Besluitvormingsmodellen: Brunswik Lens and Bayes Model

Er bestaan ​​verschillende normatieve modellen voor individuele besluitvorming die verschillen in termen van hun nadruk en complexiteit. Het model dat we in detail zullen presenteren, is een model dat met veel succes is gebruikt bij het bestuderen van de basiskenmerken van besluitvorming. Het biedt ook een mooi conceptueel kader voor het bekijken en waarderen van het beslissingsproces.

1. Brunswik-lensmodel:

Een manier om de beslissingen te bekijken die mensen nemen en hoe ze deze maken, is via het lenzenmodel van Brunswik (1956). Een diagram van het lenzenmodel wordt getoond in figuur 15.3.

Het model gaat ervan uit dat het beslissingsproces uit drie essentiële elementen bestaat:

(1) De basisinformatie in de beslissingssituatie,

(2) De feitelijke beslissing van de beslissingsnemer, en

(3) De optimale of juiste beslissing die in die specifieke situatie had moeten worden genomen.

Elk van deze wordt getoond in figuur 15.3.

Basis informatie:

Telkens iemand een beslissing neemt, beschikt hij over een aantal aanwijzingen of indicatoren die hij al dan niet als hulpmiddel in het proces kan gebruiken. Neem bijvoorbeeld iedere maand een leidinggevende met het probleem om te proberen te beslissen hoeveel eenheden van product X moeten worden geproduceerd. Er zijn uiteraard een groot aantal beslissingsvariabelen die hij mogelijk zou kunnen gebruiken om hem te helpen zijn beslissing goed te maken, zoals huidige inventaris, huidige orders, algemene marktindicatoren, advies van zijn directe ondergeschikten, enz. Dit zijn de potentiële cue-variabelen getoond in Figuur 15.3.

Waargenomen besluit:

Natuurlijk moet elk beslissingsproces in een soort reactie eindigen - zelfs als de reactie simpelweg de beslissing is om geen reactie te geven, is het waarschijnlijk veilig om te zeggen dat er een soort reactie is gegeven. Het nemen van een beslissing houdt altijd een keuze van actie in. Dus "beslissingsgedrag" en "keuzegedrag" zijn eigenlijk vrij ononderscheidbare verschijnselen. De doos aan de rechterkant van figuur 15.3 geeft de gang van zaken weer waaraan de beslisser zich uiteindelijk committeert.

Juiste beslissing:

Net zoals er sprake is van een waargenomen handelwijze van de kant van de beslisser, zo is er ook een optimale reactie of keuze in verband met een beslissing. Deze optimale beslissing vertegenwoordigt de best mogelijke keuze van actie die mogelijk door de beslissingsnemer in die specifieke situatie zou zijn geselecteerd. In zeer reële zin is het het ultieme criterium waartegen de feitelijke beslissing moet worden geëvalueerd.

In veel beslissingsituaties is het moeilijk om ooit echt te bepalen of te weten wat deze optimale beslissing is of was op een bepaald moment. Maar in theorie bestaat er altijd een optimale reactie van de kant van de beslisser. In figuur 15.3 wordt deze waarde in het vak aan de linkerkant weergegeven als de "juiste" beslissing.

Dynamiek van het model:

Nadat de essentiële ingrediënten van het model zijn gedefinieerd, wordt het nu mogelijk om de onderlinge relaties tussen deze elementen te onderzoeken. Deze onderlinge verbanden geven ons een indicatie van de complexiteit en het dynamische kenmerk van het besluitvormingsproces.

True Cue-validiteit De werkelijke waarde van een enkele cue die beschikbaar is voor de beslissingsmaker wordt weergegeven door de diagnostische of voorspellende "kracht" van die cue. Met andere woorden, hoe nuttig is het om die cue beschikbaar te hebben tijdens het beslissingsproces. De correlatie tussen de cue en de juiste beslissing, dat wil zeggen, ware cue-validiteit, is de index die deze voorspellende kracht vertegenwoordigt.

Neem bijvoorbeeld opnieuw het geval van onze manager die voortdurend wordt geconfronteerd met het probleem om een ​​beslissing te nemen over het aantal eenheden product X dat hij elke maand moet produceren. Een keu die hij waarschijnlijk zou gebruiken, is de grootte van zijn huidige inventaris. Veronderstel ook dat bij het terugblikken op de records van het afgelopen jaar het mogelijk is om elke maand het aantal X-eenheden te specificeren dat zou moeten zijn geproduceerd. Tabel 15.1 geeft een hypothetisch voorbeeld dat voor elke maand in 1966

(a) de omvang van de huidige inventaris,

(b) Het aantal X-eenheden dat onze executive heeft besloten te produceren, en

(c) Het aantal X-eenheden dat die maand had moeten worden geproduceerd.

