Qui prend de meilleures décisions: les humains ou les robots?

Qui prend de meilleures décisions: humains ou robots?

Yael Karlinsky-Shichor, dont les recherches se concentrent sur l'automatisation de la prise de décision et son application au marketing, est en quête de savoir ce qui se passe exactement dans notre tête lorsque nous prenons des décisions qui l'emportent sur les suggestions ou recommandations formulées par les systèmes automatisés. Crédit: Ruby Wallau / Northeastern University

Admet le. Vous comptez sur les applications de navigation pour vous aider à vous déplacer presque tous les jours, que vous conduisiez, preniez le bus ou le train, marchiez ou fassiez une randonnée du point A au point B.

Dans les villes étrangères, nous dépendons d'applications telles que Waze et Google Maps pour nous aider à découvrir de nouveaux endroits. À la maison, nous utilisons ces applications pour battre le trafic aux heures de pointe et trouver les itinéraires les plus rapides pour l'école, le travail et d'autres endroits que nous fréquentons régulièrement.

Mais parfois, nous doutons d'un virage suggéré; nous remettons en question un réacheminement; nous soupçonnons une estimation de l'heure d'arrivée.

C'est peut-être parce que nous sommes pressés. Peut-être que nous faisons mieux confiance à notre propre instinct. Quelle que soit la raison, il y a des situations qui nous obligent à désactiver l'application et à devenir voyous, pour ainsi dire.

Mais que se passe-t-il exactement dans notre tête lorsque nous prenons des décisions qui l'emportent sur les suggestions ou recommandations faites par les systèmes automatisés? Yael Karlinsky-Shichor, récemment nommé professeur adjoint de marketing au Northeastern, est en quête de découvrir.

Les recherches de Karlinsky-Shichor se concentrent sur l'automatisation de la prise de décision et son application au marketing. Elle étudie également les aspects psychologiques de l'utilisation des modèles d'automatisation et d'intelligence artificielle. Attendez, automatisation et marketing? Absolument, dit Karlinsky-Shichor. Les deux domaines se croisent plus que vous ne le pensez.

«De nombreux sujets que nous étudions aujourd'hui dans le marketing peuvent également être trouvés dans les systèmes d'information», dit-elle. "C'était vraiment agréable pour moi d'élargir ma vue sur ces sujets et de les regarder d'un point de vue marketing, mais aussi de continuer à regarder les sujets qui impliquent la technologie et l'interaction des utilisateurs avec la technologie."

Voici un exemple concret: Karlinsky-Shichor et ses collègues chercheurs ont mené une expérience sur le terrain dans laquelle ils ont essayé d'évaluer qui pourrait générer un profit plus élevé pour une entreprise interentreprises qui vend de l'aluminium – des humains ou des machines? Ils l'ont fait en créant un système automatisé qui a appris et réappliqué les décisions de prix de chaque vendeur.

Ils ont constaté que lorsque les vendeurs utilisaient les prix recommandés par le système automatisé, cela générait plus d'argent pour l'entreprise. Mais fait intéressant, ils ont appris que si le système devait être utilisé en tandem avec un représentant des ventes hautement performant, cela donnerait des résultats encore meilleurs.

"Nous utilisons l'apprentissage automatique pour décider automatiquement qui doit prendre la décision de tarification – le vendeur ou le modèle", Dit Karlinsky-Shichor." Ce que nous constatons, c'est qu'une structure hybride qui permet au modèle de fixer le prix de la plupart des devis qui entrent dans l'entreprise, mais permet au vendeur expert de prendre les cas qui sont plus uniques ou hors du commun fonctionne effectivement même mieux."

Voici pourquoi. Les humains sont imprévisibles et inconstants, mais ils sont également plus aptes à gérer l'imprévisibilité. Ils ont l'avantage, par exemple, de rencontrer de nouveaux clients et d'évaluer les besoins et la volonté de payer d'un client. Cependant, les machines ont une longueur d'avance sur les humains dans des tâches plus techniques, répétitives et évolutives, et elles évitent les différentes incohérences comportementales que les gens affichent souvent. Ensemble, ils forment un duo imbattable.

