Özet. Bir projenin ne kadar süreceğini, bir girişimin ayakta kalıp kalmayacağını ya da bir kararın nasıl sonuçlanacağını tahmin ederken doğal olarak kendi durumumuzun ayrıntılarından bir hikaye kurarız. Daniel Kahneman ve Amos Tversky buna iç bakış adını verdi. Çözüm dış bakıştır: kendi durumunuza bakmadan önce, buna benzeyen durumların genellikle nasıl sonuçlandığını sorun ve bu taban oranından başlayın. Kapattığı açık büyüktür. Tezlerini 33,9 günde bitireceklerini tahmin eden öğrenciler ortalama 55,5 gün harcadı ve yalnızca %29,7’si kendi en iyi tahmininde işi tamamlayabildi. 1.603 büyük projede gerçekleşen maliyetler, ortalamada tahminin 1,39 katı oldu. ABD’de yeni açılan işyerlerinin yalnızca yaklaşık yarısı beş yıl sonra hala faaliyette. İyi haber şu: düzeltme ucuz ve öğrenilebilir. Jeopolitik tahmin turnuvalarında karşılaştırma sınıflarını ve taban oranlarını öne çıkaran, bir saatten kısa süren bir eğitim modülü isabeti yüzde 6 ila 12 artırdı; daha iyi tahminlerle en çok ilişkilendirilen ilke de taban oranlarıydı. Bu rehber size doğrulanmış taban oranlarından oluşan bir kütüphane, çalışma sayfası biçiminde beş adımlı düzeltme yöntemi ve çözümlü örnekler sunuyor.
İç bakış ve dış bakış
Kahneman ve Lovallo, iki bakış açısını 1993’te Management Science dergisinde yayımlanan bir makalede tanımladı. İç bakışa dayalı bir tahmin, “vakanın özelliklerine, mevcut planın ayrıntılarına, olası engellere ve bunların nasıl aşılabileceğine dair bazı fikirlere” dayanır. Dış bakış ise buna karşılık “esasen istatistiksel ve karşılaştırmalıdır ve geleceğin tarihini herhangi bir ayrıntı düzeyinde kestirmeye çalışmaz.”
Kahneman’ın en sevdiği örnek 1976’dan gelir. O dönemde İsrail liseleri için karar verme ve muhakeme üzerine bir müfredat yazan ekibin bir parçasıydı. Yaklaşık bir yıllık çalışmanın ardından ekip üyeleri projenin tamamlanmasının ne kadar süreceğini tek tek tahmin etti: tahminler 18 ile 30 ay arasında değişiyordu. Ardından ekipten müfredat geliştirme uzmanı olan bir üyeye, benzer ekiplerin nasıl bir performans gösterdiği soruldu. 1993 tarihli makalede aktarıldığı üzere verdiği yanıt şuydu: bu ekiplerin yaklaşık %40’ı sonunda vazgeçmişti; geri kalanlar arasında yedi yıldan kısa sürede bitiren ya da on yıldan uzun süren tek bir ekip bile aklına gelmiyordu. Üstelik kendi ekiplerini ortalamanın biraz altında değerlendiriyordu. Lovallo ve Kahneman’ın Harvard Business Review’daki (2003) sonraki anlatımına göre, Flyvbjerg’in aktardığı biçimiyle, müfredat sekiz yıl sonra tamamlandı ve neredeyse hiç kullanılmadı.
Ekipte kimsenin zekası ya da bilgisi eksik değildi. Tahmini değiştirecek bilgi odada mevcuttu. Yalnızca başvurulmamıştı, çünkü bir vaka hakkında düşünmenin doğal yolu onu içeriden ele almaktır.
Taban oranları neden göz ardı edilir
Kahneman ve Tversky, bu alanın temelini oluşturan 1977 tarihli bir teknik raporda iki tür bilgiyi birbirinden ayırdı. Tekil bilgi, eldeki vakaya ilişkin kanıttır. Dağılımsal bilgi ya da taban oranı verisi ise sonuçların benzer vakalar arasında nasıl dağıldığına dair bilgidir. Vardıkları sonuç şuydu: “Dağılımsal bilgiye olması gerekenden az ağırlık verme ya da onu tamamen görmezden gelme yönündeki yaygın eğilim, belki de sezgisel tahminin en büyük hatasıdır.” Aynı rapor, işlerin ne kadar süreceğini ve ne kadara mal olacağını olduğundan az tahmin etme alışkanlığı için “planlama yanılgısı” (planning fallacy) terimini de ortaya attı.
