@misc{10481/97732,
year = {2024},
url = {https://hdl.handle.net/10481/97732},
abstract = {Introducción al problema
El Modelado Basado en Agentes (ABM, por sus siglas en inglés) es una conocida herramienta
para modelar y simular sistemas complejos [Bon02, Eps06]. Estos modelos están
formados por una población de agentes autónomos que toman sus decisiones en base a unas
reglas de comportamiento individuales. Los agentes pueden interaccionar entre ellos y con
el entorno. Esta metodología sigue un enfoque bottom-up o de abajo hacia arriba, en el que
a partir del modelado del comportamiento individual se obtienen resultados emergentes a
nivel global. Ha sido ampliamente utilizado en diversas áreas como la economía [PMHR23],
sociología [MW02] o epidemiología [Cue20], entre otras. En particular, en marketing permite
simular mercados reales, capturar la heterogeneidad de diversos participantes y adaptarse
a entornos dinámicos [RRK18]. Su aplicabilidad se extiende también a la adopción de
tecnologías sostenibles, facilitando la simulación de cómo estas tecnologías penetran en el
mercado, reflejando la interacción de actores variados con intereses diferentes.
El ABM permite la definición de escenarios hipotéticos y la evaluación de distintas estrategias,
constituyendo un buen sistema de soporte a la decisión. Para su uso efectivo, es
fundamental que estos modelos estén correctamente calibrados y validados, y que ofrezcan
un alto nivel de transparencia. Aunque son modelos de caja blanca, la complejidad de los
sistemas que modelan y el volumen de sus salidas hacen que a menudo requieran una capa
adicional de explicabilidad [Mac16]. Aumentar la transparencia de estos modelos y de sus
soluciones nos permitirá no solo aprender del sistema, sino mejorar la comunicación con
distintas audiencias, aumentar su credibilidad y confianza y facilitar la toma de decisiones
a los interesados en estos sistemas o stakeholders [DRDSC+23]. Mejorar la comprensión de
estos modelos puede proporcionar hallazgos valiosos para elegir las acciones más efectivas
en distintos escenarios, asegurando un impacto positivo y real en la toma de decisiones estratégicas.
En los últimos años, el área de Inteligencia Artificial Explicable (XAI, por sus siglas en
inglés) ha cobrado relevancia con el objetivo de hacer los sistemas de inteligencia artificial
más comprensibles y transparentes sin sacrificar rendimiento [AB18]. La XAI desempeña
un papel importante en el aumento de la transparencia no solo para modelos de caja negra
sino también para cualquier sistema de inteligencia artificial o sistema complejo que integre
este enfoque [BDGP22]. Integrar técnicas de XAI con ABM puede contribuir en la mejora
de la comprensión tanto de las salidas como de los modelos basados en agentes. A pesar de los avances en XAI en otras áreas, existe un notable vacío en la aplicación de estas técnicas
en ABM.
El eje central de esta tesis es el desarrollo y aplicación de un enfoque multidisciplinar
que integre ABM y técnicas de XAI para obtener información comprensible a partir de simulaciones
de ABM, logrando así profundizar en la comprensión del comportamiento de
los agentes y mejorar la toma de decisiones en el ámbito del marketing. En particular, se
abordan los siguiente tres subobjetivos:
1. El primero consiste en una revisión de la literatura y análisis bibliométrico sobre el
uso del ABM en marketing en las dos últimas décadas, dada la ausencia de revisiones
recientes en este ámbito.
2. El segundo objetivo plantea la aplicación de técnicas de XAI para el descubrimiento
de patrones a partir de las salidas de los modelos basados en agentes. En particular,
aplicar técnicas de Descubrimiento de Subgrupos (SD, por sus siglas en inglés) para
explicar el comportamiento de los agentes a partir de las salidas de los modelos.
3. El tercer objetivo consiste en diseñar y aplicar estrategias de focalización con ABM
para la asignación de subsidios que incentiven la adopción de tecnologías sostenibles,
junto con el uso de técnicas de visualización de XAI para mejorar la efectividad y comprensión
de dichas estrategias en escenarios hipotéticos.
