فرض کنید مدیر یک شرکت هستید و قرار است یک نفر را استخدام کنید.
۱۰۰ متقاضی برای مصاحبه دعوت شده‌اند.
شما فقط می‌توانید هر فرد را بلافاصله پس از مصاحبه رد یا قبول کنید.
اگر رد کنید، راه برگشتی نیست.
اگر همه را رد کنید، در نهایت هیچ‌کس را نخواهید داشت.
سؤال اینجاست: دقیقاً در چه نقطه‌ای باید جستجو را متوقف کنیم تا بیشترین احتمال انتخاب «بهترین فرد» را داشته باشیم؟
این صرفاً یک چالش منابع انسانی نیست؛ یکی از معروف‌ترین مسائل نظریه احتمالات است که به آن Secretary Problem یا Optimal Stopping می‌گویند.
━━━━━━━━━━━━━━
📍 استراتژی شهودی در برابر استراتژی بهینه
ساده‌ترین کار انتخاب تصادفی است. اگر ۱۰۰ نفر باشند، احتمال اینکه شانسی بهترین فرد را پیدا کنید دقیقاً ۱٪ است.
یک ایده بهتر: نیمی از افراد را رد کنید تا سطح کیفی بازار دستتان بیاید، سپس اولین کسی که از تمام قبلی‌ها بهتر بود را استخدام کنید. این روش بهتر است، اما هنوز بهینه نیست.
ریاضیدانان در دهه ۱۹۶۰ نشان دادند که یک عدد بهینه برای این مسئله وجود دارد:
1/e
که e همان عدد نپر (حدود 2.718) است.
یعنی 1/2.718 که تقریباً برابر 0.368 یا همان ۳۷٪ معروف می‌شود.
━━━━━━━━━━━━━━
✨ قانون ۳۷ درصد چیست؟
استراتژی بهینه دو مرحله دارد:
🔸 مرحله اکتشاف (Look Phase): ۳۷٪ اول افراد را فقط مصاحبه و رد کنید. هدف در این مرحله انتخاب نیست، بلکه ساختن یک معیار (Benchmark) از کیفیت کل مجموعه است.
🔹 مرحله انتخاب (Leap Phase): پس از عبور از این نقطه، به محض مواجهه با فردی که از تمام افراد مرحله قبل بهتر بود، او را انتخاب و فرآیند را متوقف کنید.
با این قانون ساده، احتمال پیدا کردن بهترین فرد مطلق از ۱٪ به حدود ۳۷٪ افزایش می‌یابد.
هیچ استراتژی دیگری نمی‌تواند این عدد را بالاتر ببرد.
━━━━━━━━━━━━━━
⚠️ آیا در دنیای واقعی هم جواب می‌دهد؟
مانند هر مدل آماری دیگری، این مسئله نیز فرض‌هایی دارد که در عمل ممکن است نقض شوند:
🔸 عدم امکان بازگشت: در زندگی واقعی شاید بتوان با نفر قبلی تماس گرفت، اما ریسک از دست رفتن او وجود دارد.
🔸 هدف‌گذاری روی بهترین مطلق: مدل فرض می‌کند فقط نفر اول اهمیت دارد. در واقعیت، اگر به دنبال گزینه‌ای «به اندازه کافی خوب» باشید، قانون تغییر می‌کند و می‌توان زودتر متوقف شد.
🔸 دانستن تعداد کل گزینه‌ها (n): اگر ندانیم چند نفر قرار است مصاحبه شوند، مسئله پیچیده‌تر شده و نیازمند استفاده از فرآیندهای پواسون (Poisson process) خواهد بود.
با وجود این محدودیت‌ها، ایده مرکزی قدرتمند است: ابتدا داده جمع کنید تا کیفیت فضا را بسنجید، سپس یک آستانه تعیین کنید و روی اولین گزینه‌ای که از آن آستانه عبور کرد اقدام نمایید.
━━━━━━━━━━━━━━
🌍 کاربرد فراتر از استخدام
این قانون ۳۷٪ مختص مصاحبه کاری نیست.
🔹 در جستجوی مسکن: اگر می‌دانید در یک ماه قرار است ۳۰ خانه ببینید، ۱۱ مورد اول را فقط بررسی کنید تا قیمت دستتان بیاید. سپس اولین خانه‌ای که از همه آن ۱۱ مورد بهتر بود را اجاره کنید.
🔹 حتی در روابط اجتماعی نیز آماردانان این مدل را بررسی کرده‌اند. اگر فرض کنیم در یک بازه زمانی مشخص با تعدادی افراد آشنا می‌شویم، ریاضیات پیشنهاد می‌دهد ۳۷٪ ابتدای زمان را صرف شناخت کنید، نه تعهد.
━━━━━━━━━━━━━━
📌 جمع‌بندی
مسئله توقف بهینه نشان می‌دهد که در تصمیم‌گیری‌های متوالی، نه وسواس بی‌جا مفید است و نه عجله.
ریاضیات یک نقطه تعادل دقیق ارائه می‌دهد:
۳۷٪ کاوش، ۶۳٪ بهره‌برداری.
گاهی بهترین تصمیم آماری این است که بدانیم دقیقاً کجا باید جستجو را متوقف کنیم.
«In optimal stopping, the hardest part isn't finding the best option; it's knowing when to stop looking.»
— Thomas S. Ferguson, Statistical Science (1989)
📢 در پست بعدی، به دل ریاضیات این مسئله می‌رویم و اثبات می‌کنیم چرا دقیقاً عدد 1/e ظاهر می‌شود و چگونه از جمع گسسته به انتگرال و مشتق می‌رسیم.
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━