Bilişsel Önyargılar ve Değişim Yönetimi
Bilişsel önyargıların neler olduğunu, onlardan nasıl kaçınılacağını, istatistiksel etkilerin bir projenin değerlendirmesini nasıl etkileyebileceğini ve şirketleri veri odaklı hale getiren temel değişim yönetimlerini inceleyeceğiz.
Karar vermek için verileri kullanmak çok zordur; en iyi çabalara ve teknolojideki gelişmelere rağmen, birçok karar hala veriler yerine içgüdülere veya bireysel uzmanların deneyimlerine dayanarak verilmektedir. Verilerin yetersiz olduğu durumlarda verilmesi gereken acil kararlar için bu durum kaçınılmazdır. Yeni bir fabrika açmak ya da yeni bir pazara açılmak gibi stratejik kararlar, verilerin az olduğu durumlara uygun örneklerdir. Bu ve benzeri durumlarda pazar araştırması yapılabilir ve farklı seçenekler değerlendirilebilir ancak bir şirket birkaç günde bir yeni fabrika açmadığı sürece başarılı olup olmayacağını tahmin etmek için yeterli veri elde olmayacaktır. Bunun yerine, mevcut minimum veriler, farklı seçeneklerin değerlendirilmesine yardımcı olacak bilinçli bir görüş geliştirmek için kullanılabilir. Ancak diğer birçok durumda veriye dayalı kararlar almak zor ama mümkündür.
Bu yazıda en yaygın yanılgılardan ve tuzaklardan bazılarına odaklanacağız. Bilişsel önyargılar ve davranışlar, karar alma şeklimizin binlerce yıllık evrimi nedeniyle veriye dayalı karar vermeyi zorlaştırmaktadır. Doğada hayatta kalmamız gerekiyorsa bu faydalıdır ancak bilinçli kararlar verme yeteneğimizi engeller. Dahası, istatistiksel etkiler konusunda sezgisel bir anlayışa sahip değiliz. Günlük dünyamız çoğunlukla deterministiktir ve stokastik etkilerle baş etmek çok fazla deneyim gerektirir. Son olarak, bir organizasyonu veriye dayalı kararları mümkün kılacak şekilde değiştirmek, başlı başına bir zorluktur. Çoğu kuruluşta, yöneticilerin “doğru olanı yapmasına” dayanan katı hiyerarşiler vardır ve bu nedenle mevcut veriler göz önüne alındığında mümkün olan en iyi kararın kullanılması engellenir. Bu onları bilişsel veya istatistiksel önyargılara karşı savunmasız hale getirir.
Bilişsel önyargılar
İnsanlar binlerce yıl boyunca evrimleşmiş ve bu sürenin neredeyse tamamı boyunca hayatta kalmaya, tarıma, avlanmaya veya savaşa odaklanmıştır. Bilim ve felsefe binlerce yıllık olmasına rağmen kitlesel eğitim nispeten yeni bir kavramdır. Günlük yaşamımızın bilgisayarlaşması 100 yıldan daha kısa bir süre önce başlanmıştır ve birkaç on yıl içinde veri ve veriye dayalı yaklaşımlar o kadar gelişmiştir ki, günlük hayatımızın her alanında öne çıkmışlardır. Bu, beyin yapılarımızın ve düşünce süreçlerimizin bu kadar kısa sürede değişen şartlara uyum sağlayamayacağı ve bu nedenle hala nispeten basit yaşamlar için gerekli donanıma sahip olduğumuz anlamına gelmektedir. Bu, tarih boyunca hayatta kalmamıza rehberlik etmiş olsa da, insanların veriye dayalı kararlarla başa çıkmasını zorlaştırmaktadır.
Kahneman, insanın karar vermesinde genel olarak kullanılan iki sistemi Sistem 1 ve Sistem 2 şeklinde birbirinden ayırmaktadır:
- “Sistem 1, çok az çaba harcayarak veya hiç çaba göstermeden ve hiçbir gönüllü kontrol duygusu olmadan, otomatik ve hızlı bir şekilde çalışan düşünme eylemidir.”
- “Sistem 2, dikkati, karmaşık hesaplamalar da dahil olmak üzere, kendisini gerektiren zahmetli zihinsel faaliyetlere ayırmaktadır. 2. Sistem’in işlemleri genellikle öznel eylemlilik, seçim ve yoğunlaşma deneyimiyle ilişkilidir.
Aldığımız kararları düşündüğümüzde çoğunlukla Sistem 2'yi düşünürüz. Ancak günlük eylemlerimizin çoğu, sürekli olarak çevremizi değerlendiren ve bir normallik duygusu oluşturan Sistem 1 tarafından yönetilir. Evrimsel bir perspektiften bakıldığında, Sistem 1 herhangi bir tehdidin olup olmadığına karar verir ve aşağıdaki temel soruları yanıtlar:
- “İşler iyi gidiyor mu?
- Dikkatim başka yöne mi yönlendirilmeli?
- Bu görev için daha fazla çaba mı gerekiyor?”
Bin yıl önce herhangi bir tehlikeyi fark etmek için buna ihtiyaç duyulurdu, örneğin savanda dolaşırken, modern yaşamımızda bununla daha az tehlikeli durumlarda, örneğin araba kullanırken vb. karşılaşıyoruz. Deneyimli bir sürücü genellikle çok fazla çaba harcamaya gerek kalmadan daha uzun mesafeleri ve tanıdık rotaları kullanabilir. Sistem 1, arabayı otomatik olarak çalıştırmak için gereken eylemlerin çoğunu gerçekleştirdiği için çoğu zaman yolun büyük bir kısmını sürdüğümüzü bile hatırlamıyoruz, dolayısıyla bir yolculuk yalnızca Sistem 2'nin vereceği bir kararı gerektiren sıra dışı bir durum varsa dikkatimizi gerektirir. Örnekler arasında karmaşık hesaplamalar yapmak, vergi beyannamesi doldurmak, arabayı dar bir yere park etmek, kalabalıktaki belirli bir kişinin sesine dikkati odaklamak vb. yer alır.
Sistem 1'in karar verme, verileri analiz etme veya bir makine öğrenimi modelini değerlendirmeyle ilgili en önemli yönlerinden biri, Sistem 1'in verilerde nedensel bir ilişki olmasa da her zaman nedensel bağlantılar bulmaya ve makul bir hikaye oluşturmaya çalışmasıdır. Aslında Sistem 1'in başarısının ölçülerinden biri de yeni oluşturulan hikayenin ne kadar tutarlı olduğudur. Sistem 1, nedensel bir ilişki veya hikaye yaratırken, bunu oluşturmak için kullandığı verilerin miktarına ve kalitesine büyük ölçüde duyarsızdır. Yani ne kadar az veri mevcutsa karar o kadar makul olur çünkü hikaye daha az parçanın yerleştirilmesi gerektiği için ortaya çıkmaktadır. Daha da önemlisi, Sistem 1 alternatif nedensel ilişkileri veya kendi oluşturduğu hikayeleri, hatta alternatiflerin olduğu gerçeğini bile takip etmemektedir. Nedensel bir ilişkinin yaratılması Sistem 1'in otomatik bir işlevidir ve bunu geri alamayız.