Desarrollo
El desarrollo de la tesis puede dividirse en tres bloques diferenciados, cada uno asociado a
uno de los objetivos planteados en la misma.
Análisis bibliométrico sobre el uso del ABM en marketing. Comenzamos la tesis con
el análisis bibliométrico de la literatura sobre el uso del ABM en marketing desde el año 2000
hasta marzo de 2023. En esta contribución se proporciona tanto un análisis de rendimiento
como un análisis de redes. En el primero se explora la evolución temporal, citas, autores,
países, instituciones y revistas. En el segundo examina las relaciones entre palabras clave,
autores y países. Una aportación fundamental de esta contribución es la exhaustiva caracterización
de los modelos basados en agentes recopilados, resumida en una tabla de referencia.
Esta tabla detalla los principales objetivos de los modelos y evalúa el cumplimiento de ciertas
características, sirviendo de orientación para cualquier interesado en el campo. Estas
características incluyen el uso de modelos de difusión, si los agentes tienen la posibilidad
de elegir entre múltiples opciones, si el entorno es una red social, si es un entorno físico, y
si se ha validado mediante datos reales. Esta caracterización ofrece una visión clara sobre
la naturaleza de los modelos basados en agentes en el ámbito del marketing, mostrando la
diversidad y aplicabilidad del ABM en este campo. Explicación de salidas de modelos basados en agentes usando descubrimiento de
subgrupos. Como mencionamos anteriormente, es fundamental que los modelos basados
en agentes sean transparentes. En esta contribución nos centramos en aumentar la explicabilidad
de sus salidas, en concreto de la gran cantidad de información que se genera sobre
todas las acciones que realizan los agentes durante las simulaciones. Proponemos el uso de
técnicas de XAI inherentemente interpretables, en particular técnicas de SD [Klö96, Wro97],
para extraer reglas interesantes e interpretables a partir de las salidas a nivel micro de las
simulaciones de ABM. Su finalidad es descubrir conocimiento valioso sobre el comportamiento
de los agentes, sus interacciones y las dinámicas globales del sistema que ayude a los
stakeholders en su proceso de toma de decisiones. Para ello, proponemos una metodología
genérica aplicable a cualquier modelo basado en agentes adecuadamente calibrado y validado.
La metodología consta de los siguientes pasos: preprocesamiento de datos, extracción
de reglas mediante la aplicación de algoritmo de SD, filtrado de reglas y visualización de las
mismas. Además, se incorpora durante el proceso el feedback u opinión de un experto en el
área. Mostramos la eficacia de la metodología propuesta a través de un caso de estudio en el
área de marketing, analizando la integración de diferentes algoritmos de SD (concretamente,
SDMap [AP06], FuGePSD [CRRdJ+15] y NMEEFSD [CGdJH10]). Además, estudiamos
el conjunto de reglas obtenidas para una instancia concreta del caso de estudio desde la
perspectiva de un experto en el área con el objetivo de validar la metodología propuesta. Se
observa cómo las reglas pueden ser fácilmente comprendidas y proporcionar conocimiento
útil sobre las dinámicas de comportamiento del consumidor.
Focalización de micropolíticas de incentivos para la adopción de tecnologías verdes
con ABM. En esta última contribución se propone el diseño y aplicación de políticas de incentivos
a nivel micro dirigidas a un subconjunto de la población para fomentar la adopción
de tecnologías sostenibles, en particular, tecnologías de propulsión eólica en la industria
marítima. Nuestra propuesta se centra en la evaluación de la efectividad de las estrategias
propuestas usando ABM, donde los agentes representan embarcaciones. Proponemos un
modelo en tres fases: una fase previa de selección de individuos a los que dirigir los incentivos,
fase de conocimiento de la tecnología y fase de adopción. Una vez que los agentes
conocen la tecnología, deciden si adoptarla o no teniendo en cuenta factores económicos y
sociales. Diseñamos ocho políticas de incentivos, considerando diferentes atributos de las
embarcaciones (edad, consumo de energía y conectividad dentro de la red) para identificar
a los agentes clave a los que dirigir los incentivos. Se realizan experimentos en diferentes
escenarios comparando las tasas de adopción de la tecnología para distintas políticas de
focalización (es decir, estrategias dirigidas a individuos específicos) y con la estrategia de
referencia en la que los incentivos se distribuyen de manera uniforme entre toda la población.
