Yael Karlinsky-Shichor, vars forskning fokuserar på automatisering av beslutsfattande och dess tillämpning på marknadsföring, är på en strävan efter att ta reda på exakt vad som händer i vårt huvud när vi fattar beslut som åsidosätter förslag eller rekommendationer från automatiserade system. Kredit:Ruby Wallau/Northeastern University
Erkänn. Du litar på navigeringsappar som hjälper dig att ta dig runt nästan varje dag, oavsett om du kör, ta bussen eller tåget, promenad, eller vandra från punkt A till B.
I utländska städer, vi är beroende av appar som Waze och Google Maps för att hjälpa oss att upptäcka nya platser. Hemma, vi använder dessa appar för att slå rusningstrafiken och hitta de snabbaste vägarna till skolan, arbete, och andra platser vi regelbundet besöker.
Men ibland, vi tvivlar på en föreslagen vändning; vi ifrågasätter en omväg; vi misstänker en beräknad ankomsttid.
Kanske är det för att vi har bråttom. Kanske litar vi bara bättre på våra egna instinkter. Oavsett anledning, det finns situationer som tvingar oss att stänga av appen, och gå skurk, så att säga.
Men, vad exakt händer i vårt huvud när vi fattar beslut som åsidosätter förslag eller rekommendationer från automatiserade system? Yael Karlinsky-Shichor, en nyligen utnämnd biträdande professor i marknadsföring vid Northeastern, är på jakt efter att ta reda på det.
Karlinsky-Shichors forskning fokuserar på automatisering av beslutsfattande och dess tillämpning på marknadsföring. Hon studerar också de psykologiska aspekterna av att använda automations- och artificiell intelligensmodeller. Vänta, automation och marknadsföring? Absolut, säger Karlinsky-Shichor. De två domänerna skär varandra mer än du kanske tror.
"Många av de ämnen som vi undersöker inom marknadsföring idag kan du också hitta i informationssystem, " säger hon. "Det var verkligen trevligt för mig att vidga min syn på de här ämnena och titta på dem ur ett marknadsföringsperspektiv, men fortsätter också att titta på de ämnen som involverar teknik och användarinteraktion med teknik."
Här är ett exempel:Karlinsky-Shichor och hennes forskarkollegor körde ett fältexperiment där de försökte bedöma vem som skulle kunna generera en högre vinst för ett business-to-business-företag som säljer aluminium – människor eller maskiner? De gjorde detta genom att skapa ett automatiserat system som lärde sig och tillämpade varje säljares prisbeslut.
De upptäckte att när säljarna använde de priser som rekommenderades av det automatiserade systemet, som genererade mer pengar till företaget. Men intressant nog, de lärde sig att om systemet skulle användas tillsammans med en högpresterande säljare, som skulle ge ännu bättre resultat.
"Vi använder maskininlärning för att automatiskt bestämma vem som ska fatta prisbeslutet – säljaren eller modellen, " säger Karlinsky-Shichor. "Vad vi finner är att en hybridstruktur som låter modellen prissätta de flesta offerter som kommer in i företaget men låter expertsäljaren ta de fall som är mer unika eller utöver det vanliga faktiskt presterar ännu bättre ."
Här är varför. Människor är oförutsägbara och ombytliga, men de är också mer skickliga på att hantera oförutsägbarhet. De har fördelen när det gäller att träffa nya kunder, till exempel, och mäta en kunds behov och vilja att betala. Dock, maskiner har ett ben upp på människor i mer tekniska, repetitiva, och skalbara uppgifter, och de får undvika de olika beteendeinkonsekvenser som människor ofta visar. Tillsammans, de är en oslagbar duo.
"I många fall, folk tror att AI-modeller kommer att ersätta mänskliga jobb, " säger Karlinsky-Shichor. "Vad jag finner – och det är insikt som kommer upp i många domäner – är att istället för att ersätta människor, AI kommer att komplettera dem."
Två saker hände efter att forskarna avslutat sin fallstudie. Företaget gick vidare med att implementera prissättningsprocessen som rekommenderas av det automatiserade systemet. Och, företagets verkställande direktör kom tillbaka till Karlinsky-Shichor och hennes kollegor med ett intressant erbjudande.
"Han sa, 'väl, varför går du inte och tar min bästa säljare och skapar en modell utifrån den säljaren? Den modellen kommer att ge oss de bästa resultaten, "" säger hon. "Men faktiskt, vi fann att så inte är fallet. Inte ens den bästa säljaren hade nödvändigtvis en expertis som gällde varje enskilt fall i det här företaget."
Forskarna fann att faktiskt, att slå samman olika experters expertis gav ett bättre resultat för företagets resultat än att använda den bäst presterande säljaren. Så nu arbetar de på en automatiseringsmetod som kommer att kombinera folkmassornas visdom med individuell expertis, hon säger.
Karlinsky-Shichor tacklar också en annan, men relaterat problem:Hur får du människor att troget följa förslag eller rekommendationer från automatiserade modeller? Denna fråga om efterlevnad är en utmaning som regelbundet ställs inför för företag som använder sådana system, hon säger.
På nytt, hon pekar på prissättningen från företag till företag.
"Vad vi ser är att säljare i allmänhet tar det pris som rekommenderas av modellen när de antingen förutser en låg risk i förändringen, eller det verkar som att det är stor skillnad i priset när man använder modellen, " säger hon. "Så en av mina gissningar är att om de är väldigt självsäkra, eller när de inte har någon aning, de använder modellens rekommendation."
Karlinsky-Shichor kommer att fortsätta utforska detta sammanflätade fält av marknadsföring och artificiell intelligens som forskare vid Northeastern. Hon tror att hon är på rätt plats för detta arbete.
"För mig, Northeastern är en fantastisk kombination av en skola som sätter forskning högt prioritet, men lägger också stor vikt vid tillämpningen av forskningen, " säger hon. "Jag är allmänt intresserad av problem som inte bara vi forskare, men även företag, bry sig om."