorien alltid et optimalt svar fra beslutningstakerens side. I figur 15.3 er denne verdien vist i boksen til venstre som den "riktige" beslutningen.

Dynamikk av modellen:

Etter å ha definert de essensielle ingrediensene i modellen blir det nå mulig å undersøke sammenhengen mellom disse elementene. Disse sammenhengen gir oss en indikasjon på kompleksiteten og den dynamiske egenskapen til beslutningsprosessen.

True Cue Gyldighet Den sanne verdien av en enkelt cue tilgjengelig for beslutningstakeren er representert av den diagnostiske eller prediktive "kraften" av den køen. Med andre ord, hvor nyttig er det å ha den køen tilgjengelig under beslutningsprosessen. Korrelasjonen mellom køen og den riktige avgjørelsen, det vil si sann sann gyldighet, er indeksen som representerer denne prediktive kraften.

For eksempel, ta igjen saken av vår leder som kontinuerlig står overfor problemet med å avgjøre hvor mange enheter av produkt X han skal produsere hver måned. En cue han sannsynligvis ville bruke er størrelsen på hans nåværende inventar. Anta også at det ved å se tilbake i det siste årets poster er mulig å spesifisere, i løpet av hver måned, antall X-enheter som skulle ha blitt produsert. Tabell 15.1 gir et hypotetisk eksempel som viser, for hver måned i 1966,

(a) Størrelsen på gjeldende beholdning,

(b) Antall X-enheter som vår leder bestemte seg for å produsere, og

Hvis vi plotter sammenhengen mellom kolonnene (a) og (c) som vist på Figur 15.4, finner vi at trenden er for lave lagerverdier som tilsvarer et høyt antall enheter som skal produseres. Faktisk er korrelasjonen mellom (a) og (c) en minus 0 869! Dette forteller oss at størrelsen på nåværende beholdning er høy, men negativt, relatert til antall enheter som trengs. Med andre ord, dette er en utmerket cue-en som beslutningstakeren bør være svært oppmerksom på.

Observert Cue Gyldighet Det neste spørsmålet vi kan spørre om beslutningsprosessen er "Hvor bra, eller i hvilken grad har beslutningstakeren brukt en gitt kø? Det er gitt en cue som er tilgjengelig for ham, har han en tendens til å bruke den? Dette kan bestemmes ved å undersøke korrelasjonen mellom cueverdiene og hva beslutningstakeren faktisk gjorde over en rekke beslutninger, det vil si kolonnene (a) og (b) i tabell 15.1. Denne korrelasjonen er også plottet i figur 15.4, der vi kan se at den har en verdi på 0, 377. Dermed har vår leder tilsynelatende brukt cue, men ikke i den grad den burde vært brukt (minst han hadde retningen av det sanne forholdet estimert riktig).

Beslutning-Maker-prestasjon :

Det tredje og kanskje mest relevante spørsmålet vi burde stille er spørsmålet om hvor godt beslutningstakeren utførte sin oppgave. Hadde han et høyt prestasjonsnivå i den grad de avgjørelsene han faktisk tok, var nær de avgjørelsene som i ettertid burde ha blitt gjort? Dette kan bestemmes ved å se på graden av korrelasjon mellom kolonnene (b) og (c) i tabell 15.1.

Korrelasjonen mellom antall enheter som lederen bestemte seg for å produsere (kolonne b) og tallet han burde ha bestemt seg for å produsere (kolonne c) viser seg i vår illustrasjon å være 0, 165-ikke veldig god prestasjon av en hvilken som helst standard. Vår beslutningstaker er åpenbart ikke så godt som han kunne med en cue som kan være svært nyttig for ham under disse spesielle forholdene.

Forskningsresultater :

Lensmodellen er i utgangspunktet en beskrivende konseptualisering av den menneskelige avgjørelsesprosessen som gir en rekke matematiske indekser hvor vi kan studere beslutningsprosessen i mannen. Det meste av forskningen basert på modellen har vært ganske abstrakt laboratorieforskning. Det har ikke blitt brukt i mange realistiske oppgaver. Forskningsresultatene har imidlertid vist flere ganske interessante ting om folkes evne til å bruke signaler i en beslutningssituasjon, så en kort oppsummering av disse funnene vil bli gitt.

Først en rekke studier (Schenck og Naylor, 1965, 1966, Dudycha og Naylor 1966, Summers, 1962, og Peterson, Hammond og Summers, 1966) har alle vist at beslutningstakere kan lære å bruke signaler på riktig måte. Det vil si at de pleier å lære hvilke signaler som er gode og hvilke som er dårlige, og å gi de gode signalene mer oppmerksomhet enn de fattige tegnene.