Sistem 2 bunu geçersiz kılma kapasitesine sahiptir, ancak çoğu durumda Sistem 1 tarafından icat edilen hikayeyi veya bağlantıyı kolaylıkla kabul eder. Karşılaştığımız muhakeme hatalarının çoğu, Sistem 1 ve 2 arasındaki etkileşimden, özellikle de Sistem 1'in, Sistem 2 tarafından kolaylıkla kabul edilen nedensel bir hikaye oluşturan otomatik işlevinden kaynaklanmaktadır. İnsan zihnindeki Sistem 1 ve Sistem 2 arasındaki ilişkiler çok sayıda bilişsel önyargıya yol açmaktadır.
Şu anda bilinen 180'den fazla farklı önyargı vardır , en önemlilerinden bazıları aşağıda daha ayrıntılı olarak tartışılmaktadır:
Türkçe Bilişsel Önyargı Kodeksi:
Desen Tespiti
Sistem 1, mevcut verilerden otomatik olarak bir ilişki veya hikaye oluşturmaya çalıştığından, hiçbirinin var olmadığını bildiğimizde bile desen arama eğilimindeyiz. Veri noktası kümelerini veya benzer olayları, yalnızca rastgele dalgalanmalardan kaynaklansa bile, temeldeki bir modelle ilişkilendirmekteyiz. Örneğin, tek bir zar atıldığında, zarların hilesiz olma koşuluyla, her sayının oluşma olasılığı aynıdır. Zarın her atışı bir sonrakinden bağımsız olduğundan, yeterli denemeyle her sayının yaklaşık olarak aynı sıklıkta, yani toplam deneme sayısının 1/6'sı kadar gerçekleşmesini bekleriz. Sayıların sırasına bakılırsa, belirli bir sayının birkaç kez göründüğü sıklıkla fark edilir. Örneğin beş atışlık bir dizide yalnızca benzersiz sayıların ortaya çıkma olasılığı oldukça düşüktür. İlk atışta şu ana kadar hiçbir sayı tekrarlanamadığı için tüm sayılar geçerlidir. İkinci atışta, aynı sayının birden fazla tekrarlanmasını önlemek için artık yalnızca beş sayı geçerlidir; üçüncü atışta yalnızca 4 sayı vb. Bu nedenle, bir zarın beş atıştan oluşan bir dizilimin benzersiz sayılarla sonuçlanma olasılığı yalnızca yüzde 10 civarındadır. Herhangi bir dizi mümkündür, ancak doğal olarak 52461 dizisinin 33444 dizisinden daha rastgele olduğunu varsayarız.
Küçük çocukların keyif aldığı bir etkinlik, bulutlardaki hayvanları ve şekilleri görmektir. Yine geceleri sık sık yıldızlara bakarız ve Boğa, Terazi vb. gibi görünen yıldız takımyıldızlarına isimler veririz. Dünyadaki bakış açımızdan yıldızlar belirli bir düzende hizalanmış gibi görünür — tabii ki çok geniş bir alanda Uzayın genişliğinde yıldızlar birbirlerinden çok uzaktadır ve birbirinden bağımsızdır.
Bir başka örnek ise İkinci Dünya Savaşı sırasında Londra’yı vuran Alman bombalarının yerleştirilmesidir. Bir haritaya eklendiğinde, görünen model ilk olarak Almanların potansiyel hedefler hakkında ayrıntılı istihbarat bilgilerine erişiminin olması gerektiğini akla getiriyordu. Ancak dikkatli bir istatistiksel analiz, modelin rastgele bir dağılımla uyumlu olduğunu göstermiştir.
Rastgele olaylardaki kalıpları tespit etme eğiliminde olduğumuz gibi, bir kalıbın mevcut olup olmadığını bilmemizin hiçbir yolu olmasa bile, verilerdeki kalıpları ve açıklamaları arama olasılığımız da aynı derecede yüksektir. İlişkiler ve tutarlı hikayeler bulma arzumuz (Sistem 1) o kadar güçlü ki, verilerde makul bir hikaye veya nedensel bir ilişki ile sonuçlanacak herhangi bir şey arama eğilimindeyiz.
Hazırlama Etkisi (Priming Effect)
Düşünce süreçlerimiz çoğunlukla olaylardan, sözcüklerden, seslerden, kokulardan, görsel girdilerden ve hatta düşüncelerden etkilenir. Örneğin, yakın zamanda “yemek” kelimesini okuduysanız, “çorab” kelimesini “çorap” yerine “çorba” olarak okuma olasılığınız çok daha yüksektir. Ancak son zamanlarda “giyme”yi okuduysanız “çorap” aklınıza “çorba”dan daha kolay gelecektir.
Bu etkiye hazırlama (priming) adı verilir ve önceki bir gözlemin veya düşüncenin, belirli şeyleri düşünmenizi veya belirli bir şekilde hareket etmenizi daha muhtemel hale getirdiği anlamına gelir. “Hazırlandığımızın” ve hazırlanmış fikirlerin daha ileri hazırlanmış fikirlere yol açabileceğinin farkında bile değiliz. Ünlü “Florida etkisi” deneyinde öğrencilerden beş kelimelik bir diziden dört kelimelik cümleler kurmaları istendi. Bir gruba yaşlılıkla ilişkilendirilen kelimelerin bir listesi verildi. Ödevlerini tamamladıktan sonra öğrencilerden koridordan geçerek başka bir odaya geçmeleri istendi. Yaşlılıkla ilgili kelimelerin bir listesi verilen öğrenciler, kontrol grubundaki öğrencilere göre daha yavaş ve daha bilinçli yürüme eğilimindeydi. Yaşlı oldukları hiç söylenmese de öğrenciler yaşlılığa alıştırılmış, hatta bilinçsizce hareketlerini değiştirmişlerdir.
Fikirler daha sonraki fikirleri tetikleyebileceğinden, neden yanlış sezgiye vardığımıza dair çoğu zaman hiçbir açıklamamız olmaz. Örneğin, öğle yemeği molasında sallanan bir sandalyeye oturduysanız, “dengesiz”, “sallantılı”, “devrilme”ye hazır olabilirsiniz. Öğle yemeğinden sonra işe döndüğünüzde ilk göreviniz bir makine öğrenimi modelinin tahminlerini değerlendirmekse, “kararsız tahminlere” hazırlıklı olabilirsiniz ve böyle bir hipotezi destekleyecek hiçbir kanıt olmasa bile destekleyici modeller arayabilirsiniz.