Klasik laboratuvar gösterimi, Maya Bar-Hillel’in 1980’de incelediği taksi problemidir. Bir şehirde taksilerin %85’i Mavi, %15’i Yeşil. Bir tanık, çarpıp kaçan taksinin Yeşil olduğunu söylüyor ve tanık zamanın %80’inde doğru söylüyor. Taksinin Yeşil olma olasılığı nedir? Taban oranını tanığın güvenilirliğiyle birleştiren doğru yanıt yaklaşık %41’dir. Bar-Hillel’in çalışmasında medyan yanıt %80 oldu; katılımcıların %36’sı doğrudan tanığın güvenilirliğini yanıt olarak verdi ve yalnızca yaklaşık %10’u %41’e yaklaşabildi. Canlı ve özgül kanıt (bir tanık), sıkıcı ve genel kanıtı (her renkten kaç taksi bulunduğunu) gölgede bıraktı.
Bar-Hillel’in açıklaması taksilerin çok ötesine uzanır: insanlar bilgiyi ne kadar ilgili hissettirdiğine göre sıralar ve en ilgili görünen bilginin baskın çıkmasına izin verir. Kendi projenize dair ayrıntılar, başkalarının projelerine ait istatistiklerden her zaman daha ilgili hissettirir. İstatistiklerin göz ardı edilmesinin ve bu kadar değerli olmasının nedeni tam olarak budur.
Doğrulanmış taban oranlarından bir kütüphane
İlk pratik adım, karşılaştığınız pek çok karar için taban oranlarının zaten var olduğunu bilmektir. Aşağıdaki tablo, yayımlanmış ve doğrulanabilir kaynaklardan derlenen taban oranlarını bir araya getiriyor.
Tablo 1. Yaygın tahminler için doğrulanmış taban oranları
| Tahmin | Taban oranı | Kaynak ve kapsam |
|---|---|---|
| Projemi en iyi tahminimde bitirebilir miyim? | %29,7’si kendi en iyi tahmininde bitirdi; tahmin edilen 33,9 güne karşı gerçekleşen ortalama 55,5 gün | Buehler, Griffin ve Ross (1994), onur tezi öğrencileri, Çalışma 1 (33 öğrenci) |
| En kötü senaryo tahminimde bile bitirebilir miyim? | %48,7’si kendi “her şey olabilecek en kötü şekilde giderse” tarihinde bitirdi | Buehler, Griffin ve Ross (1994) |
| Büyük bir proje bütçesinde kalır mı? | Gerçekleşen maliyet ortalamada tahminin 1,39 katı (1.603 proje); yollar 1,24, demiryolu 1,40, binalar 1,36, barajlar 1,96 | Flyvbjerg (2021), Project Management Journal, maliyet nihai yatırım kararından itibaren reel olarak ölçülmüştür |
| Büyük bir proje vaat ettiği faydaları sağlar mı? | Gerçekleşen faydalar ortalamada öngörünün 0,94 katı (786 proje); demiryolu 0,66 | Flyvbjerg (2021) |
| Yeni bir işyeri bir yıl ayakta kalır mı? | %77,9 (Mart 2024’e kadarki bir yılda açılan işyerleri) | ABD Çalışma İstatistikleri Bürosu (BLS), Business Employment Dynamics |
| Beş yıl ayakta kalır mı? | %51,4 (Mart 2020’ye kadarki bir yılda açılan işyerleri) | BLS, Business Employment Dynamics |
| On yıl ayakta kalır mı? | %34,7 (Mart 2015’e kadarki bir yılda açılan işyerleri) | BLS, Business Employment Dynamics |
| Klinik denemelere giren bir ilaç onay alır mı? | Genel olarak %13,8; onkolojide %3,4; aşılarda %33,4 | Wong, Siah ve Lo (2019), Biostatistics, 2000-2015 arası denemeler |
| Birleşik Krallık’ta bir kamu binası bütçesi iyimserlik yanlılığı için ne kadar düzeltilmeli? | Sermaye harcamasında %24’e kadar (standart binalar) ve %51’e kadar (standart dışı binalar) | HM Treasury, Supplementary Green Book Guidance on Optimism Bias, Mott MacDonald (2002) temel alınarak |
Birkaç uyarı bu sayıları daha az değil, daha kullanışlı kılar:
- Kapsam önemlidir. BLS rakamları girişimleri değil, işyerlerini, yani tekil iş lokasyonlarını sayar; mevcut bir zincirin yeni şubesi de bir açılış olarak sayılır. Bu veriler “bu yeni lokasyon hala açık olacak mı?” sorusu için makul bir dış bakış sunar, “bu girişim sermayesi destekli startup başarılı olacak mı?” sorusu için değil.
