निर्णय वृक्ष

यह आलेख बताता है कि निर्णय वृक्ष क्या हैं और उनका उपयोग किस लिए किया जाता है। इसके अतिरिक्त, यह यह भी दिखाता है कि निर्णय वृक्ष कैसे बनाया जाए और चरण-दर-चरण समाधान अभ्यास कैसे किया जाए। अंत में, आप देख पाएंगे कि निर्णय वृक्ष का उपयोग करने के क्या फायदे और नुकसान हैं।

निर्णय वृक्ष क्या है?

निर्णय वृक्ष एक आरेख है जो किए जाने वाले निर्णयों, घटित होने वाले विभिन्न परिदृश्यों और सभी संभावित परिणामों का प्रतिनिधित्व करता है। इसलिए एक निर्णय वृक्ष एक निर्णय सहायता के रूप में कार्य करता है जिसमें कई संभावित परिदृश्यों को ध्यान में रखा जाना चाहिए।

निर्णय वृक्ष निर्णय लेने के लिए एक बहुत ही उपयोगी उपकरण है क्योंकि यह आपको प्रत्येक विकल्प के सभी संभावित परिणामों की कल्पना करने की अनुमति देता है और प्रत्येक निर्णय के साथ क्या परिणाम प्राप्त किए जा सकते हैं।

यही कारण है कि निर्णय वृक्ष एक प्रकार का आरेख है जिसका व्यापक रूप से आर्थिक निर्णयों के विश्लेषण में उपयोग किया जाता है, क्योंकि यह प्रत्येक संभावित परिदृश्य की संभावित आर्थिक लागतों या अपेक्षित लाभों को ग्राफिक रूप से प्रस्तुत करने की अनुमति देता है।

आमतौर पर, जब भी कोई निर्णय लिया जाता है, तो कई परिदृश्य संभव होते हैं। इसलिए, एक निर्णय वृक्ष आपको विश्व स्तर पर यह देखने में मदद करता है कि सभी संभावित परिदृश्य क्या हैं और प्रत्येक के सच होने की कितनी संभावना है, जो आपको यह जानने की अनुमति देता है कि प्रत्येक निर्णय कितना जोखिम भरा है।

ध्यान दें कि एक निर्णय वृक्ष एक वृक्ष आरेख से भिन्न होता है, हालांकि उनके समान नाम होते हैं और वास्तव में कई विशेषताएं साझा होती हैं। यह जानने के लिए कि निर्णय वृक्ष क्या है और यह निर्णय वृक्ष से किस प्रकार भिन्न है, यहां क्लिक करें:

निर्णय वृक्ष के तत्व

एक निर्णय वृक्ष निम्नलिखित तत्वों से बना होता है:

• निर्णय नोड (□) : एक निर्णय से मेल खाता है जिसे लिया जाना चाहिए। निर्णय वृक्ष में, इसे एक वर्ग द्वारा दर्शाया जाता है।
• संभाव्यता नोड (○) – यह दर्शाता है कि कई परिदृश्य घटित हो सकते हैं, संभाव्यता नोड से निकलने वाली प्रत्येक शाखा एक अलग परिदृश्य का प्रतिनिधित्व करती है। इसे निर्णय वृक्ष में एक खाली वृत्त के साथ खींचा गया है।
• अंतिम नोड (△) : एक परिणाम का प्रतिनिधित्व करता है, इसलिए उन्हें आसानी से पहचाना जा सकता है क्योंकि कोई भी शाखा उन्हें नहीं छोड़ती है। निर्णय वृक्ष में, उन्हें त्रिभुजों द्वारा दर्शाया जाता है।

निर्णय वृक्ष कैसे बनाएं

निर्णय वृक्ष बनाने के लिए निम्नलिखित चरणों का पालन करना होगा:

1. मुख्य निर्णय का प्रतिनिधित्व करें : निर्णय वृक्ष बनाने में पहला कदम उस पहले निर्णय का प्रतिनिधित्व करना है जिसे आरेख पर लेने की आवश्यकता है। ऐसा करने के लिए, बस प्रत्येक संभावित विकल्प के लिए एक वर्ग और उस वर्ग से निकलने वाला एक तीर बनाएं, जिसे तय किया जा सकता है।
2. नोड्स जोड़ें : पिछले चरण में खींची गई प्रत्येक शाखा में, निर्णय और संभाव्यता नोड्स जोड़कर निर्णय वृक्ष का विस्तार करें।
3. पहुंच परिणाम : निर्णय और संभाव्यता नोड्स को तब तक जोड़ना जारी रखें जब तक कि प्रत्येक शाखा अंतिम नोड या परिणाम तक नहीं पहुंच जाती। जब सभी रास्ते किसी परिणाम की ओर ले जाएं, तो आपने निर्णय वृक्ष पूरा कर लिया होगा।
4. निर्णय लें : एक बार जब आप निर्णय वृक्ष पूरा कर लें, तो इसका विश्लेषण करें और निर्णय लें कि सबसे अच्छा काम क्या करना है।