Hale Etkisi (Halo Effect)
Halo etkisi, belirli bir durumdan hoşlanmamızı veya hoşlanmamamızı tüm sistem veya kişiyle ilişkilendirme eğiliminde olduğumuzu açıklar. Örneğin, konuşması kolay bir kişi bulduğumuzda, hakkında hiçbir şey bilmesek bile o kişiyi tüm özellikleriyle bir bütün olarak sevdiğimizi varsayma eğiliminde oluruz.
Kahneman, iki kişinin kişilik özelliklerini tanımlama örneğini kullanmaktadır:
Alan: zeki — çalışkan — dürtüsel — eleştirel — inatçı — kıskanç
Ben: kıskanç — inatçı — eleştirel — dürtüsel — çalışkan — zeki
Alan ve Ben aynı kelimelerle tanımlanmıştır, ancak çoğu kişi Alan’ı Ben’den daha olumlu değerlendirmektedir çünkü kelimelerin sırası önemlidir. Alan ve Ben’e dair ilk izlenimimiz, sonuncusundan çok daha anlamlı olan ilk bir veya iki kelimeyle oluşuyor. Her ne kadar hem Alan hem de Ben “kıskanç” olarak tanımlansa da bu tanımlamanın Ben vakasında öne çıkan konumu, Alan’a kıyasla Ben’in kişiliğinin çok daha olumsuz bir şekilde tanımlanmasına yol açmaktadır.
Halo etkisini azaltmanın bir yolu, bireysel görevleri veya açıklamaları ayırmak ve her bir boyuta ayrı ayrı odaklanmak veya birçok bağımsız kaynaktan bilgi elde etmektir. Etkiyi ortadan kaldırmaya yönelik bu yaklaşım aynı zamanda “kalabalığın bilgeliğinin” neden işe yaradığının da bir açıklamasıdır. Örneğin, bireyler bir miktarı tahmin etmede çok düşük performans gösterebilirler. Örneğin bir kavanozdaki kuruşların sayısı tahmin edilsin, çok sayıda insanın ortalaması doğru cevaba yakın olma eğilimindedir. Bunun nedeni, her bir tahminin bir sonrakinden bağımsız olmasıdır. Bir kişi miktarı aşırı derecede fazla veya az tahmin edebilir, ancak tüm tahminlerin aslında diğerinden bağımsız olması ve ortak bir önyargıyı paylaşmaması koşuluyla, ortalama gerçek değere yakın olma eğilimindedir.
Geriye Bakış Önyargısı (Hindsight Bias)
Bir olayı veya tahmine dayalı bir modelin tahminlerini değerlendirirken çok yaygın bir hata, hangi bilginin ne zaman mevcut olduğunu karıştırmaktır. Çoğunlukla, sonucu değerlendirirken, yalnızca olay meydana geldikten sonra elde edilen bilgiler de dahil olmak üzere, mevcut tüm bilgileri dikkate alma eğilimindeyiz. Topu kaleye doğru vuran ve ıskalayan profesyonel bir futbolcunun örneğini düşünün. Birçok kişi o oyuncunun ıskalayacağını tahmin etmiştim diyecektir.
Oyuncunun golü kaçırdığı, olay gerçekleştiğinde açıkça ortadaydı, ancak seyircilerin, topun gol olmadan önce kaçırılacağını bilmelerinin hiçbir yolu yoktur. Vurulduktan sonra topun yörüngesi, kaleyi kaçıracağını gösteriyor olabilir; ancak bu durumda, herhangi bir müdahale şansı çoktan geçmiştir yani olay, oyuncu topa vurduğunda zaten gerçekleşmiştir. Oyuncunun olayı etkileyebileceği mümkün olan son an, ayağının topa çarpmasından öncediri ve dışarıdan birinin müdahale edebileceği mümkün olan son an ise bundan çok uzun zaman öncedir.
Geriye bakış yanlılığı çoğu senaryoda tahminlerin değerlendirilmesini bozabilir. Örneğin bir perakendecinin mağazasında geniş bir kıyafet yelpazesi sunulmaktadır. Her zaman optimum stok seviyelerine sahip olmak için, toptancıdan gelen sipariş miktarlarını optimize etmek amacıyla gelecekteki talep tahmin edilir. Çoğu durumda tahminin kalitesi, en çok satılan ürünlerin ilk yüzde 10'luk kısmının satışları ile tahmin edilen talep karşılaştırılarak değerlendirilir ve çoğu durumda bu tahminler, gerçekleştikten sonra gözlemlenen satışlardan çok uzak olur.
Bu örneğin birbiriyle ilişkili iki yönü vardır. İlk olarak, her tahmin, ideal olarak, en iyi sipariş miktarını hesaplamak için bir optimal nokta tahmincisinin türetildiği bir tam olasılık yoğunluk dağılımıdır. Bununla birlikte, dağılımı tek bir sayıya indirgemek aynı zamanda dağılımın şekli, oynaklık veya varyans vb. hakkındaki tüm bilgileri de ortadan kaldırır. Tahmin edilen dağılım yüksek bir oynaklığa sahipse, optimal nokta tahmincisi genellikle ihmal edilen büyük bir belirsizliğe sahip olacaktır. Daha sonra son değerlendirmede, tahminin yapıldığı sırada mevcut olmayan bilgilere dayanarak keyfi bir kesinti uygulanır. Geriye dönüp bakıldığında, hangi ürünlerin en iyi şekilde satıldığı açıkça ortaya çıkmaktadır, ancak siparişin verilmesi gerektiği sırada bu bilgi mevcut değildir. O dönemde mevcut olan tüm bilgiler mümkün olan en iyi tahmini yapmak için kullanılmıştır. Kahneman bu tutarsızlığı şu şekilde özetlemektedir: “[Geri görüş önyargısı] gözlemcilerin bir kararın kalitesini sürecin sağlam olup olmadığına değil, sonucun iyi ya da kötü olup olmadığına göre değerlendirmesine yol açar”.
Aşırı güven (Overconfidence)
Aşırı güven, kişinin kendi performansını eleştirel olarak yargılayamaması olarak tanımlanır. Bu önyargının üç çeşidi vardır:
• Kendi performanslarını olduğundan pozitif tahmin etmek (overestimating performance).
• Başkalarına göre kendi performansını abartmak (overestimating comparison).
• Kendi performanslarının kesinliğini abartmak (overestimating precision).
