چرا باید تخمین (Guesstimate)بزنیم؟
دلیلش این است که ما همواره باید جوابی داشته باشیم تا براساس آن بتوانیم تصمیم بگیریم چه انتخابی داشته باشیم. اگر قرار است با دوچرخه از تهران به شمال برویم، چه مسیری را انتخاب می کنیم، چند ساعت باید رکاب برنیم، چه تجهیزات یا آذوقه ای با خود همراه داشته باشیم، اگر اتفاق یا حادثه ای برای مان پیش آید چه خواهیم کرد و همینطور الی آخر.اگر می خواهیم سیاست های فروش را برای کانال نمایندگی تعیین کنیم ، چه چیزهایی را باید تخمین بزنیم؟ احتمالا تاثیر حاشیه سود یا شرایط فروش نقد یا اعتباری بر میزان فروش آتی شرکت را می سنجیم.
در این مسائل و موارد مشابه به دنبال آن نیستیم که پاسخ دقیق همه این پرسش ها را تعیین کنیم. هدف مان این است تا پاسخی تقریبی برای پرسش ها بدست آوریم تا اندکی از عدم قطعیت مان را کاهش دهیم. با این رویکرد، پاسخ های ما در یکی از سه دسته زیر قرار می گیرد :
- خیلی بزرگ
- خیلی کوچک
- تقریبا به میزان مناسب
اگر پاسخ در یکی از دو دسته خیلی بزرگ یا خیلی کوچک قرار بگیرد که تکلیف ما معلوم هست. برای مثال اگر دوچرخه سواری ما به شمال سه روز طول بکشد و با توجه به آمادگی ما و مساعد بودن جاده انتظار حادثه جدی را نداشته نباشیم، به طور قطع وسایل را جمع می کنیم و راه می افتیم ولی اگر بدلیل تعطیلات پیش رو، حجم بالای ترافیک یا اوضاع جوی نامساعد در روزهای آتی، احتمال بدهیم یک هفته در راه هستیم ممکن است از خیر این دوچرخه سواری بگذریم. اما اگر زمان سفر چیزی بین این دو بازه باشد، آن وقت است که برای تصمیم گیری به اطلاعات بیشتری نیاز خواهیم داشت.
چگونه تخمین بزنیم؟
سه گام و یک تکنیک برای ساده کردن تخمین هایمان پیشنهاد می شود:
- نخست، پاسخ را حدس بزنیم.
- چنانچه با عدم قطعیت بالایی روبرو هستیم، مساله را به بخش های کوچکتری تقسیم کنیم.
- در انتها بخش های کوچک تر و تفکیک شده را ترکیب کنیم.
گاهی اوقات به جای برآورد مستقیم پاسخ، می توانیم کران های بالا و پایین(خوشبینانه و بدبینانه) را برای مساله پیش رو تعیین کنیم تا بتوانیم عدم قطعیت را در تخمین ها و تصمیم گیری اندکی کاهش دهیم.
گام اول : پاسخ را حدس بزنیم!
پاسخ را در محدوده دقت 10 برابر یا با ضریب 10 بنویسیم. باید برآورد کنیم که پاسخ ما به یک نزدیک تر است یا ده،صد یا بیشتر. به عبارت دیگر، قصد داریم به جواب معقولی برسیم که به مقدار نهایی نزدیک باشد. بسیاری از مسائل به اندازه کافی ساده اند تا بتوانیم پاسخ آن ها در همین مرحله و با ضریبی از ده برآورد کنیم.
برای مثال قبل از اینکه برای خرید یک کنسول پلی استیشن به فروشگاه برویم، معمولا می دانیم که چقدر بودجه در اختیار داریم. شاید فکر کنیم پرداخت 20میلیون تومان برای این کنسول معقول باشد. پس اگر ببینیم قیمت دستگاه 10میلیون تومان است، بلافاصله برای خرید آن اقدام می کنیم ولی اگر قیمت فروش آن 50میلیون تومان باشد، از خرید آن منصرف می شویم. تنها اگر قیمت خرید در محدوده 20 میلیون تومان باشد برای خریدن یا نخریدن آن به فکر فرو می رویم.
دلیل انتخاب ضریب 10 در حل اینگونه مسائل این است که در اکثر تصمیم گیری ها، همین میزان از دقت کفایت می کند و جزییات اعداد تاثیر زیادی در سرنوشت مساله ندارد.
جرات داشته باشیم که بی دقتی کنیم!
هیچ یک از پاسخ های ما در مسائل دقیقا درست نیستند. دستیابی به پاسخ های دقیق، زمان و هزینه بالایی را به دنبال خواهد داشت. فقط زمانی نیازمند دانستن اطلاعات دقیق تری هستیم که مقادیر ما بین محدوده کف و سقف برآوردهایمان باشد. در این صورت می توانیم مساله را بخش های کوچکتر تفکیک کنیم تا در نهایت بخش های باقی مانده به اندازه ای کوچک و ساده خواهند بود که بتوان پاسخ هریک را تخمین زد.
گام دوم : مساله را خرد کنیم.
اگر نتوانستیم پاسخ را درست حدس بزنیم، مساله را به اجزای کوچک تری تقسیم می کنیم و پاسخ هریک را با دقت 10 برابری می نویسیم. اگر این اجزای کوچک شده هنوز پیچیده به نظر می رسند، آن ها را خردتر می کنیم. تنها کاری که باید انجام دهیم، آنستکه پاسخ ها را با دقتی از مرتبه 10 تخمین بزنیم.
