Laman

AddThis Smart Layers

1.4 Penalaran Induktif


Penalaran & Kesimpulan Umum



Penalaran induktif melibatkan pembuatan generalisasi yang bermanfaat tentang lingkungan secara keseluruhan, didasarkan pada sejumlah pengamatan selalu terbatas.

Dengan demikian, itu adalah alat penting yang digunakan orang untuk membangun model realitas yang mereka butuhkan untuk berfungsi secara efektif.


Sementara kesimpulan dapat salah jika pengamatan yang rusak atau diambil dari sampel tidak representatif, jika digunakan dengan benar, penalaran induktif dapat sangat kuat. Memang, itu terletak pada akar dari metode ilmiah yang telah melakukan begitu banyak untuk memajukan kemanusiaan dalam 500 tahun terakhir. Benar-metode ilmiah diterapkan adalah penalaran induktif dalam bentuk yang paling murni.

Pada inti dari penalaran induktif adalah kemampuan untuk melihat hasil, peristiwa, ide dan pengamatan, serta menarik ini bersama-sama untuk mencapai suatu kesimpulan yang bersatu. 

Mempertimbangkan hal ini, orang bisnis yang berpengalaman dapat menggunakan pengalaman sendiri untuk menarik kesimpulan tentang situasi saat ini dan memecahkan masalah berdasarkan apa yang ia telah kenal untuk bekerja di masa lalu dalam situasi yang sama.

Dengan menerima kesimpulan yang berasal dari penalaran induktif sebagai "benar" (dalam arti praktis), manajer yang baik dapat membangun kesimpulan dan bergerak maju secara efektif dan berhasil.

Cara Menggunakan Perangkat :

Penalaran induktif banyak yang terjadi secara intuitif dan otomatis. Tanpa itu kita tidak dapat berfungsi: Segala sesuatu yang kita lakukan akan harus tunduk pada analisis begitu banyak dan pertimbangan bahwa kita "terhenti".

Pada ekstrem yang lain dari penalaran induktif intuitif ini, kita memiliki metode ilmiah resmi kita diajarkan di sekolah:
• Pernyataan resmi dari hipotesis, yang menyarankan umum "kebenaran";
• Desain percobaan - serangkaian tes atau pengamatan dirancang untuk menguji hipotesis dalam kisaran yang adil dan wajar keadaan yang berbeda, dan dengan komplikasi faktor "dikendalikan" sejauh mungkin;
• Dokumentasi yang tepat dari tes yang dilakukan ("Metode") dan "Hasil" percobaan, sehingga ini dapat dikenakan pengawasan nanti, dan
• Menggambar "Kesimpulan", secara teknis menentukan apakah hipotesis telah terbukti palsu atau tidak, tetapi dalam prakteknya menentukan apakah hipotesis tersebut kemungkinan benar.

 (Ini juga di mana ide-ide signifikansi statistik menjadi penting, dalam matematis mengevaluasi seberapa baik kesimpulan yang mungkin.)

Dan di antara dua ekstrem, kami memiliki berbagai tingkat formalitas penalaran induktif bahwa keadaan memungkinkan dan permintaan.

Tips 1: 
Formalitas proses yang digunakan untuk mencapai kesimpulan sangat tergantung pada skala masalah yang dipecahkan. Dimana masalah mempengaruhi sangat banyak orang secara signifikan dan ketersediaan waktu yang wajar, maka penalaran sebaiknya diteliti secara menyeluruh dan diperiksa - jika tidak, kesalahan besar dapat dibuat.

Namun, penelitian ini dan pengecekan bisa lambat dan mahal, dan dapat menyebabkan "kelumpuhan analisis". Keputusan kecil, atau mereka yang membutuhkan resolusi cepat, sering tidak akan memungkinkan penelitian rinci. Di sinilah pendekatan yang kurang formal (dan tentu lebih rentan terhadap kesalahan) diperlukan, dan mengapa pengalaman penting dalam pengambilan keputusan bisnis yang baik.

Ini bukan, bagaimanapun, mudah keluar bagi pengambilan keputusan malas: Anda perlu melakukan riset sebanyak yang Anda bisa dengan sumber daya dan waktu yang tersedia.

Tip 2: 
Pengalaman mempercepat pengambilan keputusan induktif, dan membuatnya lebih kuat dan lebih mungkin untuk menjadi benar. Di sisi lain, orang-orang yang mengandalkan pengalaman terlalu banyak dapat melewatkan faktor baru yang penting dalam lingkungan yang berubah. Di sinilah pengusaha harus menyimpan setidaknya sejumlah keterbukaan pikiran, dan perlu terus memindai lingkungan untuk perubahan.

Tip 3: 
Ada berbagai jenis penalaran induktif, termasuk induksi sederhana, inferensi kasual, prediksi, argumen dari analogi, generalisasi dan silogisme statistik. Ini adalah di luar lingkup artikel ini.

Contoh: 
Di masa lalu, ketika kita menawarkan pelanggan kesempatan untuk memenangkan hadiah jika mereka mengisi kuesioner, kita mendapatkan tingkat respon 9%. Jika kita tidak menawarkan hadiah, kita mendapatkan tingkat respon 3%. Kita akan memberitahu pelanggan yang menanggapi survei terbaru kita bahwa responden akan masuk ke hadiah menarik gratis, jadi kita akan mendapatkan respon dari sekitar 9%.

Menggunakan penalaran induktif, pengalaman masa lalu sedang diterapkan untuk situasi masa depan untuk memprediksi hasil. Pengalaman masa lalu yang sedang diterapkan tampaknya tepat, tetapi tidak ada jaminan bahwa hal itu pasti akan berlaku di masa depan. Ini mungkin bahwa pelanggan telah bosan mengisi kuesioner dan tidak akan menjawab pada tingkat yang sama kali ini.

Penalaran deduktif Sebuah alternatif untuk penalaran induktif adalah penalaran deduktif. Sementara penalaran induktif dimulai dengan fakta dan menginduksi aturan dari mereka, yang kemudian digunakan untuk membuat perkiraan apa yang akan terjadi di masa depan, penalaran deduktif bekerja dengan cara lain. Dimulai dengan aturan, yang telah terbukti melampaui semua keraguan yang masuk akal, dan menghitung hasil dari itu.

Sebagai contoh, jika bank menawarkan tingkat bunga 4%, dan Anda deposit $ 100 untuk satu tahun, Anda akan mendapatkan $ 104 pada akhir tahun. Menggunakan penalaran induktif untuk menghitung apa yang Anda investasi akan bernilai setelah satu tahun, Anda akan mengabaikan tingkat suku bunga saat ini diiklankan dan mengatakan, "Tahun lalu, saya mendapat $ 6 bunga atas investasi saya $ 100, jadi saya berharap untuk mendapatkan hal yang sama tahun ini."

Poin Penting: 

Penalaran induktif adalah proses dimana kita membuat jumlahnya selalu terbatas observasi dan berusaha untuk menarik kesimpulan umum dari mereka. Yang paling ketat penalaran induktif dilakukan melalui eksperimen formal, sebanyak kita diajarkan di sekolah.

Namun, keputusan yang dalam lingkup yang kecil atau perlu dibuat cepat sering tidak memungkinkan overhead metode yang luas dan eksperimen: Di sini kita harus menerima bahwa "kebenaran" kita berusaha untuk membangun - mungkin rusak, dan generalisasi - mungkin menyesatkan. Di sinilah manajemen ketidakpastian menjadi penting.