Her durumda kişi kendi performansının akranlarından veya bir makineden çok daha iyi veya çok daha hassas olduğunu varsayar. Kahneman’a göre bu, Sistem 1'in kendi tahminlerinin anlamlı olduğu tutarlı bir hikaye oluşturma eğiliminin bir başka sonucudur. Bu şekilde, Sistem 2 devreye girse ve görev için zihinsel çaba harcansa bile, Sistem 2 çoğunlukla Sistem 1'in sunduğu nedensel hikayeyi kabul edecektir.
Bazı mesleklerde belirsizliği göstermek veya belirsizlikle uğraşmak bir zayıflık olarak değerlendirilebilir. Örneğin tıp pratisyenleri, sonuç belirsiz olsa bile sıklıkla kesin bir teşhis veya tedavi planı belirtirler. Ancak tedavi sonuçlarının hastalarla olasılıklar çerçevesinde tartışılması daha geniş bir popülasyon için kabul edilebilir olmayacaktır.
Onay Önyargısı (Confirmation Bias)
Bilimin temel ilkelerinden biri hipotezlere karşı kanıt bulmaya çalışarak test etmektir. Ancak bizim inanç sistemimiz tam tersi şekilde işleme eğilimindedir. Sistem 1, mevcut verilerden makul ve nedensel bir hikaye oluşturur ve eğer devreye girerse bunu Sistem 2'ye iletir. Bilimsel pratiğin aksine inançlarımızla örtüşen kanıtları arama eğilimindeyizdir. Bu genellikle inançlarımızla bağdaşmayan kanıtların göz ardı edilmesine yol açar, bu nedenle zaten bildiğimizi düşündüğümüz şeyleri doğrulayan verilere bakma olasılığımız daha yüksektir.
Sabitleme Önyargısı (Anchoring Bias)
Sabitleme önyargısı, insanların yeni karşılaştıkları bir sayıya, bu sayının eldeki görevle hiçbir ilgisi olmasa bile, yakın olma eğilimini açıklar. Dolayısıyla bu sayı, olayların daha sonraki gelişiminin etrafında döneceği bir dayanak noktası haline geliyor. Bir bakıma sabitleme önyargısı hazırlamayla ilgilidir. Belirli bir sayıya dayanak noktası olarak maruz kalmak, bu sayı rastgele olsa veya mevcut görevle hiçbir ilgisi olmasa bile bizi bu sayı etrafında dönmeye hazırlar.
Bu etki genellikle bir pazarda fiyatlar üzerinde pazarlık yapılırken gözlemlenebilir. Hem potansiyel satıcı hem de alıcı, karşı tarafı gerçekçi olmayan yüksek ve düşük rakamlarla etkilemeye çalışır. Bir çalışmada yazarlar, sabitleme etkisinin profesyonel ortamlarda da yaygın olduğunu bulmuşlardır. Araştırmaya katılan hakimlerden ilk olarak savcının ceza talebini simüle etmek için zar atmaları istendi. Zarlar, bir grup hakemin her zaman düşük sayılar atacağı, diğer grubun ise her zaman yüksek sayılar atacağı şekilde yüklendi. Çalışma, zar atıldığında elde edilen sayıların son cümle için dayanak görevi gördüğünü, yani daha yüksek sayılar atan hakemlerin, daha küçük sayılar atanlara göre daha sert cezalar verme eğiliminde olduklarını buldu. En iyi bilim insanları bile zaman içindeki bilimsel ölçümlerin sonuçlarının görselleştirilmesiyle ortaya konabilecek sabitleyici önyargıya eğilimlidir.
Aşağıdaki grafik, yüksek enerjili çarpışmalarda oluşan belirli bir parçacığın ömrünü göstermektedir:
Grafik, ölçümlerin belirli değerler etrafında kümelenme eğiliminde olduğunu göstermektedir. Nihai (doğru) ölçülen değer 90ps civarındadır, ancak zaman içindeki ölçümler bu değere hızlı bir şekilde yaklaşma eğilimi göstermez, ancak daha önce gözlemlenen değerlere yakın kalır: Doğru olmasalar bile, yeni bir ölçüm yapan bilim adamları önyargılıdır. önceki yayınlarda bildirilen sayıya doğru.
Soru Değiştirme (Substituting Questions)
Bir sorunun yanıtı hemen bulunamazsa, Sistem 1 yanıtlanması daha kolay ilgili bir soru bulmaya eğilimlidir. Özellikle olasılıklar sorulduğunda insanlar başka bir şeyi yargılamaya ve olasılık hakkındaki soruyu yanıtladıklarına inanmaya eğilimlidirler. Satış tahminlerinin makul olup olmadığı sorulduğunda, yanıtlanması daha kolay bir buluşsal yöntem olan, örneğin, geçmiş satış olaylarına ve ilgili tahminlere ilişkin bir zaman serisine bakmak ve ardından eğrilerin eşleşip eşleşmediğine karar vermek buna örnek olabilir. Bu, tahminin kalitesinin iyi bir göstergesi olsa da, değerlendirme üstünkörü bir bakıştan çok daha karmaşıktır. Ayrıca, görselleştirmenin veya gösterge panosunun tasarımı, karar vermede büyük bir rol oynar.
İstatistiksel Etkiler (Statistical Effects)
Çoğu insan, nedensel açıklamalara bakmadan olayları objektif olarak değerlendirmenin son derece zor olduğunu düşünür. Bir yandan bu, her zaman nedensel ilişkiler bulmaya ve tutarlı bir hikaye oluşturmaya çalışan Sistem 1 biçiminde beynimize kazınmıştır. Kahneman bunu şu şekilde özetlemektedir: “İnsanlar istatistiksel akıl yürütme gerektiren durumlarda nedensel düşünceyi uygunsuz bir şekilde uygulamaya eğilimlidirler. İstatistiksel düşünme, kategorilerin ve toplulukların özelliklerinden bireysel durumlar hakkında sonuçlar çıkarır. Ne yazık ki Sistem 1 bu akıl yürütme tarzına sahip değildir. Sistem 2 istatistiksel olarak düşünmeyi öğrenebilir, ancak çok az kişi bunun için gerekli eğitimi alır”.
Bu aynı zamanda küçük çocukluğumuzdan itibaren dünyayı deneyimleme şeklimizden de anlaşılabilir. Birçok günlük sistem deterministiktir ve özelliklerini stokastik olarak değiştirmez. Bireysel sonucun tahmin edilemediği Stokastik Rastgele süreçler. En fazla, olası her sonuca olasılıklar atanabilir. Tekrarlanan eylemler her zaman aynı sonuca yol açtığından, bu, dünyayı keşfetmemize ve eylemlerimizden öğrenmemize olanak tanır. Öte yandan birçok sistemin hem deterministik hem de stokastik bir kısmı vardır.
Tanıdık Newton’un beşiği tamamen deterministiktir ve sürtünme ve diğer kayıpların etkilerini göz ardı eder. Bir top kaldırıldığında, sistemin dinamiği ve başlangıç koşulları bilindiğinden diğer topların etkisi hesaplanabilir.
