Yael Karlinsky-Shichor, dont les recherches portent 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 annulent les suggestions ou les recommandations faites par les systèmes automatisés. Crédit :Ruby Wallau/Université Northeastern
Admet le. Vous comptez sur les applications de navigation pour vous aider à vous déplacer presque tous les jours, que vous conduisiez, prendre le bus ou le train, marche, ou 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 lutter contre le trafic aux heures de pointe et trouver les itinéraires les plus rapides pour se rendre à l'école, travail, et d'autres endroits que nous fréquentons régulièrement.
Mais parfois, nous doutons d'un tour suggéré; on s'interroge sur un détournement; nous soupçonnons une estimation de l'heure d'arrivée.
C'est peut-être parce que nous sommes pressés. Peut-être que nous faisons simplement mieux confiance à nos propres instincts. Peu importe la raison, il y a des situations qui nous obligent à désactiver l'application, et deviens voyou, pour ainsi dire.
Mais, que se passe-t-il exactement dans notre tête lorsque nous prenons des décisions qui annulent les suggestions ou les recommandations faites par les systèmes automatisés ? Yael Karlinsky-Shichor, récemment nommé professeur adjoint de marketing à Northeastern, est en quête de savoir.
Les recherches de Karlinsky-Shichor portent sur l'automatisation de la prise de décision et son application au marketing. Elle étudie également les aspects psychologiques de l'utilisation de modèles d'automatisation et d'intelligence artificielle. Attendre, automatisation et marketing ? Absolument, dit Karlinsky-Shichor. Les deux domaines se croisent plus que vous ne le pensez.
« Beaucoup des sujets que nous étudions en marketing aujourd'hui se retrouvent également dans les systèmes d'information, " dit-elle. " C'était vraiment agréable pour moi d'élargir mon point de vue sur ces sujets et de les regarder d'un point de vue marketing, mais continuez également à examiner les sujets qui impliquent la technologie et l'interaction de l'utilisateur avec la technologie."
Voici un exemple concret :Karlinsky-Shichor et ses collègues de recherche ont mené une expérience sur le terrain dans laquelle ils ont tenté d'évaluer qui pourrait générer un profit plus élevé pour une entreprise interentreprises qui vend de l'aluminium :des humains ou des machines ? Pour ce faire, ils ont créé un système automatisé qui apprenait et réappliquait les décisions de tarification de chaque vendeur.
Ils ont découvert que lorsque les vendeurs utilisaient les prix recommandés par le système automatisé, qui a généré plus d'argent pour l'entreprise. Mais de façon intéressante, ils ont appris que si le système devait être utilisé en tandem avec un représentant des ventes 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 tarifer la plupart des devis qui entrent dans l'entreprise, mais permet au vendeur expert de prendre les cas les plus uniques ou hors de l'ordinaire, est en réalité encore plus performante. ."
Voici pourquoi. Les humains sont imprévisibles et inconstants, mais ils sont également plus aptes à gérer l'imprévisibilité. Ils ont l'avantage de rencontrer de nouveaux clients, par exemple, et évaluer les besoins et la volonté de payer d'un client. Cependant, les machines ont une longueur d'avance sur les humains dans des domaines plus techniques, répétitif, et des tâches évolutives, et ils arrivent à éviter 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, " dit 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 est allée de l'avant avec la mise en œuvre du processus de tarification recommandé par le système automatisé. Et, le directeur général de l'entreprise est revenu vers Karlinsky-Shichor et ses collègues avec une offre intéressante.
"Il a dit, '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 fait, nous avons constaté que ce n'est pas le cas. Même le meilleur vendeur n'avait pas nécessairement une expertise qui s'appliquait à chaque cas de cette entreprise."
Les chercheurs ont découvert que, En réalité, la mise en commun de l'expertise de différents experts a généré un meilleur résultat 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, elle dit.
Karlinsky-Shichor s'attaque également à un autre mais problème connexe :comment amener les gens à suivre fidèlement les suggestions ou les recommandations faites par les modèles automatisés ? Cette question de conformité est un défi régulièrement rencontré par les entreprises qui utilisent de tels systèmes, elle dit.
De nouveau, elle pointe du doigt le système de tarification interentreprises.
« Ce que l'on constate, c'est que les vendeurs prennent généralement le prix recommandé par le modèle lorsqu'ils anticipent un faible risque dans le changement, ou il semble qu'il y ait une grande différence de prix lorsqu'on va avec le modèle, " dit-elle. " Donc l'une de mes conjectures est que s'ils sont très confiants, ou quand ils n'ont aucune idée, ils utilisent la recommandation du modèle."
Karlinsky-Shichor continuera d'explorer ce domaine entrelacé du marketing et de l'intelligence artificielle en tant que chercheur à Northeastern. Elle pense qu'elle est au bon endroit pour ce travail.
"Pour moi, Northeastern est une excellente combinaison d'une école qui fait de la recherche une priorité élevée, mais met aussi beaucoup l'accent sur l'application de la recherche, " dit-elle. " Je m'intéresse généralement aux problèmes qui ne nous concernent pas seulement, les chercheurs, mais aussi des entreprises, se soucier."