Admitelo. Confías en las aplicaciones de navegación para que te ayuden a moverte casi todos los días, ya sea que conduzcas, tomar el bus o el tren, andar, o camine desde el punto A al B.

En ciudades extranjeras dependemos de aplicaciones como Waze y Google Maps para ayudarnos a descubrir nuevos lugares. En casa, usamos estas aplicaciones para evitar el tráfico en las horas pico y encontrar las rutas más rápidas a la escuela, trabaja, y otros lugares que frecuentamos regularmente.

Pero a veces, dudamos de un giro sugerido; cuestionamos un cambio de ruta; sospechamos una estimación del tiempo de llegada.

Tal vez sea porque tenemos prisa. Tal vez simplemente confiemos mejor en nuestros propios instintos. Cualquiera la razon, hay situaciones que nos obligan a apagar la aplicación, y vuélvete pícaro, por así decirlo.

Pero, ¿Qué sucede exactamente en nuestra cabeza cuando tomamos decisiones que anulan las sugerencias o recomendaciones hechas por sistemas automatizados? Yael Karlinsky-Shichor, profesor asistente de marketing recientemente nombrado en Northeastern, está en una búsqueda para averiguarlo.

La investigación de Karlinsky-Shichor se centra en la automatización de la toma de decisiones y su aplicación al marketing. También estudia los aspectos psicológicos del uso de modelos de automatización e inteligencia artificial. Esperar, automatización y marketing? Absolutamente, dice Karlinsky-Shichor. Los dos dominios se cruzan más de lo que piensas.

"Muchos de los temas que investigamos en marketing hoy en día también se pueden encontrar en sistemas de información, ", dice." Fue muy agradable para mí ampliar mi visión sobre esos temas y verlos desde una perspectiva de marketing, sino que también continúan examinando los temas que involucran la tecnología y la interacción del usuario con la tecnología ".

He aquí un ejemplo:Karlinsky-Shichor y sus colegas de investigación llevaron a cabo un experimento de campo en el que intentaron evaluar quién podría generar una mayor ganancia para una empresa de empresa a empresa que vende aluminio:¿humanos o máquinas? Lo hicieron mediante la creación de un sistema automatizado que aprendió y volvió a aplicar las decisiones de precios de cada vendedor.

Descubrieron que cuando los vendedores usaban los precios recomendados por el sistema automatizado, que generó más dinero para la empresa. Pero curiosamente, aprendieron que si el sistema se usara en conjunto con un representante de ventas de alto rendimiento, eso produciría resultados aún mejores.

"Usamos el aprendizaje automático para decidir automáticamente quién debe tomar la decisión de precios:el vendedor o el modelo, "Dice Karlinsky-Shichor." Lo que encontramos es que una estructura híbrida que permite al modelo fijar el precio de la mayoría de las cotizaciones que ingresan a la empresa, pero permite que el vendedor experto tome aquellos casos que son más únicos o fuera de lo común en realidad funciona aún mejor . "

Este es el por qué. Los humanos son impredecibles y volubles, pero también son más hábiles para manejar la imprevisibilidad. Tienen la ventaja a la hora de conocer nuevos clientes, por ejemplo, y evaluar las necesidades y la voluntad de pago de un cliente. Sin embargo, las máquinas tienen una ventaja sobre los humanos en términos más técnicos, repetitivo y tareas escalables, y consiguen evitar las diferentes inconsistencias de comportamiento que las personas suelen mostrar. Juntos, son un dúo invencible.

"En muchos casos, la gente piensa que los modelos de IA reemplazarán los trabajos humanos, ", dice Karlinsky-Shichor." Lo que encuentro, y es información que surge en muchos dominios, es que en lugar de reemplazar a los humanos, La IA los complementará ".

Dos cosas sucedieron después de que los investigadores completaron su estudio de caso. La empresa siguió adelante con la implementación del proceso de precios recomendado por el sistema automatizado. Y, el director ejecutivo de la empresa volvió a Karlinsky-Shichor y sus colegas con una oferta interesante.

"Él dijo, 'bien, ¿Por qué no vas y tomas a mi mejor vendedor y creas un modelo basado en ese vendedor? Ese modelo nos va a dar los mejores resultados, '", dice." Pero en realidad, encontramos que este no es el caso. Incluso el mejor vendedor no tenía necesariamente una experiencia que se aplicara a todos los casos de esta empresa ".

Los investigadores encontraron que, De hecho, La puesta en común de la experiencia de diferentes expertos generó un mejor resultado para los resultados de la empresa que utilizar al vendedor de mayor rendimiento. Así que ahora están trabajando en un enfoque de automatización que combinará la sabiduría de las multitudes con la experiencia individual. ella dice.

Karlinsky-Shichor también está abordando un tema diferente, pero problema relacionado:¿Cómo logras que las personas sigan fielmente las sugerencias o recomendaciones hechas por modelos automatizados? Este problema de cumplimiento es un desafío al que se enfrentan regularmente las empresas que utilizan dichos sistemas, ella dice.

De nuevo, señala el esquema de precios de empresa a empresa.

"Lo que vemos es que los vendedores generalmente toman el precio recomendado por el modelo cuando anticipan un riesgo bajo en el cambio, o parece que hay una gran diferencia en el precio al ir con el modelo, ", dice." Así que una de mis conjeturas es que si tienen mucha confianza, o cuando no tienen ni idea, utilizan la recomendación del modelo ".

Karlinsky-Shichor continuará explorando este campo entrelazado del marketing y la inteligencia artificial como investigador en Northeastern. Ella cree que está en el lugar adecuado para este trabajo.

"Para mi, Northeastern es una gran combinación de una escuela que pone la investigación como una alta prioridad, pero también pone mucho énfasis en la aplicación de la investigación, ", dice." En general, me interesan los problemas que no solo nosotros, los investigadores, sino también empresas, preocuparse."