Öte yandan piyango hiçbir şekilde deterministik değildir. Gelecek haftaki piyangoda kazandıracak rakamları tahmin etmeye çalışmak boşunadır ve asla başarılı olmayacaktır. En gerçekçi sistemler ikisinin arasında bir yerdedir. Deterministik kısım gelecekteki olaylar hakkında tahminler yapılmasına izin verirken stokastik kısım ise değişkenliğe veya rastgeleliğe yol açar. Bu, gelecekteki olayların tahmininin yalnızca olasılıklar veya olasılık yoğunluk fonksiyonları açısından yapılabileceği anlamına gelir.
Ayrıklaştırma Etkisi (Discretization Effect)
Çoğu durumda gözlemlenebilir olaylar ayrıktır. Örneğin şişeler, hazır ambalajlı ürünler veya giysiler gibi çoğu ürün yalnızca sabit miktarlarda satılabilir. Bununla birlikte, zaman dilimi başına (ortalama) satışlara ilişkin tahmin çoğunlukla sürekli bir sayı olacaktır. Pahalı bir şişe şampanya satışı örneğini düşünürsek, bir mağazanın yöneticisi herhangi bir haftada ortalama 1,2 şişe satılmasını bekleyebilir. Gözlemlenen satış olayları elbette ayrıktır. Bazı haftalar hiç şişe satılmıyor, bazı haftalar bir şişe, bazı haftalar ise iki veya üç şişe satılıyor. En iyi durumda bile tahminler ve gözlemlenen olaylar bu senaryoda uyuşmayabilir. Belirli bir haftada bir şişe satıldıysa, 1,2 şişelik bir tahmin yüzde 20'lik bir tahmin hatası anlamına gelecektir. Daha da kötüsü, iki şişe satılsaydı tahmin yüzde 80 oranında hatalı olacaktı. Bu yorum elbette saçmadır, çünkü etki yalnızca öngörülen ortalama satışların sürekli bir sayı olmasından kaynaklanmaktadır, ancak mallar yalnızca ayrı miktarlarda satılabilmektedir. Ortalama birden fazla olduğundan, bazı haftalarda iki veya daha fazla şişenin satılması beklenebilir.
Küçük Sayılar Kanunu (Law of Small Numbers)
Bir analizde dikkate alınan vakaların sayısı önyargılara veya görünürdeki çelişkilere yol açabilir. Wainer ve Zwerling (2006) Amerika’da böbrek kanserine bağlı yaşa göre düzeltilmiş ölüm oranları örneğini kullanarak bir çalışma yapmıştır. Vakaların en düşük yüzde 10'luk oranına sahip ilçeleri vurgulayan harita, çoğunlukla Ortabatı, Güney ve Batı Amerika’daki kırsal, seyrek yerleşimli ilçeleri göstermektedir. Akla hemen bir açıklama geliyor: Kırsal alanlarda yaşamak, daha az kirlilik ve sağlıklı gıda ve ürünlere daha kolay erişim anlamına geliyor. Bununla birlikte, vakaların ilk yüzde 10'unun görüldüğü ilçeleri vurgulayan harita, çoğunlukla Ortabatı, Güney ve Batı Amerika’daki kırsal, seyrek yerleşimli ülkeleri gösteriyor. Sezgisel bir açıklama, kırsal alanların sağlık hizmetlerine daha az erişimi olduğu şeklinde olsa da, karşılaştırma, yaşa göre düzeltilmiş ölüm oranlarının en düşük ve en yüksek yüzdelik diliminin çok benzer yapıya sahip ilçelerde olduğunu gösteriyor.
Her iki sezgisel açıklama da ilk bakışta anlamlıdır. Kırsal alanlarda yaşamak, genel olarak daha sağlıklı bir yaşam tarzı, daha az kirlilik, daha iyi gıda ve aynı zamanda yüksek kaliteli sağlık hizmetlerine daha az erişim anlamına gelir. Dolayısıyla Sistem 1 ve Sistem 2'miz hemen sonuçlara varır ve makul bir hikaye oluşturur. Ancak bu durumda altta yatan bir nedensel ilişki veya sebep yoktur. Kırsal ilçeler genellikle seyrek nüfusludur, bu nedenle ilçe başına ölüm oranı, sakinlerin sayısına göre normalleştirilmiş olup, çok büyük bir varyansa veya oynaklığa sahiptir. Çok sayıda sakinin bulunduğu yoğun nüfuslu ilçeler, vakalar çok daha büyük bir örneklemle normalleştirildiğinden daha küçük bir varyansa sahiptir. Makul bir nedensel hikaye aramak cazip gelse de (ve bilişsel önyargılarımız bunu otomatik olarak yapma eğiliminde olsa da) küçük örneklerde bulunan büyük varyans nedeniyle ana etki istatistikseldir.
Aykırı değerler ve siyah kuğu etkinlikleri (Aykırı değerler ve siyah kuğu etkinlikleri)
Siyah kuğu olaylarının terminolojisi Taleb (2010) tarafından Latince “iyi bir insan siyah kuğu kadar nadirdir” ifadesine kadar uzanan bir şekilde şekillendirilmiştir. Gelecekteki olaylar yalnızca olasılıklar veya olasılık yoğunluk dağılımları olarak tahmin edilebildiğinden, siyah kuğu olayı mümkündür ancak gerçekleşme olasılığı çok düşüktür. Bu nedenle, eğer ortaya çıkarlarsa şaşırtıcıdırlar ve — küçük sayılar yasasının bilişsel önyargısına benzer şekilde — bunları tamamen istatistiksel bir olay olarak ele almak yerine, basit açıklamalar ve makul bir nedensel hikaye arama eğilimindeyiz. Bu nadir olaylara genellikle büyük önem verilir ve orada olmayabilecek nedensel bir ilişki aranır. “Siyah Kuğu Olayları” Göz önünde bulundurulan sistem üzerinde büyük bir etkiye sahip olabilecek nadir ve öngörülemeyen aykırı değerler.
Aşağıdaki (tahmin edilen) olasılık yoğunluk dağılımını göz önünde bulundurun: Şekil çok asimetriktir, sıfır değeri bir sınırı temsil eder, yani tüm olayların sıfırdan büyük olması gerekir. Dağılımın büyük bir kısmı sıfıra yakın dar bir bölgede yoğunlaşmıştır. Ancak dağılım çok uzun kuyruklardan yüksek sayılara ve çok düşük olasılıklara sahiptir. Dolayısıyla olayların çoğu, belki de yüzde 90'dan fazlası, dağılımın büyük kısmının yer aldığı sıfıra yakın küçük bir bölgede meydana gelecektir. Uzun kuyruktaki olaylar nadiren meydana gelir; ancak dağılımın şekli göz önüne alındığında, bu olayların olasılıkları küçük ancak sıfır olmadığı için meydana gelebilir. Gözlemci “tipik” olaya aşina olduğundan, kuyruklardan kaynaklanan herhangi bir olay, nadiren meydana gelmesi dışında bu özel olayla ilgili özel bir şey olmasa bile, bir aykırı olay veya Siyah Kuğu olayı olarak değerlendirilecektir.
