Entscheidungsfindungsmodelle: Brunswik-Objektiv und Bayes-Modell

Für die individuelle Entscheidungsfindung gibt es mehrere normative Modelle, die sich in ihrer Betonung und Komplexität unterscheiden. Das Modell, das wir im Detail vorstellen werden, ist ein Modell, das mit großem Erfolg bei der Untersuchung der grundlegenden Merkmale der Entscheidungsfindung verwendet wurde. Es bietet auch einen schönen konzeptionellen Rahmen zum Anzeigen und Bewerten des Entscheidungsprozesses.

1. Brunswik-Objektivmodell:

Die Entscheidungen, die die Menschen treffen und wie sie diese treffen, können durch das Lens-Modell von Brunswik (1956) betrachtet werden. Ein Diagramm des Linsenmodells ist in Abbildung 15.3 dargestellt.

Das Modell geht davon aus, dass der Entscheidungsprozess aus drei wesentlichen Elementen besteht:

(1) die grundlegenden Informationen in der Entscheidungssituation,

(2) die tatsächliche Entscheidung des Entscheidungsträgers und

(3) Die optimale oder korrekte Entscheidung, die in dieser besonderen Situation hätte getroffen werden sollen.

Jedes davon ist in Abbildung 15.3 dargestellt.

Grundinformation:

Immer wenn eine Person eine Entscheidung trifft, verfügt sie über eine Reihe von Hinweisen oder Indikatoren, die er als Hilfsmittel für den Prozess verwenden kann oder nicht. Nehmen Sie beispielsweise eine Führungskraft, die sich jeden Monat mit dem Problem konfrontiert sieht, zu entscheiden, wie viele Einheiten von Produkt X produziert werden sollen. Es gibt offensichtlich eine Vielzahl von Entscheidungsvariablen, die er möglicherweise verwenden könnte, um seine Entscheidung zu einer guten zu machen, wie z. B. aktueller Lagerbestand, aktuelle Aufträge, allgemeine Marktindikatoren, Ratschläge von seinen unmittelbaren Untergebenen usw. Dies sind die potenziellen Stichwortvariablen gezeigt in Abbildung 15.3.

Beobachtete Entscheidung:

Natürlich muss jeder Entscheidungsprozess in irgendeiner Art von Reaktion enden - selbst wenn die Antwort einfach die Entscheidung ist, keine Antwort zu geben, kann man mit Sicherheit sagen, dass eine Art Reaktion erfolgt ist. Das Treffen einer Entscheidung beinhaltet immer eine Wahl der Handlung. "Entscheidungsverhalten" und "Wahlverhalten" sind also wirklich nicht zu unterscheidende Phänomene. Der Kasten auf der rechten Seite von Abbildung 15.3 zeigt die Vorgehensweise, zu der sich der Entscheidungsträger schließlich verpflichtet.

Richtige Entscheidung:

So wie der Entscheidungsträger eine beobachtete Vorgehensweise verfolgt, ist mit jeder Entscheidung eine optimale Reaktion oder Entscheidung verbunden. Diese optimale Entscheidung stellt die bestmögliche Wahl der Maßnahme dar, die der Entscheidungsträger möglicherweise in dieser speziellen Situation hätte auswählen können. In einem sehr realen Sinn stellt es das letzte Kriterium dar, anhand dessen die tatsächliche Entscheidung bewertet werden sollte.

In vielen Entscheidungssituationen ist es schwierig, wirklich zu bestimmen oder zu wissen, was diese optimale Entscheidung zu einem bestimmten Zeitpunkt ist oder war. Zumindest theoretisch gibt es jedoch immer eine optimale Reaktion des Entscheidungsträgers. In Abbildung 15.3 wird dieser Wert als „richtige“ Entscheidung in der Box links angezeigt.

