تصمیم‌گیری در شرایط عدم قطعیت شاید دقیقاً همان جایی باشد که تصور ما از «تصمیم منطقی» شروع به فرو ریختن می‌کند. وقتی اطلاعات کامل نداریم، آینده را نمی‌بینیم، رفتار دیگران قابل پیش‌بینی نیست و حتی نمی‌دانیم چه متغیرهایی ممکن است فردا وارد معادله شوند، قرار است عقلانیت دقیقاً چه شکلی داشته باشد؟ آیا تصمیم منطقی تصمیمی است که بیشترین احتمال موفقیت را دارد؟ تصمیمی است که بیشترین سود مورد انتظار را ایجاد می‌کند؟ تصمیمی است که در بدترین حالت کمترین آسیب را می‌زند؟ یا شاید تصمیمی که اگر چند سال بعد فهمیدیم اشتباه بوده، کمترین پشیمانی را برای ما باقی بگذارد؟
برای پاسخ دادن به این پرسش‌ها، نخست باید یک اشتباه بسیار قدیمی را کنار بگذاریم: اینکه «ندانستن» را یک پدیده واحد تصور کنیم.
ما همیشه با یک نوع ندانستن مواجه نیستیم. گاهی دقیقاً می‌دانیم چه چیزهایی ممکن است اتفاق بیفتد و حتی احتمال هرکدام را می‌توانیم با داده‌های مناسب تخمین بزنیم. گاهی اما حتی بر سر مجموعه پیامدهای ممکن هم توافق نداریم، چه رسد به احتمال آن‌ها. این دو وضعیت در نظریه تصمیم‌گیری یکسان نیستند.
تفاوت ریسک و عدم قطعیت چیست؟
فرانک نایت، اقتصاددان آمریکایی، در کتاب Risk, Uncertainty and Profit در سال ۱۹۲۱ یکی از مشهورترین تمایزهای تاریخ نظریه تصمیم را مطرح کرد.
در ساده‌ترین بازسازی، «ریسک» وضعیتی است که در آن می‌توان برای پیامدهای ممکن احتمال‌های معناداری تعریف کرد؛ درحالی‌که «عدم قطعیت» مربوط به موقعیت‌هایی است که چنین احتمال‌هایی به‌سادگی قابل تعیین نیستند.
نایت این تمایز را برای توضیح پدیده‌هایی در اقتصاد و کارآفرینی به کار برد و کتابش بعدها به یکی از نقاط مرجع مهم در بحث عدم قطعیت تبدیل شد.
تصمیم‌گیری تحت ریسک چه تفاوتی با تصمیم‌گیری تحت عدم قطعیت دارد؟
فرض کنید می‌خواهید فردا یک سکه را صد بار بیندازید. اگر سکه سالم و متقارن باشد و شرایط پرتاب نیز سوگیری مشخصی ایجاد نکند، می‌توانید احتمال شیر یا خط را تقریباً ۵۰ درصد در نظر بگیرید. این نمونه‌ای ساده از تصمیم‌گیری در شرایط ریسک است.
اما حالا فرض کنید قرار است با یک فناوری جدید، در بازاری کاملاً نو، شرکتی راه‌اندازی کنید که محصولش هنوز نمونه مشابه معناداری ندارد.
در اینجا مشکل فقط این نیست که نمی‌دانید چه اتفاقی می‌افتد؛ مشکل این است که بخشی از فضای اتفاقات ممکن را هم نمی‌شناسید.
چه کسی می‌داند کدام رفتار مشتری پدیدار خواهد شد؟ چه رقیبی وارد می‌شود؟ کدام مقررات تغییر خواهند کرد؟ چه فناوری جایگزینی ظاهر خواهد شد؟ آیا اصلاً می‌توان برای تمام این رویدادها یک توزیع احتمالاتی قابل‌اعتماد ساخت؟
این تمایز، اگرچه از نظر نظری قدیمی است، یک پیام بسیار کاربردی دارد: هر مسئله‌ای را نباید با ماشین‌حساب احتمال حل کرد.
گاهی با ظاهری علمی به مسئله‌ای بسیار مبهم نگاه می‌کنیم و به خودمان عدد می‌دهیم. می‌گوییم «احتمال موفقیت این شغل ۷۰ درصد است»، «احتمال اینکه این رابطه به ازدواج برسد ۶۰ درصد است» یا «احتمال رشد ۲۰ درصدی بازار در سال آینده ۴۰ درصد است».
اما این اعداد از کجا آمده‌اند؟ آیا داده کافی برای ساختن چنین احتمال‌هایی داریم یا فقط اضطراب خود را با عدد تزئین کرده‌ایم؟
عدد همیشه نشانه دقت نیست. گاهی فقط لباس رسمی حدس است.
پارادوکس السبرگ؛ چرا انسان‌ها از احتمال‌های نامعلوم می‌ترسند؟
دنیل السبرگ در سال ۱۹۶۱ با پژوهشی که بعدها به «پارادوکس السبرگ» شهرت یافت، نشان داد انسان‌ها میان انواع مختلف ندانستن تفاوت می‌گذارند؛ حتی وقتی از دید برخی نظریه‌های کلاسیک تصمیم‌گیری، رفتارشان ناسازگار به نظر می‌رسد.
در مثال مشهور او، افراد با انتخاب‌هایی روبه‌رو می‌شوند که در بعضی از آن‌ها ترکیب احتمالاتی روشن است و در بعضی دیگر، احتمال‌ها نامعلوم‌اند. ترجیحات مشاهده‌شده نشان می‌دهند که افراد ممکن است نسبت به ابهام درباره احتمال‌ها حساس باشند و ریسک شناخته‌شده را به ابهام ترجیح دهند.
موضوع اصلی فقط خطر زیان نبود؛ مسئله این بود که افراد نسبت به کیفیت دانشی که پشت احتمال‌ها قرار دارد واکنش نشان می‌دهند.
چرا این یافته مهم است؟
چون نشان می‌دهد مسئله تصمیم‌گیری فقط درباره پیامدهای خوب و بد نیست؛ درباره میزان اطمینان ما به مدل احتمالاتی نیز هست.
اگر بانکی به شما بگوید «ریسک نکول این وام ۳ درصد است» و این عدد حاصل ده‌ها سال داده، صدها هزار وام مشابه، مدل اعتبارسنجی معتبر و محیطی نسبتاً پایدار باشد، با یک وضعیت روبه‌رو هستید.
اما اگر استارتاپی تازه‌تأسیس بگوید «احتمال موفقیت این محصول ۸۷ درصد است»، باید بپرسید این ۸۷ درصد دقیقاً از کجا آمده است.
احتمال بدون مدل، داده و فرایند ارزیابی‌شده، ممکن است فقط یک حس شخصی باشد که به عدد تبدیل شده است.
در پژوهش‌های آموس تورسکی و دنیل کانمن نیز همین نقطه‌ضعف انسان بارها آشکار شد. آن‌ها نشان دادند وقتی انسان در شرایط عدم قطعیت قضاوت می‌کند، از میان‌برهایی مانند دسترس‌پذیری، نمایندگی و لنگراندازی استفاده می‌کند.
این میان‌برها در بسیاری از موقعیت‌های روزمره کارآمدند، اما می‌توانند خطاهای نظام‌مند ایجاد کنند.
به بیان دیگر، مشکل فقط کمبود اطلاعات نیست؛ مغز ما حتی با اطلاعات موجود هم ممکن است از مسیرهای قابل پیش‌بینی منحرف شود.
چرا اطلاعات بیشتر همیشه عدم قطعیت را کاهش نمی‌دهد؟
حالا سؤال سخت‌تری مطرح می‌شود: وقتی احتمال‌ها واقعاً نامطمئن‌اند، چه باید کرد؟
پاسخ وسوسه‌انگیز این است که بیشتر پیش‌بینی کنیم، داده بیشتری جمع کنیم، مقاله بیشتری بخوانیم، با آدم‌های بیشتری مشورت کنیم و مدل دقیق‌تری بسازیم.
شاید در بعضی تصمیم‌ها همین کار لازم باشد، اما یک مشکل بنیادی وجود دارد: اطلاعات بیشتر همیشه عدم قطعیت را از بین نمی‌برد.
تصور کنید قصد دارید شغلتان را عوض کنید. می‌توانید حقوق شرکت جدید، سابقه مدیر، نرخ رشد صنعت، فاصله تا محل کار، نظر کارکنان و ده‌ها شاخص دیگر را بررسی کنید.
اما هنوز نمی‌دانید مدیرتان شش ماه دیگر استعفا خواهد داد یا نه. نمی‌دانید اقتصاد وارد رکود می‌شود یا نه. نمی‌دانید خودتان پس از دو سال از این صنعت خسته خواهید شد یا نه. نمی‌دانید فرصتی بهتر که هنوز وجود خارجی ندارد، سال آینده ظاهر خواهد شد یا نه.
پس مسئله همیشه این نیست که «پیش‌بینی من بهتر باشد».
گاهی مسئله این است که تصمیم من طوری طراحی شود که به پیش‌بینی دقیق وابسته نباشد.
این همان تغییری است که در تصمیم‌گیری تحت شرایط عدم قطعیت باید رخ دهد. به‌جای اینکه تمام انرژی خود را صرف پیدا کردن یک آینده درست کنیم، باید خودمان را برای چند آینده ممکن آماده کنیم.
از اینجا مفهوم سناریونویسی وارد می‌شود.
