为了更好的贩卖出商品，自动贩卖机的产品组合会进行动态的调整。工人们向自动贩卖机投放产品时，往往会有算法推荐最优的产品组合，但员工却未必执行，“不要你觉得，我要我觉得”。从科学的角度来说，算法推荐往往比人类的判断更好，但人类却往往更相信自己的判断，这种现象被称为算法厌恶。算法厌恶可能会阻止工人遵循算法。怎样才能使工人更愿意采纳算法的推荐呢？让我们跟着这一期的妖理论，一起来探索如何解决这个问题吧！
01
提出
日本东部铁路公司（JRE）是日本最大的铁路公司。饮料自动售货机业务是该零售业务部门的一个分支。实验在负责管理公司饮料业务的子公司进行。工人们是否愿意执行算法的推荐呢？又有怎样的方法可以使工人更愿意遵从算法呢？如果产品投放前，为工人提供产品信息（包括名称、特性等），事先调研工人对该产品的销量预测，并将该判断整合到算法中形成新算法，工人们会不会更愿意遵循这种新算法呢？实验表明，当算法整合工人的预先决策时，工人们会更愿意遵从算法。
02
实验
问题：
1）工人是否遵循算法建议
2）当算法整合工人自己的预测时，他们是否更愿意遵循算法。
操作：
实验区域被划分为三个区域：实验组一、实验组二和对照组。在实验组一中，使用原有算法为工人提供建议，但不使用工人的预测。在实验组二，工人对新产品需求的预测整合入算法，提供建议。对照组中，使工人们像往常一样做决定。因为算法的输出几乎相同，结果的任何差异都是由于工人感觉到算法整合了他们对新产品的预测。
实验结果:
实验组一的产品组合与算法输出的推荐组合相关性并不比对照组的高。这表明，总体上，工人们不愿意遵循这一建议算法。
而与实验组一相比，实验组二的产品组合与算法输出的相关性更大。因此，将工人的预测整合到算法的设计中可以解决部分问题。
03
相关方面影响探索
a） 工人和区域层面
操作：
1)研究员工的绩效与反应之间的关系。
2)研究跨地区销售波动导致的差异。
3)研究工作经验如何影响工人的响应。
4)调查授权给工人的程度可能会影响工人对两种不同类型的算法建议的遵从性的可能性。
结论：
1)低执行者喜欢简单的算法建议，而高水平的执行者更喜欢影响算法。
2)在销售波动性较大的地区，员工不太可能在没有整合的情况下遵循该算法。然而，通过整合，在销售波动较大的地区工作的员工更可能遵循算法。
3)工作经验只会改变员工对算法建议的态度，以及他们的意见是否被整合，但似乎不会改变他们产品组合决策的质量。
4)整合员工的看法会使具有更多委派插槽的区域中的工作人员遵循算法的可能性更大。
b）机器层面
首先，将自动售货机分为高销售量组和低销售量组，然后根据春夏季的销售量将其分为高和低销售波动率组。接下来，分别计算每个区域属于每个组的自动售货机的实际插槽数、目标插槽的净数量和集中插槽数。
结果:
研究结果显示，工人更不愿意在高销售量的机器上遵循该算法。工人可能不想冒险在高流量机器上尝试新的产品组合策略。
员工在库存具有高销售波动性的机器上更愿意遵循该算法。工人可能会发现很难适应这种机器的需求，而宁愿依赖于算法。
在销售量大、波动性小的机器上，新算法更有效。在这些机器上，工人们更相信自己的决定。
最后，在具有高销售波动性的机器上，工人的产品分类决策与TS算法的关联性较小。
04
结语
原来，区域、销量、季节等诸多因素都会影响员工的决断， Cafe or tea? 产品组合影响着我们的选择，同样关系到企业的效益，在未来，算法厌恶的问题会得到进一步解决，我们在自动贩卖机上也会看到更多的产品组合。
