2.2.2中坚力量
l 马修·拉宾（Matthew Rabin）
拉宾因对行为经济学的基础理论做出开创性贡献而获得2001年美国经济学会的克拉克奖章（ClarkMedal）。其主要研究兴趣如下：
马修·拉宾（MatthewRabin），出生于1963年，1984年获威斯康星大学经济学与数学学士学位，1989年获MIT经济学博士学位。他以研究延迟行为和公平理论而知名，擅长利用复杂的数学模型来研究人类的各类经济行为。
在行为经济学崛起之前，主流经济学出于研究的需要简化了真实世界人们的各类经济行为，即假定人类的行为理性，而这一“简化”过的理论在真实世界的经济现象面前显得不那么调和。这让经济学家们将视野转向人类的行为因素对于经济决策等的影响研究。以便对主流经济学的部分假设做出修正和补充。拉宾在这一经济学分支上起到了独特的创建型作用。
拉宾研究发现，人们对周围环境的判断以及各类选择的效用评价上存在系统性的偏差，因此有必要在让人们在做出诸多决策之前经历一个强制性冷静阶段，以便人们脱离短期的强烈感情对于自身行为的偏差性影响。因为人们一旦做出不可更改的决定，而这种决定又是建立在“非冷静判断”的基础上，则很可能事后后悔。因此，对于各类冲动行为进行“冷处理”是必要的。而在人们对于当下与未来的效用感知差异上，拉宾发现，人们更在意当下的“效用”，即喜欢把正效用的事情当天做，而把负效用的事情拖到以后，而相当于未来的长期福利，人们则更在意短期福利。
l Sendhil Mullainathan
Sendhil Mullainathan是哈佛大学经济学教授。他研究过贫困、行为经济学和各种各样的话题，如贫困对精神带宽的影响，CEO薪酬是否过高，使用虚构的简历来衡量歧视等。他最近的研究重点是利用机器学习来更好地理解人类行为。
他与人合著《稀缺:为什么没有太多的意义》等书，并定期为《纽约时报》撰稿。
他创立了一个非营利组织应用行为科学组织ideas42，它将行为经济学对人类行为的复杂理解付诸实践，并将其用于设计更好的方法来解决从消费金融到国际发展等领域的问题。
他是麦克阿瑟“天才”奖的获得者，被世界经济论坛指定为“年轻的全球领袖”，被《外交政策》杂志评为“百强思想家”，并被《Wired》杂志（英国）评选为“50位将改变世界的人”。
以下是金准人工智能专家利用AMiner数据库对其论文进行挖掘，选取citation最高的几篇文章
l Volpp KevinG
Volpp KevinG是宾夕法尼亚大学健康激励和行为经济学中心的负责人。他关于金融和组织激励对健康行为和健康成果的影响的研究得到了众多奖项的认可，其中包括来自学术界的AliceS.Hersh奖；英国医学期刊小组奖；总统早期的科学家和工程师职业奖(PECASE)；临床和转化科学协会的杰出研究人员奖，用于职业成就和对临床和转化科学的贡献等。
Volpp KevinG发表了超过175篇论文，这些论文是在美国和海外的雇主、保险公司、卫生系统和消费者公司的广泛测试上形成的，来测试不同行为经济策略在改善行为和结果方面的有效性。
以下是Volpp KevinG的主要研究兴趣：
以下是金准人工智能专家利用AMiner数据库对其论文进行挖掘，选取citation最高的几篇文章
l 朱宪辰
朱宪辰现任教于南京理工大学经济管理学院，为应用经济研究所所长、教授、博士生导师。兼任中国系统工程学会社会经济系统分会副理事长、中国数量经济学会常务理事、国防科工委国家信息中心注册咨询专家。长期从事制度经济学、管理科学与工程的教学与科研工作。
主要研究方向有：①个体决策信念调整与共同知识演化，该方向的研究对象是个体间形成的共同知识，以及作为共同知识内容的习俗规则和制度，研究任务是探究制度变迁；采用的方法是基于个体单元分析的信念调整实验和样本计量估计。应用领域是集体行动（collective action），如行业协会业主自治问题。②以行动机制作为制度、技术和产业变迁及区域发展的分析脉络是本方向的基本思路。针对产权制度变迁、交易习俗变迁、区域发展和产业集聚过程中的探讨内生解释模型。
l 史永东
东北财经大学应用金融研究中心主任，兼任中国金融学年会常务理事，中国金融工程学年会常务理事，中国金融学会理事，金融系统工程与风险管理国际年会常务理事，辽宁省金融学会常务理事，《金融学季刊》杂志副主编，《投资研究》杂志编委。主要研究方向有：金融工程、资产定价、风险管理、行为金融、微观结构.