سناریونویسی در تصمیم‌گیری؛ چگونه برای چند آینده آماده شویم؟
سناریو را نباید با پیش‌بینی اشتباه گرفت.
پیش‌بینی می‌پرسد: «به احتمال زیاد چه اتفاقی خواهد افتاد؟»
سناریو سؤال دیگری مطرح می‌کند: «چه آینده‌هایی ممکن است شکل بگیرند و اگر هرکدام رخ دهند، تصمیم من چه عملکردی خواهد داشت؟»
این تفاوت ظریف نیست؛ تفاوت دو شیوه نگاه کردن به آینده است.
اگر فقط یک آینده را پیش‌بینی کنید، تصمیم شما به یک شرط وابسته می‌شود: اینکه پیش‌بینی‌تان درست از آب دربیاید.
اما اگر سه یا چهار آینده متفاوت را بررسی کنید، سؤال از «آیا پیش‌بینی من درست است؟» به «آیا تصمیم من در چند آینده متفاوت هنوز قابل دفاع است؟» تغییر می‌کند.
داستان شرکت شل و سناریونویسی پیش از بحران نفت ۱۹۷۳
شرکت شل یکی از معروف‌ترین نمونه‌های تاریخی استفاده از سناریوهاست.
کار سناریوسازی در شل از دهه ۱۹۶۰ شکل گرفت و در دهه ۱۹۷۰ به ابزار مهمی برای برنامه‌ریزی تبدیل شد. اسناد و پژوهش‌های تاریخی نشان می‌دهند تیم‌های شل در اوایل دهه ۱۹۷۰ سناریوهایی درباره اختلال در عرضه نفت و جهش شدید قیمت‌ها ساخته بودند و این سناریوها پیش از بحران نفتی ۱۹۷۳ در اختیار مدیران قرار گرفته بودند.
بعدها روایت‌های ساده‌شده‌ای شکل گرفت که گویی شل «بحران نفت را پیش‌بینی کرده بود»، اما بررسی‌های تاریخی دقیق‌تر نشان می‌دهند واقعیت پیچیده‌تر بوده است: بخشی از سناریوها مفید بودند، برخی جزئیات را از دست داده بودند و خود فرایند نیز در دوره‌های مختلف دچار خطا و محافظه‌کاری شده بود.
همین نکته یکی از مهم‌ترین درس‌های سناریونویسی است.
قرار نیست سناریوها آینده را پیش‌گویی کنند.
شل بعدها نیز سناریونویسی را راهی برای پرسیدن سؤال‌های «چه می‌شود اگر؟» و گسترش دامنه تفکر مدیران معرفی کرد؛ یعنی به‌جای اینکه یک روایت درباره آینده را قطعی تلقی کنند، روایت‌های متعددی را برای بررسی امکان‌ها به کار ببرند.
روش سه سناریو؛ بهترین حالت، حالت پایه و بدترین حالت
اگر بخواهیم همین روش را به زندگی فردی منتقل کنیم، می‌توانیم از ساده‌ترین شکل آن شروع کنیم: بهترین حالت، حالت پایه و بدترین حالت.
اما حتی این سه‌گانه هم اگر نادرست استفاده شود، می‌تواند به ابزاری ضعیف تبدیل شود.
بهترین حالت یعنی چه؟
بهترین حالت فقط «همه‌چیز عالی پیش می‌رود» نیست. باید داستانی معقول برای بهترین نتیجه بنویسید.
مثلاً اگر قصد دارید شغل جدیدی را بپذیرید، بهترین حالت می‌تواند این باشد که در شش ماه اول عملکرد خوبی داشته باشید، مسئولیت بیشتری بگیرید، ارتباطات حرفه‌ای مهمی ایجاد کنید و این تغییر مسیر شغلی‌تان را سریع‌تر کند.
حالت پایه چیست؟
حالتی که بدون خوش‌بینی یا بدبینی افراطی، آینده‌ای مرکزی و نسبتاً معقول را توصیف می‌کند. اما دقت کنید: حالت پایه (Base Case) الزاماً «محتمل‌ترین آینده با دقت ریاضی» نیست.
اینجا هم باید مراقب باشیم یک سناریوی مرکزی را با حقیقت آینده اشتباه نگیریم.
و بدترین حالت؟
باز هم نه یک فاجعه سینمایی. بدترین حالت باید وضعیتی نامطلوب اما قابل‌تصور باشد.
مثلاً شغل جدید آن‌طور که انتظار داشتید پیش نرود، قرارداد تمدید نشود و بعد از یک سال مجبور شوید دوباره بازار کار را بررسی کنید.
حالا سؤال مهم‌تر می‌شود: آیا اگر بدترین حالت اتفاق بیفتد، زندگی شما فرو می‌ریزد؟ یا صرفاً هزینه‌ای پرداخت می‌کنید و مسیرتان را اصلاح می‌کنید؟
این پرسش ما را به قلب تصمیم‌گیری مقاوم می‌رساند.
تصمیم‌های برگشت‌پذیر؛ چگونه هزینه اشتباه را کاهش دهیم؟
یک تصمیم می‌تواند در بهترین حالت بسیار جذاب باشد، اما در بدترین حالت فاجعه‌بار. تصمیم دیگری ممکن است در بهترین حالت آن‌قدر خیره‌کننده نباشد، اما در مجموعه وسیعی از آینده‌ها «به‌اندازه کافی خوب» بماند.
کدام‌یک عقلانی‌تر است؟
پاسخ همیشه گزینه اول نیست.
به همین دلیل است که در تصمیم‌های بزرگ باید از خود بپرسیم: «اگر آینده‌ای که انتظار دارم اتفاق نیفتد، چه چیزی از تصمیم من باقی می‌ماند؟»
این پرسش به‌خصوص در تصمیم‌های برگشت‌ناپذیر اهمیت پیدا می‌کند. وقتی یک تصمیم را به‌راحتی نمی‌توان اصلاح کرد، کیفیت طراحی آن اهمیت بیشتری پیدا می‌کند.
فرض کنید برای تحصیل به شهری دیگر مهاجرت می‌کنید، تمام پس‌اندازتان را خرج می‌کنید و شغلتان را ترک می‌کنید. این تصمیم به‌شدت به مجموعه‌ای از پیش‌بینی‌ها وابسته است.
اما اگر بتوانید ابتدا برای چند ماه به‌صورت آزمایشی در آن شهر زندگی کنید، پس‌انداز اضطراری خود را حفظ کنید، امکان بازگشت به شغل قبلی را داشته باشید و تصمیم را مرحله‌ای کنید، همان عدم قطعیت دیگر قدرت قبلی را بر شما ندارد.
به عبارت دیگر، یکی از مهم‌ترین تکنیک‌های مواجهه با عدم قطعیت این است که تصمیم را تا حد امکان برگشت‌پذیر کنیم.
وقتی اطلاعات ناقص است، چرا باید تمام سرمایه را یک‌باره روی یک فرضیه قرار دهیم؟ چرا حرکتی بزرگ و برگشت‌ناپذیر را انتخاب کنیم، وقتی می‌توانیم ابتدا حرکتی کوچک و اطلاعات‌زا انجام دهیم؟
ارزش اطلاعات؛ چه زمانی تحقیق بیشتر واقعاً مفید است؟
اینجا یک اصل مهم پدیدار می‌شود: در شرایط عدم قطعیت، گاهی بهترین سرمایه‌گذاری نه روی نتیجه، بلکه روی کسب اطلاعات بیشتر است.
اگر می‌توانید با پروژه‌ای آزمایشی و سه‌ماهه، اطلاعاتی به دست آورید که تصمیم بزرگ بعدی را بهتر کند، ارزش آن پروژه فقط در سود مستقیمش نیست. ارزش اصلی‌اش در اطلاعاتی است که برای کاهش عدم قطعیت تولید می‌کند.
اما باید مراقب دام ظریفی هم باشیم.
«اطلاعات بیشتر» خودش می‌تواند بهانه‌ای برای تعویق تصمیم شود.
چقدر اطلاعات کافی است؟
هیچ پاسخ عمومی برای این سؤال وجود ندارد. اما راه بهتر این است که بپرسیم: «کدام اطلاعات، اگر به دستم برسند، واقعاً تصمیمم را تغییر خواهند داد؟»
اگر پاسخ این است که هیچ اطلاعات جدیدی نمی‌تواند اولویت گزینه‌ها را جابه‌جا کند، جست‌وجوی بیشتر احتمالاً فقط نوعی تعلل تحصیل‌کرده است.
اما اگر داده‌ای مشخص، مثلاً امکان دورکاری، وضعیت قرارداد یا هزینه واقعی یک گزینه، می‌تواند تصمیم را عوض کند، آن اطلاعات ارزشمند است.
این همان جایی است که تصمیم‌گیرنده حرفه‌ای با تصمیم‌گیرنده مضطرب تفاوت پیدا می‌کند.
تصمیم‌گیرنده مضطرب معمولاً می‌خواهد «کاملاً مطمئن» شود. تصمیم‌گیرنده حرفه‌ای می‌خواهد بداند: «چه چیزی هنوز ناشناخته است که اگر آن را بدانم، واقعاً تصمیمم تغییر می‌کند؟»
چگونه سناریوها را به برنامه عملی تبدیل کنیم؟
هیچ‌کس در زندگی به اطمینان کامل دسترسی ندارد، اما می‌توانیم عدم قطعیت را ساختاربندی کنیم.
تصور کنید قصد راه‌اندازی یک کسب‌وکار دارید. به‌جای اینکه فقط بپرسید «آیا موفق می‌شود؟»، چند آینده سازگار و قابل‌تصور بسازید.