- Küçük örneklem küçüktür. Tez çalışmasında 33 öğrenci vardı. Sonucun özü defalarca tekrarlandı, ancak %29,7 rakamının kendisi tek bir çalışmaya aittir.
- Ayrıntılar tartışmalıysa genel rakamları kullanın. Wong, Siah ve Lo, aşama bazlı tablolarının bir kısmı için bir düzeltme yayımladı; burada yalnızca genel ve tedavi alanı bazlı rakamların kullanılmasının nedeni budur.
Beş adımlı düzeltme
Kahneman ve Tversky’nin 1977 tarihli raporu beş adımlı bir düzeltme prosedürü ortaya koydu. Bent Flyvbjerg bunu daha sonra büyük projeler için referans sınıfı tahmini (reference class forecasting) olarak uyarladı ve 2004’te Birleşik Krallık Ulaştırma Bakanlığı ile HM Treasury, büyük ulaştırma projelerinin değerlendirilmesinde bu yöntemi benimsedi. Aşağıda bireysel kararlara uyarlanmış prosedürü bulabilirsiniz.
- Bir referans sınıfı seçin. Vakanız hangi geçmiş vakalar grubunun bir üyesi? Flyvbjerg’in kuralı: istatistiksel olarak anlamlı olacak kadar geniş, gerçekten karşılaştırılabilir olacak kadar dar.
- Bu sınıfın dağılımını bulun. Ortalama sonuç nedir ve sonuçlar ne kadar geniş bir aralıkta değişir?
- Sezgisel tahmininizi yapın. Şimdi, yalnızca şimdi, kendi vakanız hakkında bildiğiniz her şeyi kullanın.
- Öngörülebilirliği değerlendirin. Sizinkine benzer tahminler sonuçları gerçekte ne kadar iyi öngörüyor? Kahneman ve Tversky bunu 0 (vaka bilginiz hiçbir şeyi öngörmüyor) ile 1 (kusursuz öngörüyor) arasında bir korelasyon olarak ifade eder.
- Taban oranına doğru düzeltin. Taban oranından sezgisel tahmininize doğru yalnızca bu öngörülebilirlik oranında ilerleyin.
Formül olarak 5. adım şöyledir:
Düzeltilmiş tahmin = taban oranı + öngörülebilirlik x (sezgisel tahmin – taban oranı)
Kahneman ve Tversky’nin kendi örneği: Bir editörün sezgisi, bir kitabın 12.000 adet satacağını söylüyor; bu kategorideki kitaplar ortalama 4.000 adet satıyor; editörün muhakemesinin öngörülebilirliği yaklaşık 0,6. Düzeltilmiş tahmin 4.000 + 0,6 x (12.000 – 4.000) = 8.800 adettir.
Formülün iki faydalı uç noktası vardır. Vaka bilginiz hiçbir şeyi öngörmüyorsa (öngörülebilirlik 0), taban oranını kullanın. Kusursuz öngörüyorsa (öngörülebilirlik 1), sezginizi kullanın. Gerçek hayat neredeyse her zaman bu ikisinin arasındadır ve çoğu insan sanki 1’deymiş gibi davranır.
