Dozentin: Dr. Verena Dormer

Übung wird verschoben auf Dienstag 17:30

Was macht das Institut?

  • Beispiel: Analyse von Benutzern bei Online-Marktplattformen (sowas wie Ebay), z.B. irrationales Verhalten wegen “Auktionsfieber”
  • Beispiel: Smart Grids, um Strom besser zu verteilen
  • …

Worum geht’s in der Vorlesung?

  • Beispiel (Guardian): Frauenkommentare werden eher im Sportteil geblockt, Männerkommentare eher im Modeteil
  • Beispiel (Shopping): Wie Fake-Rezensionen erkennen?

  • Beispiel (GoT): Kundennetzwerke analysieren (wer ist wichtig?)

  • Es geht um 3 Themen:
    • Decision Models and Theories
      • Prospect Theory (Kahneman, Tversky and many others)
      • Myopic Loss Aversion (Thaler and many others)
      • Multi-attribute Utility Theory (Keeney, Raiffa and many others)
    • System Design Implications
      • Application: Financial Planning (Looney and Hardin)
      • Application: E-Commerce (Scholz, Dorner and many others)
        • Recommender Systems
        • Sales Prediction (e.g., online social networks)
    • Data Collection, Processing / Analysis
    • Collection:
      • Lab Experiments
      • Real-world Clicks
      • Textual Data
    • Processing / Analysis:
      • Regression Models
      • Clustering
      • Matrix Factorization
      • Conjoint Analysis
      • Markov Chains

Was ist Wissenschaft?

[hier kommt noch viele Definitionen, aber erstmal gucken ob das in der Prüfung auch so drankommen wird]

  • Tätigkeit, Institution, Ergebnis der Tätigkeit […]
Klassischer Rationalismus
  • Vernunft + Deduktion = Logisches Schließen
  • Schließen vom Allgemeinen auf das Spezielle
Kritischer Rationalismus
  • Fallilbilismus: Keine Erkenntnis ist absolut
  • Vermutungswissen: Wahrheit von Hypothesen nur vermutet
Klassischer Empirismus
  • Beobachtung + Induktion = Schließen vom Speziellen auf das Allgemeine
  • Schließen vom Speziellen aufs Allgemeine
Wissenschaftliche Revolutionen
  • Vorwissenschaftliche Phase
  • Normale Wissenschaft
  • Beginn der Revolution
  • Paradigmenwechsel
  • Ablauf eines Forschungsprojekts (Schritte 1-10) […..]
  • Gute Fragen
    • sind relevant
    • tragen bei

Introduction to Decision Theory and Decision Support

Wie entscheiden sich Leute und verarbeiten Informationen?

  • Informationen beeinflussen Entscheidungsträger
    • z.B. Appuser <-> UX

User Output: Decision Quality

  • Wie messen? (Bsps)
    • Gewinn/Zielerreichung (wenn man ein Ziel hat)
    • Zufriedenheit/Bedauern
    • Zeit (wie viel erreicht in welcher Zeit)

Decision-Making

Rational decision-making

  • Set of conceivable actions -> consequences
  • Mental order of consequence preferences
  • Model evaluated under the given constraints = decision
  • => Ein Constraint-Optimization Problem
  • 40er/50er war das der hot shit, aber Dilemma:
    • Kann man so komplexe Probleme so schnell im Kopf lösen?
    • Theorie stimmt nicht mit Verhalten überein
    • Konter: St. Petersburg paradox
      • Pot startet mit 2€ und verdoppelt sich mit Kopf. Bei Zahl wird der Pot ausgezahlt. Wieviel zahlen, um spielen zu dürfen?
      • => Erwartungswert wäre unendlich, also alles was man hat.
      • => Diminishing marginal utility of money (Geldwert nimmt logarithmisch ab)

Bounded rationality (Herbert Simon)

  • Grenzen bei Formulierung/Lösen komplexer Probleme und Informationsverarbeitung. Also: Mustern in Grenzen finden und deren systematische Effekte auf Entscheidungsfindung finden.
  • “As-if” hypothesis (Milton Friedman)

    • So tun, als ob Menschen komplexe Entscheidungen rational verarbeiten können. (Man kann ja auch Fahrrad fahren ohne darüber nachzudenken)