教育部2006年新世纪优秀人才支持计划和辽宁省百千万人才培养计划百人层次入选者、辽宁省金融工程与风险管理创新团队首席专家，大连市优秀教师，享受大连市政府特殊津贴。
l 陆家骝
现为中山大学管理学院财务与投资学系教授、博士生导师；中山大学行为金融与金融经济学研究所所长；中山大学学术委员会委员。
先后在南京航空航天大学，南京大学和中山大学从事教学和研究工作，涉及的专业领域主要有：金融经济学、公司财务、货币经济学、新兴凯恩斯动态经济学。在这些领域出版学术专著有《货币分析的结构与变迁》、《行为金融学的兴起》和《现代金融经济学》等；在《经济研究》、《哲学研究》、《经济科学》等学术期刊发表论文100余篇.
陆家骝曾经先后在瑞典的Lund University和香港出席国际学术会议。1998年在美国Iowa State University作为期半年的访问学者；2002年在美国哥伦比亚大学（Columbia University）做高级访问学者；2005-2006年度在耶鲁大学管理学院（Yale School of Management）做金融学方向的富布赖特访问学者。
2.2.3领域新星
行为经济学是一门走在前沿的新兴学科，近年来，许多学生都投身于这一领域的研究，下面金准人工智能专家对几所学校中比较著名的行为经济学实验室学生进行简要介绍。
l 亚利桑那州立大学Economic Science Laboratory：
Ashley Sauciuc
亚利桑那州立大学PHD。她目前的研究兴趣利用了她在实验经济学中的技巧来研究问题，主要集中在管理会计、小组决策、动态契约设计和激励等方面。
叶伯汉
亚利桑那州立大学PHD。她对心理基金会如何影响个人决策和相关市场变化感兴趣。
使用实验来更好地理解个人和市场如何运作。目前的研究主要集中在收入不平等以及情感在决策过程中的作用。
l 乔治梅森大学The Interdisciplinary Center for Economic Science,ICES
Elif Ece Demiral
乔治梅森大学经济科学跨学科中心的经济学PHD。她的主要研究是将行为经济学与实证方法结合起来，研究性别、环境和财务决策的主题。研究重点是研究利用实验室和在线实验进行经济决策的性别差异，目的是帮助设计有效的政策，以减轻男性和女性不同的劳动力市场结果。
Arthur Dolgopolov
乔治梅森大学跨学科经济科学中心的经济学PHD。研究集中在实验经济学、算法博
弈理论、拍卖和机制设计。
l 苏黎世大学LaboratoryforSocialandNeuralSys-temsResearch
Thomas Epper
苏黎世大学经济系post-doc。主要研究方向包括用微观经济学、应用决策理论、决策理论等。
3.行为经济学在人工智能中的应用
人工智能不可能完完全全的理性，或者说不可能拥有无限的能力去解决所有的问题。在某些时候人工智能也必然会触碰到理性的极限，这些棘手的问题没办法被很好地解决。在这种时候我们就需要建造偏离理性行为的模型。扑克牌大概是复杂推理的一个很好的例子，其中包含很多未知信息与不确定性。最近研究者们运用博弈论成功探索出了人工智能机器玩德州扑克的算法。然而这项花费了几十年科研努力的人工智能技术目前仍然很局限，只能在双人玩家的模式下进行。而且现实世界里的情况要更复杂，完美的理性是不可能实现的。从这个角度来说，行为经济学理论能够为人工智能中存在的未知、不确定等提供可行的路径。金准人工智能专家将在本篇中讲述三个行为经济学在人工智能领域内的应用案例。
3.1网络营销中的行为经济学
2016年，杜克大学行为经济学家丹·艾瑞里（DanAriely）撰文《在线公司如何让我们共享更多，消费更多》。经济学家Ariely用行为经济学理论分别对亚马逊Amazon、Netflix、团购Groupon、Zynga、Facebook和苹果的网络营销做了分析。Ariely认为，虽然是网络营销，但营销的本质千百年来都未改变，就是利用人类的弱点，获取最大利益。
利用心理学的洞察力，行为经济学家已经可以解释为什么消费者会更多的买售价0.99美元的东西，而不是1美元的东西（左数效应）。为什么消费者热衷于办理健身会员资格，却从不去使用（乐观偏见）。为什么消费者很少会退回购买的商品（购后合理化）。网络巨头们，从亚马逊到Zynga，都在使用类似的伎俩让消费者不停地访问网站，玩它们开发的游戏，购买它们的商品。以下金准人工智能专家将详细阐述它们是如何利用人们的心理来获得最大利益。
3.1.1亚马逊
