Admite. Você conta com aplicativos de navegação para ajudá-lo a navegar quase todos os dias, se você dirige, pegue o ônibus ou trem, andar, ou caminhe do ponto A ao B.

Em cidades estrangeiras, dependemos de aplicativos como Waze e Google Maps para nos ajudar a descobrir novos lugares. Em casa, usamos esses aplicativos para evitar o trânsito da hora do rush e encontrar os trajetos mais rápidos para a escola, trabalhar, e outros lugares que frequentamos regularmente.

Mas às vezes, duvidamos de uma curva sugerida; questionamos um redirecionamento; suspeitamos de uma estimativa do tempo de chegada.

Talvez seja porque estamos com pressa. Talvez apenas confiemos melhor em nossos próprios instintos. Seja qual for a razão, existem situações que nos obrigam a desligar o aplicativo, e vá desonesto, por assim dizer.

Mas, o que exatamente está acontecendo em nossa cabeça quando tomamos decisões que substituem sugestões ou recomendações feitas por sistemas automatizados? Yael Karlinsky-Shichor, recentemente nomeado professor assistente de marketing da Northeastern, está em uma missão para descobrir.

A pesquisa de Karlinsky-Shichor se concentra na automação da tomada de decisões e sua aplicação ao marketing. Ela também estuda os aspectos psicológicos do uso de modelos de automação e inteligência artificial. Esperar, automação e marketing? Absolutamente, diz Karlinsky-Shichor. Os dois domínios se cruzam mais do que você imagina.

"Muitos dos tópicos que investigamos em marketing hoje também podem ser encontrados em sistemas de informação, "ela diz." Foi muito bom para mim ampliar minha visão sobre esses tópicos e examiná-los de uma perspectiva de marketing, mas também continuar a olhar para os tópicos que envolvem tecnologia e interação do usuário com a tecnologia. "

Aqui está um caso em questão:Karlinsky-Shichor e seus colegas de pesquisa realizaram um experimento de campo no qual tentaram avaliar quem poderia gerar um lucro maior para uma empresa business-to-business que vende alumínio - humanos ou máquinas? Eles fizeram isso criando um sistema automatizado que aprendeu e reaplicou as decisões de preços de todos os vendedores.

Eles descobriram que quando os vendedores usavam os preços recomendados pelo sistema automatizado, que gerou mais dinheiro para a empresa. Mas curiosamente, eles aprenderam que se o sistema fosse usado em conjunto com um representante de vendas de alto desempenho, isso produziria resultados ainda melhores.

"Usamos o aprendizado de máquina para decidir automaticamente quem deve tomar a decisão de preço - o vendedor ou o modelo, "Karlinsky-Shichor diz." O que descobrimos é que uma estrutura híbrida que permite que o modelo determine o preço da maioria das cotações que chegam à empresa, mas permite que o vendedor especialista pegue os casos que são mais exclusivos ou fora do comum, na verdade tem um desempenho ainda melhor . "

Aqui está o porquê. Os humanos são imprevisíveis e inconstantes, mas também são mais hábeis em lidar com a imprevisibilidade. Eles têm a vantagem quando se trata de encontrar novos clientes, por exemplo, e avaliar as necessidades e a disposição de pagar do cliente. Contudo, máquinas têm uma vantagem sobre os humanos em termos mais técnicos, repetitivo, e tarefas escalonáveis, e conseguem evitar as diferentes inconsistências comportamentais que as pessoas costumam exibir. Juntos, eles são uma dupla imbatível.

"Em muitos casos, as pessoas pensam que os modelos de IA vão substituir os empregos humanos, "diz Karlinsky-Shichor." O que eu descobri - e é uma percepção que surge em muitos domínios - é que, em vez de substituir os humanos, A IA irá complementá-los. "

Duas coisas aconteceram depois que os pesquisadores concluíram seu estudo de caso. A empresa deu continuidade à implantação do processo de precificação recomendado pelo sistema automatizado. E, o CEO da empresa voltou para Karlinsky-Shichor e seus colegas com uma oferta interessante.

"Ele disse, 'Nós vamos, por que você não pega meu melhor vendedor e cria um modelo baseado nele? Esse modelo vai nos dar os melhores resultados, “”, ela diz. “Mas, na verdade, descobrimos que este não é o caso. Mesmo o melhor vendedor não tinha necessariamente um conhecimento que se aplicava a todos os casos desta empresa. "

Os pesquisadores descobriram que, na verdade, reunir a experiência de diferentes especialistas gerou um resultado melhor para os resultados financeiros da empresa do que usar o vendedor de melhor desempenho. Agora, eles estão trabalhando em uma abordagem de automação que combinará a sabedoria das multidões com a experiência individual, ela diz.

Karlinsky-Shichor também está abordando um diferente, mas problema relacionado:como você faz com que as pessoas sigam fielmente as sugestões ou recomendações feitas por modelos automatizados? Esta questão de conformidade é um desafio enfrentado regularmente por empresas que usam esses sistemas, ela diz.

Novamente, ela aponta para o esquema de preços business-to-business.

"O que vemos é que os vendedores geralmente aceitam o preço recomendado pelo modelo quando eles antecipam um risco baixo na mudança, ou parece que há uma grande diferença de preço no modelo, "diz ela." Então, uma das minhas conjecturas é que, se eles estão muito confiantes, ou quando eles não têm idéia, eles usam a recomendação do modelo. "

Karlinsky-Shichor continuará explorando esse campo entrelaçado de marketing e inteligência artificial como pesquisador na Northeastern. Ela acredita que está no lugar certo para este trabalho.

"Para mim, Northeastern é uma ótima combinação de uma escola que coloca a pesquisa em alta prioridade, mas também coloca muita ênfase na aplicação da pesquisa, "ela diz." Em geral, estou interessada em problemas que não apenas nós, pesquisadores, mas também empresas, se importar."