શું યોગ્ય નિર્ણય લેણી છે? યોગ્ય નિર્ણય લેણી એ એક સ્વરૂપિત મોડલ છે જેમાં નિર્ણયકર્તા સમસ્યાને નિર્ધારિત કરે છે, સ્પષ્ટ માપદંડ સેટ કરે છે, વિકલ્પો ઉત્પન્ન કરે છે, પ્રત્યેક કરતા માપદંડ સાથે મૂલ્યાંકન કરે છે, અને આશાનું ફળાવનાર ફળાવ કરતા વિકલ્પ પસંદ કરે છે.
રેશનલ (ક્લાસિકલ) મોડલમાં સાત સામાન્ય પગલાં છે: નિર્ણય શોધો, માપદંડ સ્થાપિત કરો, માપદંડને ઓળખો, વિકલ્પો ઉત્પન્ન કરો, તેમને ઓળખેલા માપદંડ સાથે મૂલ્યાંકન કરો, શ્રેષ્ઠ વિકલ્પ ચૂંટો, અને અમલીકરણ અને પ્રત્યેક્ષ કરો. તે આશાવાદી ઉપયોગિતા સિદ્ધાંત (ડેનિયલ બર્નૂલી, ૧૭૩૮; વોન ન્યૂમન અને મોર્ગેન્સ્ટરે ૧૯૪૪માં સ્પષ્ટ કર્યા હતા) અને પૂર્ણ જાણકાર રેશનલ અક્ટરની આશા પર આધારિત છે. નોબેલ પુરસ્કાર ધરાવતા હેરબર્ટ સાયમને (એડમિનિસ્ટ્રેટિવ બહવિયર, ૧૯૪૭) સરહદિત રેશનલિટી અને સેટિસ્ફાઇંગ સાથે ચૂંટ્યો હતો: વાસ્તવિક લોકો, તકનીકી સંબંધે, સમય અને સમજદારીના સંકોચન દ્વારા સંપૂર્ણ રીતે સારું છે કે તેમને શ્રેષ્ઠ છે. બેરી સ્ક્વાર્ઝ (પારાડોક્સ ઓફ ચોઇસ, ૨૦૦૪) માક્સિમાઇઝર્સને અલગ કર્યા જેમણે શ્રેષ્ઠ શોધવા માટે ખોટું નહીં છોડ્યું, અને સેટિસ્ફાઇર્સને જેમણે સારું છે તે સ્થાયી કર્યું; માક્સિમાઇઝર્સ સામાન્ય રીતે વધુ ઉત્તમ વસ્તુઓ પ્રાપ્ત કરે છે પરંતુ તેઓ વધુ સંતોષી છે. એક અભ્યાસમાં માક્સિમાઇઝર ઉદ્યોગસાહસિકોએ આશરે ૨૦ ટકા વધુ કમાવ્યા હતા પરંતુ તેઓ વધુ ખુશ નહીં હતા. પ્રોસ્પેક્ટ થિયરી (કહ્નમન અને ટર્સ્કી, ૧૯૭૯) અને અલાઇસ પારાડોક્સ વધુ દર્શાવે છે કે વાસ્તવિક ચૂંટણીઓ પરિપૂર્ણ રેશનલ મોડલથી ભિન્ન છે. આર્ગ્યુમેન્ટ્રી રેશનલ મોડલનો ઉપયોગી કેન્દ્ર લઈ છે - સ્પષ્ટ માપદંડ અને મૂલ્યાંકિત વિકલ્પો - સંચાલિત પ્રો/કો આર્ગ્યુમેન્ટ ટ્રીઝ, બહુ-મુખ્ય રેટિંગ જે સંમતિ સ્કોર્સમાં સમાયેલ છે, અને પૂર્ણ અડીટ ટ્રેલ, તેથી એક ગ્રૂપ સંયુક્તપણે વિચારી શકે છે તેમ કે તેમને પરફેક્ટ જાણકારી હોવાની ભાવના કરવાની જરૂર નથી.
શું હિતાશક્તિપૂર્ણ નિર્ણય લેવાની છે?