ध्यान दें कि निर्णय वृक्ष कोई निर्णय नहीं देता, यह केवल निर्णय लेने में मदद करता है। अंतिम निर्णय आपको ही करना होगा. नीचे हम देखेंगे कि विभिन्न संभावित परिदृश्यों का विश्लेषण करने और सर्वोत्तम निर्णय लेने के लिए निर्णय वृक्ष का उपयोग कैसे करें।

निर्णय वृक्ष का उदाहरण

निर्णय वृक्ष की परिभाषा और इसे कैसे प्राप्त किया जाता है इसके सिद्धांत को देखने के बाद, हम अवधारणा को पूरी तरह से समझने के लिए एक ठोस उदाहरण देखेंगे।

एक कंपनी अगले 5 वर्षों के लिए अपनी क्षमता का विस्तार करने की योजना बना रही है। वर्तमान वृद्धि अच्छी है, लेकिन यह अनुमान लगाया गया है कि अगर अंततः यह पता चलता है कि अर्थव्यवस्था आगे बढ़ रही है तो यह काफी बढ़ सकती है (ऐसा होने की संभावना 40% अनुमानित है)।

विकल्प पहले की तरह जारी रखना, किसी बड़े स्थान पर जाना या वर्तमान में जो स्थान उनके पास है उसका विस्तार करना है। यह इंतजार करना और देखना भी व्यवहार्य होगा कि पहले वर्ष में क्या होता है और, यदि विकास होता है, तो विस्तार के साथ आगे बढ़ें। प्रत्येक मामले में प्राप्त होने वाला आर्थिक लाभ इस प्रकार है:

• स्थानांतरण करना:
  • मजबूत वृद्धि: $800,000
  • कम वृद्धि: $100,000
• विस्तार:
  • मजबूत वृद्धि: $800,000
  • कम वृद्धि: $100,000
• कुछ मत करो:
  • मजबूत वृद्धि + विस्तार दूसरे वर्ष: $500,000
  • मजबूत वृद्धि + कुछ न करें: $450,000
  • कम वृद्धि: $400,000

समस्या विवरण ने हमें जो सारी जानकारी दी है, उसके आधार पर, हम लिए जाने वाले निर्णयों, विचार किए गए कई परिदृश्यों और सभी संभावित परिणामों को एक निर्णय वृक्ष में प्रस्तुत कर सकते हैं।

तो, इस मामले का निर्णय वृक्ष इस प्रकार है:

अब जब हमने निर्णय वृक्ष स्थापित कर लिया है, तो इसका विश्लेषण करने और अंतिम निर्णय लेने का समय आ गया है। अगले भाग में, हम आपको विभिन्न मानदंड दिखाते हैं जिनका उपयोग आप अपना निर्णय निर्धारित करने के लिए कर सकते हैं।

निर्णय वृक्ष में निर्णय मानदंड

निर्णय वृक्ष का उपयोग करके कौन सा निर्णय लेना है, यह तय करने के लिए मुख्य रूप से तीन मानदंड हैं: निराशावादी मानदंड, आशावादी मानदंड और गणितीय अपेक्षा मानदंड। नीचे हम देखेंगे कि उनमें से प्रत्येक में क्या शामिल है।

निराशावादी मानदंड

निराशावादी या रूढ़िवादी मानदंड कहता है कि सबसे खराब स्थिति घटित होगी। इसलिए, इस मानदंड में, सबसे अच्छा परिणाम देने वाला विकल्प तब चुना जाता है जब परिदृश्य उन सभी में से सबसे नकारात्मक होता है।

यदि हम ऊपर देखे गए उदाहरण का अनुसरण करते हैं, तो निराशावादी मानदंड का उपयोग करते हुए, हम पहले की तरह जारी रखने और कुछ भी नहीं करने का निर्णय लेंगे, क्योंकि यदि कंपनी की वृद्धि कम है तो हमें अधिक लाभ ($400,000) प्राप्त होगा।

निराशावादी मानदंड का उपयोग करके, हम न्यूनतम परिणाम की गारंटी देते हैं, जो इस मामले में $400,000 है। इसलिए यदि अंततः हम भाग्यशाली रहे और बेहतर परिदृश्य घटित हुआ, तो हमें बेहतर परिणाम मिलेगा। लेकिन किसी भी स्थिति में हमें इससे बुरे परिणाम नहीं मिलेंगे।