消除小摩擦可以从根本上改变一个人的决定。关于这个判断的最好例证来自于埃里克·约翰逊（Eric Johnson）和丹·古德斯滕（Dan Goldstein）的研究。在这项有关于器官捐献的研究中，两人提供了两种选项：一种是人们可以选择死后捐献器官，默认是不捐献；另一种是默认死后捐献器官，但人们可以很方便地退出。调查发现：前者的器官捐献率在40%，而后者高达80%。这就是默认的巨大力量：人们在做事情时总有一个明显的倾向，选择阻力最小的方法。
对于很多人来说，亚马逊网站的功能都是默认的，并且它已经存储了我们的信用卡和地址信息。如果我们问人们，在其他网站重新输入这些信息会花去他们多少时间，得到的答案多半是“不会很多”。大多数人都不会把时间看得很重要，但就在决定购物且不会考虑过多的几秒钟内，输入这些信息的障碍看起来令人生畏，所以我们还是默认选了亚马逊。
亚马逊还为运费问题创造出了两个智能解决方案。对于网上购物来说，这一直是最大的心理障碍。首先就是它的免运费政策，只要商品价值超过25美元，亚马逊就免费送货。随着消费者添加额外的书或CD以避免运费时，原本只卖出一件商品的亚马逊变成了卖出两件商品。
更有趣的机制是亚马逊高级会员（Amazon Prime）。只要每年交上79美元的初始费用，就可以享受美国境内两天内免费送货的优惠。我怀疑这项服务让消费者更多的消费，原因有三个。首先，一旦知道一家商店可以免费送货，消费者就不大会去另外的地方购买。其次，一旦上了亚马逊，运费就不再是心理障碍，所以冲动性消费就不大能受到抑制。最后，我们都是提前付款，这就成了已支付成本。所以为了让交易更加划算，我们会在网站上购买更多的商品以分摊投资。
3.1.2 Netflix
Netflix建立了一门价值数十亿美元的生意，它只是基于一个很简单的道理：人们对逾期附加费很反感。在传统的音像租赁店，顾客一直在做两种选择：要么多交费用；要么退回已经超期，但还没看过的电影。除去可以不付逾期附加费，Netflix还提供了详细的电影选择，每位用户都可以建立一个个性化的“队列清单”。Netflix似乎是创建了一个智能系统，使得用户可以看到他们想看的电影。
但实际上，Netflix用户看过的电影要比他们预期的少得多。这对Netflix不坏，它节约了邮费，增加了利润。原因之一就在于Netflix迫使用户主要以未来想看什么电影为依据，但用户在预测未来喜好这方面却表现得不是很好。
丹尼尔·里德和两位合作者为此写出过一篇漂亮的论文。论文展示了人们原则上想做的事和马上想做的事之间存在差异。他们要求受访者从一份电影清单中选择，里面既有高雅的影片(《辛德勒名单》)也有低俗的影片(《我的表兄维尼》)。如果在几天后问他们想看什么影片，大多数人选了高雅影片。但如果立即问他们想看什么影片，大多数人选了低俗影片。原则上，我们都想看严肃的影片，比如说法国电影，但今晚不行!因此我们的电影“队列清单”变得雄心勃勃，充斥着曲高和寡类型的电影，而不是我们自己想看的。
现在Netflix提供了在线观看服务。随着网上流媒体的兴起，我们已经不局限于看自己想看的电影。相反，我们感觉自己付了钱，可以在任何时间看任何电影，即使我们根本看不了那么多。
3.1.3 Groupon
Groupon等团购网站掀起的最大革命不是提供大幅度的折扣，而是使它们的用户没有了以往优惠券使用者的那种尴尬。实际上，优惠券使用者的污名真实存在且非常广泛。《消费者研究》（Journal of Consumer Research）上最近刊载的一篇文章发现，人们总是将使用优惠券的人描述成贫穷的、小气的，甚至是优惠券使用者自己也这么想。随着Groupon的兴起，人们开始接受使用优惠券，社会对此的认知度大为改观。
涉及到更改人们行为习惯时，群体行为的认知是一股强大的推动力。加州大学洛杉矶分校的诺亚·戈尔茨坦（Noah Goldstein）几年前曾经进行过一项研究：如何鼓励宾馆客人重复使用毛巾。在一项实验中，在测试的房间内放置两种不同的标语牌。第一种是单纯的生态呼吁，称重复使用毛巾有利于环保，结果是有35%的客人照做了。第二块标语增加了社会线索，“几乎有75%的客人都参与到这项活动中来，通过重复使用他们的毛巾尽一份力”。结果有44%的客人照做。
Groupon的时间限制是它的另一项秘密武器。消费者只有一天的时间决定是否购买优惠券以享受折扣。通常，就算我们当时不买，也不能保证以后也不会买，我们可以随时改变主意将东西买回来。但有了Groupon后，我们的选择变得十分清晰。这不仅仅是现在不买的问题，还在于现在不买以后也买不到。遵照这种选择，许多消费者都会考虑不买的话他们会有多么后悔。因为人们都不喜欢后悔，所以会更多地倾向于购买。
3.1.4 Zynga
一旦人们开始建立农场，他们就会对其进行投资，因而它的价值也水涨船高。越是复杂、越是困难、越是耗时，我们就会越喜爱自己的创造物，也就对相关游戏越发感兴趣。