Dynamik des Modells:

Nachdem die wesentlichen Bestandteile des Modells definiert wurden, wird es nun möglich, die Wechselbeziehungen zwischen diesen Elementen zu untersuchen. Diese Zusammenhänge geben uns einen Hinweis auf die Komplexität und die dynamischen Eigenschaften des Entscheidungsprozesses.

True Cue Validity Der wahre Wert jedes einzelnen Cues, der dem Entscheidungsträger zur Verfügung steht, wird durch die diagnostische oder vorhersagende „Leistung“ dieses Cues dargestellt. Mit anderen Worten, wie hilfreich ist es, diesen Hinweis während des Entscheidungsprozesses zur Verfügung zu haben. Die Korrelation zwischen dem Stichwort und der richtigen Entscheidung, dh der Gültigkeit des richtigen Hinweises, ist der Index, der diese Vorhersagekraft darstellt.

Nehmen wir zum Beispiel noch einmal den Fall unserer Führungskraft, die ständig mit dem Problem konfrontiert ist, zu entscheiden, wie viele Einheiten von Produkt X er monatlich produzieren soll. Ein Hinweis, den er wahrscheinlich verwenden würde, ist die Größe seines aktuellen Inventars. Nehmen wir außerdem an, dass es möglich ist, während eines Monats die Anzahl der X-Einheiten anzugeben, die produziert werden sollten. Tabelle 15.1 zeigt ein hypothetisches Beispiel, das 1966 für jeden Monat

(a) die Größe des aktuellen Inventars,

(b) Die Anzahl der X-Einheiten, die unsere Führungskraft zur Produktion ausgewählt hat, und

(c) Die Anzahl der X-Einheiten, die in diesem Monat produziert werden sollten.

Wenn wir die Korrelation zwischen den Spalten (a) und (c) wie in Abbildung 15.4 dargestellt darstellen, zeigen wir, dass der Trend dahin geht, dass niedrige Lagerbestände einer hohen Anzahl von Einheiten entsprechen, die produziert werden sollten. In der Tat ist die Korrelation zwischen (a) und (c) minus 869! Dies zeigt uns, dass der Umfang des gegenwärtigen Lagerbestandes in hohem Maße, aber negativ, abhängig von der Anzahl der benötigten Einheiten ist. Mit anderen Worten, dies ist ein hervorragender Hinweis - einer, auf den der Entscheidungsträger sehr sorgfältig achten sollte.

Beobachtete Cue-Gültigkeit Die nächste Frage, die wir uns zum Entscheidungsprozess stellen könnten, lautet: „Wie gut oder inwieweit hat der Entscheidungsträger einen bestimmten Cue verwendet? Das ist ein Stichwort, das ihm zur Verfügung steht, neigt er dazu, es zu benutzen? Dies kann bestimmt werden, indem die Korrelation zwischen den Cue-Werten und dem Verhalten des Entscheidungsträgers bei einer Reihe von Entscheidungen, d. H. Den Spalten (a) und (b) in Tabelle 15.1, untersucht wird. Diese Korrelation ist auch in Abbildung 15.4 dargestellt, wo wir einen Wert von 0, 377 sehen können. Daher benutzte unsere Führungskraft anscheinend das Stichwort, jedoch nicht in dem Maße, in dem es hätte verwendet werden sollen (zumindest hatte er die Richtung der wahren Beziehung richtig eingeschätzt).

Entscheidungsträger-Erfolg :

Die dritte und vielleicht relevanteste Frage, die wir uns stellen sollten, ist die Frage, wie gut der Entscheidungsträger seine Aufgabe erfüllt hat. Hatte er ein hohes Leistungsniveau, da die Entscheidungen, die er tatsächlich getroffen hatte, den Entscheidungen nahe kamen, die im Nachhinein hätten getroffen werden sollen? Dies kann durch Betrachtung des Korrelationsgrades zwischen den Spalten (b) und (c) in Tabelle 15.1 bestimmt werden.