در یک آینده، تقاضا کمتر از انتظار است، اما هزینه‌ها قابل‌کنترل می‌مانند.
در آینده‌ای دیگر، تقاضا بسیار بالا می‌رود، اما رقیبی قدرتمند وارد بازار می‌شود.
در آینده سوم، بازار رشد می‌کند، اما قانون‌گذاری جدید هزینه عملیات را افزایش می‌دهد.
و در آینده‌ای متفاوت، خود محصول چندان موفق نیست، اما مشتریان به کاربردی فرعی علاقه نشان می‌دهند و همان مسیر جدید به هسته کسب‌وکار تبدیل می‌شود.
اکنون دیگر با یک سؤال ساده «موفق یا ناموفق» مواجه نیستید. شما مجموعه‌ای از آینده‌های ممکن را پیش روی خود دارید.
در همین‌جا اشتباه رایج دیگری رخ می‌دهد: مردم معمولاً سناریوها را فقط برای ترساندن خود از آینده بد می‌سازند.
اما هدف واقعی سناریونویسی فقط کشف تهدید نیست؛ کشف فرصت و شناسایی تصمیم‌هایی است که در چند آینده مختلف کار می‌کنند.
برای همین در سناریونویسی حرفه‌ای فقط به «چه چیزی ممکن است رخ دهد؟» فکر نمی‌کنیم.
می‌پرسیم: «اگر این اتفاق رخ دهد، کدام نشانه‌ها را زودتر خواهیم دید؟»
این نشانه‌ها در ادبیات سناریونویسی با اصطلاحاتی مانند Signposts شناخته می‌شوند.
شل و دیگر سازمان‌هایی که از سناریونویسی استفاده کرده‌اند، به همین مسئله توجه داشته‌اند: سناریوها نباید داستان‌هایی باشند که یک‌بار نوشته شوند و سپس در کشوی مدیر بمانند؛ باید راهی برای تشخیص تغییر مسیر جهان فراهم کنند.
فرض کنید می‌خواهید بدانید بازار هدف شما وارد سناریوی رشد می‌شود یا رکود.
شاید افزایش تعداد مشتریان آزمایشی، تغییر سیاست قیمت‌گذاری رقبا و روند جست‌وجوی اینترنتی سه نشانه اولیه باشند.
لازم نیست آینده را دقیق پیش‌بینی کنید. کافی است بدانید کدام نشانه‌ها به شما می‌گویند باید استراتژی را تغییر دهید.
این موضوع ما را به مفهوم «تصمیم تطبیقی» می‌رساند.
یک تصمیم خوب لزوماً تصمیمی نیست که در روز اول همه‌چیز را برای همیشه حل کند. ممکن است تصمیم خوب تصمیمی باشد که اجازه دهد در آینده، با ورود اطلاعات جدید، مسیر را اصلاح کنید.
این یعنی به‌جای طراحی نقشه‌ای ثابت، نوعی سیستم کنترل و بازنگری بسازید.
تصمیم‌گیری مقاوم چیست؟ آشنایی با Robust Decision Making
در مدیریت عدم قطعیت عمیق، رویکردی به نام «تصمیم‌گیری مقاوم» یا Robust Decision Making اهمیت ویژه‌ای دارد.
رابرت لمپرت و همکارانش در این چارچوب، به‌جای اینکه اساس کار را بر پیش‌بینی دقیق آینده بگذارند، بر آزمون تصمیم‌ها در مجموعه بزرگی از آینده‌های ممکن تأکید می‌کنند.
در این رویکرد، سؤال محوری این نیست که «بهترین پیش‌بینی ما چیست؟»
بلکه این است: «این سیاست یا تصمیم در چه طیفی از آینده‌ها عملکرد قابل‌قبولی دارد و در کجاها شکست می‌خورد؟»
در مطالعه‌ای در حوزه سیاست‌گذاری محیط‌زیست، لمپرت و کالینز نشان دادند که در شرایط عدم قطعیت عمیق و پاسخ‌های غیرخطی، استراتژی‌های مقاوم می‌توانند نسبت به استراتژی‌هایی که فقط بر بهینه‌سازی تحت مجموعه‌ای مشخص از فرض‌ها تکیه دارند، مزیت داشته باشند.
آن‌ها در مدلی شبیه‌سازی‌شده، گزینه‌هایی مانند پذیرفتن عملکردی کمی پایین‌تر در ازای حساسیت کمتر به فرض‌ها و حفظ گزینه‌های آینده را بررسی کردند.
نتیجه مهم برای ما این است که گاهی «بهترین» تصمیم تحت یک پیش‌بینی خاص، لزوماً بهترین تصمیم در دنیای واقعی نیست.
تفاوت تصمیم بهینه و تصمیم مقاوم
فرض کنید دو پیشنهاد شغلی دارید.
شغل A در بهترین برآورد شما کمی سودآورتر است، اما کاملاً به رشد سریع یک صنعت وابسته است.
شغل B درآمد کمتری دارد، اما مهارت‌هایی به شما می‌دهد که در چند صنعت مختلف قابل استفاده‌اند.
اگر فقط یک آینده را پیش‌بینی کنید، شاید A برنده باشد.
اما اگر پنج آینده مختلف را در نظر بگیرید، ممکن است B گزینه مقاوم‌تری باشد.
چرا؟
چون عملکردش کمتر به یک فرض خاص وابسته است.
اینجاست که تفاوت میان «بهترین تصمیم» و «تصمیم مقاوم» روشن می‌شود.
بهترین تصمیم تحت یک مدل مشخص می‌پرسد: «اگر مدل من درست باشد، کدام گزینه بیشترین بازده را دارد؟»
تصمیم مقاوم می‌پرسد: «اگر مدل من اشتباه باشد، کدام گزینه هنوز قابل‌تحمل است؟»
این دو پرسش همیشه پاسخ یکسانی ندارند.
شاید حتی بهتر باشد بگوییم در شرایط عدم قطعیت، گاهی باید به‌جای بیشینه‌سازی بازده، به «کف عملکرد» نگاه کنیم.
چرا باید بدترین پیامد تصمیم را هم بررسی کنیم؟
یک گزینه چقدر می‌تواند افت کند و هنوز زندگی شما را در وضعیتی قابل‌تحمل نگه دارد؟
یک شغل ممکن است در بدترین حالت کمی کمتر درآمد داشته باشد، اما استقلال بالایی برایتان باقی بگذارد.
یک سرمایه‌گذاری ممکن است در سناریوی منفی زیان ایجاد کند، اما کل دارایی شما را در معرض نابودی نگذارد.
یک تصمیم مهاجرتی ممکن است به نتیجه دلخواه نرسد، اما با داشتن مسیر بازگشت، شبکه حمایتی و منابع مالی، هزینه آن قابل مدیریت بماند.
این نگاه تفاوتی بنیادین ایجاد می‌کند: شما دیگر فقط نتیجه متوسط را ارزیابی نمی‌کنید؛ دامنه و شدت پیامدهای ممکن را هم می‌بینید.
در تصمیم‌های مهم زندگی شاید لازم باشد به‌جای یک عدد، به یک طیف فکر کنید.
اگر درآمد یک تصمیم می‌تواند بین دو مقدار متفاوت تغییر کند، چه می‌شود اگر هزینه‌ها نیز در بازه‌ای وسیع نوسان داشته باشند؟ اگر تحقق نتیجه به‌جای شش ماه، سه سال طول بکشد چه؟ اگر احتمال موفقیت بسیار مبهم باشد، آیا تصمیم هنوز ارزش انجام دادن دارد؟
همین‌جا استفاده از بدترین حالت اهمیت پیدا می‌کند.
اما نکته ظریفی وجود دارد: بدترین حالت فقط برای ترساندن شما نیست؛ باید به اقدامی مشخص منتهی شود.
اگر می‌گوییم «ممکن است پروژه شکست بخورد»، هنوز فایده عملی زیادی ندارد.
اما اگر می‌گوییم «اگر فروش پایین باشد، ظرف شش ماه هزینه‌ها را تا سطح مشخصی کاهش می‌دهم؛ اگر شاخص هشدار از حد معینی عبور کند، مدل فروش را بازبینی می‌کنم؛ و اگر تا تاریخ مشخصی به حداقل درآمد نرسیدم، پروژه را بازطراحی می‌کنم»، حالا عدم قطعیت به یک سیستم مدیریت تبدیل شده است.
در واقع، تصمیم‌گیری مقاوم یعنی برای شکست احتمالی، از قبل معماری داشته باشیم.
تکنیک پیش‌مرگ در تصمیم‌گیری؛ چگونه شکست را قبل از وقوع بررسی کنیم؟
این بحث ما را به یکی از کاربردی‌ترین روش‌های بررسی تصمیم‌های مهم می‌رساند: «پیش‌مرگ» یا Premortem.
فرض کنید تصمیمی گرفته‌اید و یک سال گذشته است. پروژه شکست خورده، اعتبارتان آسیب دیده، سرمایه از بین رفته و رابطه کاری خراب شده است.
حالا از شما می‌پرسند: «چه اتفاقی افتاد؟»
اگر شکست واقعاً رخ داده باشد، در حال انجام بررسی پس از شکست یا Postmortem هستید.
اما پیش‌مرگ سؤال را عمداً به گذشته‌ای خیالی منتقل می‌کند:
«فرض کنید این تصمیم شکست خورده است. حالا بگویید چرا.»