社会因素又增加了另一种强迫行为。这些游戏中的很多行为都和互惠性有关：别人给予你有用的东西，也期望你能有所回报。经济学家已经认识到，互惠性拥有非常强大的力量。尤其是恩斯特·费尔（Ernst Fehr）做了很多开创性的工作，他将其称之为“信任游戏”。在这个游戏中，一名玩家被要求做出选择：收下10美元或是将40美元交给第二个玩家。如果第一个玩家选择后者，那第二个玩家也会被要求做出选择：是将收到的钱全部留下，或是和第一个玩家对半平分。
按照常理，第二个玩家应该选择将钱全部留下，如果这样的话，那第一个玩家在一开始也应该收下10美元。但当人真正地参与这个游戏时，他们的信任和互惠要远远大于预测中的常理。别人对我好，我就要有所回报，在Farm Ville中就变成了花更多的时间玩游戏。
3.1.5 Facebook
在国外，大多数Facebook用户都在围绕着“涂鸦墙”打转：这是一片用户创立的公共区域，但其他用户也可以添加。在Facebook的宇宙中，任何人都是“朋友”，用户会感受到一种特别的强制力，让他们在涂鸦墙上发帖，回复别人对所发帖子的回应，并进行交流。
我们希望自己的涂鸦墙可以反映自我。这与我们拥有的个人物品相类似，是反映我们人格的窗口。心理学家山姆·戈斯林（Sam Gosling）研究得出，从个人物品中获得的信息比花时间和物品主人相处得到的信息要多得多。涂鸦墙的功能基本相同，是一扇展现自我的窗口。
用户想展示的是一个介于真实和梦想中的自我，这也成为了用户不断关注和更新涂鸦墙的持续动力。
但也许Facebook最容易上瘾的特点是，它能以相对廉价的方式提升自己的地位。当年Facebook上线礼品服务的时候，人们就质疑，有谁会花1美元购买虚拟礼物给朋友。但在这项服务推出的前十个月，就有2400万份服务被发送。原因就在于因为自己的慷慨和收到别人的礼物，我们可以获得巨大的社会资本。
3.1.6苹果
如果你是一个苹果客户，你会注意到在iTunes和应用商店购物会遇到这种情况：要过几小时甚至几天后，购买凭证才会发到邮箱。造成这种局面的原因可能是苹果为了减少交换费，在批量处理信用卡交易。但这也能为苹果带来额外的福利：经济学家认为，延迟减少了支付的痛苦。
想象一下，你拥有一间餐厅，你计算出一道主菜20美元，能吃20口，一口一美元。但要是你规定：允许顾客每吃一口付50美分，没吃过的不收钱。这个交易听起来不错，但这样吃饭不会有什么乐趣，所以大多数人宁愿按正常定价支付，由于支付和消费同时发生，我们获得的满足感相对较少。苹果应用商店的模式有点像上面说的按吃了几口付费。但整个交易机制，钱自动从信用卡扣除，购买凭证要稍后才能拿到。这种把支付和消费分离的措施减少了支付的痛苦。
虽然延迟收钱对苹果有好处，但它在定价上已经犯了错误：应用卖得太便宜了。有一种经济现象称为锚定，指的是消费者愿意出的钱是有限的，或是说框限在第一次给他们的报价之内。一旦价格定了，就很难再被动摇。许多应用的开发耗费了大量时间，但是在应用商店内，这些应用的预期价格不能超过4.99美元，很多都是0.99美元。
苹果如何避免这种情况呢？对于新人来说，应该不允许向他们开放免费应用。哪怕应用价格低到10美分也好。实行免费的政策太过激进，会减弱人们购买的欲望。
3.2在线教育
在线教育已经是一个炙手可热的领域，在线教育平台除了TED-Ed，还有未获投资就营收7000万美元的Lynda.com和针对特定领域的KhanAcademy和OpenEnglish等。他们利用不同面向和特点吸引用户学习，就像现实中教着同样课程的不同大学那样。除了一些非盈利教育平台，如何在线上教育中盈利也是在线教育领域正在探索的问题。
3.2.1 Knowmia——众包视频平台
在智能手机兴起之前，Flip Video这一摄像产品曾经引起一股视频拍摄热潮，并在2009年被Cisco收购。在Flip Video逐渐淡出人们视线的时候，联合创始人Ariel Braunstein和Scott Kabat依旧钟情于视频并开始将他们的目光投向线上教育。随着视频技术的成熟，人们的学习方式也开始转变。而真正的学习也不仅是看看公开课这么简单。
要建一个在线教学视频平台，一定要考虑学习者和教学者的需求，对于学习者来说，教学内容的聚合和审核非常重要，只有这样才能保证平台中视频的质量。而对于教学者来说，平台需要考虑视频个人供应商的能力，应该帮助教学者让视频制作或教学计划的制定更简单。两位Flip Video创始人推出的学习应用Knowmia——众包视频平台，就旨在帮助老师找到或创造线上视频课并优化学生的学习体验，综合考虑了学习者和教学者的需求。