Dış bakış çalışma sayfası ve çözümlü örnekler
Aşağıdaki çalışma sayfası beş adımı dört yaygın karara uyguluyor. Taban oranları Tablo 1’den alınmıştır; sezgisel tahminler ve öngörülebilirlik değerleri, kendi değerlerinizle değiştireceğiniz örnek seçimlerdir.
Tablo 2. Dış bakış çalışma sayfası: dört çözümlü örnek (CEOtudent editöryel çerçevesi)
| Karar | Referans sınıfı ve taban oranı | Sezgisel tahmin | Öngörülebilirlik (örnek) | Düzeltilmiş tahmin |
|---|---|---|---|---|
| Kitap satışları (Kahneman ve Tversky’nin örneği) | Kategori ortalaması: 4.000 adet | 12.000 adet | 0,6 | 8.800 adet |
| Yeni dükkanım beş yıl sonra hala açık olacak mı? | ABD’de yeni açılan işyerleri: %51,4’ü beş yıl ayakta kalıyor | %90 | 0,3 | %63,0 |
| 200.000 USD olarak tahmin ettiğim bir bina projesi için ne kadar bütçe ayırmalıyım? | Büyük bina projeleri: gerçekleşen maliyet tahminin 1,36 katı, dolayısıyla dış bakış bütçesi 272.000 USD | 200.000 USD | 0,5 | 236.000 USD |
| 30 gün düşünüyorsam projem ne kadar sürer? | Tez öğrencileri tahmin edilen 33,9 güne karşı 55,5 gün harcadı, yani 1,64 oranı; dolayısıyla dış bakış süresi yaklaşık 49 gün | 30 gün | 0,3 | Yaklaşık 43 gün |
Tablo 2, CEOtudent editöryel çerçevesidir. Taban oranları Tablo 1’deki yayımlanmış rakamlardır; sezgisel tahminler ve öngörülebilirlik değerleri örnek niteliğindedir ve her düzeltilmiş tahmin yukarıdaki formülü uygular. Aritmetik, bir betikle kontrol edilmiştir. Bütçe ve süre satırlarında taban oranı, düzeltmeden önce bu vakaya özgü bir dış bakış rakamı olarak (tahmininiz çarpı referans sınıfı oranı) ifade edilmiştir.
Öngörülebilirlik değerini seçmek işin en zor kısmıdır; bu yüzden pratik bir rehber:
- Yaklaşık 0 ile 0,2 arası: bu tür kararlarda hiçbir geçmiş performans kaydınız yok ya da sonuç büyük ölçüde sizin kontrolünüz dışındaki etkenlere bağlı (yeni bir pazar, ilk girişim).
- Yaklaşık 0,3 ile 0,5 arası: ilgili bir miktar deneyiminiz var ve vakanızın ortalamadan gerçek, ölçülebilir farkları bulunuyor.
- Yaklaşık 0,6 ve üzeri: benzer tahminlerinizi sonuçlarla karşılaştırdığınız belgelenmiş bir geçmişiniz var. Kahneman ve Tversky öngörülebilirliği tam olarak bu tür kayıtlardan tahmin etmeyi önerir; bir karar günlüğünün karşılığını vermesinin nedenlerinden biri de budur.
Bir sayıyı gerekçelendiremiyorsanız daha düşük olanı seçin. Planlama yanılgısının özü, insanların vaka bilgilerinin kendilerine ne kadar şey söylediğini abartmasıdır.
Dış bakışın zor kullanıldığı durumlar
Yöntemin gerçek sınırları vardır ve bunları bilmek yöntemi dürüst tutar.
- “Ama benim durumum benzersiz.” Kahneman ve Lovallo, karar vericilerin “sorunları benzersiz olarak görme yönünde güçlü bir eğilime sahip” olduğunu gözlemledi. Neredeyse hiçbir şey benzersiz değildir. Gerçekten yeni bir ürün bile “yeni ürünler”, “bu ekibin yaptığı projeler” ve “bu büyüklükteki projeler” sınıflarının bir üyesidir. Birden fazla referans sınıfı kullanın ve birbiriyle uyuşup uyuşmadıklarına bakın.