Als we de correlatie tussen kolommen (a) en (c) uitzetten zoals weergegeven in Figuur 15.4, zien we dat de trend is dat lage voorraadwaarden overeenkomen met een hoog aantal eenheden dat moet worden geproduceerd. Inderdaad, de correlatie tussen (a) en (c) is een minus 0 869! Dit vertelt ons dat de grootte van de huidige voorraad sterk is, maar negatief, gerelateerd aan het aantal benodigde eenheden. Met andere woorden, dit is een uitstekende cue - een die de beslissingsmaker zeer zorgvuldig moet volgen.

Waargenomen cue-validiteit De volgende vraag die we ons kunnen stellen over het beslissingsproces is: "Hoe goed, of tot op welke hoogte, gebruikte de beslisser een gegeven signaal? Dat krijgt een cue die voor hem beschikbaar is, heeft hij de neiging om het te gebruiken? Dit kan worden bepaald door de correlatie te onderzoeken tussen de cue-waarden en wat de beslisser feitelijk heeft gedaan over een aantal beslissingen, dat wil zeggen kolommen (a) en (b) in tabel 15.1. Deze correlatie is ook weergegeven in figuur 15.4, waar we kunnen zien dat deze een waarde heeft van 0.377. Dus onze leidinggevende heeft blijkbaar de keu gebruikt, maar niet in de mate waarin deze zou zijn gebruikt (hij had tenminste de richting van de ware relatie naar behoren geschat).

Beslissing Maker-prestatie :

De derde en wellicht meest relevante vraag die we moeten stellen, is de vraag hoe goed de besluitvormer zijn taak heeft vervuld. Had hij een hoog prestatieniveau voor zover de beslissingen die hij daadwerkelijk had genomen, dicht in de buurt kwamen van de beslissingen die achteraf hadden moeten worden genomen? Dit kan worden bepaald door te kijken naar de mate van correlatie tussen kolommen (b) en (c) in tabel 15.1.

De correlatie tussen het aantal eenheden dat de uitvoerende macht had besloten te produceren (kolom b) en het aantal dat hij had moeten beslissen (kolom c) blijkt in onze illustratie 0.165 te zijn - niet zo'n goede prestatie volgens welke norm dan ook. Onze beslissingsmaker doet het duidelijk niet zo goed als hij kon met een signaal dat hem in deze specifieke omstandigheden erg behulpzaam zou kunnen zijn.

Onderzoeksresultaten :

Het lenzenmodel is in feite een beschrijvende conceptualisering van het menselijke beslissingsproces dat een aantal wiskundige indices biedt waarmee we het beslissingsproces in de mens kunnen bestuderen. Het meeste onderzoek op basis van het model was eerder abstract laboratoriumonderzoek - het is niet in veel realistische taakomgevingen toegepast. De onderzoeksresultaten hebben echter verschillende vrij interessante dingen aangegeven over het vermogen van mensen om aanwijzingen in een besluitvormingssituatie te gebruiken, dus een korte samenvatting van deze bevindingen zal worden gegeven.

Eerst hebben een aantal studies (Schenck en Naylor, 1965, 1966; Dudycha en Naylor 1966; Summers, 1962; en Peterson, Hammond en Summers, 1966) aangetoond dat beleidsmakers kunnen leren om op de juiste manier cues te gebruiken. Dat wil zeggen, ze hebben de neiging om te leren welke signalen goed zijn en welke slecht zijn en om de goede signalen meer aandacht te geven dan de arme signalen.

De studie van Dudycha-Naylor toonde echter de zeer interessante bevinding dat als een beslissingsmaker een heel goed signaal heeft en je hem een ​​tweede signaal geeft dat slechter is, maar nog steeds een beetje meer voorspellende waarde heeft, zijn prestaties zullen afnemen - slechter prestatieresultaten dan als hij gewoon de single cue had! Blijkbaar geven slechte signalen meer statische of "ruis" aan het beslissingsproces dan zij voorspellende waarde toevoegen. Aan de andere kant, als de initiële cue slechts een gemiddelde is in zijn voorspellende kracht en je de beslisser een tweede, zeer goede cue geeft, verbetert zijn uitvoering opmerkelijk.

