Beslutsteori för verksamhetsstöd

Affärssystem och beslutstödsystem är till för att hjälpa en organisation och beslutsfattare att göra rätt saker. Systemen kan inte göra det själva. Vid design och implementation av verksamhetsstödsystem behöver man därför tänka på vad som händer utanför systemen, hur människan tänker.

För att beskriva de processer som leder fram till ett beslut inom ett företag och vilka processer som tar vid när en rapport genererats ur ett affärssystem eller statistik tagits ur ett Business Intelligence-verktyg kan man använda beslutsteori.

Beslutsteorin är ett stort tvärvetenskapligt fält vars syfte är att beskriva och analysera hur ideala beslut fattas och bör fattas.

Innan vi går vidare måste vi bestämma oss för vad det innebär att fatta ett bra beslut. Om jag beslutar mig för att inte ta med mig att paraply när jag går till jobbet på morgonen och det sedan regnar när jag går hem kan det ligga nära till hands att tycka att jag fattat ett dåligt beslut. Om beslutet grundades på att jag trodde att det skulle vara sol hela dagen och att jag tycker att det är jobbigt att släpa på ett paraply var det dock ett välgrundat och bra beslut. Det faktiska utfallet har inget att göra med hur bra ett beslut är. Ett  bra beslut är istället ett beslut som givet kända fakta och omständigheter bäst hjälper oss nå vårt mål.

För att hålla isär de olika beslutsteoretiska modellerna som finns brukar de delas upp i tre kategorier: normativa, deskriptiva och preskriptiva modeller. Deskriptiva modeller försöker beskriva hur människor faktiskt tänker och fattar beslut. Preskriptiva modeller är ideala modeller som beskriver hur människor bör tänka och fatta beslut för att nå sina mål på bästa sätt. De normativa modellerna avgör sedan vilka preskriptiva modeller som bör användas i varje enskilt fall. Det är inte nödvändigtvis bäst att alltid använda de preskriptiva modellerna. Ta exemplet med paraplyet: Den preskriptiva modellen säger att man bör göra sannolikhetskalkyler, samla in data och väga sannolikheten för att det regnar mot att det inte regnar. Sedan väga det upplevda värdet av att slippa bli blöt mot värdet att slippa släpa på ett paraply i onödan. Skulle man göra den typen av analys för alla beslut man ställs för i vardagen blir livet svårt att leva och det är därför oftast viktigare att man har en modell som är tillräckligt bra. Den normativa modellen i paraplyfallet blir därför oftast en heuristisk som säger "är det mycket moln och ser regnsjukt ut tar jag med ett paraply, annars inte".

I de flesta fallen är enklare heuristiker att föredra framför komplexa modeller. När man ställs inför svårare problem där utfallet kan kosta mycket pengar eller där många människor påverkas är det bra att känna till de preskriptiva modellerna för att upptäcka var människan tenderar att tänka irrationellt eller fatta dåliga beslut. Ett numera klassiskt exempel är formulerat av Tversky och Kahneman[1]:

En ny epidemi är på väg som förutspås ta livet av 600 personer. Två alternativa program har satts ihop för att bekämpa sjukdomen. Anta att de vetenskapliga beräkningarna säger att:
Om program A antas kommer 200 personer att räddas.
Om program B antas finns det 1/3 sannolikhet att 600 personer räddas och 2/3 sannolikhet att ingen räddas.
Vilket alternativ skulle du välja?

Majoriteten av de tillfrågade i studien valde program A. Människan är riskaversiv och tanken att med säkerhet rädda 200 personer gör att program A känns bättre än B, trots att båda program har samma förväntade värde. En annan grupp fick samma fråga, men svarsalternativen uppställda på följande sätt:

Om program C antas kommer 400 personer att dö.
Om program D antas är det 1/3 sannolikhet att ingen dör och 2/3 sannolikhet 600 dör.
Vilket alternativ skulle du välja?

Majoriteten av de tillfrågade valde här program D, tanken att 400 garanterat kommer att dö känns inte acceptabelt i förhållande till 2/3-risken att 600 dör.

Det är lätt att se att båda problemen i grund och botten är lika, och att den enda skillnaden är att beskrivningen ändrats från att fokusera på antalet räddade mot att fokusera på antalet döda. Fenomenet beror på att människan värderar förluster högre än vinster och är villig att ta större risker för att undvika en förlust än för att säkra en vinst.

Hur appliceras då denna kunskap på affärssystem och beslutstödsystem? Redan genom valet av vad som ska visas på en skärm eller i en rapport har beslutsfattarna på något sätt styrts: visas andelen vunna ordrar, eller förlorade ordrar? Andel svinn, eller andel sålda varor? Det är omöjligt att vara helt neutral men genom att veta om de mänskliga processerna kan beslutsunderlaget göras bättre och mindre styrande.

[1] Amos Tversky; Daniel Kahneman. The Framing of Decisions and the Psychology of Choice. Science. New Series, Vol. 211, No 4481. (1981).