- Sınıf çok geniş ya da çok dar. Çok genişse vakanız hakkında hiçbir şey söylemez; çok darsa içinde üç örnek bulunur. Chang ve arkadaşlarının Good Judgment Project eğitimine ilişkin makalesindeki çözümlü bir örnekte, bir ülkenin kitle imha silahlarına sahip olmasının taban oranı tüm ülkeler genelinde yaklaşık %13, Orta Doğu’ya daraltıldığında ise yaklaşık %17’ydi. Yakın sınıflar benzer rakamlar verdiğinde tahmine daha çok güvenebilirsiniz.
- Dünya değişir. Taban oranları geçmişi anlatır. Gerçek bir yapısal değişim yaşandıysa (yeni bir teknoloji, yeni bir kural) düzeltme yapın, ancak değişimi açıkça adlandırın ve aynı argümanı bir başkasından duysaydınız kabul edip etmeyeceğinizi sorun.
- Ortalamalar kuyrukları gizler. Dış bakış size değişkenlik hakkında da bilgi verir. Flyvbjerg’in versiyonu belirsizlik aralığını yalnızca orta noktaya göre değil, sınıfın aralığına doğru genişletir. Ortalamada doğru olan ama kötü kuyruk için hiçbir rezerv ayırmayan bir bütçe yine de kötü bir bütçedir.
Yapay zeka çağında neden daha önemli
Üretken yapay zeka araçları iç bakışı her zamankinden ucuz hale getiriyor. Bir plan isteyin, saniyeler içinde vakanıza özel ayrıntılı ve kendinden emin bir senaryo elde edersiniz. Bu faydalıdır, ancak tam olarak Kahneman ve Tversky’nin muhakemeye baskın çıkma eğiliminde olduğu konusunda uyardığı türden bir bilgidir. Dış bakış bunun karşı ağırlığıdır ve bu araçları kullanma biçiminize kolayca yerleştirilebilir: önce referans sınıfını ve bu tür vakaların genellikle nasıl sonuçlandığını sorun, planı ancak ondan sonra isteyin. Ardından aracın verdiği her taban oranını birincil bir kaynakla kontrol edin, çünkü uydurulmuş bir istatistik hiç istatistik olmamasından daha kötüdür.
Bu yöntemin ait olduğu daha geniş düşünme araçları seti için yapay zeka çağında önemli olan zihinsel modellere dair derlediğimiz dizine göz atın. Dış bakış, tahminleri olasılıklara dönüştüren bahis gibi düşünmek ile ve dış bakış gerçekçi beklentileri belirledikten sonra bir planı içeriden stres testine tabi tutan ön otopsi ile doğal bir uyum içindedir. Kendinden emin tahminlerin zaman içinde nasıl performans gösterdiğine dair bir vaka çalışması için on yıllık uzman yapay zeka tahminlerine ilişkin karnemize bakın. Projenizin taban oranı iç karartıcı görünüyorsa, sizi neyin durduracağına önceden karar verin: vazgeçme kriterleri, bırakma kararına uygulanmış dış bakıştır.
Tahminlerinizdeki CEO ve öğrenci
CEOtudent lensinin CEO yarısı sermaye tahsisiyle ilgilidir. Her projeyi iç bakış bütçesiyle finanse eden bir CEO’nun parası tükenir; iyi sermaye tahsis edenler, bir yatırımı onaylamadan önce benzer yatırımların ne getirdiğini sorar. Kendi zamanınıza, birikimlerinize ve kariyer hamlelerinize de aynı şekilde yaklaşın. Öğrenci yarısı ise kalibrasyonla ilgilidir. Amaç kendinize sonsuza dek güvenmemek değil, vaka bilginizin gerçekte ne kadar değerli olduğunu öğrenmektir. Tahminlerinizi kaydedin, sonuçlarla karşılaştırın ve kişisel öngörülebilirlik değerinizin yalnızca geçmiş performansınız bunu hak ettiğinde yükselmesine izin verin.
Sıkça sorulan sorular
Dış bakış nedir?
Kendi vakanızın ayrıntılarından değil, benzer vakaların nasıl sonuçlandığından yola çıkan bir tahmin yöntemidir. Terim, onu planın özelliklerinden bir senaryo kuran iç bakışla karşılaştıran Kahneman ve Lovallo’ya (1993) dayanır.
Taban oranı nedir?