Además, se integran estrategias XAI post-hoc de visualización (concretamente, curvas
S-ICE [BPR+22] y PDP [Fri01]) para evaluar los impactos potenciales bajo diversos escenarios
(incluyendo variaciones en los precios del combustible, la densidad de la red social, las
distancias de navegación, la cantidad de incentivos y el porcentaje de embarcaciones seleccionadas)
y mejorar así la comprensión de la relación entre diferentes escenarios, políticas
y salidas del modelo. Este análisis proporciona un conocimiento fundamental para la planificación
y optimización de estrategias.Conclusiones y trabajos futuros
Los tres objetivos planteados en esta tesis se han abordado de manera exitosa. La revisión
de la literatura constituye un punto de partida sólido, ya que explora en profundidad el uso
del ABM, su aplicación práctica y problemas abordados en el área del marketing. Destaca un
incremento de las publicaciones sobre el uso del ABM en marketing desde el año 2000, mostrando
una participación significativa de países como Estados Unidos y más recientemente
España y Australia. Además, se sugiere que la colaboración entre grupos de coautoría podría
ser mayor. Se realiza un análisis detallado de los modelos basados en agentes en marketing,
destacando la prevalencia de modelos de difusión y redes sociales, y la variabilidad en los
objetivos de los estudios, destacando la extensiva investigación sobre el efecto de la topología
y la heterogeneidad del consumidor en la difusión de innovaciones.
En la segunda contribución, se desarrolla una metodología de XAI para mejorar la interpretación
de los resultados de las simulaciones de ABM. La metodología propuesta demuestra
ser sencilla y efectiva, facilitando la comprensión de las salidas de los modelos, como
ilustra el caso de estudio en marketing. El mecanismo de filtrado funciona bien, asegurando
que retenemos las reglas más significativas y fiables, a la vez que hace el análisis más interpretable.
La visualización también enriquece la interpretación, presentando las reglas en un
formato claro y accesible. La comparación entre algoritmos de SD es compleja. Aunque SDMap
resulta el más ventajoso en nuestro caso de estudio, se reconoce que otros algoritmos,
como FuGePSD o NMEEFSD, pueden ser más adecuados en diferentes contextos. Desde la
perspectiva de marketing, las reglas extraídas proporcionan una comprensión más profunda
del comportamiento del consumidor, de sus interacciones y las dinámicas del mercado.
Los hallazgos de este análisis refuerzan la importancia de las interacciones word-of-mouth
o boca a boca en las decisiones de compra, muestran la efectividad de los distintos canales
de marketing y ayudan a identificar grupos de clientes objetivo y potenciales áreas de
oportunidad.
La tercera contribución se centra en el diseño de políticas de focalización mediante el
uso de ABM para impulsar la adopción de tecnologías sostenibles en la industria marítima.
Los resultados demuestran que dirigir los incentivos a un subgrupo de embarcaciones es
más efectivo que dirigirlos a toda la población. Es esencial elegir estratégicamente qué embarcaciones
serán las destinatarias de estos incentivos, siendo criterios como el grado y el
consumo energético los más determinantes, dependiendo del presupuesto total. Además, se
consigue una comprensión más profunda de la relación entre políticas, escenarios y salidas
del modelo, lo que facilita una planificación de políticas más efectiva. Por ejemplo, mediante
la identificación de puntos de saturación, se garantiza que los subsidios no sean demasiado
bajos para ser ineficaces ni demasiado altos como para desperdiciar recursos.