این تغییر کوچک در زمان، می‌تواند اثر روان‌شناختی مهمی داشته باشد.
گری کلاین و پژوهش‌های علمی درباره پیش‌مرگ
گری کلاین این روش را در ادبیات تصمیم‌گیری سازمانی مشهور کرد.
او در مقاله‌ای در Harvard Business Review توضیح داد که در پیش‌مرگ، اعضای تیم فرض می‌کنند پروژه از قبل شکست خورده و سپس آزادانه دلایل احتمالی شکست را فهرست می‌کنند.
هدف این است که موانعی که در جلسه‌های معمول برنامه‌ریزی به دلیل خوش‌بینی، فشار اجتماعی یا وفاداری به برنامه مطرح نمی‌شوند، زودتر آشکار شوند.
مبنای روان‌شناختی این روش با پژوهشی در سال ۱۹۸۹ توسط دبورا میچل، جی روسو و نانسی پنینگتون درباره «پس‌نگری آینده‌نگر» یا Prospective Hindsight ارتباط دارد.
در این پژوهش، تصور اینکه نتیجه‌ای از قبل رخ داده است، توانایی افراد را برای تولید دلایل آن نتیجه افزایش داد.
عدد مشهور ۳۰ درصد که بعدها درباره پیش‌مرگ تکرار شد، به همین یافته مربوط است.
اما اینجا باید بسیار دقیق باشیم.
این ۳۰ درصد را نباید به این معنا خواند که پیش‌مرگ حتماً موفقیت پروژه را ۳۰ درصد افزایش می‌دهد.
پژوهش اصلی بیشتر به تولید دلایل مربوط بود، نه تضمین کیفیت تمام دلایل یا اثبات مستقیم افزایش نرخ موفقیت واقعی پروژه.
بنابراین بهتر است بگوییم پیش‌مرگ ابزاری برای آشکارسازی دلایل و ریسک‌های احتمالی است، نه دکمه‌ای جادویی برای تضمین موفقیت.
چرا تصور شکست می‌تواند به تصمیم‌گیری بهتر کمک کند؟
یکی از توضیح‌های احتمالی این است که وقتی تیم هنوز در حال دفاع از تصمیم خود است، گفتن جمله‌ای مانند «این طرح ممکن است شکست بخورد چون مدیرعامل توانایی لازم را ندارد» از نظر اجتماعی پرهزینه است.
اما وقتی از افراد خواسته می‌شود فرض کنند شکست واقعاً رخ داده، شرایط گفت‌وگو تغییر می‌کند.
فرض شکست نوعی مجوز شناختی و اجتماعی ایجاد می‌کند.
در جلسات عادی، فرد مخالف ممکن است احساس کند نقش او «منتقد پروژه» است. در پیش‌مرگ، او دیگر مخالف پروژه نیست؛ وظیفه‌اش توضیح دادن شکست فرضی است.
این تغییر نقش می‌تواند دیدگاه‌های خاموش را آشکار کند.
کلاین در توضیح این روش حتی نمونه‌ای از پروژه‌ای را توصیف می‌کند که یکی از اعضای تیم، که پیش‌تر درباره نگرانی‌اش صحبت نکرده بود، در چارچوب پیش‌مرگ به محدودیتی فنی و مهم اشاره کرد؛ نکته‌ای که پس از مطرح شدن به اصلاح پروژه کمک کرد.
ارزش روش فقط در پیدا کردن آینده بد نیست؛ در ایجاد اجازه اجتماعی برای گفتن چیزهایی است که پیش از آن بیانشان دشوار بود.
آموزش اجرای تکنیک پیش‌مرگ در پنج مرحله
اگر قرار است تصمیم مهمی بگیرید، ابتدا از خود بپرسید: «فرض کنیم یک سال بعد همه‌چیز شکست خورده است. چرا؟»
اما سؤال را خیلی باز نگذارید. ذهن در پاسخ به چنین پرسشی هم ممکن است کلی‌گویی کند.
بهتر است شکست را در حوزه‌های مختلف بررسی کنید.
آیا مشکل از زمان‌بندی بود؟ آیا منابع مالی کافی نبود؟ آیا درباره رفتار دیگران فرض غیرواقعی داشتم؟ آیا مسئله اصلی را درست تشخیص نداده بودم؟ آیا عاملی خارجی را جدی نگرفتم؟ آیا وابستگی من به یک نفر یا یک سیستم بیش از اندازه بود؟
آیا هزینه تغییر مسیر را دست‌کم گرفتم؟ آیا چون به تصمیم علاقه داشتم، شواهد مخالف آن را نادیده گرفتم؟ آیا شاخصی وجود داشت که اگر آن را زودتر دنبال می‌کردم، می‌توانستم شکست را پیش از وقوع تشخیص دهم؟
این سؤال آخر شاید مهم‌ترین سؤال باشد.
چون پیش‌مرگ نباید فقط فهرستی از ترس‌ها تولید کند؛ باید به طراحی اقدامات منجر شود.
برای اجرای آن می‌توانیم پنج مرحله مشخص داشته باشیم:
-
شکست فرضی را تعریف کنیم: تصور کنیم تصمیم گرفته شده و نتیجه نامطلوب رخ داده است.
-
دلایل احتمالی شکست را فهرست کنیم: از عوامل مالی و اجرایی تا فرض‌های اشتباه و وابستگی‌های پنهان.
-
دلایل مهم‌تر را مشخص کنیم: کدام عوامل می‌توانند بیشترین آسیب را ایجاد کنند؟
-
نشانه‌های هشدار را تعیین کنیم: پیش از وقوع شکست، چه چیزی ممکن است به ما هشدار دهد؟
-
پاسخ عملی طراحی کنیم: اگر آن نشانه ظاهر شد، دقیقاً چه اقدامی انجام خواهیم داد؟
مثلاً اگر یکی از دلایل شکست این است که «ممکن است در سه ماه اول مشتری کافی پیدا نکنم»، اقدام چیست؟
قرار نیست فقط بنویسیم «مشتری کم».
باید بگوییم: «پیش از افزایش هزینه‌ها، آزمایشی ۶۰روزه اجرا می‌کنم؛ اگر تعداد مشتریان آزمایشی از حد مشخصی کمتر بود، مدل فروش را تغییر می‌دهم یا سرمایه‌گذاری را متوقف می‌کنم.»
در این لحظه پیش‌مرگ به ابزاری برای تصمیم‌گیری مقاوم تبدیل می‌شود.
ابتدا شکست احتمالی را تصور می‌کنیم. سپس سازوکار شکست را پیدا می‌کنیم. بعد برای آن سازوکار، علامت هشدار تعیین می‌کنیم و در نهایت، پاسخی از پیش طراحی می‌کنیم.
این یعنی چیزی بسیار مهم‌تر از پیش‌بینی آینده ساخته‌ایم: آمادگی برای آینده.
درس مأموریت آپولو ۱۳؛ تاب‌آوری در شرایط عدم قطعیت
داستان مأموریت آپولو ۱۳ یکی از جذاب‌ترین نمونه‌های واقعی تصمیم‌گیری در شرایط عدم قطعیت است.
در این مأموریت، انفجار مخزن اکسیژن شرایط را به شکلی تغییر داد که برنامه اصلی عملاً بی‌معنا شد.
ناسا باید با محدودیت شدید برق، اکسیژن و آب، مجموعه‌ای از تصمیم‌های سریع و مداوم می‌گرفت.
ماجرا نمونه‌ای روشن از این واقعیت است که در بحران، بهترین راه‌حل لزوماً «اجرای بهتر برنامه اولیه» نیست؛ گاهی باید مسئله را دوباره تعریف کرد.
ناسا گزارش کرده است که پس از حادثه، تیم مجبور شد مصرف انرژی را به‌شدت کاهش دهد و از سامانه ماه‌نشین برای پشتیبانی از بازگشت فضانوردان استفاده کند؛ ماه‌نشینی که اساساً برای چنین مدت طولانی و چنین نقشی طراحی نشده بود.
حتی در مسیر بازگشت نیز خرابی احتمالی یک باتری می‌توانست انرژی لازم برای بازگشت به زمین را از بین ببرد.
این داستان درس مهمی درباره تصمیم‌گیری مقاوم دارد:
سیستم خوب سیستمی نیست که فقط در شرایط برنامه‌ریزی‌شده عالی کار کند؛ سیستم خوب سیستمی است که وقتی فرض‌های اصلی فرو می‌ریزند، هنوز مسیری برای ادامه داشته باشد.
در زندگی هم همین‌طور است.
شاید بهترین برنامه شغلی دنیا را داشته باشید، اما اگر بازار تغییر کند، چه چیزی باقی می‌ماند؟
شاید برنامه مالی دقیقی داشته باشید، اما اگر درآمدتان شش ماه قطع شود، چه می‌شود؟
شاید فکر کنید یک رابطه یا همکاری قطعاً برای سال‌ها ادامه پیدا می‌کند، اما اگر این فرض از بین برود، آیا هویت، منابع و امکان‌های شما همچنان پابرجا می‌مانند؟
این همان چیزی است که تصمیم مقاوم می‌خواهد: کاهش وابستگی‌های شکننده.
در ادبیات علمی، رویکرد Robust Decision Making با منطقی مشابه کار می‌کند. لمپرت توضیح می‌دهد که این رویکرد، به‌جای تلاش برای ساختن یک پیش‌بینی بهتر، تصمیم‌ها را در تعداد زیادی مسیر و جهان فرضی آزمایش می‌کند و سپس استراتژی‌هایی را می‌یابد که در طیف وسیعی از آن‌ها قابل‌قبول باقی می‌مانند.