گام سوم : اجزای خرد شده را سرهم کنیم.
برآوردهایی که برای هریک از بخش های مساله انجام داده ایم را در یکدیگر ضرب کنیم تا به تخمین کلی مساله برسیم. به عنوان مثال اگر بخواهیم تخمینی از تعداد خودروهای کشور داشته باشیم، کافی است تا ابتدا برآوردی از تعداد خانوارهای کشور داشته باشیم، سپس تعداد خانوارهای دارای خودرو را تخمین بزنیم، انگاه تعداد خودرو در هر خانوار را حدس بزنیم، و در نهایت از ضرب تعداد خودرو به ازای هر خانوار می توانیم تخمینی از تعداد خودروهای کشور داشته باشیم.
تخمین به روش کران بالا و پایین
در اغلب مسائل، روش راحت تر و مطمئن تر آن است که به جای تخمین مستقیم، یک حد کران پایین(بدبینانه) و یک کران بالا(خوش بینانه) برای آن کمیت در نظر بگیریم. برای مثال بیایید زمانی را برآورد کنیم که هر دانشجوی معمولی در طول روز به صحبت کردن به تلفن همراه یا پیامک دادن اختصاص می دهد. ما نمی دانیم آیا این زمان 10 دقیقه است، 20 دقیقه، 35 دقیقه یا 70 دقیقه. اما با اطمینان می توانیم بگوییم این زمان بیشتر از 2 دقیقه و کمتر از 200 دقیقه است.
حالا باید این دو کران بالایی و پایینی را به برآورد نهایی مان تبدیل کنیم. روش انجام این کار میانگین گیری است. اما در عین حال نمی خواهیم صرفا دو عدد بالا و پایین را باهم جمع و تقسیم بر 2 کنیم تا میانگین حسابی را به دست بیاوریم. با این کار به برآورد 100 دقیقه می رسیم که فقط با ضریب 2 کوچک تر از کران بالایی است ولی 50 برابر کران پایینی مان است. از آنجایی که هدف مان تخمین پاسخ در محدوده ی بزرگی 10 برابر است، با استفاده از میانگین حسابی دچار خطای بزرگی خواهیم شد. به ویژه که قرار است برآوردهای بخش های خرد شده مساله را در یکدیگر ضرب کنیم.
از آنجایی که می خواهیم مقدار تخمینی مان با ضریب یکسانی از حدود بالایی و پایینی فاصله داشته باشد، میانگین هندسی را به کار می گیریم.
میانگین هندسی دو عدد، جذر حاصل ضرب آن دو عدد است. برای مثال میانگین هندسی دو عدد 5 و 20 مساوی 10 است.
پاسخ ها را مقایسه کنیم
پس از آنکه پاسخ سوال را برآورد کردیم، نوبت به گام نهایی می رسد. فرض کردیم تلاش مان برای یافتن پاسخ سوال، به خاطر اهمیت جواب است یا به آن دلیل که می تواند ما را در تصمیمات و اقدامات بعدی راهنمایی کند، اما نباید فراموش کنیم که پاسخ ها فقط زمانی معنی دارند که بتوانیم آن را با چیز دیگری مقایسه کنیم. از این رو همیشه باید پاسخ هایمان را با معیاری معقول و در برخی موارد نامعقول! مقایسه کنیم. تنها در این حالت است که می توانیم تعیین کنیم برآوردمان در کدام یک از دسته های سه گانه (خیلی بزرگ، خیلی کوچک یا تقریبا به اندازه مناسب) جای می گیرد.
شکست در تخمین
در پایان باید به شرایطی بیاندیشیم که تخمین های ما به شکست منجر می شوند. سه نوع شکست در تخمین وجود دارد:
- نخست وقتی است که کمیت مورد نظرمان را خیلی بالاتر یا پایین تر از مقدار واقعی برآورد کرده ایم. یکی از راه های شناسایی تخمین های نادرست زمانی است که ما بازه بالا و پایین را یا خیلی نزدیک بهم یا خیلی دور از هم برآورد کرده باشیم. در اینگونه مسائل لازمست تا مجددا مساله و برآوردهایمان را مورد بازنگری قرار دهیم.
- دومین عامل شکست، انتخاب مدل نامناسب یا فرض های ما برای حل مساله تخمین است. فرض کنید که می خواهیم تعداد حوادث تصادف رانندگی سالانه در کشورمان را برآورد کنیم. بسته به آن که عامل عمده تصادف ها را نوجوانان، سالمندان، حواس پرتی والدین یا تاثیر مواد مخدر و مشروبات الکلی بر رانندگان در نظر بگیریم، به پاسخ های متفاوتی می رسیم.
- سومین عامل، این است که مساله ای غیرخطی را انتخاب کرده باشیم ولی ادامه مساله را بصورت خطی در نظر می گیریم. برای مثال اگر 2 نفر این کار را انجام دهند، حتما 4 نفر، نصف این زمان را برای انجام دادن این کار صرف خواهند کرد. چنین فرضیاتی در برخی از مسائل به اشتباه های فاجعه باری منتهی می شوند.
