Hvem træffer bedre beslutninger:mennesker eller robotter?

Indrøm det. Du er afhængig af navigationsapps til at hjælpe dig med at komme rundt næsten hver dag, uanset om du kører, tage bussen eller toget, gå, eller vandre fra punkt A til B.

I udenlandske byer, vi er afhængige af apps som Waze og Google Maps for at hjælpe os med at opdage nye steder. Hjemme, vi bruger disse apps til at overvinde myldretidstrafikken og finde de hurtigste ruter til skole, arbejde, og andre steder, vi jævnligt besøger.

Men nogle gange, vi tvivler på en foreslået drejning; vi stiller spørgsmålstegn ved en omlægning; vi har mistanke om et ankomsttidspunkt.

Måske er det fordi vi har travlt. Måske stoler vi bare bedre på vores egne instinkter. Uanset årsagen, der er situationer, der tvinger os til at slukke for appen, og gå slyngel, så at sige.

Men, hvad er det præcis, der foregår i vores hoved, når vi træffer beslutninger, der tilsidesætter forslag eller anbefalinger fra automatiserede systemer? Yael Karlinsky-Shichor, en nyligt udnævnt adjunkt i marketing ved Northeastern, er på jagt efter at finde ud af det.

Karlinsky-Shichors forskning fokuserer på automatisering af beslutningstagning og dens anvendelse på markedsføring. Hun studerer også de psykologiske aspekter ved at bruge automatiserings- og kunstig intelligens-modeller. Vente, automatisering og markedsføring? Absolut, siger Karlinsky-Shichor. De to domæner krydser hinanden mere, end du måske tror.

"Mange af de emner, som vi undersøger i marketing i dag, kan du også finde i informationssystemer, " siger hun. "Det var virkelig rart for mig at udvide mit syn på disse emner og se på dem fra et marketingperspektiv, men fortsætter også med at se på de emner, der involverer teknologi og brugerinteraktion med teknologi."

Her er et eksempel:Karlinsky-Shichor og hendes forskerkolleger kørte et felteksperiment, hvor de forsøgte at vurdere, hvem der kunne generere en højere profit for en business-to-business-virksomhed, der sælger aluminium – mennesker eller maskiner? De gjorde dette ved at skabe et automatiseret system, der lærte og genbrugte enhver sælgers prisbeslutninger.

De fandt ud af, at når sælgerne brugte priserne anbefalet af det automatiserede system, som gav flere penge til virksomheden. Men interessant nok, de lærte, at hvis systemet skulle bruges sammen med en højtydende salgsrepræsentant, det ville give endnu bedre resultater.

"Vi bruger maskinlæring til automatisk at bestemme, hvem der skal træffe prisbeslutningen - sælgeren eller modellen, " Karlinsky-Shichor siger. "Det, vi finder, er, at en hybrid struktur, der lader modellen prissætte de fleste af de tilbud, der kommer ind i virksomheden, men lader den ekspert sælger tage de sager, der er mere unikke eller ud over det sædvanlige, faktisk yder endnu bedre ."

Her er hvorfor. Mennesker er uforudsigelige og omskiftelige, men de er også dygtigere til at håndtere uforudsigelighed. De har fordelen, når det kommer til at møde nye kunder, for eksempel, og måle en kundes behov og betalingsvilje. Imidlertid, maskiner har et ben op på mennesker i mere tekniske, gentagne, og skalerbare opgaver, og de kommer til at undgå de forskellige adfærdsmæssige uoverensstemmelser, som folk ofte viser. Sammen, de er en uovertruffen duo.

"I mange tilfælde, folk tror, ​​at AI-modeller vil erstatte menneskelige job, " siger Karlinsky-Shichor. "Det, jeg finder - og det er indsigt, der kommer op i mange domæner - er, at i stedet for at erstatte mennesker, AI vil supplere dem."

To ting skete, efter at forskerne havde afsluttet deres casestudie. Virksomheden gik videre med at implementere prisfastsættelsesprocessen anbefalet af det automatiserede system. Og, virksomhedens administrerende direktør vendte tilbage til Karlinsky-Shichor og hendes kolleger med et interessant tilbud.

"Han sagde, 'godt, hvorfor går du ikke hen og tager min bedste sælger og laver en model baseret på den sælger? Den model vil give os de bedste resultater, "" siger hun. "Men faktisk, vi fandt ud af, at dette ikke er tilfældet. Selv den bedste sælger havde ikke nødvendigvis en ekspertise, der gjaldt for hver enkelt sag i denne virksomhed."

Forskerne fandt ud af, at faktisk, at samle ekspertisen fra forskellige eksperter gav et bedre resultat for virksomhedens bundlinje end at bruge den bedst ydende sælger. Så nu arbejder de på en automatiseringstilgang, der vil kombinere skarernes visdom med individuel ekspertise, hun siger.

Karlinsky-Shichor tackler også en anden, men relateret problem:Hvordan får du folk til trofast at følge forslag eller anbefalinger fra automatiserede modeller? Dette spørgsmål om overholdelse er en udfordring, som virksomheder, der bruger sådanne systemer, regelmæssigt står over for, hun siger.

Igen, hun peger på business-to-business-prisordningen.

"Det, vi ser, er, at sælgere generelt tager den pris, som modellen anbefaler, når de enten forudser en lav risiko i ændringen, eller det ser ud til, at der er stor forskel på prisen, når man går med modellen, " siger hun. "Så en af ​​mine formodninger er, at hvis de er meget selvsikre, eller når de ikke har nogen anelse, de bruger modellens anbefaling."

Karlinsky-Shichor vil fortsætte med at udforske dette sammenflettede felt af marketing og kunstig intelligens som forsker ved Northeastern. Hun mener, at hun er på det rigtige sted til dette arbejde.

"For mig, Northeastern er en fantastisk kombination af en skole, der prioriterer forskning højt, men lægger også stor vægt på anvendelsen af ​​forskningen, " siger hun. "Jeg er generelt interesseret i problemer, som ikke kun os forskere, men også virksomheder, bekymre sig om."