Değişim Yönetimi: Veriye Dayalı Bir Şirkete Dönüşüm (Change Management: Transformation
to a Data-Driven Company)
Veriye Dayalı Kararların Entegre Edilmesi (Integrating Data Driven Decisions)
Yapay zekayı ve veriye dayalı kararları bir kuruluşa veya şirkete entegre etmek önemli zorluklar doğurur. Ana korkulardan biri, karar almayı yönlendirmek için makine öğreniminin kullanımının artmasının geniş çapta iş kaybına yol açmasıdır. Bir PWC araştırması, işlerin yüzde 30 ila 40'ının otomasyon nedeniyle risk altında olabileceğini tahmin ediyor. Ancak otomasyon, insanlar onu yaratmaya başladığından beri hayatımızı tanımlamıştır.
Otomasyon, çağlar boyunca mekanik yardımlardan tarlaları sürmeye, gittikçe daha fazla mekanik görevin otomatikleştirildiği ve makineler tarafından üstlenildiği ilk üç sanayi devrimine kadar uzanır. Bylund’un işaret ettiği gibi: “Kimse iş uğruna çalışmıyor; insanlar değer yaratmaya çalışıyor, bu da maaşlarımızı ödememize ve ailelerimizi beslememize yardımcı oluyor.” Bireylerin işlerini kaybettiği ve yenilerini bulmakta zorlandığı her geçiş dönemi ve sanayi devrimi birçok kişi için acı vericiydi. Roller ortadan kalktı, ancak yenileri yaratıldı ve endüstrinin yanı sıra toplum da bir bütün olarak değişti.
Bu nedenle, insan ve makine birlikte çalışmaya başladığında, iş birimi veya organizasyon düzeyinde olduğu kadar daha geniş ölçekte de değişim yönetimi hayati önem taşıyor. Değişim Yönetimi, bir organizasyonun yeni bir yapıya geçiş şeklini veya çalışanların şirketteki büyük değişikliklere nasıl hazırlanabileceğini kontrol etmeyi amaçlayan bir yönetim sürecidir.
Gelecekte, birçok yeni işin ortaya çıkması ve yeni işlerin eskisinden daha yüksek düzeyde eğitim gerektirmesi, geleneksel mesleklerin de değişmesi beklenmektedir. Örneğin Ghafourifar, yapay zeka tabanlı sistemler daha fazla idari görev üstlendiğinden, yöneticinin rolünün karar verme, mentorluk ve inovasyona daha fazla odaklanacağını vurguluyor. Bu, yöneticilerin daha fazlasını “yönetebilecekleri” ve temel niteliklerini kullanabilecekleri anlamına gelmektedir. Bu durum, kesinlikle güçlü liderler için bir artıdır, ancak aynı zamanda yöneticilerin idari görevlerde saklanamayacağı anlamına da gelir, bu da yönetici rollerinde değişim ve daha fazla eğitim ihtiyacını ortaya çıkarır.
Bu değişiklik özellikle gelecekteki olayların olasılıklar veya olasılık dağılımları olarak tahmin edilmesi durumunda gözle görülür. Operasyonel kararlar alabilmek için eşiklerin belirlenmesi gerekir. Örneğin, hangi olasılıkta bir işlem hileli olarak değerlendirilebilir? Yüksek bir eşiğin kullanılması, neredeyse kesinlikle hileli olan nispeten az sayıda olaya odaklanacaktır. Bununla birlikte, makul ölçüde “normal” göründükleri için bazı hileli işlemler de gözden kaçırılacaktır. Alternatif olarak, manuel olarak doğrulanması gereken birçok yanlış alarmla sonuçlanacak düşük bir eşik değeri seçilebilir. Herhangi bir eşik mümkündür ancak spesifik değerin iş modeline ve genel stratejiye uygun olarak belirlenmesi gerekir. Bu durum, böyle bir görevden sorumlu yöneticilerin geçmişe göre daha güçlü kararlar alabileceği ancak böyle bir karar verebilmek için daha derin bir anlayışa ihtiyaçları olacağı anlamına gelmektedir.
Yakın zamanda yapılan bir Deloitte çalışması, organizasyonel yapılar üzerindeki etkiyi araştırıyor. Bu araştırma sonucunda organizasyonel yapının, geleneksel hiyerarşiden, ekiplerin belirli yönlere veya görevlere odaklandığı ve organizasyon içindeki diğer ekiplerle gevşek bir şekilde bağlı olduğu kabilelere doğru evrileceği sonucuna varıyor. Bu dönüşüm, geleneksel yapılara göre köklü bir değişimdir ve yönetimin her kademesi için önemli zorluklar doğurur. Geçmişte büyük birimleri yönetmek için üst düzey ve C düzeyindeki yönetim kullanılıyordu. Bireysel yöneticiye bağlı olarak bu durum genellikle organizasyon içinde birimler arasında çok az temasın olduğu gruplanmalara yol açıyordu. Ayrıca, aşağıdan yukarıya ve yukarıdan aşağıya karar zincirlerinin uzun zinciri nedeniyle yeni fikirleri entegre etmek zordu. “Kabileler” halinde çalışmanın, ekiplerin belirli konulara veya yönlere odaklanabilmesi ve bunları sahiplenebilmesi açısından doğrudan faydası vardır. Yöneticilerin kendilerini doğrudan rapor verenlerin denetçisi olarak görmek yerine kabilelerin destekçisi haline gelmeleri gerekiyor.
David Parmenter’ın işaret ettiği gibi bu, “gücün ön saflara aktarılmasını” da içeriyor. Çalışanlar, birçok yönetim katmanını içeren uzun karar zincirleri kullanmak yerine, bir durumu iyileştirmek veya düzeltmek için harekete geçebilmelidir. McKinsey şirketi, dijital stratejilerin neden başarısız olduğunu açıklayan bir dizi tuzağa dikkat çekmektedir. McKinsey pek çok iş liderinin “dijital”in işletmeleri nasıl etkileyeceği konusunda net bir anlayışa sahip olmadığını, ancak bunu potansiyel olarak tüm iş modelini etkileyebilecek yıkıcı bir dönüşüm yerine yükseltilmiş bir BT sistemi veya izole edilmiş bir kullanım durumu olarak görme eğiliminde olduklarını bulmuştur. Dahası, çoğu yönetici ekonominin ilkelerini uzun zaman önce öğrendi ve dijital ürün ile hizmetlerin, ürünlerin geliştirilme veya kullanılma şeklini değiştirebileceğini hayal etmeyi zor buluyor. Dijital ürünler ayrıca müşteriyi, dağıtım zincirini değiştirebilecek veya azaltabilecek üretici veya hizmet sağlayıcıyla daha sık doğrudan temasa geçirir.
