Các mô hình ra quyết định: Mô hình ống kính và ống kính Brunswik

Có tồn tại một số mô hình quy phạm cho việc ra quyết định cá nhân khác nhau về sự nhấn mạnh và độ phức tạp của chúng. Mô hình mà chúng tôi sẽ trình bày chi tiết là một mô hình đã được sử dụng với rất nhiều thành công trong việc nghiên cứu các đặc điểm cơ bản của việc ra quyết định. Nó cũng cung cấp một khung khái niệm tốt đẹp để xem và đánh giá cao quá trình quyết định.

1. Mô hình ống kính Brunswik:

Một cách để xem các quyết định mà mọi người đưa ra và cách họ đưa ra quyết định đó là thông qua Mô hình ống kính của Brunswik (1956). Sơ đồ của Mô hình ống kính được hiển thị trong Hình 15.3.

Mô hình giả định quá trình quyết định bao gồm ba yếu tố cần thiết:

(1) Thông tin cơ bản trong tình huống quyết định,

(2) Quyết định thực tế được đưa ra bởi người ra quyết định và

(3) Quyết định tối ưu hoặc chính xác cần được đưa ra trong tình huống cụ thể đó.

Mỗi trong số này được hiển thị trong Hình 15.3.

Thông tin cơ bản:

Bất cứ khi nào một người đưa ra quyết định, anh ta có sẵn một số tín hiệu hoặc chỉ số mà anh ta có thể hoặc không thể sử dụng làm công cụ hỗ trợ trong quá trình này. Ví dụ, một giám đốc điều hành phải đối mặt mỗi tháng với vấn đề cố gắng quyết định sản xuất bao nhiêu đơn vị sản phẩm X. Rõ ràng có rất nhiều biến số quyết định mà anh ta có thể sử dụng để giúp anh ta đưa ra quyết định tốt, chẳng hạn như hàng tồn kho, đơn đặt hàng hiện tại, chỉ số thị trường chung, lời khuyên từ cấp dưới trực tiếp, v.v ... Đây là những biến số tiềm năng thể hiện trong hình 15.3.

Quyết định quan sát:

Tất nhiên, bất kỳ quá trình ra quyết định nào cũng phải kết thúc bằng phản hồi của một số người sắp xếp ngay cả khi phản hồi chỉ đơn giản là quyết định không đưa ra phản hồi, có thể an toàn khi nói rằng phản hồi của các loại đã được thực hiện. Việc đưa ra quyết định luôn liên quan đến sự lựa chọn hành động. Do đó, hành vi quyết định của người Viking và hành vi lựa chọn của người khác là những hiện tượng khá khác biệt. Hộp ở phía bên phải của Hình 15.3 thể hiện quá trình hành động mà cuối cùng người ra quyết định cam kết.

Quyết định đúng:

Giống như có một quá trình hành động được quan sát về phía người ra quyết định, do đó, có một phản ứng hoặc lựa chọn tối ưu liên quan đến bất kỳ quyết định nào. Quyết định tối ưu này đại diện cho sự lựa chọn hành động tốt nhất có thể có thể được lựa chọn bởi người ra quyết định trong tình huống cụ thể đó. Trong một ý nghĩa rất thực tế, nó đại diện cho tiêu chí tối thượng mà quyết định thực tế cần được đánh giá.

Trong nhiều tình huống quyết định, thật khó để xác định hoặc biết quyết định tối ưu này là gì hoặc tại một thời điểm cụ thể. Tuy nhiên, ít nhất là trên lý thuyết, một phản ứng tối ưu từ phía người ra quyết định luôn tồn tại. Trong Hình 15.3, giá trị này được hiển thị trong hộp bên trái dưới dạng quyết định chính xác của Wap.

Động lực của mô hình:

Khi đã xác định các thành phần thiết yếu của mô hình, giờ đây có thể kiểm tra mối tương quan giữa các yếu tố này. Những mối quan hệ này cung cấp cho chúng ta một dấu hiệu về sự phức tạp và đặc tính động của quá trình ra quyết định.

Hiệu lực của cue đúng Giá trị thực của bất kỳ dấu hiệu nào có sẵn cho người ra quyết định được thể hiện bằng công suất chẩn đoán hoặc dự đoán. Nói cách khác, làm thế nào hữu ích để có được gợi ý đó trong quá trình quyết định. Mối tương quan giữa cue và quyết định chính xác, nghĩa là hiệu lực của cue thực sự, là chỉ số đại diện cho sức mạnh dự đoán này.

Ví dụ, lấy lại trường hợp giám đốc điều hành của chúng tôi, người liên tục phải đối mặt với vấn đề đưa ra quyết định về việc anh ấy nên sản xuất bao nhiêu đơn vị sản phẩm X mỗi tháng. Một gợi ý anh ta có thể sẽ sử dụng là kích thước của hàng tồn kho hiện tại của anh ta. Giả sử cũng có thể nhìn lại các hồ sơ của năm trước, có thể chỉ định, trong mỗi tháng, số lượng đơn vị X cần được sản xuất. Bảng 15.1 cung cấp một ví dụ giả thuyết cho thấy, cho mỗi tháng vào năm 1966,

(a) Kích thước của hàng tồn kho hiện tại,

(b) Số lượng đơn vị X mà giám đốc điều hành của chúng tôi quyết định sản xuất và

(c) Số lượng đơn vị X nên được sản xuất trong tháng đó.

