Geef het toe. Je vertrouwt bijna elke dag op navigatie-apps om je te verplaatsen, of je rijdt, neem de bus of trein, wandelen, of wandel van punt A naar B.

In buitenlandse steden, we zijn afhankelijk van apps zoals Waze en Google Maps om ons te helpen nieuwe plaatsen te ontdekken. Thuis, we gebruiken deze apps om de spits voor te zijn en de snelste routes naar school te vinden, werk, en andere plaatsen waar we regelmatig komen.

Maar soms, we twijfelen aan een voorgestelde afslag; we stellen een omleiding in vraag; we vermoeden een geschatte aankomsttijd.

Misschien is het omdat we haast hebben. Misschien vertrouwen we gewoon beter op onze eigen instincten. Wat de reden ook is, er zijn situaties die ons dwingen de app uit te zetten, en ga schurk, bij wijze van spreken.

Maar, wat gebeurt er precies in ons hoofd als we beslissingen nemen die suggesties of aanbevelingen van geautomatiseerde systemen negeren? Yael Karlinsky-Shichor, een onlangs benoemde assistent-professor marketing bij Northeastern, is op zoek om erachter te komen.

Het onderzoek van Karlinsky-Shichor richt zich op de automatisering van besluitvorming en de toepassing ervan op marketing. Ze bestudeert ook de psychologische aspecten van het gebruik van automatiserings- en kunstmatige intelligentiemodellen. Wacht, automatisering en marketing? Absoluut, zegt Karlinsky-Shichor. De twee domeinen kruisen elkaar meer dan je zou denken.

"Veel van de onderwerpen die we tegenwoordig in marketing onderzoeken, kun je ook vinden in informatiesystemen, " zegt ze. "Het was heel leuk voor mij om mijn kijk op die onderwerpen te verbreden en ze vanuit een marketingperspectief te bekijken, maar blijf ook kijken naar de onderwerpen die te maken hebben met technologie en gebruikersinteractie met technologie."

Hier is een voorbeeld van:Karlinsky-Shichor en haar onderzoekscollega's voerden een veldexperiment uit waarin ze probeerden te beoordelen wie een hogere winst kon genereren voor een business-to-business-bedrijf dat aluminium verkoopt:mensen of machines? Ze deden dit door een geautomatiseerd systeem te creëren dat de prijsbeslissingen van elke verkoper leerde en opnieuw toepaste.

Ze ontdekten dat wanneer de verkopers de door het geautomatiseerde systeem aanbevolen prijzen gebruikten, dat leverde meer geld op voor het bedrijf. Maar interessant, ze leerden dat als het systeem zou worden gebruikt in combinatie met een goed presterende verkoopvertegenwoordiger, dat zou nog betere resultaten opleveren.

"We gebruiken machine learning om automatisch te beslissen wie de prijsbeslissing moet nemen:de verkoper of het model, " zegt Karlinsky-Shichor. "Wat we vinden is dat een hybride structuur waarmee het model de meeste offertes die binnenkomen in het bedrijf kan prijzen, maar de deskundige verkoper die gevallen laat nemen die meer uniek of ongewoon zijn, zelfs nog beter presteert ."

Dit is waarom. Mensen zijn onvoorspelbaar en wispelturig, maar ze zijn ook bedrevener in het omgaan met onvoorspelbaarheid. Ze hebben het voordeel als het gaat om het ontmoeten van nieuwe klanten, bijvoorbeeld, en het meten van de behoeften en betalingsbereidheid van een klant. Echter, machines hebben een voorsprong op mensen in meer technische, herhalende, en schaalbare taken, en ze kunnen de verschillende gedragsinconsequenties vermijden die mensen vaak vertonen. Samen, ze zijn een onverslaanbaar duo.

"Vaak, mensen denken dat AI-modellen menselijke banen gaan vervangen, " zegt Karlinsky-Shichor. "Wat ik vind - en het is inzicht dat op veel gebieden naar voren komt - is dat in plaats van mensen te vervangen, AI zal ze aanvullen."

Nadat de onderzoekers hun casestudy hadden voltooid, gebeurden er twee dingen. Het bedrijf ging door met het implementeren van het prijsproces dat door het geautomatiseerde systeem werd aanbevolen. En, de chief executive officer van het bedrijf kwam terug naar Karlinsky-Shichor en haar collega's met een interessant aanbod.

"Hij zei, 'goed, waarom ga je niet mijn beste verkoper nemen en een model maken op basis van die verkoper? Dat model gaat ons de beste resultaten geven, ', zegt ze. 'Maar eigenlijk, we hebben geconstateerd dat dit niet het geval is. Zelfs de beste verkoper had niet per se een expertise die van toepassing was op elk afzonderlijk geval in dit bedrijf."

De onderzoekers vonden dat, in feite, het bundelen van de expertise van verschillende experts leverde een beter resultaat op voor de bedrijfsresultaten dan het gebruik van de best presterende verkoper. Dus nu werken ze aan een automatiseringsaanpak die de wijsheid van de menigte combineert met individuele expertise, ze zegt.

Karlinsky-Shichor pakt ook een andere, maar gerelateerd probleem:hoe zorg je ervoor dat mensen suggesties of aanbevelingen van geautomatiseerde modellen trouw opvolgen? Deze kwestie van naleving is een uitdaging die regelmatig wordt geconfronteerd met bedrijven die dergelijke systemen gebruiken, ze zegt.

Opnieuw, ze wijst op de business-to-business prijsstelling.

"Wat we zien is dat verkopers over het algemeen de door het model aanbevolen prijs nemen wanneer ze ofwel een laag risico in de verandering verwachten, of het lijkt alsof er een groot prijsverschil is als je met het model gaat, "zegt ze. "Dus een van mijn vermoedens is dat als ze heel zeker zijn, of als ze geen idee hebben, ze gebruiken de aanbeveling van het model."

Karlinsky-Shichor zal dit verweven veld van marketing en kunstmatige intelligentie blijven verkennen als onderzoeker bij Northeastern. Ze gelooft dat ze voor dit werk op de juiste plek is.

"Voor mij, Northeastern is een geweldige combinatie van een school die onderzoek hoog in het vaandel heeft staan, maar legt ook veel nadruk op de toepassing van het onderzoek, " zegt ze. "Ik ben over het algemeen geïnteresseerd in problemen die niet alleen wij onderzoekers, maar ook bedrijven, geven om."