ध्यान रखें कि भले ही जब हम इस मानदंड का उपयोग करते हैं तो हम सोचते हैं कि भविष्य का परिदृश्य नकारात्मक होगा, हमें तार्किक रूप से वह विकल्प चुनना चाहिए जिसके साथ हम इस निराशावादी परिदृश्य में बेहतर परिणाम प्राप्त कर सकें। सबसे खराब परिणाम देने वाले विकल्प को चुनना एक गलती होगी; हमें अपने नियंत्रण में आने वाली हर चीज़ को अधिकतम करना चाहिए।

आशावादी मानदंड

आशावादी मानदंड बताता है कि जो परिदृश्य घटित होगा वह सर्वोत्तम संभव होगा। इसलिए, जब इस मानदंड का उपयोग किया जाता है, तो हम उस विकल्प को चुनते हैं जो परिदृश्य अनुकूल होने पर हमें बेहतर परिणाम प्राप्त करने की अनुमति देता है।

पिछले उदाहरण का अनुसरण करते हुए, हम कंपनी को स्थानांतरित करने का निर्णय लेंगे, क्योंकि यदि कंपनी की वृद्धि मजबूत है तो हम बेहतर परिणाम प्राप्त करेंगे, खासकर यदि कंपनी का लाभ $800,000 होगा।

जब निर्णय लेने के लिए सकारात्मक मानदंड का उपयोग किया जाता है, तो परिणाम बहुत अच्छा हो सकता है, हालांकि, यदि स्थिति प्रतिकूल हो जाती है, तो आमतौर पर बहुत खराब परिणाम प्राप्त होता है।

गणितीय अपेक्षा परीक्षण

इस मानदंड में सभी विकल्पों की गणितीय अपेक्षा की गणना शामिल है, ताकि जो विकल्प अधिक परिणाम प्राप्त करे वही चुना जाए।

लेख की तरह, हमें जो विकल्प चुनना चाहिए वह यह है कि हम कुछ न करें और कंपनी को वैसे ही छोड़ दें, क्योंकि यह वह विकल्प है जिसका अपेक्षित मूल्य सबसे अधिक है। उच्च ($440,000)।

यह मानदंड तब बहुत उपयोगी होता है जब निर्णय प्रक्रिया को कई बार दोहराया जाना चाहिए, क्योंकि तब गणितीय अपेक्षा औसतन सर्वोत्तम निर्णय प्रदान करती है। हालाँकि, यदि निर्णय केवल एक बार किया जाता है, तो यह सबसे उपयुक्त मानदंड नहीं हो सकता है।

यह ध्यान दिया जाना चाहिए कि आप निर्णय वृक्ष के अलावा निर्णय मैट्रिक्स जैसे अन्य निर्णय टूल का भी उपयोग कर सकते हैं। विभिन्न मानदंडों के अनुसार किए जाने वाले निर्णय का मूल्यांकन करने के लिए निर्णय मैट्रिक्स बहुत व्यावहारिक है, यह कैसे किया जाता है यह देखने के लिए निम्नलिखित लिंक पर क्लिक करें:

निर्णय वृक्ष के फायदे और नुकसान

फ़ायदा:

• निर्णय वृक्षों को समझना आसान है।
• एक निर्णय वृक्ष आपको विश्व स्तर पर सभी संभावित परिदृश्यों की कल्पना करने और प्रत्येक परिदृश्य में अपेक्षित परिणाम क्या है, इसकी अनुमति देता है।
• इस प्रकार का आरेख बहुत प्रभावी होता है क्योंकि इसे बनाने में अधिक समय नहीं लगता है, लेकिन यह जल्दी पूरा हो जाता है।
• परिणाम में नए विचार या परिदृश्य भी जोड़े जा सकते हैं, जिससे यह एक लचीला आरेख बन जाएगा।
• अंततः, निर्णय वृक्ष को अन्य निर्णय उपकरणों के साथ आसानी से जोड़ा जा सकता है।

नुकसान:

• यदि निर्णय वृक्ष में कई निर्णय नोड या कई संभावित परिदृश्य हैं, तो यह एक जटिल आरेख बन सकता है।
• अक्सर, प्रत्येक परिदृश्य के घटित होने की संभावना सटीक रूप से निर्धारित नहीं की जा सकती है और इसलिए यह अस्पष्ट हो सकती है।
• निर्णय वृक्ष केवल निर्णय लेने का एक उपकरण है, लेकिन अंतिम निर्णय किसी को ही लेना होगा।