واژه مهم اینجا «قابل‌قبول» است؛ نه «عالی».
این شاید یکی از عجیب‌ترین ایده‌ها برای انسانی باشد که از کودکی به او گفته شده بهترین گزینه را انتخاب کند.
اما در شرایط عدم قطعیت، بهترین عملکرد در یک آینده خاص ممکن است با عملکرد قابل‌قبول در آینده‌های متعدد تعارض داشته باشد.
فرض کنید پنج مسیر شغلی دارید.
یکی از آن‌ها اگر همه‌چیز دقیقاً طبق پیش‌بینی پیش برود، بیشترین درآمد را خواهد داشت؛ اما در صورت تغییر بازار تقریباً بی‌ارزش می‌شود.
مسیر دیگری در هیچ سناریویی بیشترین درآمد را ندارد، اما در سناریوهای مختلف درآمد متوسط تا خوب، مهارت قابل‌انتقال و شبکه حرفه‌ای ایجاد می‌کند.
اگر قرار باشد فقط روی یک آینده شرط ببندیم، اولی جذاب‌تر است.
اما اگر قرار باشد در برابر چند آینده مقاوم بمانیم، دومی ممکن است عقلانی‌تر باشد.
اینجاست که باید از خود بپرسیم: «من واقعاً به دنبال بیشترین دستاورد هستم یا می‌خواهم در آینده‌های مختلف، زندگی قابل‌قبولی داشته باشم؟»
این سؤال به تصمیم‌های بزرگ زندگی معنای دیگری می‌دهد.
وقتی می‌خواهید کشور عوض کنید، ازدواج کنید، شغلی را ترک کنید، کسب‌وکاری راه بیندازید، سرمایه بزرگی را جابه‌جا کنید یا چند سال از عمرتان را روی یک مسیر تخصصی بگذارید، تصمیم شما دیگر فقط درباره «نتیجه مطلوب» نیست؛ درباره «هزینه شکست» و «قابلیت بازیابی» نیز هست.
حفظ گزینه‌های آینده؛ چرا انعطاف‌پذیری ارزش دارد؟
یک تصمیم ممکن است امتیاز اولیه پایین‌تری داشته باشد، اما گزینه‌های آینده بیشتری را باز نگه دارد.
مثلاً یادگیری مهارتی جدید شاید درآمد فوری کمتری نسبت به پذیرش شغلی تخصصی و محدود داشته باشد، اما انتخاب‌های بیشتری برای آینده ایجاد کند.
سرمایه‌گذاری بخشی از زمان روی شبکه‌سازی شاید به‌صورت مستقیم درآمدی نداشته باشد، اما امکان‌های آینده را افزایش دهد.
حتی پس‌انداز اضطراری نیز همین کار را می‌کند.
پولی که کنار گذاشته‌اید شاید امروز از نظر بازده مالی «کم‌عملکرد» به نظر برسد، اما در آینده گزینه‌های بیشتری برای واکنش به عدم قطعیت در اختیارتان قرار می‌دهد.
بنابراین در تصمیم‌گیری تحت عدم قطعیت، اختیار آینده خودش یک ارزش است.
گاهی تصمیم خوب تصمیمی است که تعداد انتخاب‌های آینده را حفظ می‌کند.
گاهی تصمیم بد تصمیمی است که تمام مسیرها را به یک شرط واحد وابسته می‌کند.
این موضوع با ایده دیگری ارتباط دارد: کمینه‌سازی پشیمانی.
کمینه‌سازی پشیمانی در تصمیم‌گیری چیست؟
کمینه‌سازی پشیمانی یا Regret Minimization را باید در دو سطح از هم جدا کنیم.
یک سطح، نسخه رسمی آن در نظریه تصمیم است.
در ادبیات کلاسیک، معیار کمینه پشیمانی با کار لئونارد ساویج در دهه ۱۹۵۰ پیوند خورده است.
در این چارچوب، «پشیمانی» را می‌توان فاصله میان نتیجه تصمیم شما و بهترین نتیجه‌ای دانست که اگر وضعیت واقعی را از قبل می‌دانستید، می‌توانستید به دست آورید.
ایده Minimax Regret این است که تصمیمی انتخاب شود که بیشترین پشیمانی بالقوه‌اش، در مقایسه با سایر گزینه‌ها، تا حد امکان کم باشد.
روش Minimax Regret چگونه کار می‌کند؟
فرض کنید امروز باید یکی از سه مسیر A، B یا C را انتخاب کنید.
فردا معلوم می‌شود بازار در یکی از سه وضعیت X، Y یا Z قرار گرفته است.
اگر از قبل می‌دانستید بازار در وضعیت X قرار می‌گیرد، شاید A بهترین انتخاب بود.
اگر می‌دانستید Y رخ می‌دهد، شاید C بهترین بود.
اما شما پیش از وقوع آینده نمی‌دانستید کدام وضعیت اتفاق می‌افتد.
پشیمانی شما پس از روشن شدن آینده، تفاوت میان «بهترین کاری که اگر می‌دانستم می‌توانستم انجام دهم» و «کاری که واقعاً انجام دادم» است.
حالا سؤال این می‌شود: کدام تصمیم طوری است که در هیچ‌یک از وضعیت‌های آینده، فاصله‌اش از انتخاب ایده‌آل بیش از اندازه بزرگ نشود؟
این رویکرد به‌خصوص زمانی جذاب است که نتوانیم احتمال‌ها را به‌شکلی قابل‌اعتماد تعریف کنیم.
اما در زندگی روزمره، کمینه‌سازی پشیمانی معنای روان‌شناختی دیگری هم پیدا کرده است.
چارچوب پشیمانی جف بزوس؛ اگر در ۸۰سالگی به امروز نگاه کنیم چه؟
در تصمیم‌های بزرگ، گاهی سؤال اصلی این نیست که «کدام گزینه بیشترین احتمال موفقیت را دارد؟»
بلکه این است که «چند سال بعد، بابت انجام دادن یا انجام ندادن کدام انتخاب بیشتر خودم را سرزنش خواهم کرد؟»
جف بزوس در روایت شخصی خود از ترک شغل و حرکت به سمت ایده آمازون، صریحاً از همین نوع نگاه استفاده کرده است.
او توضیح داده بود که هنگام تصمیم‌گیری، خودش را در ۸۰سالگی تصور کرده و می‌خواسته تا حد ممکن از پشیمانی ناشی از امتحان نکردن فرصت‌ها بکاهد.
او این مسئله را درباره تصمیم ترک شغلش مطرح کرد و آن را در قالب نگرانی از حسرت مسیرهای طی‌نشده توضیح داد.
اما اینجا باید مراقب باشیم.
این «چارچوب پشیمانی» با معیار رسمی کمینه پشیمانی یکی نیست.
در نظریه تصمیم، پشیمانی تعریف ریاضی مشخصی دارد. در روان‌شناسی و تصمیم‌های شخصی، پشیمانی ممکن است تجربه‌ای عاطفی و پیش‌بینی‌شده باشد.
هر دو مهم‌اند، اما نباید آن‌ها را یکی کنیم.
پشیمانی پیش‌بینی‌شده می‌تواند سؤال مفیدی ایجاد کند: «اگر پنج سال بعد بفهمم این فرصت را امتحان نکرده‌ام، چه احساسی خواهم داشت؟»
اما این روش محدودیت‌هایی دارد.
آیا واقعاً می‌دانیم پنج سال بعد چه چیزی ما را پشیمان می‌کند؟
نه با اطمینان.
انسان‌ها در پیش‌بینی احساسات آینده خطا می‌کنند. آینده‌ای را تصور می‌کنیم که شاید هرگز آن‌طور که اکنون فکر می‌کنیم تجربه نشود.
از طرف دیگر، گاهی از ترس پشیمانی به سمت ریسک‌های غیرضروری می‌رویم.
چرا ترس از پشیمانی می‌تواند تصمیم ما را خراب کند؟
جمله «اگر امتحان نکنم پشیمان می‌شوم» می‌تواند انگیزه‌ای سالم برای اقدام باشد.
اما همین جمله می‌تواند بهانه‌ای برای نادیده گرفتن شواهد هشداردهنده نیز بشود.
مثلاً اگر کسی بگوید «نمی‌خواهم بعداً پشیمان شوم، پس تمام سرمایه‌ام را روی این کسب‌وکار می‌گذارم»، هنوز هیچ تحلیل مقاومی انجام نداده است.
پشیمانی نباید جایگزین بررسی احتمال، هزینه، برگشت‌پذیری و ظرفیت تحمل زیان شود.
یکی از خطاهای رایج در استفاده از چارچوب کمینه‌سازی پشیمانی این است که پشیمانی «انجام ندادن» بسیار پررنگ‌تر از پشیمانی «انجام دادن اشتباه» دیده می‌شود.
این عدم تقارن می‌تواند ما را به سمت عمل‌گرایی افراطی ببرد.
از طرف دیگر، بعضی آدم‌ها دقیقاً برعکس‌اند. آن‌قدر از پشیمانی احتمالی می‌ترسند که هیچ‌چیز را امتحان نمی‌کنند.
پس بهتر است پشیمانی را نه موتور اصلی تصمیم، بلکه معیاری مکمل بدانیم.