Die Korrelation zwischen der Anzahl der Einheiten, die die Führungskraft zu produzieren entschied (Spalte b), und der Anzahl, die er hätte wählen sollen (Spalte c), erweist sich in unserer Abbildung als 0, 165 - keine sehr gute Leistung nach einem Standard. Unser Entscheider geht es offensichtlich nicht so gut, wie er es mit einem Hinweis tun könnte, der in diesen besonderen Umständen für ihn sehr hilfreich sein könnte.

Forschungsergebnisse :

Das Linsenmodell ist im Wesentlichen eine deskriptive Konzeptualisierung des menschlichen Entscheidungsprozesses, die eine Reihe mathematischer Indizes liefert, anhand derer wir den Entscheidungsprozess beim Menschen untersuchen können. Die meisten auf dem Modell basierenden Forschungsarbeiten waren eher abstrakte Laboruntersuchungen - sie wurden in vielen realistischen Aufgabenstellungen nicht angewendet. Die Forschungsergebnisse haben jedoch einige sehr interessante Dinge über die Fähigkeit der Menschen gezeigt, Hinweise in Entscheidungssituationen zu verwenden, so dass eine kurze Zusammenfassung dieser Ergebnisse gegeben wird.

Zunächst haben eine Reihe von Studien (Schenck und Naylor 1965, 1966; Dudycha und Naylor 1966; Summers 1962; und Peterson, Hammond und Summers 1966) gezeigt, dass Entscheidungsträger lernen können, Cues angemessen zu verwenden. Das heißt, sie neigen dazu, zu lernen, welche Hinweise gut und welche schlecht sind, und den guten Hinweisen mehr Aufmerksamkeit zu widmen als den schlechten Hinweisen.

Die Dudycha-Naylor-Studie zeigte jedoch die sehr interessante Erkenntnis: Wenn ein Entscheidungsträger ein sehr gutes Signal hat und Sie ihm ein zweites Signal geben, das ärmer ist, aber immer noch einen zusätzlichen Vorhersagewert hat, sinkt seine Leistung - schlechtere Leistungsergebnisse als wenn er nur das einzige Stichwort hatte! Anscheinend fügen schlechte Anhaltspunkte dem Entscheidungsprozess mehr statische oder „Geräusche“ hinzu, als dass sie einen Vorhersagewert hinzufügen. Auf der anderen Seite, wenn der anfängliche Cue nur eine mittlere Vorhersagekraft hat und Sie dem Entscheidungsträger einen zweiten, sehr guten Cue geben, verbessert sich seine Leistung deutlich.

Ein anderer interessanter Befund wurde kürzlich von Clark (1966) berichtet. Er zeigte, dass Hinweise mit negativer Gültigkeit für Entscheidungsträger nicht so nützlich sind wie Hinweise, die eine direkte oder positive Beziehung haben. Aus irgendeinem Grund scheint es für Menschen schwieriger zu werden, zu lernen, als Hilfsquellen Informationsquellen zu verwenden, die eine negative Gültigkeit haben. Der Leser wird sich daran erinnern, dass das Vorzeichen einer Beziehung für vorausschauende Zwecke nicht wichtig ist, d. H. Ein Hinweis mit einer Gültigkeit von - 0, 80 ist möglicherweise ebenso nützlich wie ein Hinweis mit einer Gültigkeit von + 0, 80.

Andere Informationen, die über menschliche Entscheidungsträger unter Verwendung des Linsenmodells gewonnen wurden, sind (1) Menschen lernen besser, Cues zu verwenden, die lineare Beziehungen zur richtigen Entscheidung haben, als sie, wenn sie Cues verwenden, die eine nichtlineare Beziehung haben (Dickinson und Naylor, 1966; Hammond und Summers, 1965) und (2) Menschen neigen dazu, systematisch Signale zu verwenden, selbst wenn die Signale überhaupt keine wirkliche Vorhersagekraft besitzen (Dudycha und Naylor, 1966). Diese letztgenannte Feststellung bedeutet einfach, dass, wenn ein Entscheidungsträger in eine Situation gebracht wird, in der keine der ihm zur Verfügung stehenden Hinweise einen Wert hat, er dazu neigen wird, einige von ihnen auszuwählen und zu verwenden, als ob sie einen Wert hätten.

