l'agenda des sorties

Gestion des systèmes d'information et des opérations

Intervenant : Idris Adjerid, Virginia Tech

Salle T-006


Résumé

Les plateformes numériques émergentes, associées à la puissance de l'apprentissage automatique, offrent la possibilité d'améliorer l'efficacité, la cohérence et la portée des incitations comportementales. Dans cette étude, nous présentons le « ML-Nudging », une approche novatrice qui combine les techniques d'incitation classiques avec l'analyse prédictive. Nous évaluons l'impact du ML-Nudging sur une plateforme de santé mobile, en nous concentrant sur l'encouragement personnalisé à l'activité physique en fonction des niveaux d'activité physique prédits des individus. Grâce à une expérience de terrain menée avec un important fournisseur d'applications de santé mobile en Asie, nous constatons que le ML-Nudging augmente efficacement le nombre de pas des utilisateurs, en particulier lorsqu'il est associé à une incitation financière. Fait intéressant, le ciblage des jours de forte et de faible activité a un effet positif similaire sur l'activité physique. Une analyse plus approfondie suggère que les effets différentiels observés chez les personnes historiquement actives par rapport aux personnes sédentaires expliquent l'efficacité similaire du ciblage des jours de forte et de faible activité. En démontrant le potentiel des incitations ciblées et fondées sur les données, nos travaux apportent des contributions précieuses à l'intersection des systèmes d'information, de la science des données et de l'économie comportementale.