Knowmia软件可以帮助全世界老师组织和制作视频课程，并提供给用户（学生）更个性化、有效和便宜的网上教学。这个平台目前提供了超过7000堂的免费课，包括一系列不同的科目，如代数、化学、美国文学、语言学习。Knowmia上视频的长度大多从1分钟到10分钟不等，目前主要来自YouTube和Vimeo。为了提升平台中视频的质量，Knowmia不仅集合现场视频，还聘请了自己专属的老师，对存在的视频内容做审查，同时还为教学内容添加数据，包括加入一些笔记、板书以及测验，而且老师还会根据视频内容对视频进行关键词标签标记，根据内容及所需的能力级别对视频进行分类。
他们的目标显而易见：提供一个教学视频内容的集中地，就像YouTube教育频道或者Khan Academy最新的CS教育门户网站那样，让用户可以通过具体的关键词搜索到更符合自己目标的教学视频。这也很容易让人联想到TED新的教育平台，它让老师和教育工作者可以利用网站自身的视频内容制定独特的课程计划。相比起来，Knowmia看起来更主流一些，通过老师群体的“编委会”审核，平台可以阻止一些质量差的教学内容流入网站。因为对于教育网站——尤其对于众包教育视频网站，如果教学内容出错会很容易误导别人，就像Wikipedia那样。
两位创始人计划对平台视频内容保持免费，但网站可能会对它的补充型学习工具进行收费。例如它即将推出的“Mini Courses”功能，配合视频课程包括教师评价及测验反馈的功能，这也会让教育工作者更好地衡量教学进度并保留材料。而参与Mini Courses的教师会从中获得一定的提成。
对于教学者来说，除了可能在收费项目中获利外，Knowmia还努力降低教师制作视频或教学内容的门槛。Knowmia推出了针对教师的教学材料制作平台：Knowmia iPad应用。
通过这个应用，教师可以简单地制作与教学内容有关的视频和PPT材料，作为学习内容或辅助工具。只要按下录制键并对内容进行编辑和拖拽转动，有关原子运动或者有顺序的教学内容就能很快制作出来，这个过程可以说是傻瓜式的。团队将这个app称为“针对教师的iMovie软件”，能让教学工作者创造交互性强的多媒体教学内容。
3.2.2易趣课堂
国内易趣课堂引入行为经济学的另类商业模式。益趣课堂提供的课程中有些可以直接免费学习，另一些则需要预付学费。例如，我想学习《密码学入门基础》这门课程，就需要先按课程时长预付38、58或78元的课程费用。在选定课程时长后，页面会显示该课程的结束时间。如果在计划时间内完成课程，那么你预付的学费将被返还，反之将被扣除。
怎样判定你是否完成学习目标呢？益趣课程采用了在很多游戏中常见的关卡解锁模式，只不过游戏关卡被换成了待学内容的章节。只有学完前面的章节并完成配套测试后，下一章节的内容才会被“解锁”。同时每个章节都有最短学习时长，如果你想打开页面后马上关掉，试图以此蒙混过关是不可能的。
将这种模式引入在线学习是益趣课堂中最大的亮点，但内容则可能成为其当前的软肋。目前益趣课堂提供的所有课程内容都是利用网络搜集整理而成，并且以传统“文字+图片”的形式呈现，也有部分课程包含视频内容。如果传统的学习方式是让你产生惰性的诱因，那你在益趣课程可能会交不少学费。不过懒惰所致的扣费，也正是该服务的主要收入来源。
从长远来看，在线教育平台只有给学习者带来更多的实际价值，才可能构建起良性发展的生态系统。所以可以考虑在该服务中引入两个机制：一是像Udemy所做的那样，让公众来创建富媒体内容，使课程更加丰富；二是设立捐赠机制，让真正有收获的学习者自愿把预付的学费捐赠出来。最后平台与第三方的内容创建者再把所有收入拿出来按比分成即可。
3.2.3 MOOC
大型开放式网络课程，即MOOC（massive open online courses）。2012年，美国的顶尖大学陆续设立网络学习平台，在网上提供免费课程，Coursera、Udacity、edX三大课程提供
商的兴起，给更多学生提供了系统学习的可能。MOOC平台之所以能够收到广泛的欢迎，与其充分融入了心理学、行为经济学的知识有着密切的关系。
MOOC知识点视频长度符合心理学节奏。其教学将课程内容细分为若干知识点，每个知识点视频长度为10分钟以内或10-15分钟，从教学心理学的角度来看，这个时间长度相比于传统课堂教学的每节课45分钟，更有利于学生能够充分集中注意力，不至于产生疲倦感，从而有效激发学习者的学习热情。同时也可以赋予同学更多的自主决定权，选择属于自己的路线和速度。
MOOC教学充分考虑网络学习者的学习习惯，让学习者感同身受。提供课程的老师需要根据学科特点和学习需求来设计开发课程，满足学生不同的学习体验。大多数课程在课程开始之前会开展前测问卷，并且对学生的动态观察贯穿课程的始终。以随时满足学生在不同学习阶段的不同需求。MOOC会根据课程科目定位采取不同的学习方式，如理工科课程中编程类课程会偏重于操作式的学习方式，在操作中增加学生的学习趣味，调动学生的积极性。