ابتدا بپرسید: این تصمیم در چه آینده‌هایی مقاوم است؟
بعد بپرسید: بدترین پیامد آن چیست؟
سپس بررسی کنید: آیا تصمیم قابل بازگشت است؟
بعد بپرسید: چه اطلاعاتی می‌توانند واقعاً تصمیم را تغییر دهند؟
و در نهایت: کدام انتخاب در آینده احتمالاً فاصله کمتری میان «چیزی که می‌خواستم» و «کاری که انجام دادم» ایجاد خواهد کرد؟
چرا پشیمانی فقط به نتیجه تصمیم وابسته نیست؟
اینجا نکته دیگری بسیار مهم است: پشیمانی فقط از نتیجه نمی‌آید.
ما ممکن است از یک تصمیم خوب هم پشیمان شویم.
فرض کنید بعد از تحقیق کافی، شغلی را انتخاب کرده‌اید و یک سال بعد شرکت ورشکسته می‌شود.
ممکن است نتیجه بد باشد، اما آیا تصمیم بد بوده است؟
نه لزوماً.
این تفاوت میان «کیفیت تصمیم» و «کیفیت نتیجه» از مهم‌ترین مفاهیم تصمیم‌گیری حرفه‌ای است.
تفاوت کیفیت تصمیم و کیفیت نتیجه؛ چرا تصمیم خوب هم ممکن است شکست بخورد؟
اگر در زمان تصمیم، اطلاعات موجود را به‌درستی تحلیل کرده باشید، سناریوها را بررسی کرده باشید، ریسک‌های مهم را سنجیده باشید و تصمیمی متناسب با منابع خود گرفته باشید، یک نتیجه بد لزوماً تصمیم بد را ثابت نمی‌کند.
برعکس، ممکن است تصمیمی بسیار ضعیف نتیجه خوبی بدهد.
فردی بدون تحقیق، با تمام سرمایه‌اش وارد بازاری می‌شود و به‌طور اتفاقی بازار رشد می‌کند.
موفقیت او سند منطقی بودن تصمیمش نیست.
این موضوع ما را به دام دیگری می‌رساند: «سوگیری پس‌نگر».
سوگیری پس‌نگر؛ چرا بعد از اتفاق می‌گوییم «از اول معلوم بود»؟
وقتی نتیجه را می‌دانیم، گذشته به‌شکل عجیبی قابل پیش‌بینی به نظر می‌رسد.
پژوهش‌های مربوط به سوگیری پس‌نگر نشان می‌دهند انسان‌ها پس از وقوع یک رویداد تمایل دارند احتمال قبلی آن را بیش از اندازه برآورد کنند و احساس کنند «از اول معلوم بود».
این سوگیری می‌تواند تحلیل تصمیم‌های گذشته را مخدوش کند.
به همین دلیل، بعد از شکست نباید فقط بپرسیم «چرا این اتفاق افتاد؟»
باید بپرسیم: «با اطلاعاتی که در لحظه تصمیم داشتیم، چه چیزی واقعاً قابل مشاهده بود؟»
این پرسش از نظر ارزیابی کیفیت تصمیم اهمیت بیشتری دارد.
اگر سال آینده بازار سقوط کند، نمی‌توانیم صرفاً با آگاهی از نتیجه بگوییم «واضح بود».
شاید واقعاً واضح نبوده باشد.
اگر رابطه‌ای پایان یابد، نمی‌توانیم از دانش امروزی به‌سادگی نتیجه بگیریم که «نشانه‌ها از همان روز اول وجود داشتند».
اگر کسب‌وکاری ورشکسته شود، نمی‌توانیم همه اطلاعاتی را که بعدها به دست آوردیم به ذهن نسخه سه سال قبل خودمان منتقل کنیم.
تصمیم‌گیری منطقی باید با توجه به اطلاعات موجود در زمان تصمیم ارزیابی شود، نه فقط از روی نتیجه.
آیا می‌توانیم پیش‌بینی کردن را یاد بگیریم؟
این موضوع در پژوهش‌های پیش‌بینی نیز بررسی شده است.
پروژه Good Judgment و مسابقه‌های پیش‌بینی مرتبط با IARPA نشان داده‌اند که برخی افراد می‌توانند در طول زمان در برآورد احتمال‌ها عملکرد بهتری داشته باشند؛ به‌خصوص وقتی به‌صورت نظام‌مند آموزش ببینند، احتمال‌های عددی ارائه دهند، بازخورد بگیرند و دیدگاه‌ها را تجمیع کنند.
پژوهش‌های منتشرشده از این پروژه بر اهمیت کالیبراسیون، به‌روزرسانی باورها و ترکیب قضاوت‌ها تأکید کرده‌اند.
این یافته نکته بسیار مهمی دارد: «پذیرش عدم قطعیت» به معنی تسلیم شدن در برابر حدس نیست.
می‌توانیم در شرایط عدم قطعیت بهتر شویم.
می‌توانیم احتمال‌ها را دقیق‌تر تخمین بزنیم. می‌توانیم تفاوت میان «اطمینان روان‌شناختی» و «کالیبراسیون واقعی» را بهتر بفهمیم.
می‌توانیم پیش‌بینی‌های خود را با عدد بیان کنیم و بعداً ببینیم چه مقدار از آن‌ها با واقعیت سازگار بوده‌اند.
می‌توانیم بفهمیم کجا بیش از اندازه مطمئن بوده‌ایم.
اما حتی پیش‌بینی‌گر ماهر نیز جهان را کنترل نمی‌کند.
هدف تصمیم‌گیری خوب، حذف عدم قطعیت نیست؛ هدف ساختن رابطه‌ای سالم با عدم قطعیت است.
یعنی چه؟
یعنی به‌جای اینکه بگوییم «باید بدانم چه خواهد شد تا تصمیم بگیرم»، یاد بگیریم بگوییم: «باید تصمیمی بگیرم که با وجود ندانستن، هنوز قابل دفاع باشد.»
راهکارهای عملی تصمیم‌گیری در شرایط عدم قطعیت
این تغییر نگاه شاید مهم‌ترین مهارت این مقاله باشد.
فرض کنید سه گزینه دارید.
گزینه اول در بهترین حالت عالی است، اما اگر اشتباه از آب دربیاید، پیامدهایش تقریباً غیرقابل جبران‌اند.
گزینه دوم سود متوسطی دارد، اما امکان اصلاح مسیر در آن بالاست.
گزینه سوم اکنون سخت‌تر است، اما اطلاعات زیادی درباره آینده تولید می‌کند.
کدام را انتخاب می‌کنید؟
در مدل‌های ساده تصمیم‌گیری، ممکن است گزینه اول با یک محاسبه امید ریاضی برنده شود.
اما در دنیای واقعی، شاید گزینه دوم یا سوم منطقی‌تر باشد.
چرا؟
چون تصمیم واقعی فقط درباره خروجی نیست؛ درباره فرایند یادگیری هم هست.
یک تصمیم آزمایشی می‌تواند به شما اجازه دهد بعداً تصمیم‌های بهتر و بزرگ‌تری بگیرید. در محیط‌های بسیار نامطمئن، این مزیت بزرگی است.
به همین دلیل است که گاهی یک آزمایش کوچک از یک تصمیم بزرگ بهتر است.
گاهی باید به‌جای اینکه بگوییم «آیا باید این کسب‌وکار را راه بیندازم؟»، بپرسیم «چطور می‌توانم در ۶۰ روز نسخه کوچکی از آن را آزمایش کنم؟»
به‌جای «آیا باید این شغل را برای همیشه ترک کنم؟»، می‌توان پرسید «آیا امکان همکاری پاره‌وقت یا پروژه آزمایشی وجود دارد؟»
به‌جای «آیا باید این شهر را برای همیشه انتخاب کنم؟»، می‌توان پرسید «آیا می‌توانم ابتدا چند ماه در آنجا زندگی کنم؟»
این‌ها فقط تاکتیک‌های عملی نیستند؛ روش‌هایی برای کاهش وابستگی تصمیم به یک پیش‌بینی بزرگ‌اند.
در حقیقت، هرچه تصمیم برگشت‌ناپذیرتر، پرهزینه‌تر و وابسته‌تر به آینده ناشناخته باشد، ارزش طراحی انعطاف‌پذیر بیشتر می‌شود.
پنج سؤال مهم پیش از هر تصمیم بزرگ
شاید بهتر باشد پیش از هر تصمیم مهم، پنج سؤال از خود بپرسیم:
-
دقیقاً چه چیزهایی را می‌دانم و چه چیزهایی را فقط حدس می‌زنم؟
-
آیا با ریسک روبه‌رو هستم یا با ابهام و عدم قطعیت عمیق؟
-
اگر سه آینده متفاوت رخ دهند، این تصمیم در کدام‌یک هنوز قابل‌قبول است؟
-
فرض کنیم تصمیم شکست خورده است؛ مهم‌ترین علت‌های شکست چه بوده‌اند؟
-
اگر پنج یا ده سال بعد به این تصمیم نگاه کنم، بیشتر از انجام دادن آن پشیمان می‌شوم یا از انجام ندادنش؟
اما حتی این پنج سؤال هم پایان کار نیستند.
چون یک تصمیم مقاوم فقط آینده‌های مختلف را تصور نمی‌کند؛ برای آن‌ها «قاعده اقدام» تعریف می‌کند.
مثلاً:
اگر درآمد تا ماه چهارم به حد مشخصی نرسید، چه می‌کنم؟
اگر هزینه‌ها از سطح مشخصی عبور کنند، چه می‌کنم؟
اگر فرصتی جایگزین ظاهر شود، چه چیزی باید درست باشد تا مسیر را عوض کنم؟
اگر اطلاعات جدید نشان دهند فرض اصلی اشتباه بوده است، چه شواهدی مرا به بازنگری وادار خواهند کرد؟
این یعنی از قبل تعریف می‌کنیم چه شواهدی نظر ما را تغییر خواهند داد.