સંજ્ઞાયુક્ત મોડલ કહે છે: તમારા માપદંડ નક્કી કરો, તેમને દરેક વિકલ્પ વિરુદ્ધ વજન આપો, અને શ્રેષ્ઠ પસંદ કરો. તે પુસ્તકનું આદર્શ છે — અને તે શું ખરાબ થાય છે તેનું સમજવું એ તમને વાસ્તવિક નિર્ણયો કરવામાં સક્ષમ બનાવે છે.
ટીઆર;ડીઆર
વિચારક નિર્ણય નિર્માણ એ સંચાલિત, માપદંડો-પહેલાં માળખું છે: સમસ્યાનું વર્ણન કરો, વિકલ્પોને સ્પષ્ટ માપદંડો સાથે ઓળખો, અને મૂલ્ય માટે સૌથી વધુ વિકસિત વિકલ્પ ચૂંટો. તે આશાવાદી ઉપયોગિતા સિદ્ધાંત (બર્નૂલી, 1738; વોન નીઉમન અને મોર્ગેન્સ્ટર્ન, 1944) સાથે જોડાયેલું છે. તેની પ્રખ્યાત સીમાઓને કારણે હેરબર્ટ સાઇમનના સંતુષ્ટ કરવા આવ્યા. વ્યવહારિક લેખની સારવાર: માળખાની શિક્ષણ (સ્પષ્ટ માપદંડો, મૂલ્યાંકન કરેલા વાક્યો); તેની ભૂતકાળ (તમે બધા બધું પર આપી શકો છો) છોડો.
રેશનલ નિર્ણય લેણાનો મોડલ: ૭ પગલાં
- 1
નિર્ણય કરવાની પ્રક્રિયામાં સ્ટેપ 1: નિર્ણય શોધો
અસલ સમસ્યાનું નામ આપો અને જે ચૂંટણી કરવી જોઈએ તે નક્કી કરો.
- 2
સ્ટેપ 2: માપદંડ નિર્ધારિત કરો
સારું ફળાવને શક્ય છે તે માટે માપદંડ નક્કી કરો — તમે વિકલ્પો જોઈ વિના, તેમને માપદંડ નથી બનાવવાની જરૂર.
- 3
સ્ટેપ 3: માપદંડને ઓળખો
જે કારણો સૌથી વધુ મહત્વપૂર્ણ છે તે રેન્ક કરો; હરેક માપદંડ સમાન નથી.
- 4
સ્ટેપ 4: વિકલ્પો ઉમેરો
સાચા વિકલ્પોની યાદી બનાવો.
- 5
સ્ટેપ 5: માપદંડ પ્રમાણે મૂલ્યાંકન કરો
પ્રતિવિકલ્પ પ્રત્યેક માપદંડ પ્રમાણે સ્કોર કરો — મેસેજર પર ન પર, પરંતુ મેરિટ પર.
- 6
સ્ટેપ 6: શ્રેષ્ઠ વિકલ્પ ચૂંટો
સ્કોર કરવાની ક્રિયાપદ પ્રમાણે સૌથી શ્રેષ્ઠ માપદંડ ધરાવતો વિકલ્પ ચૂંટો.
- 7
સ્ટેપ 7: કાર્યાન્વિત કરો અને પુનઃમૂલ્યાંકન કરો
કાર્યાન્વિત કરો, ત્યારબાદ તમારા પ્રદત્ત પરિણામ સાથે તેને પુનઃમૂલ્યાંકન કરો.
જ્યાં તે ટૂટે છે: સરિમાન રેશિયોનાલિટી અને સેટિસ્ફાઇંગ
રેશનલ મોડલ માને છે કે એક સમગ્ર જ્ઞાન ધરાવતા ઓપ્ટિમાઇઝર છે — "આર્થિક માન." આર્થિકવિદ હર્બર્ટ સાયમન એને એડમિનિસ્ટ્રેટિવ બહવિયર (1947)માં વિભાજિત કર્યો. વાસ્તવિક નિર્ણયકર્તાઓ સંપૂર્ણ માહિતી, સમય, અને મેન્ટલ બેંડવિધિનો સામનો કરે છે, તેથી રેશનલિટી બંધ છે. સાયમનની બદલી કરીને, અમે સેટિસ્ફાઇ કરીએ છીએ — એક શબ્દ જે એક શબ્દ સેટિસ્ફાઇ + સફિસમાંથી ઉદ્ભવ્યો છે: અમે એક "સારું જ યોગ્ય" બાર નક્કી કરીએ છીએ અને તેને પાર કરતી પ્રથમ વિકલ્પ લઈએ છીએ. આ વિચાર તેને એટલો પ્રભાવશાળી બનાવ્યો હતો કે સાયમનને 1978 નોબેલ પુરસ્કાર આર્થિકવિજ્ઞાનમાં મળ્યો હતો.