Tren veya uçak biletleri çoğunlukla seyahat acenteleri yerine akıllı telefon uygulaması aracılığıyla satın alınmaktadır. Bulut teklifleri, bilgisayar donanımını satın alma ve çalıştırma ihtiyacını ortadan kaldırmakta veya azaltmaktadır. Bunun gibi dijital iş modellerinin getirdiği değişime hazır olmamak, birçok işletmenin işleyişini tehlikeye atmaktadır. McKinsey çalışmasının yazarlarının tespit ettiği bir diğer tuzak ise dijital iş modeli tehdidini aşırı telafi etmektir. “Eğer bozulacaksam, o zaman tamamen yeni bir şey yaratmam gerekir” şeklinde yaklaşmak, mevcut iş modellerinin, müşterilerin ve pazar paylarının dijital çağa hazırlanması gerektiğini unutmaktır.
Davenport ve Bean, birçok şirketin yapay zeka ve veri odaklı yaklaşımlarını gelecek stratejileri için hayati öneme sahip olarak tanımladığını ve CDO (Baş Veri Sorumlusu) gibi yeni yönetim rolleri oluşturmaya başladığını söylemektedir. Ancak, bu yeni yönetim pozisyonlarının kapsamı veya sorumlulukları ve bunların bir şirketteki diğer yönetim rolleriyle nasıl ilişkili olduğu konusunda net bir anlayış henüz yoktur. Yazarlar, şirket genelinde veri odaklı bir kültürün nasıl oluşturulacağına dair net bir anlayışın, şirketleri veri odaklı işletmelere dönüştürmek için hayati önem taşıdığına dikkat çekmektedir. Benzer şekilde, Beyaz Saray’ın eski danışmanlarından DJ Patil ve Mason, veriye dayalı başarılı bir işletme kurmanın teknik çözümlerle veya “çılgın matematik becerilerine” sahip insanlarla ilgili olmadığını, daha ziyade verilerin her yerde erişilebilir olduğu kültürel bir değişimle ilgili olduğunu vurguluyor.
- Aciliyet duygusu oluşturun: Yönetim ekibinin en az yüzde 75'ini mevcut statükonun değişimden daha tehlikeli olduğuna ikna edin. Yöneticilerin, değişimin ilerlemenin tek yolu olduğuna ve mevcut sistemin organizasyonlarını tehdit edebileceğine ikna olmaları gerekir.
- Güçlü bir yönlendirici koalisyon oluşturun: İkinci aşamada, ortak taahhütleri olan bir başlangıç ekibi oluşturulmalıdır. Değişim çabasına liderlik edecek ve normal hiyerarşilerin dışında hareket edecek yeterli güce sahip olmalıdırlar. Bu ekip, tüm seslerin duyulabilmesini sağlamak için kuruluşun ilgili tüm düzeylerinden gelmelidir.
- Bir vizyon oluşturun: Başarılı değişim çabasının bir vizyona ihtiyacı vardır, böylece organizasyondaki herkes değişimin neden gerekli olduğunu anlayabilir. Vizyonun kuruluşun her üyesi tarafından birkaç dakika içinde anlaşılabilecek kadar basit olması gerekir.
- Vizyonu iletin: Kuruluşun her üyesinin değişim çabasından ve değişimin nereye varacağından haberdar olması gerekir. Vizyon herkesi bir araya getirmenin anahtarıdır.
- Başkalarını vizyona göre hareket etmeleri için güçlendirin: Vizyonun hayata geçirilebilmesi için yeni yapılara ve sistemlere ihtiyaç vardır. Yöneticiler, eski yapıların terk edilmesine yardımcı olmak için risk almayı ve geleneksel olmayan fikirlere, faaliyetlere ve eylemlere yönelik “sadece yap” yaklaşımını teşvik etmelidir.
- Kısa vadeli kazanımlar planlayın ve yaratın: Hızlı kazanımlar ve iyileştirmeler, değişim çabasında motive edici bir faktör olarak tasarlanmalıdır. Bu, yeni yaklaşımın başarısını vurgularr ve herkesi katılmaya teşvik eder. Değişim çabasını desteklemek için CEO gibi en üst kademelerden övgü gelmelidir.
- İyileştirmeleri pekiştirin ve daha fazla değişiklik üretin: Hızlı kazanımların ve iyileştirmelerin olumlu etkisi, daha fazla değişimi teşvik etmelidir. Yöneticiler, değişim sürecine katılanları desteklemeli, teşvik etmeli ve süreci ileriye götürmelidir.
- Yeni yaklaşımları kurumsallaştırın: Değişim sürecinin yönlendirdiği yeni yaklaşımlar benimsenmeye başladıkça, yöneticilerin, örneğin yeni yaklaşım ile başarı arasındaki bağlantıyı vurgulayarak, yeni yaklaşımları norm olarak oluşturmaları gerekir.
Yeni yaklaşım ve yapılar oluşturmanın anahtarı çalışanlardır. Kuruluşun her üyesinin, değişimin neden gerekli olduğunu ve özellikle hangi değişimin gerekli olduğunu, hangi eski yapıların geride bırakılması gerektiğini ve hangi yeni en iyi uygulamaların izlenmesi gerektiğini anlaması gerekir. Etkili iletişim aynı zamanda çalışanların direnç ve tereddütlerini de ele almalıdır. Yönetim örnek olarak liderlik etmeli ve çalışanlara vaaz ettiklerini uyguladıklarını göstermelidir. Beckhard (1987) değişim sürecinin başarısını şu formülle özetlemektedir: D*V*F > R (varolan durumdan memnuniyetsizlik* vizyon* ilk adımlar > değişime direnç).
Lider değişim
Bir proje ekibini, organizasyonu veya işletmeyi değiştirmek zor bir iştir, ancak değişim genellikle kaçınılmazdır. Birçoğu bir organizasyonun değişmesi gerektiği konusunda hemfikir olsa da, çok azı başlangıçta kendini değiştirmeye veya bir takımdaki değişime liderlik etmeye gönüllü olur. Parmenter, değişim sürecinin ilk kısmının değişikliği yönetime satmak olduğunu ve her satış sürecinde olduğu gibi bunun da mantıksal argümanlar sunarak değil, duygusal etkenlere odaklanarak yapıldığını vurguluyor. Kotter ufuk açıcı çalışması “Leading Change”de sekiz adımlık bir süreci özetlemektedir.