Een andere interessante bevinding werd onlangs gerapporteerd door Clark (1966). Hij toonde aan dat signalen met negatieve geldigheid niet zo bruikbaar zijn voor een beslissingsmaker als signalen die een directe of positieve relatie hebben. Om een ​​of andere reden lijken mensen het moeilijker te hebben om te leren gebruiken als informatiebronnen voor hulpmiddelen die een negatieve geldigheid geven. De lezer zal onthouden dat voor voorspellende doeleinden het teken van een relatie niet belangrijk is, dat wil zeggen, een cue met een geldigheid van - 0, 80 is net zo nuttig, mogelijk als een cue met een geldigheid van + 0, 80.

Andere informatie die is verkregen over menselijke beleidsmakers die het lenzenmodel gebruiken, is (1) mensen zijn beter in het leren gebruiken van signalen die lineaire relaties hebben met de juiste beslissing dan wanneer ze aanwijzingen gebruiken die een niet-lineaire relatie hebben (Dickinson en Naylor, 1966; Hammond and Summers, 1965) en (2) mensen hebben de neiging systematisch signalen te gebruiken, zelfs wanneer de signalen mogelijk geen echte voorspellende kracht hebben (Dudycha en Naylor, 1966). Deze laatste bevinding betekent eenvoudigweg dat als een beslissingsnemer in een situatie wordt geplaatst waarin geen van de signalen die hem ter beschikking staan ​​van enige waarde is, hij er nog steeds de neiging toe zal hebben sommige ervan uit te kiezen en te gebruiken alsof ze waarde hebben.

2. Bayes Model van besluitvorming :

Een ander wiskundig model dat momenteel in toenemende mate wordt gebruikt bij de studie van menselijke besluitvorming staat bekend als de Bayes-stelling.

Dit is als volgt:

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

Waarbij P (A | B) = waarschijnlijkheid van A gegeven dat B is opgetreden

P (B | A) = waarschijnlijkheid van B aangezien A is opgetreden

P (A) = waarschijnlijkheid van A

P (Ā) = waarschijnlijkheid van niet A, dwz 1 - A

P (B | Ā) = waarschijnlijkheid van B gegeven niet A

Omdat uitdrukkingen zoals Bayes-stelling vaak verwarrend zijn, laten we een voorbeeld van een praktische beslissingsopdracht bekijken en zien hoe Bayes Model van toepassing zou kunnen zijn.

Een soort typische besluitvormingsopdracht voor alle bedrijven is die van het kiezen van wie te selecteren en wie af te wijzen van een pool van sollicitanten. Overweeg de situatie dat een bedrijf heeft besloten om een ​​nieuwe selectietest uit te proberen. Overweeg verder dat de ervaring heeft aangetoond dat slechts 60 procent van de werknemers die aan het solliciteren zijn, daadwerkelijk blijken te voldoen. Stel ook dat de praktijk van het bedrijf in het verleden was om iedereen in dienst te nemen en hen een kans te geven om te sporten.

Van de mannen die wel bevredigend blijken te zijn, blijkt dat 80 procent boven een cut-off score op de nieuwe selectietest ligt, terwijl slechts 40 procent van degenen die onbevredigend blijken te zijn boven de cut-off scoren. Als we deze test gebruiken voor selectie en we alleen die mannen boven de cut-offscore huren, wat is dan de kans dat een persoon boven de cut-off tevreden zal zijn?

Als we nu onze symbolen opnieuw definiëren, hebben we:

P (A) = kans om succesvol te zijn = 0, 60

P (B) = kans op slaagtest

P (B | A) = kans op slaagtest, gezien de werknemer succesvol is = 0, 80

P (B | Ā) = kans op slaagtest, gezien de werknemer niet succesvol is = 0, 40

P (B | A) = kans dat de test niet slaagt, aangezien de werknemer succesvol is = 0, 20

P (B | A) = kans dat de test niet slaagt, aangezien de werknemer niet succesvol is = 0, 60

We willen P (A | B) weten, dat wil zeggen, de kans dat een persoon succesvol zal zijn, gezien het feit dat hij geslaagd is voor de test.

Bayes Stelling toont:

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

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

Met andere woorden, als we alleen diegene selecteren die slagen voor onze screeningstest, zullen we met 75 procent succes behalen bij het aannemen, vergeleken met het cijfer van 60 procent zonder de test. De toepassing van de theorie van Bayes op besluitvorming in de industrie komt steeds vaker voor. Het is een zeer krachtige tool en het gebruik ervan zal in de komende jaren aanzienlijk toenemen.