    • Wir können sowieso keine individuellen Präferenzen beobachten
    • Schlechtere Entscheidungsverhalten sterben sowieso über kurz oder lang aus (natural selection), deswegen nur mit bestem Verhalten beschäftigen
  • Aspiration adaption (Reinhard Selten)
    • Man sucht kein Optimum, sondern um good enough-Alternativen
    • Wenn nichts gefunden wird, dann Aspirationen nach unten adaptieren
  • Fazit: outdated

Expected Utility Theory

  • Entscheidungskriterium ist statische Erwartung der individuellen Bewertungen der Ergebnisse
  • Axiome: completeness, transitivity, continuity, and independence
  • Konter: Allais paradox
    • Wahl zwischen gamble A vs gamble B
    • Wahl zwischen gamble C vs gamble D
    • Wahlen widersprechen sich
    • Form vom Certainty Effect
    • besser: Prospect Theory

Prospect Theory (Tversky, Kahneman. Nobelpreis 2002)

  • Decisions are based on losses and gains, not final outcome
  • Evaluation with heuristics

Certainty Effect
People overweight certain outcomes relative to probable outcomes (z.B. Ebay Sofortkaufen vs. Bieten)
Possibility Effect
People overweight unlikely outcomes

  • Beispiel: Versicherung zahlt 1% aller Beträge nicht aus => Menschen würden 30% weniger Prämien bezahlen

  • Certainty/Possibility Effect drehen sich um bei negativem outcome

Framing Effect
Präsentation beeinflusst Entscheidungsprozess (z.B. Asian Disease Experiment: retten vs. sterben)
Bank Teller Experiment
  • Ist Linda “Bank teller” oder “Bank teller und Feminist”?
  • Kahneman: people use representativeness as heuristic
  • Critics: wording and framing biased
    • Effect still present, if wording and framing are accounted for
Conjunction fallacy
a formal fallacy that occurs when it is assumed that specific conditions are more probable than a single general one.

Effects on Decision Quality

Pareto Efficiency
Ein Zustand, in dem es nicht möglich ist, eine Eigenschaft zu verbessern, ohne zugleich eine andere verschlechtern zu müssen.
Decoy Effect / Asymmetric Dominance Effect
Zwei paretoeffiziente Alternativen, wie zu einer beeinflussen? => Dritte einführen die nudge in bestimmte Richtung gibt
Monty Hall Paradox
Menschen sind schlecht mit bedingten Wahrscheinlichkeiten (not perfect Baysesian updaters)

Looney et al.

Issue: Equity Premium Puzzle

  • individual investors tend to hold overly conservative portfolios that provide meager payoffs over time
  • cannot be explained by any plausible degree of risk aversion
  • => investigate investor behaviour
  • psychological approach

Question: How can a Web-based DSS be designed to help future retirees overcome the tendency to hold overly conservative portfolios?

  • Which cognitive biases are investigated?
    • “Tendency to hold overly conservative portfolios”
    • Certainty Effect
    • Immediacy Effect
    • Myopic Loss Aversion
  • How are these biases supposed to lead to sub-optimal decisions?
    • Myopic Loss Aversion
      • loss aversion
        • individuals weigh losses roughly 2.5 times greater than equivalent gain
      • mental accounting
        • frequency of evaluation determines framing
        • frequent evaluations => narrow framing = segregated evaluations
        • non-frequent evaluation => broad framing = aggregated evaluations
      • theoretical explanation for EPP

Design

How did they design their experiment?

  • Why do you think they chose a mixed (between and within) design? - um besser zu vergleichen?

Findings

  • Evaluated with Linear Mixed Modeling (LMM)
  • Control Variables
    • Portfolio risk higher if:
      • male
      • high risk tolerance
      • Good previous performance
    • Unchanged for:
      • Age
      • Investing Experience
  • Main Effects
    • portfolio risk higher if:
      • Supporting H1: DSS presented investors with long-term information horizons (instead of short-term)
      • Supporting H2: DSS system restrictiveness was high (not low; evaluation frequency constant at 1 year)
      • Supporting H3: DSS provided suggestive guidance (instead of no guidance)
  • What are the design implications?
    • design criteria for DSS
      • information horizon
      • system restrictivness
      • decisional guidance

Analysis

Datum: 17.5.16

Typ von Übung springt ein

  • s. Folien, sind super

  • Confounding factors

    • nested effects (lab specific [?])
    • crossed effects (subject specific)

Gastvortrag über Bachelorarbeit “Mining behavioral patterns in product configurators”