文科课程则偏重于情景式的学习，让学习者感同身受。另外，对于每一阶段的教学视频，MOOC会嵌入相应的测验题目，以提高学生的学习质量，使得学习者投入学习的热情大大增加。
3.3共享交通
3.3.1 Uber供给端运营
Uber利用了不少行为经济学的技巧来运营“供给端”，具体如下。
2017年3月，遭遇多方危机的Uber曾召开记者会宣称，公司在改变自己的文化，再也不会容忍那些个人能力很强、但不善于团队协作的人。而且更值得一提的是，他们声明自己也会改善和司机之间的关系。因为在此之前，Uber公司曾因支付问题和管理太过随意，导致司机们极为不满。但实际上，这家公司在背后正进行一套行为科学实验，驱动司机们配合公司一起成长。
在企业管理模式上，Uber带来了巨大创新，这个平台上的司机已经成为真正意义上的独立经营者，而不再是按时间表工作的传统雇佣工。但是，平台对这些劳动力缺乏掌控。所以，Uber不惜招聘几百位社会科学家和数据科学家，试图解决这样一个矛盾：如何在减小用工成本的同时，尽可能保障司机的驾驶热情？
（1）同理心的增长
2016年初，大概由100人组成的Uber小队专门负责司机的注册事务，让他们更多地上路接单，完成从“需求端增长”到“供给端增长”的变化。
但是，光靠增加司机数量来满足日益增长的需要，已经很难行得通，于是Uber团队最终选择了一个简单粗暴的解决方案，给司机发广告。Uber开始在App界面内，通过广告的形式请司机到Uber即将覆盖的地方去。如果你以为只是发发小广告，那你还是太小看这个平台了。在部分地区，有些男性运营人员甚至会用女性口吻编写这样的催促短信，因为他们发现这样做效果更好。原因也很简单，Uber的司机绝大多数都是男性。不过这样的日子没过多久，Uber官方开始担心这些小伎俩会使司机反水，去到竞争者Lyft那里，毕竟Lyft在司机中的口碑更好。于是，Uber软化了那种“要求式”的语气，也减少了推送信息的频次，此后的信息更多只是一种单纯的正向鼓励。
但是几乎就在同时，Uber发现了一个更严重的问题——新司机做不长久就开始流失，甚至有新司机在完成25个订单之前就离开平台。于是，Uber设定25单之后新司机会获得额外奖励。有些城市为了阻止这种趋势，也开始给司机推送一些简单的鼓励：你快要完成一半的任务了，加油!
关于同理心的探索并没有到此为止。在心理专家和电子游戏设计师的帮助下，Uber改变了鼓励机制。这次的改变起源于竞争对手Lyft，2013年，Lyft雇佣了一个咨询公司，试图寻找一种方法去刺激更多的司机“跑起来”。这家公司组织了一批新注册的司机充当志愿者，实验结果发现，与其告知司机们已经赚到了多少，还不如刺激他们其实少赚了多少。
（2）期望理论
当司机尝试注销的时候，这个App会马上告诉他们，距离赚到某个金额只差一笔小钱了。这些信息利用了另外一个广泛适用的行为模式去驱使司机驾驶更长时间——期望理论。
其实Uber发送给司机的那条短信，其精妙之处在于，这些司机并不需要在脑内先形成一个精确的收入目标。这样的目标是在行进中不断变化的，而且总是比当前的结果高一点点。
不论什么时候，Uber都会在App内向司机展示他们在当前一周完成了多少单，赚了多少钱，登入了多长时间，乘客评分是多少。所有这些数值都在刺激着司机完成这场游戏。
（Uber为了鼓励司机上路所发的一条信息，内容是“你距离赚到40美元只差6美元了。确定还要注销登录吗？”）“这就像电子游戏”，一位在芝加哥地区的老司机说，“我有时候在瞥到自己的数据后，甚至因为想达成目标，不得不打起精神来再干一会儿”。
（3）预先派单
Uber司机在结束当前订单之前，会被预先派发新的订单，“预先派单”缩短了乘客的等待时间，所以乘客不需要等10分钟路程以外的司机，而是会被在2分钟左右路程、送走上一波乘客的司机接单。如果你不是一个司机，你可能不会认为这样的创新有多大意义。但你一定用过视频App观看节目，想想看，如果一个节目刚刚播放完毕就马上自动加载下一集，你要多大的克制才会主动停下来。司机也一样，他们对“持续派单”就有类似观看电视剧根本停不下来的感觉。而且Uber给司机设置的“默认状态”，恰好都是“持续接受预先派单”，即便你不想这样接单，也只能暂停这个功能，而没法完全关闭它。所以在某种程度上，Uber产品经理起到和社交游戏开发者同样的作用。
3.3.2滴滴打车
（1）用户画像
滴滴快的“土豪式”补贴背后，其实也有着它自己的精打细算。随着两家公司的合并，行业已经从粗暴的跑马圈地走入了精耕细作的时代，要花更少的钱获取更多的用户。
