Buat Keputusan Lebih Baik Dengan Kemungkinan Bayesian, Cara Cerdas untuk Mempertimbangkan Risiko

Diperkirakan bahwa manusia dewasa membuat sekitar 35.000 keputusan sehari - persentase keputusan yang baik tergantung pada orang dewasa. Pilihan-pilihan ini bisa sama dangkal dengan memutuskan untuk menggulung atau meremas tisu toilet atau secara emosional rumit seperti memutuskan untuk meninggalkan suatu hubungan. Dan karena manusia tunduk pada daripada bias bias emosional mereka, strategi dan kerangka kerja intelektual diperlukan bagi siapa pun yang berharap berfungsi dengan cara yang masuk akal. Sayangnya, kami tidak selalu diberi alat terbaik. Cara kebanyakan orang berpikir tentang probabilitas, misalnya, tidak sesuai dengan yang modern.

Pada hari tertentu, siapa pun yang hidup dalam masyarakat modern akan terlibat dengan organisasi, mesin, dan model penetapan harga yang tidak sepenuhnya mereka pahami. Kebanyakan orang mendekati teka-teki harian ini dengan cara yang praktis, dengan menggunakan informasi yang mereka miliki untuk memaksimalkan peluang untuk hasil yang sukses. Inilah yang pada dasarnya diajarkan oleh orang tua kita sebagai anak-anak. Inilah yang sering orang maksud ketika mereka berbicara tentang "logika." Tetapi ini juga sering merupakan proses yang tidak memadai. Ketika ada kesenjangan pengetahuan yang signifikan itu hanya berbeda sedikit dari menebak. Singkatnya, kita berpikir tentang probabilitas dengan cara yang tidak efisien. Daripada berfokus pada hasil, kita harus fokus pada pemahaman kita tentang situasi menggunakan ide-ide inti probabilitas Bayesian.

Probabilitas Bayesian menggabungkan tingkat kepercayaan terhadap frekuensi historis: Idenya adalah bahwa keputusan yang dibuat dari ketidakpastian diinformasikan oleh apa yang awalnya diketahui seseorang dan diperbarui ketika seseorang menemukan informasi baru. Idenya adalah untuk meminimalkan risiko sambil memaksimalkan pembelajaran. Alih-alih mendekati masalah sebagai monolitik, orang Bayesian memotongnya menjadi lebih mudah dicerna. Pengetahuan dikumpulkan sepanjang jalan.

Untuk memahami cara kerjanya, Anda harus menghitung. Persamaan pusat, juga dikenal sebagai aturan Bayes, dirumuskan oleh Thomas Bayes, seorang pendeta dan ahli matematika Inggris yang meninggal pada tahun 1761. Persamaan ini memprediksi urutan peristiwa yang mengarah pada hasil. Dalam persamaan tersebut, T berarti hipotesis yang diuji dan E mewakili bukti baru yang akan mengkonfirmasi atau membantah hipotesis. Keyakinan di sini tidak objektif, tetapi tergantung pada asumsi sebelumnya dan apa yang dipelajari di sepanjang jalan.

Persamaan ini memungkinkan para pembuat keputusan untuk menetapkan kemungkinan informasi dan peristiwa pada saat yang sama, melapiskan kemungkinan asumsi yang mendasari membuktikan kemungkinan hasil.

Dalam makalah 2011, profesor Queen Mary University Norman Fenton berpendapat bahwa cara paling efektif untuk mengambil keputusan adalah melalui model probabilistik yang dibangun dari jaringan Bayesian. Dia menulis bahwa krisis keuangan 2008 merupakan peringatan bahwa orang dan sistem keuangan perlu mendapatkan penilaian risiko yang lebih baik. Sementara probabilitas Bayesian telah ada sebagai konstruksi kritis sejak abad ke-16, itu tidak diterapkan atau diajarkan secara luas. Dan walaupun jelas bahwa pemikiran Bayesian berlaku untuk keuangan, itu juga masuk akal dari banyak situasi lainnya.

"Untuk menangani masalah-masalah seperti ini secara konsisten dan efektif, kami membutuhkan metode yang ketat untuk mengukur ketidakpastian yang memungkinkan kami untuk menggabungkan data dengan penilaian ahli," tulis Fenton. "Kemungkinan Bayesian adalah pendekatan semacam itu."

Fenton membuat kasus untuk peningkatan penerapan teori Bayesian, tetapi telah diadopsi sebelumnya - dan untuk efek yang baik. Alan Turing menggunakan statistik Bayesian ketika memecahkan kode selama Perang Dunia II. Satu-satunya alasan mengapa hal itu tidak mempopulerkan cara berpikir yang baru adalah bahwa tidak ada yang tahu sampai informasi itu dibuka pada tahun 2012. Itu juga merupakan tahun ketika Nate Silver menggunakan persamaan Bayes untuk memprediksi hasil pemilu 2012 dengan akurasi yang mengesankan.

Probabilitas Bayesian lebih baik daripada sistem prediksi masa depan karena ia juga merupakan salah satu dari sedikit metode yang menjelaskan betapa manusia yang tidak dapat diprediksi sebenarnya. Sementara itu menggabungkan apa yang kita tahu, itu juga menanggapi fakta bahwa pilihan manusia secara konstan dipengaruhi oleh variabel kontekstual dan situasional. Ini membantu apakah Anda mencoba untuk mencari tahu di mana saham untuk diinvestasikan, atau piring buah apa yang akan paling sukses di potluck Anda.

Tetapi bagaimana Anda bisa menerapkannya hari ini? Sederhana: Pikirkan tentang apa yang Anda pikir Anda ketahui dan mengapa Anda pikir Anda mengetahuinya sebelum membuat keputusan. Kemudian pikirkan apakah keputusan itu akan memungkinkan Anda untuk mengkonfirmasi atau menyangkal kecurigaan Anda. Cukup mudah. Ini masalah memiliki disiplin untuk fokus pada mengapa apa yang terjadi daripada realitas peristiwa yang sederhana. Hanya karena sesuatu terjadi tidak membuatnya mungkin.