મેક્સિમાઇઝર્સ
એકમાત્ર સર્વશ્રેષ્ઠ વિકલ્પ શોધવા માટે ખૂબ જ જટિલ રીતે શોધો. સામાન્ય રીતે વધુ સારા ફળાફળો મેળવો — અને ખૂબ ખરાબ લાગો.
સેટિસ્ફાઇર્સ
પહેલાં જ શું સાચું છે તે નક્કી કરો, ત્યારબાદ રોકો. તેઓ તેમના ચૂંટણીને વધુ સંતોષી છે.
સારું કરવું પણ ખરાબ લાગવું
મનોવિજ્ઞાની બેરી શ્વાર્ટ્ઝ એકમુખી-સંતુષ્ટિકારક વિભાજનને The Paradox of Choice (2004)માં લોકપ્રિય કર્યા. પ્રમાણો ખૂબ જ અસરકારક છે:
નોકરી શોધ અધ્યયન (Iyengar, Wells & Schwartz, 2006)
જો તમે સારી રીતે શોધવાના છો તો તમને નોકરી મળે છે જેનું મૂલ્ય લગભગ 20% વધુ છે કે જે સંતુષ્ટ છે તેની તુલનામાં પણ તેઓ તેમના જોબ્સ માટે ખૂબ ખુશ નથી અને તેઓ તેમના શોધમાં વધુ નકારાત્મક છે. પેપરનું શીર્ષક તેની જ વાત કહે છે: "ખરેખર વધુ પરંતુ ખુશ નથી."
જામ અધ્યયન (Iyengar & Lepper, 2000)
એક ઉચ્ચ શ્રેણીના ગ્રોસરીમાં, 24 જામો પ્રદર્શિત કરવાથી વધુ લોકો જોડાયા પરંતુ તેમાંથી માત્ર ~3% વિક્રય કર્યા; જ્યારે 6 જામો પ્રદર્શિત કરવાથી ~30% લોકો વિક્રય કર્યા — લગભગ 10 ગુણ વધુ વિક્રય. તે એક ઉદાહરણ બન્યું છે કે "ચૂંટણીનો ઓવરલોડ" કે જેને કોઈને પુનઃસંસ્કાર કરવામાં આવ્યો નથી, તેને જાણવા માટે કે તે એક પ્રસિદ્ધ ઉદાહરણ છે, નહીં કે એક નિયમ.
અર્જુમેન્ટ્રી કેમ ઉપયોગી કોર ઉપયોગમાં લાવે છે
તમે સર્વશ્રેષ્ઠ માહિતી પર આપેલ અપ્ટિમાઇઝ કરી શકતા નથી — પરંતુ તમે શક્ય સંબંધિત માળખાની વાસ્તવિક મૂલ્યને રાખી શકો: સ્પષ્ટ માપદંડો અને તેમના મહત્વ પર મૂલ્યાંકન કરવામાં આવેલ અર્ગ્યુમેન્ટ્સ. Argumentree એ ખૂબ જ સરળ રીતે આ જ કરે છે, જેની બનાવટ અર્ગ્યુમેન્ટ મેપિંગ પર આધારિત છે:
સ્પષ્ટ માપદંડો, જોવા મળેલા
પ્રો અને કોન પ્રત્યેના કારણો અને વિકલ્પોને એક સ્ટ્રક્ચર્ડ પ્રો/કોન ટ્રી તરીકે ઉમેરવામાં આવે છે, તેથી ચૂંટણીનો આધાર એક વ્યક્તિના મનમાં નથી, પરંતુ તે બહાર છે.આમ ચૂંટણીનો આધાર એક વ્યક્તિના મનમાં નથી, પરંતુ તે બહાર છે.
