Prof. Artinger bei Konferenz über Decision Analysis
Prof. Dr. Florian Artinger, Studiengangsleiter des B.A. Digital Business & Management an der Berlin International, nahm an der renommierten Advancements in Decision Analysis Konferenz teil, die vom 22. bis 24. Juni 2022 an der Darden Business School in Washington DC stattfand und hybrid ausgetragen wurde.
In seiner Keynote präsentierte Prof. Dr. Florian Artinger die wichtigsten Ergebnisse seiner Forschungsprojekte: "How Do Taxi Drivers Determine How Much to Work If Earnings Are Hard to Predict?" und "Predicting Revenues with the Multiplier Heuristic".
Bei den Teilnehmer:innen handelte es sich um international führende Wissenschaftler:innen des Fachgebiets, die aus verschiedenen Institutionen kamen. Das beeindruckende Programm umfasste über siebzig Vorträge, eine umfangreiche Posterreihe, drei beeindruckende Hauptredner und 18 Vorträge von PhD Inkubatoren.
Ziel der Konferenz war es, Wissenschaftler:innen zusammenzubringen, die auf dem Gebiet der Entscheidungsanalyse arbeiten. Die Konferenz bot eine Plattform für interdisziplinäre Diskussionen und umfasste Vorträge von Forscher:innen aus vielen Bereichen wie Entscheidungsanalyse, Verhaltensökonomie, Urteilsbildung und Entscheidungsfindung, maschinelles Lernen, Statistik und anderen verwandten Disziplinen mit einem präskriptiven Schwerpunkt.
Über die Konferenz: Advancements in Decision Analysis Conference
Die Konferenz Advancements in Decision Analysis ist ein zweijähriges Highlight, sie ist ein Forum, an dem die Mitglieder Ideen austauschen und die wissenschaftliche Zukunft der Disziplin mitgestalten. Diese Veranstaltung war sogar noch bedeutsamer, da sie die erste Gelegenheit für die gesamte Gemeinschaft bot, persönlich zusammenzukommen, nachdem sie aufgrund der COVID-19-Pandemie mehr als zwei Jahre lang aus der Ferne tagte.
Über das Forschungsprojekt
How Do Taxi Drivers Determine How Much to Work If Earnings Are Hard to Predict?
Eine Grundannahme von Erwartungsnutzenmodellen ist, dass Agenten Vorhersagen durch die Formulierung rationaler Erwartungen treffen. Aufbauend auf dieser Annahme hat sich die Literatur mit der Frage beschäftigt, inwieweit neoklassische oder verhaltensorientierte Nutzenmodelle die intertemporale Substitution von Arbeit und Freizeit am besten beschreiben, wobei der Schwerpunkt auf dem Taximarkt liegt. Anhand von Daten aus 10 Millionen Taxifahrten stellen wir fest, dass der Stundenverdienst kaum vorhersehbar ist. Unter dieser Unsicherheit sagen Satisficing-Modelle das Verhalten von Fahrern besser voraus als Nutzenmodelle. Bei diesen Modellen ist es nicht erforderlich, den erwarteten Verdienst zu berechnen, sondern die Schichten zu beenden, wenn ein angestrebtes Niveau an Schichtdauer oder Verdienst erreicht wird.
Über das Forschungsprojekt
Predicting Revenues with the Multiplier Heuristic
Vorhersagen durch statistische und maschinelle Lernmethoden werden in der Regel als besser angesehen als die von Expert:innen gemachten. Dennoch verlassen sich viele Expert:innen immer noch auf einfache Heuristiken. Gibt es Bedingungen, unter denen Expertenprognosen, die auf Heuristiken beruhen, mit der Leistung von statistischen und maschinellen Lernmethoden mithalten können? Wir untersuchen den Fall der Vorhersage von Umsätzen pro Kunde in 20 Datensätzen, bei denen sich Expert:innen auf die folgende Heuristik verlassen: Multiplizieren Sie die in den ersten Tagen beobachteten Umsätze mit einer Konstante. Wir stellen fest, dass die Heuristik bei einem begrenzten Stichprobenumfang und einem kürzeren Vorhersag- Zeitrahmen mit statistischen und maschinellen Lernmethoden gleichziehen oder sie sogar übertreffen kann. Bei unvorhersehbaren Veränderungen im Laufe der Zeit ist die Heuristik auch bei sehr großen Stichproben und einem längeren Vorhersag- Zeitrahmen gleich gut. Die Ergebnisse geben Aufschluss darüber, wann man sich auf das Urteil von Manager:innen und wann auf statistische und maschinelle Lernmethoden verlassen sollte.