Bir sonucun, ilgili geçmiş vakalar grubundaki sıklığıdır: örneğin beş yıl sonra hala faaliyette olan yeni işyerlerinin payı (BLS’ye göre Mart 2020’ye kadarki bir yılda açılan ABD işyerleri için %51,4). Taban oranı ihmali, bu bilgiyi vaka ayrıntıları lehine görmezden gelme eğilimidir.
Referans sınıfı tahmini nedir?
Bent Flyvbjerg’in, Kahneman ve Tversky’nin yöntemini projeler için uyarladığı versiyondur: benzer geçmiş projelerden oluşan bir sınıf belirleyin, bunların sonuçlarının dağılımını ortaya koyun ve projenizi bu dağılım içinde konumlandırın. Birleşik Krallık Ulaştırma Bakanlığı ve HM Treasury bu yöntemi 2004’te büyük ulaştırma projeleri için benimsedi.
Bir taban oranını kendi muhakememle nasıl birleştiririm?
Taban oranından başlayın ve muhakemenizin ne kadar öngörücü olduğu kanıtlandıysa o oranda sezgisel tahmininize doğru ilerleyin: düzeltilmiş tahmin = taban oranı + öngörülebilirlik x (sezgisel tahmin – taban oranı). Taban oranı 4.000, sezgi 12.000 ve öngörülebilirlik 0,6 olduğunda yanıt 8.800’dür.
Taban oranları eğitimi tahminleri gerçekten iyileştirir mi?
Evet, mevcut en iyi kanıtlara göre. Good Judgment Project’in tahmin turnuvalarında, karşılaştırma sınıflarını ve taban oranlarını öğreten, bir saatten kısa süren bir olasılıksal akıl yürütme modülü, yıla bağlı olarak isabeti (Brier skorları) yüzde 6 ila 12 artırdı (makalenin özeti bunu yüzde 6 ila 11 olarak özetliyor); karşılaştırma sınıfları ve taban oranlarının kullanımı da kazanımlarla en çok ilişkilendirilen ilke oldu.
Kaynakça
- Kahneman, D. ve Tversky, A. (1977). Intuitive Prediction: Biases and Corrective Procedures. Technical Report PTR-1042-77-6, Decision Research. TIMS Studies in Management Science, 12 (1979), 313-327 içinde yayımlandı.
- Kahneman, D. ve Lovallo, D. (1993). Timid Choices and Bold Forecasts: A Cognitive Perspective on Risk Taking. Management Science, 39(1), 17-31.
- Buehler, R., Griffin, D. ve Ross, M. (1994). Exploring the “Planning Fallacy”: Why People Underestimate Their Task Completion Times. Journal of Personality and Social Psychology, 67(3), 366-381.
- Bar-Hillel, M. (1980). The Base-Rate Fallacy in Probability Judgments. Acta Psychologica, 44, 211-233.
- Flyvbjerg, B. (2006). From Nobel Prize to Project Management: Getting Risks Right. Project Management Journal, 37(3), 5-15.
- Flyvbjerg, B. (2021). Top Ten Behavioral Biases in Project Management: An Overview. Project Management Journal, 52(6), 531-546.
- Chang, W., Chen, E., Mellers, B. ve Tetlock, P. (2016). Developing Expert Political Judgment: The Impact of Training and Practice on Judgmental Accuracy in Geopolitical Forecasting Tournaments. Judgment and Decision Making, 11(5), 509-526.
- U.S. Bureau of Labor Statistics. Business Employment Dynamics: Survival of Private Sector Establishments by Opening Year (Mart 2025’e kadarki veriler).
- Wong, C. H., Siah, K. W. ve Lo, A. W. (2019). Estimation of Clinical Trial Success Rates and Related Parameters. Biostatistics, 20(2), 273-286; ve düzeltme (corrigendum), Biostatistics, 20(2), 366.
- HM Treasury. Supplementary Green Book Guidance: Optimism Bias.
Tablo 1, rakamları listelenen kaynakların yayımladığı biçimde aktarır. Tablo 2, CEOtudent editöryel çerçevesidir: taban oranları yayımlanmış rakamlardır, sezgisel tahminler ve öngörülebilirlik değerleri ise örnek niteliğindedir.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