Nếu chúng ta vẽ biểu đồ tương quan giữa các cột (a) và (c) như được hiển thị m Hình 15.4, chúng ta thấy rằng xu hướng dành cho các giá trị hàng tồn kho thấp sẽ tương ứng với số lượng lớn các đơn vị sẽ được sản xuất. Thật vậy, mối tương quan giữa (a) và (c) là một điểm trừ 0 869! Điều này cho chúng ta biết rằng quy mô của hàng tồn kho hiện tại rất cao, nhưng tiêu cực, liên quan đến số lượng đơn vị cần thiết. Nói cách khác, đây là một cue xuất sắc mà người ra quyết định nên tham dự rất cẩn thận.

Quan sát về hiệu lực của Cue Câu hỏi tiếp theo mà chúng tôi có thể hỏi về quá trình ra quyết định là, Làm thế nào tốt, hoặc ở mức độ nào, người ra quyết định đã sử dụng một gợi ý nào? Đó là một gợi ý có sẵn cho anh ta, anh ta có xu hướng sử dụng nó? Điều này có thể được xác định bằng cách kiểm tra mối tương quan giữa các giá trị cue và những gì người ra quyết định thực sự đã làm đối với một số quyết định, đó là, các cột (a) và (b) trong Bảng 15.1. Mối tương quan này cũng được vẽ trong Hình 15.4, trong đó chúng ta có thể thấy nó có giá trị là 0, 377. Do đó, giám đốc điều hành của chúng tôi rõ ràng đã sử dụng gợi ý, nhưng không đến mức độ nên sử dụng (ít nhất là ông đã có hướng của mối quan hệ thực sự được ước tính chính xác).

Thành tựu của người ra quyết định :

Câu hỏi thứ ba và có lẽ phù hợp nhất chúng ta nên hỏi là câu hỏi người ra quyết định thực hiện nhiệm vụ của mình tốt như thế nào. Có phải anh ta có một thành tích cao trong chừng mực khi những quyết định mà anh ta thực sự đưa ra gần với những quyết định mà, nhìn lại, đáng lẽ phải được đưa ra? Điều này có thể được xác định bằng cách xem xét mức độ tương quan giữa các cột (b) và (c) trong Bảng 15.1.

Mối tương quan giữa số lượng đơn vị điều hành quyết định sản xuất (cột b) và số lượng mà anh ta đã quyết định sản xuất (cột c) hóa ra trong minh họa của chúng tôi là 0, 125 thành tích không tốt theo bất kỳ tiêu chuẩn nào. Người ra quyết định của chúng tôi rõ ràng là không làm tốt như anh ta có thể với một gợi ý có thể rất hữu ích cho anh ta trong những trường hợp đặc biệt này.

Kết quả nghiên cứu :

Mô hình ống kính về cơ bản là một khái niệm mô tả về quá trình quyết định của con người, cung cấp một số chỉ số toán học để chúng ta có thể nghiên cứu quá trình quyết định ở con người. Hầu hết các nghiên cứu dựa trên mô hình đã được nghiên cứu trong phòng thí nghiệm khá trừu tượng, nó không được áp dụng trong nhiều cài đặt nhiệm vụ thực tế. Tuy nhiên, kết quả nghiên cứu đã chỉ ra một số điều khá thú vị về khả năng mọi người sử dụng tín hiệu trong tình huống ra quyết định, do đó, một bản tóm tắt ngắn gọn về những phát hiện này sẽ được đưa ra.

Đầu tiên, một số nghiên cứu (Schenck và Naylor, 1965, 1966; Dudycha và Naylor 1966; Summers, 1962; và Peterson, Hammond và Summers, 1966) đều cho thấy những người ra quyết định có thể học cách sử dụng tín hiệu một cách phù hợp. Đó là, họ có xu hướng tìm hiểu tín hiệu nào tốt và xấu và cung cấp cho các tín hiệu tốt sự chú ý nhiều hơn so với các tín hiệu nghèo.

Tuy nhiên, nghiên cứu của Dudycha-Naylor cho thấy một phát hiện rất thú vị rằng nếu một người ra quyết định có một gợi ý rất tốt và sau đó bạn đưa cho anh ta một gợi ý thứ hai kém hơn nhưng vẫn có một số giá trị dự đoán bổ sung, hiệu suất của anh ta sẽ làm giảm kết quả thành tích kém hơn nếu anh ta chỉ có một gợi ý duy nhất! Rõ ràng các tín hiệu nghèo sẽ tạo ra nhiều tiếng ồn tĩnh hoặc khác trong quá trình ra quyết định hơn là thêm giá trị tiên đoán. Mặt khác, nếu tín hiệu ban đầu chỉ ở mức trung bình trong khả năng dự đoán của nó và bạn cung cấp cho người ra quyết định một gợi ý thứ hai, rất tốt, hiệu suất của anh ta sẽ cải thiện rõ rệt.