این بخش از تصمیم‌گیری به‌خصوص برای افرادی دشوار است که به تحلیل‌های خود اعتماد زیادی دارند؛ زیرا انسان‌ها معمولاً تمایل دارند باورهای قبلی‌شان را سازگار نگه دارند.
اگر امروز تصمیمی گرفته‌ایم، فردا ممکن است شواهد را طوری تفسیر کنیم که تصمیم قبلی معقول به نظر برسد.
اما تصمیم مقاوم نیازمند چیزی شبیه «پیمان با آینده» است.
اکنون، زمانی که هنوز به تصمیم قبلی متعهد نشده‌ایم، مشخص کنیم چه چیزی می‌تواند باعث شود بعداً نظرمان را عوض کنیم.
مثلاً بگوییم: «اگر سه علامت مشخص رخ داد، این فرض را کنار می‌گذارم.»
چنین قاعده‌ای می‌تواند به کاهش تأثیر هزینه‌های غرق‌شده و تعصب نسبت به تصمیم قبلی کمک کند.
در واقع، یک تصمیم مقاوم فقط «انتخاب» نیست؛ «قواعد بازنگری» نیز هست.
چگونه کمینه‌سازی پشیمانی را با سناریونویسی ترکیب کنیم؟
حالا می‌توانیم به مفهوم پشیمانی برگردیم.
بیشتر مردم کمینه‌سازی پشیمانی را به‌شکل ساده‌ای در ذهن تصویر می‌کنند: «کدام تصمیم را در آینده کمتر پشیمان خواهم شد؟»
اما نسخه دقیق‌تر آن این است: «کدام تصمیم، با توجه به طیف آینده‌های ممکن، می‌تواند فاصله میان وضعیت مطلوب و وضعیتی را که واقعاً تجربه می‌کنم، در حد قابل‌تحمل نگه دارد؟»
این نگاه، پشیمانی را به تاب‌آوری نزدیک می‌کند.
تصمیمی که در بیشتر آینده‌ها به‌اندازه کافی خوب باقی بماند، ممکن است پشیمانی بالقوه کمتری هم داشته باشد؛ اما همیشه نه.
چرا؟
چون پشیمانی تا حد زیادی به ارزش‌ها و ترجیحات شخصی وابسته است.
ممکن است برای یک نفر، امنیت مالی مهم‌ترین چیز باشد و برای دیگری، تجربه کردن مسیرهای تازه.
ممکن است فردی بعداً از ریسک نکردن ناراحت شود و فرد دیگری از بی‌ملاحظه ریسک کردن.
بنابراین نمی‌توان یک قانون جهانی برای کمینه‌سازی پشیمانی در زندگی نوشت.
این بیشتر ابزاری برای تأمل است تا الگوریتمی کامل.
دیوید بل در مقاله‌ای درباره پشیمانی در سال ۱۹۸۲ توضیح داد که تصمیم‌گیرندگان ممکن است صرفاً به دنبال بیشینه‌سازی مطلوبیت پولی نباشند؛ آن‌ها ممکن است پس از روشن شدن نتیجه، از اینکه گزینه دیگری را انتخاب نکرده‌اند احساس زیان کنند و همین تجربه پشیمانی بخشی از رفتار تصمیم‌گیری را توضیح دهد.
این نکته نشان می‌دهد چرا گاهی تصمیمی که از نظر مالی کمتر جذاب است، از نظر روان‌شناختی ترجیح داده می‌شود.
اگر دو گزینه از نظر سود تقریباً مشابه باشند، اما یکی احتمال پشیمانی شدیدتری داشته باشد، افراد ممکن است گزینه دیگر را انتخاب کنند.
البته نباید این رفتار را لزوماً نشانه غیرمنطقی بودن انسان دانست.
گاهی پشیمانی واقعاً بخشی از چیزی است که برای ما اهمیت دارد.
انسان فقط ماشین جمع کردن پول نیست. ما درباره هویت، آزادی، معنا، شأن، فرصت‌های ازدست‌رفته و روابط نیز تصمیم می‌گیریم.
بنابراین یک مدل عقلانی برای زندگی باید گسترده‌تر از «بیشترین پول» باشد.
اما در اینجا دام بزرگی وجود دارد: تصور اینکه می‌توانیم احساس پشیمانی در آینده را با دقت پیش‌بینی کنیم.
نمی‌توانیم.
به همین دلیل، کمینه‌سازی پشیمانی باید در کنار تحلیل سناریو و تاب‌آوری قرار بگیرد.
اگر قرار است از پشیمانی به‌عنوان معیار استفاده کنید، بهتر است آن را در چند سناریو بررسی کنید.
فرض کنید گزینه A را انتخاب کرده‌اید و شکست خورده‌اید. چه پشیمانی‌ای دارید؟
حالا فرض کنید گزینه B را انتخاب کرده‌اید و موفق شده‌اید. چه احساس رضایت یا پشیمانی‌ای خواهید داشت؟
سپس وضعیت‌ها را برعکس کنید.
تصمیم را در آینده‌های متفاوت تصور کنید و ببینید کدام نوع خطا برای شما قابل‌تحمل‌تر است.
این تمرین می‌تواند کمک کند تصمیم را از خیال‌پردازی صرف جدا کنیم.
چرا احتمال موفقیت به‌تنهایی کافی نیست؟
در اینجا به اصلی مهم می‌رسیم:
تصمیم عقلانی لزوماً تصمیمی نیست که بیشترین احتمال موفقیت را دارد.
گاهی تصمیم عقلانی تصمیمی است که وقتی اشتباه می‌کنید، هنوز بتوانید ادامه دهید.
این شاید یکی از مهم‌ترین تفاوت‌های زندگی واقعی با مسائل ساده کتاب‌های درسی باشد.
در یک مسئله ریاضی ساده، ممکن است فقط خروجی مهم باشد. اما در زندگی، «اگر اشتباه شد چه؟» نیز بخشی از مسئله است.
به همین دلیل، شکست‌پذیری و قابلیت بازیابی باید بخشی از ارزیابی هر تصمیم مهم باشند.
اگر این تصمیم را بگیرم و اشتباه کنم، آیا هنوز پول دارم؟
آیا هنوز مهارت دارم؟
آیا هنوز شبکه حرفه‌ای دارم؟
آیا سلامت و روابط من قابل ترمیم‌اند؟
آیا می‌توانم به مسیر قبلی برگردم؟
آیا تجربه‌ای که از این تصمیم به دست می‌آورم، در آینده ارزش دارد؟
اگر پاسخ‌ها مثبت باشند، عدم قطعیت شاید آن‌قدر خطرناک نباشد که در ابتدا به نظر می‌رسید.
این همان دلیل مهمی است که نباید صرفاً به احتمال شکست نگاه کنیم.
فرض کنید ۳۰ درصد احتمال دارد پروژه‌ای کوچک شکست بخورد و هزینه آن فقط چند ماه زمان باشد. شاید این ریسک ارزشمند باشد.
اما اگر ۳۰ درصد احتمال داشته باشد تصمیمی تمام پس‌انداز، اعتبار حرفه‌ای و امکان بازگشت شما را از بین ببرد، همان عدد معنای دیگری دارد.
پس احتمال به‌تنهایی کافی نیست.
شدت پیامد، برگشت‌پذیری، ظرفیت تحمل زیان، ارزش اطلاعات، گزینه‌های آینده و اثر تصمیم بر سایر بخش‌های زندگی هم اهمیت دارند.
یکی از اشکالات تصمیم‌گیری عامیانه این است که همه‌چیز را در یک سؤال خلاصه می‌کند: «احتمال موفقیت چقدر است؟»
اما سؤال درست‌تر این است: «چه آینده‌هایی ممکن‌اند؟ پیامد هرکدام چیست؟ چقدر می‌توانم آسیب را تحمل کنم؟ چقدر امکان بازیابی دارم؟ و آیا راهی وجود دارد که پیش از تعهد کامل، اطلاعات بیشتری به دست آورم؟»
چارچوب نهایی برای تصمیم‌گیری بهتر در شرایط عدم قطعیت
در این نقطه، عملاً به یک معماری تصمیم رسیده‌ایم.
ابتدا مرز میان ریسک و عدم قطعیت را مشخص می‌کنیم. سپس آنچه را نمی‌دانیم از آنچه فقط باور داریم جدا می‌کنیم.
بعد چند آینده معقول می‌سازیم. بهترین حالت، حالت پایه و بدترین حالت را بررسی می‌کنیم، اما به آن‌ها به چشم پیش‌گویی نگاه نمی‌کنیم.
سپس پیش‌مرگ انجام می‌دهیم و از خود می‌پرسیم اگر شکست رخ دهد، چه چیزی باعث آن خواهد شد.
بعد بررسی می‌کنیم آیا می‌توان تصمیم را برگشت‌پذیرتر، مرحله‌ای‌تر و انعطاف‌پذیرتر کرد.
سپس تصمیم را در چند آینده آزمایش می‌کنیم و می‌پرسیم آیا در بیشتر آن‌ها «به‌اندازه کافی خوب» باقی می‌ماند.
در پایان، از زاویه پشیمانی به مسئله نگاه می‌کنیم تا ببینیم در صورت آشکار شدن آینده، کدام اشتباه برای ما قابل‌تحمل‌تر است: انجام دادن یا انجام ندادن.
