Den pågående utvecklingen av digital teknik har förändrat handeln på flera sätt. Till exempel ser vi att: den fysiska butiken är hotad av e-handeln och dess distributionssystem, köpbeteenden förändrats, ökade resurser läggs på att reducera returhantering, ökade satsningar sker på mobilapplikationer och avancerade dataanalyser i större utsträckning används för att förstå kunders köpbeteenden. Utvecklingen av artificiell intelligens (AI) har dessutom underlättat för företag att generera branschspecifika data. Det innebär att handeln i allt större utsträckning har intresserat sig för maskininlärning som automatiskt kan generera prediktioner utifrån data i syfte att stödja beslutsfattande. Den enorma tillgången på data har lett till att flera företag ser data som en av de mest värdefulla resurserna för tillväxt.

Utan tvekan har AI påverkat handelns möjligheter att växa och vara konkurrenskraftiga, men det finns en risk att AI-baserade prediktioner tas för ”sanna” och inte kritiskt ifrågasätts. Flera företag har insett att AI-baserade prediktioner inte alltid är trovärdiga eftersom de data de bygger på kan vara otillräckliga, av låg kvalitet eller ej tillräckligt omfattande. Det finns också en risk att anställdas kunskaper, kompetenser och erfarenheter som tillägnats utifrån långvarigt arbetsliv förbises. Dessa kunskaper och kompetenser kan utgöras av kognitiva förmågor till logiska resonemang, abstraktionsförmågor eller tyst kunskap som inte finns representerat i databaser. Vi kallar de anställdas kunskaper, kompetenser och erfarenheter för human intelligens (HI).

Mot denna bakgrund och utifrån en litteraturstudie kan vi konstatera att det saknas kunskap om hur beslutsstödsystem (BSS) kan utformas för att stödja en kombination (hybrid) av HI och AI i syfte att förbättra beslutsunderlag. Vårt antagande är att en kombination av HI och AI kan skapa bättre beslutsunderlag än vad AI och HI kan göra var för sig. Detta innebär att projektet har haft ett intresse av att kombinera de styrkor med HI som nämndes ovan med AI:s styrkor som till exempel beräkningskapacitet, snabbhet, mönsterigenkänning och låg kostnad. Vi har begränsat oss till att undersöka hur HI och AI kan kombineras vid hantering av returer i handelsnäringen. Den forskningsfråga vi har ställt har formulerats enligt följande: Hur kan BSS utformas för att stödja beslut, som baseras på en kombination av HI och AI, i syfte att förbättra returhanteringsprocessen?

De resultat som projektet kommit fram till är: a) en digital BSS-prototyp som tjänar som ett exempel på hur HI och AI kan kombineras för att förbättra returhanteringsprocessen och b) designprinciper som syftar till att stödja utvecklingen av liknande BSS. BSS-prototypen stödjer följande funktioner:

·      Stöd för att ange olika HI-roller som bör medverka i analyser av returhantering.

·      Stöd för att lägga till eller ta bort påståenden som kopplade till olika aktiviteter i returhanteringsprocessen.

·      Stöd för HI att analysera och värdera påståenden. 

·      Stöd för AI att analysera och värdera påståenden.

·      Stöd för detaljerade visualiseringar av AI-analyser

·      Stöd för att utföra fördjupade analyser av påståenden som värderats som kritiska.

·      Stöd för att bedöma företagets existerande förmågor genom en modell för självvärdering.

Utifrån våra empiriska utvärderingar kan vi konstatera att BSS-prototypen stödjer en kombination av människors kognitiva förmågor och AI-baserade analyser i syfte att förbättra processen för returhantering. Konstaterandet innebär att vi påstår att BSS-prototypen bidrar till beslutsunderlag som är bättre än vad människor eller AI kan ta fram var för sig.

De föreslagna designprinciperna är generellt formulerade och vår förhoppning är att de kan tillämpas i andra sammanhang som syftar till att kombinera HI och AI. Designprinciperna har ett ömsesidigt beroende med BSS-prototypen och växt fram parallellt med utvecklingen av BSS-prototypen. Vi har föreslagit följande sex designprinciper:

Designprincip 1 – Förstärk beslutsfattande 

Om du vill utveckla ett digitalt BSS i syfte att stödja människors beslutsfattande inom kontexten returhantering, så rekommenderas att BSS förstärks med ett processtöd som drar nytta av både HI och AI, därför att en kombination av HI och AI ökar möjligheter till ett förstärkt beslutsfattande.

Designprincip 2 – Reducera förutfattade meningar

Om du vill utveckla ett digitalt BSS i syfte att stödja människors beslutsfattande inom kontexten returhantering, så rekommenderas att BSS stödjer reducering av förutfattade meningar genom medverkan av flera roller och ett konsensusbaserat beslutsfattande, därför att anläggandet av flera perspektiv reducerar förutfattade meningar samt minskar osäkerhet och vaghet i beslutsfattande.

Designprincip 3 – Maximera lärande

Om du vill utveckla ett digitalt BSS i syfte att stödja människors beslutsfattande inom kontexten returhantering, så rekommenderas att BSS maximerar ett lärande för människor, därför att kunskapsdelning mellan människor och input till människor från avancerade dataanalyser sannolikt förbättrar företagets förmåga att fatta bättre beslut och leder till ökade konkurrensfördelar.

Designprincip 4 - Design för intuition före förnuft

Om du vill utveckla ett digitalt BSS i syfte att stödja människors beslutsfattande inom kontexten returhantering, så rekommenderas att BSS först tar till vara på resultat från människans kognitiva system 1 (intuition) och därefter resultat från människans kognitiva system 2 (förnuft) eftersom sekvensen kommer att öka tillgång till data i beslutsprocessen.

Designprincip 5 - Design för ingripande

Om du vill utveckla ett digitalt BSS i syfte att stödja människors beslutsfattande inom kontexten returhantering, så rekommenderas att BSS utmanar människans kognitiva system #1 (intuition, erfarenheter) genom ingripande av ett digitalt förstärkt kognitivt system #2 (förnuft genom t.ex. AI) eftersom det minskar människans kognitiva fördomar och leder till ökad förmåga att fatta bättre beslut.

Designprincip 6 - Design för visuell drill-down och roll-up

Om du vill utveckla ett digitalt BSS i syfte att stödja människors beslutsfattande inom kontexten returhantering, så rekommenderas att BSS möjliggör för människor att analysera data genom s-k. visuell ”drill-down” och ”roll-up” eftersom det borgar för effektiv identifiering av ny information som utgör ett förbättrat beslutsunderlag vilket i sin tur ökar förmågan att fatta bättre beslut.

Projektets resultat är viktiga för handelsnäringen eftersom de illustrerar hur människors kognitiva förmågor och AI-baserade analyser kan integreras för att förbättra BSS inom returhantering. Designprinciperna utgör ett bidrag till både praktiken och teorin. Ett syfte är att de ska utgöra ett praktiskt stöd vid utveckling av liknande BSS. Designprinciper är generellt utformade och år förhoppning är att de ska kunna tillämpas för utveckling av andra liknande BSS. Utifrån vår analys påstår vi att den BSS-prototyp som utvecklats i projektet har bidragit till ett beslutsunderlag som är bättre än vad människor eller AI kan skapa var för sig. 

Våra förslag till fortsatt forskning är att: a) genomföra en mer omfattande empirisk studie, b) tillämpa och analysera designprinciperna och c) generalisera resultaten till andra områden inom handelsnäringen.