Stereotipler
Daha önce de belirtildiği gibi, organizasyonel değişim insanlar tarafından yönlendirilir. İnsanların hepsi farklı olduğundan değişim sürecine karşı farklı bir tutum sergileme eğilimindedirler. AtKisson, insanların üstlendiği bir dizi tipik rolü tanımlarken bir amip görselini kullanmaktadır.
Bu tek hücreli organizma, şeklini değiştirme yeteneğine sahiptir. Değişim süreciyle ilgili olarak amip, bir hedefe ulaşmak için esneyen ve şekil değiştiren organizasyonun tamamını simgelemektedir. Farklı bileşenler, kuruluş içindeki kişilerin üstlenebileceği tipik rolleri simgelemektedir:
- Yenilikçiler: Bunlar, organizasyona yeni fikirler getirmeye çalışan değişim sürecinin itici güçleridir. Yeni fikirlerle özdeşleşirler ve genellikle onlara çok bağlanırlar.
- Değişim temsilcileri: Yeni fikirleri ve bunların organizasyona getireceği faydaları anlayabilirler, ancak aynı zamanda organizasyondaki diğer kişilerin de değişimin neden gerekli olduğunu ve ilk etapta neyin değişmesi gerektiğini anlaması gerektiğini de anlarlar. Değişim temsilcileri değişim süreci boyunca başkalarına yardım ederler.
- Dönüştürücüler: Genellikle erken benimseyenlerdir ve yenilikçi yaklaşımların kullanımını teşvik ederler. Dönüştürücüler genellikle ekiplerinde saygı duyulur, ancak mutlaka bir ekip lideri veya yönetimin bir parçası olmayabilirler.
- Yaygınlaştırıcılar: “Akışa göre hareket ederler” ve başkalarının yaptıklarını yaparlar; değişen ve başkalarının yaptığını gören ilk kişiler onlar değildir. Değişim hareketi yeterince büyük olduğunda onlar da buna katılırlar.
- Geriden Gelenler: Anaakımcıların neredeyse tam tersidirler. İşlerin gidişatını severler ve değişmeye isteksizdirler. Değişime bizzat karşı değiller ama onları konfor alanlarının dışına itmek çok zordur.
- Gericiler: Değişime aktif olarak karşı çıkarlar ve ona karşı hareket ederler. Davranışları bir dizi farklı nedenden kaynaklanabilir: Önerilen değişikliğin organizasyon için gerçekten kötü olduğunu veya kaybedecek bir şeyleri olduğunu, örneğin bir (yönetim) pozisyonunu veya projeyi düşünebilirler.
- Huysuzlar: Sadece başlatılan değişime değil, her şeye karşıdırlar. Huysuzlar her zaman şikayet etmek için bir sebep bulurlar.
- Münzeviler: Her organizasyonda bunlara sahiptir. Başka ilgi alanları veya öncelikleri olduğundan normal süreçlere göre farklı çalışma eğilimindedirler. Kendi uzmanlık alanlarında sessizce çalışan araştırmacılar gibi saygı duyulan kişiler olabilirler, ancak kendilerini günlük koşuşturmanın dışında tutarlar. Bunları bulmak ve değişim sürecine entegre etmek çok değerli olabilir çünkü münzeviler hatırı sayılır bilgiye sahip olabilir.
- Kontrolcüler: Amip DNA’sı ile sembolize edilirler. Organizasyon içinde ne olacağına ilişkin son kararları örneğin CEO veya yönetim kurulu gibi onlar verirler.
- Aktivistler: Örgütün dışındadırlar ve örgütü yeni bir yöne doğru itmeye çalışırlar. Aktivistler yanlış olduğunu düşündükleri şeyleri görür ve dile getirirler. Çoğu zaman sivil toplum kuruluşları veya gazeteciler değişmesi gereken şeyleri işaret ederler. Değişim sürecini organizasyon içindeki değişim süreciyle mücadele etmek için daha az zamanları olsun diye onları gericilere karşı yönlendirerek bunlarla uyumlu hale getirmek yararlı olabilir.
Bir değişim sürecini başlatırken amip görseli , değişim sürecini yapılandırmaya yardımcı olur. Gerçek değişim başlatılmadan önce, değişimi yönlendiren grup organizasyondaki hangi kişilerin hangi rolü üstlenebileceğini belirlemelidir. Daha sonra bu, her rol veya kişiyle nasıl iletişim kurulacağı, olası davranışlarının nasıl tahmin edileceği ve bunların değişim sürecine nasıl entegre edilebileceği de dahil olmak üzere bir stratejiye dönüştürülmelidir.
Özet
Herhangi bir projedeki en kritik husus, onu tasarlayan, uygulayan, izleyen ve değerlendiren insanlardır. Tahmine dayalı bir model tasarlanırken ve modelde ve iş odaklı şekillerde değerlendirilirken en iyi niyetlere ve dikkatli değerlendirmeye rağmen, insanlar bilişsel önyargılar ve istatistiksel etkiler nedeniyle hala kafa karışıklığına uğramaya eğilimlidir. Bunların çoğu evrimsel kökenlerimize dayanmaktadır. Binlerce yıl boyunca insanlara çok iyi uyum sağlayan davranış kalıpları, bazen ne olduğunun farkına varmadan bizi yanlış yorumlara sürükler. Bu etkilerin farkında olmak bize bunları mümkün olduğunca telafi etme şansı verir. Bir kuruluşa yeni bir yaklaşım veya yöntem getirmek zordur ve çoğu çaba, kuruluş genelinde uygulanamadığı için uygulamada başarısız olur. Değişim yönetimi, bir şirkette değişim sürecine rehberlik etmeye ve yeni yöntemler veya teknolojiler oluşturmaya yardımcı olur. Değişimin amip olarak temsili, bir organizasyon içindeki insanların değişimle karşı karşıya kaldıklarında sıklıkla üstlendikleri tipik rolleri tanımlar. Bu, bir kuruluş içinde bir değişim projesini uygularken beklenen engellerle başa çıkmak için bir strateji tasarlamanın temelini oluşturur.
Kaynaklar
[1] Sevilay Nur Saraçlar, (7 Nisan 2023), Bilişsel önyargılar: Psikoloji biliminden öğreneceklerimiz var
[https://journo.com.tr/bilissel-onyargilar]
[2] Peakup Enterprise Services, (2023), Değişim Yönetimi Nedir?
[https://peakup.org/blog/degisim-yonetimi-101/]
[3] Elif İrem Yavuzer, (28 Kasım 2019), Değişim Yönetimi Nedir? Niye Önemlidir?
[https://www.brandingturkiye.com/degisim-yonetimi-nedir-niye-onemlidir/]