Dudycha-Naylor-studien viste imidlertid det svært interessante resultatet at hvis en beslutningstaker har en veldig god cue, og da gir han ham en ny cue som er dårligere, men fortsatt har noen ekstra prediktiv verdi, vil hans ytelse reduseres - dårligere resultatresultater enn hvis han bare hadde den enkle køen! Tilsynelatende gir dårlige signaler mer statisk eller "støy" til beslutningsprosessen enn de legger til prediktiv verdi. På den annen side, hvis den opprinnelige køen bare er gjennomsnittlig i sin prediktive kraft, og du gir beslutningstaker en annen, veldig god cue, forbedrer hans ytelse markant.

Et annet interessant funn ble nylig rapportert av Clark (1966). Han viste at signaler med negativ gyldighet ikke er like nyttige for en beslutningstaker som er signaler som har et direkte eller positivt forhold. Av en eller annen grunn synes mennesker å ha en vanskeligere tid å lære å bruke som hjelpemidler kilder som gir negativ gyldighet. Leseren vil huske at for fortolkningsformål er tegn på et forhold ikke viktig, det vil si en cue med en gyldighet på - 0.80 er like nyttig, potensielt som en kø som har en gyldighet på + 0, 80.

Andre opplysninger som er oppnådd om menneskelige beslutningstakere ved hjelp av linsemodellen, er (1) mennesker er bedre i å lære å bruke signaler som har lineære forhold til den riktige avgjørelsen enn de bruker cues som har et ikke-lineært forhold (Dickinson og Naylor, 1966, Hammond og Summers, 1965) og (2) mennesker har en tendens til å bruke signaler systematisk selv når signalene ikke har noen reell prediktiv kraft overhodet (Dudycha og Naylor, 1966). Denne sistnevnte oppfatning betyr ganske enkelt at hvis en beslutningstaker plasseres i en situasjon hvor ingen av signalene som er tilgjengelige for ham, har noen verdi, vil han fortsatt ha en tendens til å plukke ut og bruke noen av dem som om de hadde verdi.

2. Bayes modell for beslutningstaking :

En annen matematisk modell som nå kommer inn i økt bruk i studiet av menneskelig beslutningstaking er kjent som Bayes Theorem.

Dette er som følger:

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

Hvor P (A | B) = Sannsynlighet for A gitt at B har skjedd

P (B | A) = Sannsynlighet for B gitt at A har oppstått

P (A) = Sannsynlighet for A

P (Â) = Sannsynlighet for ikke A, det vil si 1 - A

P (B | Ā) = Sannsynlighet for B gitt ikke A

Siden uttrykk som Bayes Theorem ofte er forvirrende, la oss vurdere et eksempel på en praktisk avgjørelsesoppgave og se hvordan Bayes Model kan gjelde.

En type typisk beslutningstaking som alle bedrifter står overfor, er å avgjøre hvem du skal velge og hvem du skal avvise fra en gruppe jobbsøkere. Tenk på situasjonen der et firma har bestemt seg for å prøve ut en ny utvalgstest. Vurder videre at erfaringen har vist at bare 60 prosent av de ansatte som søker, viser seg å være tilfredsstillende. Anta også at praksis i selskapet tidligere var å ansette alle og gi dem sjansen til å trene.

Av de mennene som viser seg å være tilfredsstillende, har 80 prosent vist seg å være over en cut-off score på den nye utvalgstesten, mens bare 40 prosent av dem som viser seg å være utilfredsstillende score over cut-offen. Nå, hvis vi bruker denne testen for utvelgelse, og hvis vi bare ansetter disse mennene over cut-off-poenget, hva er sannsynligheten for at en person over cut-off vil vise seg å være tilfredsstillende?

Hvis vi nå definerer våre symboler igjen, har vi:

P (A) = Sannsynlighet for å lykkes = 0.60

P (B) = Sannsynlighet for å bestå test

P (B | A) = Sannsynlighet for å bestå test gitt ansatt er vellykket = 0.80

P (B | Ā) = Sannsynlighet for å bestå test gitt til ansatt er mislykket = 0.40

P (B | A) = Sannsynlighet for ikke bestått test gitt ansatt er vellykket = 0, 20

P (B | A) = Sannsynlighet for ikke bestått test gitt ansatt er mislykket = 0.60

Vi vil vite P (A | B), det vil si sannsynligheten for at en person vil lykkes med tanke på at han har bestått testen.

Bayes teorem viser:

P (A | B) = (0, 80) (0, 60) / (0, 80) (0, 60) + (0, 40) (0, 40)

= 0, 48 / 0, 48 + 0, 16 = 0, 75

Med andre ord, hvis vi bare velger de som passerer vår undersøkelsestest, vil vi ende opp med 75 prosent suksess i ansettelse, sammenlignet med tallet på 60 prosent uten testen. Anvendelsen av Bayes teorem til beslutningstaking i industrien blir stadig hyppigere. Det er et veldig kraftig verktøy, og bruken av dette bør øke kraftig i de kommende årene.