  • Paket geschrieben für R
  • Theoretische Grundlagen
    • Prospect Theory => ein Referenzpunkt
    • Dual und Tri-reference point theory
      • Failure, Loss, Gain, Success Bereiche
    • Gewichtungsfaktoren für verschiedene Konfigurationsattributen

Nobelpreis Vorträge

24.5.16

  • Herbert Simon
    • 9 PhDs
    • bounded rationality
      • 3 stages
  • Maurice Allais
    • früher Phyisiker, nach dem 2. Weltkrieg dann Oekonom
    • Allais-Paradox - Gegenspiele zu Erwartungswertmaximierung - => Psychologische Komponente vorhanden (Certainty-Effekt etc)

Gastvortag FZI über Segmentation

[Bis Seite 5 verpasst]

  • Segmentierung hinsichtlich Kaufverhalten/-sequenzen
  • Wieso? Bester Prädiktor
  • Nur nach CR aggregieren: Aggregation nicht aussagekräftig
  • HMM

  • Lift = 2 => doppelt so gut wie Baseline
  • Letzter Kauf wichtiger als frühere
  • Weighted Productspace Clustering
    • 1 Dimension pro Produkt
    • Exponential decay für frühere Käufe
  • out-of-sample evalution = auf unbekannten Trainingsdaten evaluieren

Markovketten

  • Zeitschritte ausrechnen mit
  • Steady states ausrechnen mit LGS ausrechnen $$\pi = \pi p$
  • Markov-Eigenschaft: Aktueller Zustand nur von letztem abhängig
  • recurrent state = man kommt auf jedenfall wieder zum state zurück
  • transient state = man kommt evtl. nicht zurück
  • Kette ist irreducible, wenn alle states recurrent sind

Gastvortrag

  • Probeklausur im ILIAS
  • E-Commerce
    • Design von Technologien
      • Recommendersysteme
    • ökonomische Auswirkungen
      • Mundpropaganda umsonst? Nein: Preis muss niedrig sein, damit weiterempfohlen wird

Facebook Paper

  • Posts haben Score berechnet aus Ranking, Bilder, …

Recommender Systems

Multi-attribute Utilty Theory bezieht nicht Fehlverarbeitung ein (zB MLA)

Content-based Recommenders

no cross-category recommendations
z.B. DVD-Spieler, Filme
Cold-start problem
Man muss erstmal was kaufen, damits gut funktioniert. Lösung zb Daten kaufen von anderen Shops

Collaborative Recommenders

..

Utility-based Recommenders

  • Produkt wird gekauft wenn Nutzen > 0
  • Nutzen = Gewichtete Attribute - Geld
  • Daten auch nutzbar für Produktion: Wie teuer kann ich mein Produkt machen?
  • ein Nachteil: Kunde muss erstmal Präferenzen angeben

Attribute rauskriegen

AHP, SMART, SWING, TRADEOFF kommen eher aus dem Operations Research - Decision Making

AHP

Kunde soll immer 2 Attribute vergleichen. Daraus prority matrix berechnen

SMART, SWING, TRADEOFF so ähnlich

Conjoint Study

single utility function, attribute weights, willingness to pay rauskriegen

Schritt 5 evaluate stimuli = empirische Datenerhebung

Latin Squares
Nicht alles mit allem (full-factorial), sondern orthogonales System. Alle Kombinationen die man braucht. 2 Attribute als Reihe und Spalte und mit drittem Als latin square befüllen. Bildchen
  • Wie vergleichen?
    • A/B Test: Conversion Rate messen
    • mögl Effekt: Lokale Werbeeffekte (Werbebanner auf dem Times Square, mögliche Lösung: Standort (Handy) miteinbeziehen)
  • Choice overload bei zu vielen recs => optimale Anzahl?
    • Vielleicht besser 1 gute und viele schlechte recs?

prostate cancer Beispiel

Beispiel für nudging. Informationen werden überbetont (false alarm, unnecessary treatment) oder weggelassen (wer wurde behandelt hat überlebt?).

Research Question p19

pareto-optimale und -nicht-optimale Alternativen vorschlagen. Damit kann man Entscheidungsqualität quantifizieren

produkt mit involvement, dass nicht zu niedrig ist aber auch nicht zu hoch

involvement erhöhen zb: 20% chance dass produkt am ende verlost zu bekommen

durch transparenz ändern sich viele attribute auf einmal => kognitive überforderung

V9

19

Word-of-mouth: An welchen Knotenpunkt schicke ich was, damit es viral wird?