精准营销的前提是对用户的清晰认知。以简单的代金券发放为例，滴滴和快的的历史数据呈现出两大类四种不同的消费习惯。代金券敏感型：发代金券才用、发代金券用的更多；代金券不敏感型：发不发都用，发代金券也不用。在滴滴和快的的用户画像系统中，上述四种群体会被分别冠以屌丝、普通、中产、土豪的标签。针对四类客群的运营策略也会全然不同，最直接的就是代金券的刺激频率以及刺激金额，而对“代金券”免疫的土豪群体，则更多地需要在服务上做文章。
在实际场景中，影响乘客对应用软件使用黏度的因素要远比代金券复杂得多，在这种情况下，滴滴快的对用户的“贴身跟踪”就能及时发现薄弱环节，因此从用户打开软件到退出使用，其间的每一步情况都被快的记录在案：哪一天退出的，哪一步退出的，退出之后“跳转”到什么软件等等。
据此，滴滴快的也实现了用户另外一个纬度的归类，分清哪部分是忠实用户，哪部分可能是潜在的忠实用户，哪些则是已经流失的；更进一步来看流失的原因：因为代金券没有了流失？软件体验不好流失？还是等车时间太长而流失？——这些都是下一步精准营销的依据。对于滴滴快的而言，用户分析不仅仅是针对乘客，也包括司机、出租车公司的所有相关方。尽管基础信息大同小异，都包括人的基本信息、信用、行为信息等，也有一些通用的刺激手法，比如积分、礼物等。不过，不同的用户画像对应了不同的刺激程度，并且结合不同的场景，还是有许多特殊的营销安排。
杭州市场就是一个很典型的例子。基于司机的地理位置信息，滴滴快的发现每天中午或者是每天晚上10点以后，司机都会聚集在一些固定的地点，可能休息或者就餐。所以滴滴快的就会在这些场所提供一些工作餐或者是优惠食品，通过线下的活动来提升司机和滴滴快的的合作关系。
（2）更精确地匹配供需
维护好用户只是一个基础，最终目的是为了打通供需，生成更加优化的服务和产品。这也正是数据之于打车软件此类O2O行业的重要性所在。数据能解决一个核心问题：供需双方的智能匹配。
其实很容易理解，公交、出租车、地铁都是对不同出行人群不同需求的对号入座，不过这种被称之为“粗暴式”的分类法应用起来效率低下，以一个司空见惯的打车场景为例，在路边拦车，可能许久都没有空车经过，或者是好不容易等到车，司机问了地址之后还可能拒载，呈现一种杂乱无章的状态。
而在海量的数据基础之下，出行的需求可以被不断细分，而且是实时匹配。例如一个乘客下单之后，需求方的用户图像和需求同时被识别，结合供方的车辆条件和位置地图进行第一轮筛选，不过这个看似正常的订单却不一定符合实际，因为有一些订单发出来是司机不愿意接的，比如高峰时段的拥挤路段，那么在这个时候就要进行订单评估和内部调节，结合历史数据制定一些刺激措施、叠加“乘客自行出的小费”来诱导司机，这样一个符合供需双方胃口的“合理”订单就生成了，下一步要做的就是实时调度，要考虑当时的交通情况、车的朝向、车速、附近是否有突发性事件等因素，选择最为优化的方案。
完成了以上的步骤之后，滴滴快的才会把用车需求和奖励方案推送给经过层层筛选之后的出租车，这样居民打车的成功率大大提升了，而且所用的时间更短。“这是以前所有的产品做不到的，因为不能洞悉消费者的心理。在大数据应用下，消费者和供给方能够省略中间环节直接议价，这是一个模式上的变革性的突破”。而最终海量的议价数据将提炼成为一种“商业情报”，来推动新的产品和新服务的推出，比如智能定价系统，以从机场到望京这一段司机不愿意接的单为例，可能70%的乘客额外加了20块钱，少数人加了30块钱，而有的只愿意加10块钱，那么系统整合分析以后会得出21元钱是一个更合适的议价，那么最终的定价可能消费者和司机双方都可以接受。
以这样的逻辑推导生成的产品才更能有的放矢，因为其生成不是来自于企业对市场的臆断，而是直接提炼于供需双方的心理预期和真实需求。
“回程单”的产品创设就是一个很典型的例子。最初是滴滴快的的数据分析发现一个异常的数据现象：司机的抢单意愿率在某一个时点会骤然下滑，过一段时间又会反弹，日日如此。通过对这个特殊节点分析，滴滴快的得出一个司机运营的特殊场景，即司机收工的时间，接下来就是针对性地解决，因为不管司机是交班还是回家，肯定有一个固定的方向—这一点可以通过历史数据分析出来。那么滴滴快的要做的就是把同样去往这个方向的乘客分配给对应的司机。这样做是否就一定见效？所以下一步就要评估效果，看回程单是否真正提高了司机的抢单意愿，确定之后才能作为常规产品推出。
产品的细分应用场景将会越来越依赖于大数据分析，从数据中洞察需求与商机，再结合大数据提供应用解决方案，将变成未来产品迭代的常规运作模式之一。这也是滴滴快的产品的生成逻辑。
4.人工智能与行为经济学的交叉趋势
4.1关注热点
4.2整体趋势
整体来看，未来的行为经济学研究有以下趋势。
一是行为经济和行为金融理论的构建。人类行为是复杂的，行为经济学和行为金融理论本身的构建也是复杂的，构建行为经济学和行为金融理论体系时，理论的适用性、合理性，理论的模型化，理论应用的局限性、敏感性，理论对现实的解释度等都是今后研究的关键。