મૂલ્યાંકન કરો, ભાર મૂલ્યાંકન કરો, સ્કોર
ભાગીદારો યોગ્યતા, સ્પષ્ટતા અને સહાયકાર્યની સાચાઈ પર વાર્તાલાપો પર રેટિંગ કરે છે; રેટિંગો ટ્રીમાં સંગ્રહિત થાય છે અને સંપૂર્ણ સમર્થન સ્કોરમાં સમાવિષ્ટ થાય છે — એક સમર્થનીય ભાર મૂલ્યાંકન કરવાની કામગીરી કરો જે સમગ્ર ન હોવાની ભાવના કરતાં વધુ છે.
એક "સારું જ જરૂરી" બાર જોશો
કારણ કે સંપૂર્ણ સમર્થન માપદંડ માપવામાં આવે છે, એક સમૂહ સંતુષ્ટ સ્તર પર સહમત થઈ શકે છે અને તેને બંધ કરી શકે છે — જ્યારે સમાધાન માટે સમય વહેંચવાની જરૂર નથી.
ચૂંટણીનો રેકોર્ડ
આઉટિટ ટ્રેલ ક્રિટેરિયા અને વાર્તાલાપો દ્વારા ચૂંટણીને કારણ કરે છે તે જાણવા માટે તેને પાછળથી વિશ્લેષણ કરી શકાય છે.
તણાવ હેઠળ નિર્ણય લેવાની કુદરતી નિર્ણય લેવા રીત સાથે તુલના કરો, વિસ્તૃત નિર્ણય લેવા પ્રથા અને તેની પાછળના નિર્ણય લેવાના મોડેલ્સ જુઓ, અને જૂથો સહયોગી નિર્ણય લેવા માં તેનો ઉપયોગ કેવી રીતે કરે છે. તેનું આધુનિક, ડેટા-એઆઈ અવતરણ નિર્ણય બુદ્ધિ છે.
આચરણો જે સમજદાર ચૂંટણીઓને ખોલે છે
હાર આવર્ષણ
હારો તેમના સમાન લાભો કરતાં દ્વિગુણ જેટલા દુઃખદાયક લાગે છે (પ્રોસ્પેક્ટ થિયરી), જે સારાંશને પકડવામાં અસર કરે છે.સંબંધિત વિચારણામાં તેઓ વધુ વખત વિચારવામાં આવે છે.
વિશ્લેષણ અવસાદ
તેમની વધુ વિકલ્પો પર સંપૂર્ણપણે વિચાર કરવાથી નિર્ણય પૂર્ણ થાય છે.
આંચરિંગ
પ્રથમ સંખ્યા અથવા વિકલ્પ જોવામાં આવે છે તે પછી તે પછીના દરેક નિર્ણયમાં તે પ્રભાવ પાડે છે.
પ્રમાણિત પક્ષપાત
આપણે તે નિર્ણય પર આગ્રહ કરે છીએ જે આપણે જોઈ રહ્યા છીએ તે સારાંશને વધુ વખત વિચારીએ છીએ.
સામાન્ય પ્રશ્નો
કેવી રીતે નિર્ણય લેવો છે?
નિર્ણય લેવાની એક સ્ટ્રક્ચર્ડ મોડલ છે જેમાં તમે સમસ્યાને નિર્ધારિત કરો, માપદંડ નક્કી કરો, વિકલ્પો ઉમેરો, પ્રતિવિકલ્પ પ્રત્યેક માપદંડ પ્રમાણે મૂલ્યાંકન કરો અને સૌથી શ્રેષ્ઠ માપદંડ ધરાવતો વિકલ્પ ચૂંટો. તે નિર્ણયકારને એક યોગ્ય કાર્યકારી વ્યક્તિ તરીકે માને છે જે શ્રેષ્ઠ સંભાવ્ય ફળાવ પર આધારિત કરે છે — ક્લાસિકલ "આર્થિક માન" નિર્ણય સિદ્ધાંતમાં.
નિર્ણય લેવાની સ્ટેપ્સ શું છે?
સામાન્ય રીતે સાત સ્ટેપ્સ છે: (1) નિર્ણય શોધો; (2) તમારા માપદંડ નક્કી કરો; (3) માપદંડને ઓળખો; (4) વિકલ્પો ઉમેરો; (5) પ્રતિવિકલ્પ પ્રત્યેક માપદંડ પ્રમાણે મૂલ્યાંકન કરો; (6) શ્રેષ્ઠ વિકલ્પ ચૂંટો; અને (7) કાર્યાન્વિત કરો અને પુનઃમૂલ્યાંકન કરો. માપદંડ સ્પષ્ટ કરવાની તેમની ક્ષમતા હોવાનું એકમાત્ર લક્ષણ છે કે તેઓ વિકલ્પોને મૂલ્યાંકન કરવા પહેલાં માપદંડ નક્કી કરે છે.