2. Bayes-Modell der Entscheidungsfindung :

Ein anderes mathematisches Modell, das derzeit zunehmend zur Erforschung menschlicher Entscheidungen verwendet wird, wird als Bayes Theorem bezeichnet.

Dies ist wie folgt:

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

Wobei P (A | B) = Wahrscheinlichkeit von A ist, wenn B eingetreten ist

P (B | A) = Wahrscheinlichkeit von B, wenn A eingetreten ist

P (A) = Wahrscheinlichkeit von A

P (Ā) = Wahrscheinlichkeit von nicht A, dh 1 - A

P (B | Ā) = Wahrscheinlichkeit von B nicht A

Da Ausdrücke wie der Satz von Bayes häufig verwirrend wirken, betrachten wir ein Beispiel einer praktischen Entscheidungsaufgabe und sehen, wie das Bayes-Modell angewendet werden kann.

Eine typische Entscheidungsaufgabe, mit der alle Unternehmen konfrontiert sind, ist die Entscheidung, wen sie aus einem Pool von Bewerbern auswählen und wen sie ablehnen. Betrachten Sie die Situation, in der ein Unternehmen beschlossen hat, einen neuen Auswahltest auszuprobieren. Bedenken Sie ferner, dass die Erfahrung gezeigt hat, dass nur 60 Prozent der Beschäftigten tatsächlich zufriedenstellend sind. Nehmen Sie außerdem an, dass die Praxis des Unternehmens in der Vergangenheit darin bestand, alle Mitarbeiter einzustellen und ihnen eine Chance zum Trainieren zu geben.

Bei den Männern, die sich als zufriedenstellend herausstellen, wurde festgestellt, dass 80 Prozent des neuen Auswahltests über einem Grenzwert liegen, während nur 40 Prozent derjenigen, die sich als unbefriedigend über dem Grenzwert herausstellen. Wenn wir diesen Test nun für die Auswahl verwenden und wenn wir nur diese Männer oberhalb der Cut-Off-Bewertung einstellen, wie groß ist die Wahrscheinlichkeit, dass sich eine Person oberhalb der Cut-Off als zufriedenstellend erweist?

Wenn wir jetzt unsere Symbole neu definieren, haben wir:

P (A) = Erfolgswahrscheinlichkeit = 0, 60

P (B) = Wahrscheinlichkeit des Tests

P (B | A) = Wahrscheinlichkeit des Bestehens des Tests, wenn der Mitarbeiter erfolgreich ist = 0, 80

P (B | =) = Wahrscheinlichkeit des Bestehens des Tests, wenn der Mitarbeiter nicht erfolgreich ist = 0, 40

P (B | A) = Wahrscheinlichkeit, dass der Test nicht bestanden wird, wenn der Mitarbeiter erfolgreich ist = 0, 20

P (B | A) = Wahrscheinlichkeit, dass der Test nicht bestanden wird, wenn der Mitarbeiter nicht erfolgreich ist = 0, 60

Wir möchten P (A | B) kennen, dh die Wahrscheinlichkeit, dass eine Person erfolgreich ist, wenn sie den Test bestanden hat.

Bayes Theorem zeigt:

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

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

Mit anderen Worten: Wenn wir nur diejenigen auswählen, die unseren Screening-Test bestehen, werden wir bei der Einstellung 75% Erfolge erzielen, verglichen mit 60% ohne Test. Die Anwendung des Bayes-Theorems auf Entscheidungen in der Industrie wird immer häufiger. Es ist ein sehr leistungsfähiges Werkzeug, dessen Verwendung in den kommenden Jahren stark zunehmen wird.