این روش ما را به نتیجه مهمی می‌رساند.
ما قرار نیست آینده را شکست دهیم. نمی‌توانیم.
قرار نیست همه‌چیز را پیش‌بینی کنیم. نمی‌توانیم.
حتی بهترین کارشناسان نیز خطا می‌کنند و پژوهش‌های پیش‌بینی نشان می‌دهند که تجربه به‌تنهایی تضمین‌کننده دقت نیست؛ کیفیت آموزش، بازخورد، کالیبراسیون، تجمیع دیدگاه‌ها و شیوه به‌روزرسانی باورها اهمیت دارند.
کاری که می‌توانیم انجام دهیم این است که تصمیم‌های خود را از وابستگی شدید به یک آینده خاص آزاد کنیم.
می‌توانیم به‌جای «پیش‌بینی درست»، «آمادگی درست» بسازیم.
می‌توانیم به‌جای یک آینده، چند آینده را در ذهن داشته باشیم.
می‌توانیم به‌جای دفاع از تصمیم، نقاط شکست آن را از قبل جست‌وجو کنیم.
می‌توانیم به‌جای تعهد کامل، آزمایش‌های کوچک انجام دهیم.
می‌توانیم به‌جای پرسش «کدام تصمیم بهترین است؟»، بپرسیم «کدام تصمیم در آینده‌های مختلف هنوز قابل‌قبول می‌ماند؟»
و شاید از همه مهم‌تر، می‌توانیم یاد بگیریم که عدم قطعیت دشمن تصمیم‌گیری نیست.
جمع‌بندی؛ چگونه بدون اطمینان از آینده تصمیم بگیریم؟
عدم قطعیت بخشی از خود تصمیم‌گیری است.
اگر درباره آینده مطمئن بودیم، انتخاب کردن دیگر معنای چندانی نداشت. وقتی نتیجه از پیش معلوم باشد، دیگر با همان مسئله دشوار انتخاب میان آینده‌های ناشناخته روبه‌رو نیستیم.
تصمیم زمانی اهمیت پیدا می‌کند که چیزی را نمی‌دانیم، اما بااین‌حال باید انتخاب کنیم.
به همین دلیل، مهارت تصمیم‌گیری منطقی قرار نیست ما را به موجوداتی تبدیل کند که همیشه درست پیش‌بینی می‌کنند.
هدف عمیق‌تر این است که حتی وقتی پیش‌بینی ما اشتباه از آب درمی‌آید، طراحی تصمیممان هنوز تا حد امکان سالم باقی مانده باشد.
در نهایت شاید بتوان تمام این بحث را در تغییر یک جمله خلاصه کرد.
کسی که در برابر عدم قطعیت احساس ناتوانی می‌کند، می‌پرسد: «چه اتفاقی قرار است بیفتد؟»
کسی که می‌خواهد در برابر عدم قطعیت بهتر تصمیم بگیرد، می‌پرسد: «چه چیزهایی ممکن است اتفاق بیفتد؟»
و کسی که می‌خواهد در چنین شرایطی به تصمیم‌گیرنده‌ای ماهر تبدیل شود، سؤال سومی هم اضافه می‌کند:
«اگر آینده برخلاف انتظار من پیش رفت، آیا تصمیمی که امروز گرفته‌ام هنوز توان دوام آوردن دارد؟»
این سؤال شاید از هر پیش‌بینی‌ای ارزشمندتر باشد.
زیرا آینده همیشه بخشی از واقعیت را از ما پنهان خواهد کرد؛ اما لازم نیست تصمیم ما هم به همان اندازه شکننده باشد.
سؤالات متداول درباره تصمیم‌گیری در شرایط عدم قطعیت
تصمیم‌گیری در شرایط عدم قطعیت چیست؟
تصمیم‌گیری در شرایط عدم قطعیت به انتخاب میان گزینه‌هایی گفته می‌شود که پیامدهای آینده آن‌ها به‌طور کامل مشخص نیستند و ممکن است نتوانیم احتمال وقوع همه پیامدها را با دقت و اعتبار کافی تعیین کنیم. در چنین شرایطی، علاوه بر پیش‌بینی، باید به سناریوها، انعطاف‌پذیری و ظرفیت تحمل زیان توجه کنیم.
تفاوت ریسک و عدم قطعیت چیست؟
در تمایز کلاسیک فرانک نایت، ریسک به موقعیت‌هایی اشاره دارد که می‌توان برای پیامدهای ممکن احتمال‌های معناداری تعریف کرد. عدم قطعیت به شرایطی مربوط است که چنین احتمال‌هایی به‌سادگی قابل تعیین نیستند. برای مثال، پرتاب یک سکه سالم با راه‌اندازی محصولی کاملاً جدید در بازاری ناشناخته تفاوت دارد.
چگونه در شرایط عدم قطعیت تصمیم بهتری بگیریم؟
می‌توانیم آنچه را می‌دانیم از فرض‌ها جدا کنیم، چند سناریوی آینده بسازیم، بدترین پیامدهای قابل‌تصور را بررسی کنیم، تصمیم را تا حد امکان مرحله‌ای و برگشت‌پذیر طراحی کنیم، از تکنیک پیش‌مرگ استفاده کنیم و از قبل مشخص کنیم چه شواهدی باعث بازنگری در تصمیم خواهند شد.
تکنیک پیش‌مرگ چیست و چه کاربردی دارد؟
پیش‌مرگ روشی برای بررسی شکست احتمالی پیش از اجرای تصمیم است. در این تکنیک فرض می‌کنیم پروژه یا تصمیم در آینده شکست خورده است و سپس دلایل احتمالی آن را شناسایی می‌کنیم. هدف، آشکار کردن ریسک‌های پنهان و طراحی اقدامات پیشگیرانه است.
تصمیم‌گیری مقاوم چه تفاوتی با تصمیم‌گیری بهینه دارد؟
تصمیم‌گیری بهینه تحت یک مدل مشخص معمولاً به دنبال بهترین عملکرد بر اساس فرض‌های آن مدل است. تصمیم‌گیری مقاوم بر انتخاب گزینه‌هایی تمرکز می‌کند که در طیف گسترده‌تری از آینده‌های ممکن عملکرد قابل‌قبولی دارند و به یک پیش‌بینی خاص وابسته نیستند.
کمینه‌سازی پشیمانی در تصمیم‌گیری یعنی چه؟
در نظریه تصمیم، کمینه‌سازی پشیمانی می‌تواند به انتخاب گزینه‌ای اشاره داشته باشد که بیشترین فاصله بالقوه آن از بهترین انتخابِ ممکن در هر وضعیت، تا حد امکان کم باشد. در زندگی روزمره، این مفهوم همچنین به بررسی حسرت احتمالی ناشی از انجام دادن یا انجام ندادن یک انتخاب اشاره می‌کند. این دو معنا یکسان نیستند.
آیا تصمیم خوب همیشه نتیجه خوبی دارد؟
خیر. حتی تصمیمی که با بررسی مناسب اطلاعات، ریسک‌ها و گزینه‌ها گرفته شده است، ممکن است به دلیل عوامل پیش‌بینی‌ناپذیر نتیجه نامطلوبی داشته باشد. همچنین یک تصمیم ضعیف ممکن است بر اثر شانس به نتیجه خوبی برسد. بنابراین کیفیت تصمیم را نباید فقط از روی نتیجه آن قضاوت کرد.
منابع و مراجع علمی
منابع مقاله:
-
Knight, F. H. (1921). Risk, Uncertainty and Profit. Houghton Mifflin Company.
-
Ellsberg, D. (1961). Risk, ambiguity, and the Savage axioms. The Quarterly Journal of Economics, 75(4), 643–669.
-
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
-
Shell. (2026). What Are Shell Scenarios? Shell Global.
-
Shell. (2013). Shell Scenarios: Sowed Seeds for Strategic Success. Shell Global.
-
Lempert, R. J. (2019). Robust decision making. In Decision Making under Deep Uncertainty (pp. 23–51). Springer.
-
Dhami, M. K., Mandel, D. R., Mellers, B. A., & Tetlock, P. E. (2015). Improving intelligence analysis with decision science. Perspectives on Psychological Science, 10(6), 753–757.
-
Lempert, R. J., & Collins, M. T. (2007). Managing the risk of uncertain threshold responses: The case of global climate change. Journal of Policy Analysis and Management, 26(3), 463–482.
-
Klein, G. (2007). Performing a project premortem. Harvard Business Review.
-
Mitchell, D. J., Russo, J. E., & Pennington, N. (1989). Back to the future: Temporal perspective in the explanation of events. Journal of Behavioral Decision Making, 2(1), 25–34.
-
National Aeronautics and Space Administration. (1970). Apollo 13 Mission Report. NASA.
-
NASA. (2020). Apollo 13: The Successful Failure. NASA History.
-
Savage, L. J. (1954). The Foundations of Statistics. John Wiley & Sons.
-
Bell, D. E. (1982). Regret in decision making under uncertainty. Operations Research, 30(5), 961–981.
-
Fischhoff, B. (1975). Hindsight ≠ foresight: The effect of outcome knowledge on judgment under uncertainty. Journal of Experimental Psychology: Human Perception and Performance, 1(3), 288–299.
-
Mellers, B. A., et al. (2015). The psychology of intelligence analysis: Drivers of prediction accuracy in world politics. Journal of Experimental Psychology: Applied, 21(1), 1–14.