- Bayesçi yaklaşım
Bunu, daha önce kanser örneğiyle anlattığım Bayesçi yaklaşıma benzetebilirsiniz. Her aday hakkında belli bir ön inancınız vardır. Bu ön inanç, sizin onlarla evlenme ihtimalinizi belirler. Ve siz onları tanıdıkça, farklı özelliklerine aşina oldukça, zaman geçirdikçe, bu inancınız yeni bilgiler ve veriler ışığında güncellenir. Nihayet, o inancınız belli bir üst değeri aşarsa o kişiyle evlenmeye, belli bir alt eşiğin altına inerse ondan ayrılmaya karar verirsiniz.
- ön inanç
Her aday hakkında belli bir ön inancınız vardır. Bu ön inanç, sizin onlarla evlenme ihtimalinizi belirler. Ve siz onları tanıdıkça, farklı özelliklerine aşina oldukça, zaman geçirdikçe, bu inancınız yeni bilgiler ve veriler ışığında güncellenir.
- Sekreter Problemi (Evlilik Problemi)
Eğer ki aday sayısı belliyse, adayları sadece rastgele deneyebiliyorsanız, sadece 1 adayda karar kılabiliyorsanız, önceki adaylara geri dönmeniz mümkün değilse ve adaylar arasından en iyisini seçmeniz gerekiyorsa, yani elinizde Sekreter Problemi veya Evlilik Problemi olarak tanımlanan bir problem varsa, %37 kuralını uygulamak, şansınızı diğer yöntemlere nazaran daha yüksek yapacak.
- %37 kuralı
Saydığım şartlar altında yapabileceğiniz en iyi şey, adayların %37 civarını görmek, onları evlenme isteğinize göre sıralamak, sonrasında onlar arasından en iyi olanını skor olarak geçmeyi başaran ilk kişiyle evlenmek. Yani eğer önünüzde 100 kadar aday olduğunu biliyorsanız, bunlardan 37'sini denedikten sonra, her birini belirleyeceğiniz kriterlere göre skorlamanız gerekiyor. Eğer matematiğe güvenmek istiyorsanız, bu söylediğim yöntemle gerçekten o 100 kişi içinden en iyi adayı bulma ihtimaliniz yaklaşık %37. Yani bu yöntemde 37 sayısı oldukça büyülü: Hem aday sayınızın %37'sine kadar gidip, onunla değil ama, o noktaya kadar olan en iyi adayı geçmeyi başaran ilk adayı seçmeniz gerekiyor. Hem de bunu yaptığınızda, o seçtiğiniz adayın gerçekten o 100 kişi arasından en iyisi olma ihtimali %37 oluyor.
- optimal durma / erken durma
Bu yaptığımıza matematikte "optimal durma" veya "erken durma" deniyor. Bu teorinin bilgisayar bilimlerinde, istatistik alanında, ekonomide, finansta ve diğer birçok sahada çok önemli etkileri var. Yani amacımız, tam doğru noktada durmak veya en azından, belirsizlik hallerinde, durduğumuz yerin doğru olma ihtimalini en yükseğe çıkarmak.
- FOMO (Fear of Missing Out) / Fırsatı Kaçırma Korkusu
Daha kötüsü, tıpkı borsaya giriş veya çıkış yapmaya çalışanların da sıklıkla düştüğü FOMO yani Fear of Missing Out, yani "Fırsatı Kaçırma Korkusu" psikolojisine girip, elinizdeki tüm adayları tüketip, çok daha fazla fırsat kaçırıp, bir de üzerine artık çok yaşlanmış olursanız ne olacak?
- rastgele deneme (rastgele)
Ama unutmayın. Adayları önceden bilmiyorsunuz ve tamamen rastgele deneyebiliyorsunuz.
- skor (puanlama)
Bunlardan 37'sini denedikten sonra, her birini belirleyeceğiniz kriterlere göre skorlamanız gerekiyor. Diyelim A kişisi çeşitli kriterlerinizin toplamında 50 puan aldı. B kişisi 72 puan, C kişisi 30 puan ve bu böyle gidiyor. Böylece o ilk 37 kişi arasından en iyisini belirlediniz.
- aday sayısı belliyse (sabit aday sayısı / bilinen N)
Ama eğer ki aday sayısı belliyse, adayları sadece rastgele deneyebiliyorsanız, sadece 1 adayda karar kılabiliyorsanız, önceki adaylara geri dönmeniz mümkün değilse ve adaylar arasından en iyisini seçmeniz gerekiyorsa, yani elinizde Sekreter Problemi veya Evlilik Problemi olarak tanımlanan bir problem varsa, %37 kuralını uygulamak, şansınızı diğer yöntemlere nazaran daha yüksek yapacak.
- önyargı (bias)
Ya da aday sayısı belli değilse, aday sayısı zaman içerisinde değişiyorsa veya adayları rastgele denemek yerine, belli bir önyargı dahilinde seçme ihtimaliniz yüksek olan adayları öne almanız veya arkaya itmeniz mümkünse, işler değişir.
- çoklu seçim (aynı anda en iyi k kişiyi seçme)
Ya da sadece 1 kişiyi değil de, aynı anda en iyi 5 kişiyi seçmeniz gereken işe alım süreçlerinde bu yöntem birazcık daha farklı çalışır ve iyi adayları o 5 kişilik havuza dahil etme ihtimaliniz daha yüksektir.