કેવી રીતે સંપૂર્ણ રીતે નિર્ણય લેવું છે?
સંપૂર્ણ રીતે નિર્ણય લેવાની વિચારણા એ છે કે વાસ્તવિક નિર્ણયકારો સમસ્ત માહિતી સંગ્રહ કરી શકતા નથી અથવા તેઓ હરેક વિકલ્પને મૂલ્યાંકન કરી શકતા નથી. નોબેલ પુરસ્કાર વિજેતા હેરબર્ટ સાઇમન (એડમિનિસ્ટ્રેટિવ બિહેવિયર, 1947) દ્વારા આવેલી બાઉન્ડેડ રેશનાલિટી એ વિચારણા છે કે વાસ્તવિક નિર્ણયકારો સમસ્ત માહિતી સંગ્રહ કરી શકતા નથી અથવા તેઓ હરેક વિકલ્પને મૂલ્યાંકન કરી શકતા નથી. બદલે, તેઓ એક સારું પર્યાપ્ત માપદંડ નક્કી કરે છે અને પ્રથમ વિકલ્પ જે તેમને સારું લાગે છે તેને ચૂંટે છે.
તમે કેવી રીતે એક સારું સંતુષ્ટ હોવા જોઈએ?
બારી સ્ક્વાર્ઝ દ્વારા કરવામાં આવેલા અધ્યયન (The Paradox of Choice, 2004) માં, તમે સારી રીતે શોધવાના છો તો તમને નોકરી મળે છે જેનું મૂલ્ય લગભગ 20% વધુ છે કે જે સંતુષ્ટ છે તેની તુલનામાં પણ તેઓ તેમના જોબ્સ માટે ખૂબ ખુશ નથી અને તેઓ તેમના શોધમાં વધુ નકારાત્મક છે. બારી સ્ક્વાર્ઝના અધ્યયનમાં તેમણે જણાવ્યું હતું કે સારી રીતે શોધવાના છો તો તમને નોકરી મળે છે જેનું મૂલ્ય લગભગ 20% વધુ છે કે જે સંતુષ્ટ છે તેની તુલનામાં પણ તેઓ તેમના જોબ્સ માટે ખૂબ ખુશ નથી અને તેઓ તેમના શોધમાં વધુ નકારાત્મક છે.
કેવી રીતે પૂર્ણ રીતે નિર્ણય લેવું છે તે કાર્યક્ષમ નથી?
ક્લાસિકલ મોડલ અંગેની વિચારણા એ છે કે તે સમગ્ર માહિતી ધરાવતી હોય છે, અનંત વિશ્લેષણ કરે છે અને સમગ્ર પસંદગી કરે છે. પ્રોસ્પેક્ટ થિઓરી (Kahneman & Tversky, 1979) દ્વારા જણાવવામાં આવ્યું છે કે આપણે ફળાવને સંબંધિત સ્થાન પર આધારિત કરીએ છીએ અને હાનિઓને સમાન લાભો કરતાં વધુ લાગે છે. અલાઇસ પારાડોક્સ દ્વારા જણાવવામાં આવ્યું છે કે આપણા પસંદગીઓ મોડલના પોતાના આક્સિયમ્સને લાગુ પડે છે. વ્યવહારિક ફરિયાદ એ નથી કે આપણે સ્ટ્રક્ચર છોડી દેવો જોઈએ, પરંતુ તે છે કે આપણે માપદંડ અને વાર્તાઓને સ્પષ્ટ કરવો જોઈએ અને સમજો કે આપણે સંતુષ્ટ કરવાની જરૂર છે, નહીં કે શ્રેષ્ઠ સંભાવ્ય ફળાવ પર આધારિત કરવાની જરૂર છે.
કારણ કેવી રીતે છે તે સાથે વિચારો
તમારા માપદંડો અને દલીલો સ્પષ્ટ કરો, તેમને જૂથ તરીકે તોલો અને રેકોર્ડ રાખો. Argumentree સાથે તમારા નિર્ણયોમાં રચના લાવો.
શરૂ મુફત