"Dans de nombreux cas, les gens pensent que les modèles d'IA vont remplacer les emplois humains", explique Karlinsky-Shichor. "Ce que je trouve – et c'est une idée qui revient dans de nombreux domaines – c'est qu'au lieu de remplacer les humains, l'IA les complétera."

Deux choses se sont produites après que les chercheurs ont terminé leur étude de cas. L'entreprise a poursuivi la mise en œuvre du processus de tarification recommandé par le système automatisé. Et le PDG de la société est revenu à Karlinsky-Shichor et à ses collègues avec une offre intéressante.

"Il a dit:" Eh bien, pourquoi ne pas aller chercher mon meilleur vendeur et créer un modèle basé sur ce vendeur? Ce modèle va nous donner les meilleurs résultats "", dit-elle. "Mais en réalité, nous avons constaté que ce n'était pas le cas. Même le meilleur vendeur n'avait pas nécessairement une expertise qui s'appliquait à chaque cas dans cette entreprise."

Les chercheurs ont constaté qu'en fait, la mise en commun de l'expertise de différents experts a généré de meilleurs résultats pour les résultats de l'entreprise que l'utilisation du vendeur le plus performant. Alors maintenant, ils travaillent sur une approche d'automatisation qui combinera la sagesse des foules avec l'expertise individuelle, dit-elle.

Karlinsky-Shichor s'attaque également à un problème différent, mais connexe: comment amener les gens à suivre fidèlement les suggestions ou recommandations formulées par les modèles automatisés? Ce problème de conformité est un défi auquel sont régulièrement confrontées les entreprises qui utilisent de tels systèmes, dit-elle.

Encore une fois, elle souligne le système de tarification interentreprises.

"Ce que nous voyons, c'est que les vendeurs prennent généralement le prix recommandé par le modèle lorsqu'ils anticipent un faible risque de changement, ou il semble qu'il y ait une grande différence de prix lorsqu'ils choisissent le modèle", dit-elle. "Donc, une de mes conjectures est que s'ils sont très confiants, ou lorsqu'ils n'ont aucune idée, ils utilisent la recommandation du modèle."

Karlinsky-Shichor continuera d'explorer ce domaine entrelacé de marketing et d'intelligence artificielle en tant que chercheur au Nord-Est. Elle pense qu'elle est au bon endroit pour ce travail.

«Pour moi, Northeastern est une excellente combinaison d'une école qui place la recherche en priorité, mais met également beaucoup l'accent sur l'application de la recherche», dit-elle. "Je m'intéresse généralement aux problèmes qui ne préoccupent pas seulement nous, les chercheurs, mais aussi les entreprises."


L'ambidextérité du vendeur et la rentabilité de l'entreprise dépendent de la clientèle


Plus d'information:
Yael Karlinsky-Shichor et al. Automatisation des décisions de tarification des vendeurs B2B: les machines peuvent-elles remplacer les humains et quand?, Journal électronique SSRN (2019). DOI: 10.2139 / ssrn.3368402

Fourni par
Université du nord-est

Citation:
                                                 Qui prend de meilleures décisions: les humains ou les robots? (2019, 6 décembre)
                                                 récupéré le 8 décembre 2019
                                                 depuis https://techxplore.com/news/2019-12-decisions-humans-robots.html

Ce document est soumis au droit d'auteur. Hormis toute utilisation équitable aux fins d'études ou de recherches privées, aucune
                                            une partie peut être reproduite sans l'autorisation écrite. Le contenu est fourni seulement pour information.

Source

A propos newstrotteur-fr

Découvrez également

L’avenir de l’innovation dans la technologie grand public

Crédits: CC0 Public Domain Alors que les célébrations de la nouvelle décennie prenaient fin, plus …

Laisser un commentaire

Do NOT follow this link or you will be banned from the site!