二是行为经济学研究将促进心理学传统和实验经济学的融合。经验证据表明，特定的心理现象，例如有限理性、受限理性、受限的自利行为和不完全自我控制，是一系列市场化结果背后的重要因素。目前，虽然行为经济学在这方面的理论还不是很多，但是通过其发展，最终有可能取代传统经济理论的一些要素。
三是行为经济学的跨学科交叉研究。认知科学、心理学与经济学研究的结合已经引起经济学家的高度关注，这也是今后行为经济学发展的必然趋势。在其发展过程中，行为经济学将广泛运用到政治、法律和经济等领域，逐步形成比较成型的行为决策理论、行为金融学等等。
4.3交叉创新笛卡尔智能分析
首先，我们选取BehavioralEconomics领域近期热度，全局热度最高，相关性最强的9个相关领域作为研究对象，具体包括：
1.Behavioral Economics
2.Decision Theory
3.Social Choice Theory
4.Behavioral Finance
5.Economics Effect
6.Neuro Economics
7.Voting Behavior
8.Risk Aversion
9.Prospect Theory
其次，我们选取ArtificialIntelligence领域近期热度，全局热度最高，相关性最强的11个相关领域作为研究对象，具体包括：
1.Artificial Intelligence
2.Neural Networks
3.Machine Translation
4.Machine Learning
5.Modeling and Simulation
6.Deep Learning
7.Nature Language Process
8.Planning and Scheduling
9.Computer Vision
10.Control Methods
11.Data Mining
通过对人工只能领域和行为经济学的知识图谱的计算，再对两个领域的细分子领域进行笛卡尔乘积进行热点挖掘，本报告挖掘了历史数据和未来趋势预测两部分内容。其中历史数据主要探讨最近10年（2007年至今）的研究状况；趋势预测仅以未来3年为周期来探讨。
领域较差热力值由交叉研究的论文的citation等数据加权计算得出，热力值越高，表明这两个交叉子领域交叉研究越深入和广泛。
每个交叉热点中的研究学者，发表论文，中外学者和论文对比等数据均可以获得。用作展示时，研究学者和论文分别按照交叉领域研究影响度和论文相关度作为默认排序。
学者研究影响度由交叉领域内论文量，h-index等计算得出；论文相关度由交叉领域内论文的关联程度和引用数量等计算得出。
图5人工智能和行为经济学研究领域交叉分析
由图5可以发现，人工智能和行为经济学历史交叉领域前五位分别为：
1.Decision Theory & Artificial Intelligence
2.Decision Theory & Date Mining
3.Decision Theory & Neural Networks
4.Decision Theory & Machine Learning
5.Economics Effect & Neural Networks
根据AMiner数据预测分析，Decision Theory & Artificial Intelligence、Decision Theory & Machine Learning和Decision Theory & Date Mining将会持续期研究热度，Economics Effect & Neural Networks和Economics Effect & Date Minings研究热度也会有所增加。
2017年行为经济学家获得诺贝尔经济学奖引起轰动，毕竟在之前的多年来，其都不被主流的经济学家所认可和接受。由此也可以预期到行为经济学的未来繁荣趋势。就本质而言，行为经济学与传统经济学的区别在于理性人的假定。传统经济学认为人或市场总是完全理性的，不会受到认知偏差情绪等因素的影响，但在实际生活中并不成立。这就是理论决策和实际决策产生差异的地方，也是行为经济学之所以值得研究的地方。即便是在人工智能时代，我们生活中存在的让人不易觉察的非理性行为，都无法完全避免，这就是行为经济学的立足所在。
金准人工智能专家预测人工智能会代替未来很多人的工作，能解决一些结果不确定性的问题，即引用各种模型来帮助进行判断和决策，提高原来判断的准确性。但是，人工智能不会替代人的思考，人的思考会考虑到自身的所有权，因此人工智能在发展过程中势必要融入行为经济学的因素，以谋求更精确的发展。