Một phát hiện thú vị khác đã được báo cáo gần đây bởi Clark (1966). Ông đã chỉ ra rằng các tín hiệu có giá trị âm không hữu ích đối với người ra quyết định cũng như các tín hiệu có mối quan hệ trực tiếp hoặc tích cực. Vì một số lý do, con người dường như gặp khó khăn hơn trong việc học sử dụng làm nguồn trợ giúp thông tin mang lại giá trị tiêu cực. Người đọc sẽ nhớ rằng với mục đích dự đoán, dấu hiệu của một mối quan hệ không quan trọng, nghĩa là, một gợi ý có giá trị - 0, 80 cũng hữu ích, có khả năng, như một gợi ý có giá trị + 0, 80.

Thông tin khác thu được về những người ra quyết định của con người sử dụng mô hình thấu kính là (1) con người học cách sử dụng các tín hiệu có mối quan hệ tuyến tính với quyết định chính xác hơn so với việc họ sử dụng các tín hiệu có mối quan hệ phi tuyến tính (Dickinson và Naylor, 1966; Hammond và Summers, 1965) và (2) con người có xu hướng sử dụng tín hiệu một cách có hệ thống ngay cả khi các tín hiệu có thể không có sức mạnh dự đoán thực sự nào (Dudycha và Naylor, 1966). Phát hiện sau này chỉ đơn giản có nghĩa là nếu một người ra quyết định được đặt trong tình huống không có tín hiệu nào có sẵn cho anh ta, thì anh ta vẫn sẽ có xu hướng chọn ra và sử dụng một số trong số họ như thể chúng có giá trị.

2. Mô hình Bayes của Ra quyết định :

Một mô hình toán học khác hiện đang được sử dụng nhiều trong nghiên cứu về việc ra quyết định của con người được gọi là Định lý Bayes.

Điều này như sau:

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

Trong đó P (A | B) = xác suất của A đã cho rằng B đã xảy ra

P (B | A) = xác suất B cho rằng A đã xảy ra

P (A) = xác suất của A

P (Ā) = xác suất không phải A, tức là 1 - A

P (B | Ā) = xác suất B đưa ra không phải A

Vì các biểu thức như Định lý Bayes thường có xu hướng khó hiểu, chúng ta hãy xem xét một ví dụ về một nhiệm vụ quyết định thực tế và xem mô hình Bayes có thể áp dụng như thế nào.

Một loại nhiệm vụ ra quyết định điển hình mà tất cả các công ty phải đối mặt là quyết định chọn ai và từ chối ai từ nhóm ứng viên xin việc. Hãy xem xét tình huống mà một công ty đã quyết định thử một bài kiểm tra lựa chọn mới. Xem xét thêm rằng kinh nghiệm đã chỉ ra rằng chỉ có 60 phần trăm nhân viên nộp đơn thực sự là thỏa đáng. Cũng giả sử rằng thực tế của công ty trong quá khứ là thuê tất cả mọi người và cho họ cơ hội làm việc.

Trong số những người đàn ông tỏ ra không đạt yêu cầu, 80 phần trăm đã được tìm thấy vượt quá điểm số trong bài kiểm tra lựa chọn mới, trong khi chỉ có 40 phần trăm những người tỏ ra không đạt điểm cao hơn điểm số. Bây giờ, nếu chúng tôi sử dụng bài kiểm tra này để lựa chọn, và nếu chúng tôi chỉ thuê những người đàn ông trên điểm số bị cắt, thì xác suất mà một người ở trên mức cắt giảm sẽ trở nên thỏa đáng là gì?

Nếu bây giờ chúng ta xác định lại các biểu tượng của mình, chúng ta có:

P (A) = xác suất thành công = 0, 60

P (B) = xác suất vượt qua bài kiểm tra

P (B | A) = xác suất vượt qua bài kiểm tra cho nhân viên thành công = 0, 80

P (B | Ā) = xác suất vượt qua bài kiểm tra cho nhân viên không thành công = 0, 40

P (B | A) = xác suất không vượt qua bài kiểm tra cho nhân viên thành công = 0, 20

P (B | A) = xác suất không vượt qua bài kiểm tra cho nhân viên không thành công = 0, 60

Chúng tôi muốn biết P (A | B), nghĩa là xác suất một người sẽ thành công nếu anh ta vượt qua bài kiểm tra.

Định lý Bayes cho thấy:

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

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

Nói cách khác, nếu chúng tôi chỉ chọn những người vượt qua bài kiểm tra sàng lọc của mình, chúng tôi sẽ đạt được 75% thành công trong việc tuyển dụng, so với con số 60% mà không có bài kiểm tra. Việc áp dụng Định lý Bayes vào việc ra quyết định trong công nghiệp đang trở nên thường xuyên hơn. Nó là một công cụ rất mạnh và việc sử dụng nó sẽ tăng lên rất nhiều trong những năm tới.