Las contribuciones realizadas aportan innovación al campo de investigación mejorando
la literatura ya existente al mismo tiempo que abren líneas de investigación futuras. En la
primera contribución, surgen líneas de trabajos futuros relacionadas con algunas de las limitaciones
actuales del ABM: se sugiere la integración de técnicas de big data con simulaciones
a gran escala para paliar la limitación de rendimiento y, por otra parte, se destaca la necesidad
de desarrollar estándares de validación más robustos así como la publicación de código
abierto y prototipos funcionales. Respecto a la segunda contribución, se plantea aplicar la metodología a modelos en diferentes áreas, como la adopción de tecnologías sostenibles, y
explorar nuevas formas de análisis como las relaciones causales y el uso de otros algoritmos
de XAI. Finalmente, en la tercera contribución, se propone investigar cómo diferentes niveles
de subsidios afectan la adopción de tecnologías, y el uso de algoritmos de optimización
para maximizar la tasa de adopción en la industria marítima.},
abstract = {Agent-Based Modeling (ABM) is a well-known tool for modeling and simulating complex
systems through a population of autonomous entities, known as agents. Widely applied in
different areas such as economics, sociology, and epidemiology, ABM is particularly effective
in marketing for simulating real markets, capturing the heterogeneity of various participants,
and adapting to dynamic environments. Its applicability also extends to the adoption of
sustainable technologies, facilitating the simulation of market penetration and interactions
among different stakeholders.
ABM allows for the definition of hypothetical scenarios and the evaluation of different
strategies, making it a good decision support system. For effective use, it is necessary that
these models are properly calibrated and validated, and that they offer a high level of transparency.
Although they are white-box approaches, the complexity of the systems they model
and the volume of their outputs often require an additional layer of explainability. Increasing
the transparency of these models and their solutions will allow us not only to learn from
the system but also to improve communication with different audiences, increase their credibility
and trust, and facilitate decision-making by stakeholders. Improving the understanding
of these models can provide valuable findings to choose the most effective actions in
different scenarios, ensuring a positive and real impact on strategic decision-making.
In recent years, the area of eXplainable Artificial Intelligence (XAI) has gained prominence
with the aim of making artificial intelligence systems more understandable and transparent
without sacrificing performance. Integrating XAI techniques with ABM can contribute
to improving the understanding of both the outputs and the agent-based models.
The central axis of this PhD thesis is the development and application of a multidisciplinary
approach that integrates ABM and XAI techniques to obtain comprehensible information
from ABM simulations, thus deepening the understanding of agent behavior and improving
decision-making in the field of marketing.
This PhD thesis is structured into three distinct core sections, each related to a subobjective
of the thesis. The first contribution conducts a bibliometric analysis of ABM literature
in marketing since 2000, providing both a performance and a science mapping analysis.
The performance analysis explores highly cited articles, researchers, and geographical features,
highlighting a growing research interest in this area. The science mapping analysis examines
the relationships between words, authors, and citations of the literature. Moreover, this contribution includes a comprehensive reference table characterizing the agent-based
models collected by their main goals and features, like the use of diffusion models, social
networks, or real-data validation. We observe the prevalence of diffusion models and social
networks, and the variability in the studies’ goals, particularly noting extensive research into
the effects of topology and consumer heterogeneity on the diffusion of innovations.
The second contribution addresses the explainability of ABM outputs by applying XAI
techniques, particularly Subgroup Discovery (SD). We propose a methodology based on applying
SD to ABM to gain deep insight into the agents’ behavior, their interactions, and the
overall system dynamics in order the human expert can design optimal behavior-based policies.
This methodology is generic and applicable to the outputs of any properly calibrated
and validated agent-based model. We show the effectiveness of our methodology through a
case study in the marketing area, analyzing the integration of different SD algorithms. We
study the obtained set of rules from the viewpoint of a marketing expert, with the aim of
validating the proposed methodology. The results show that our methodology can provide
a deeper understanding of consumer behavior and market dynamics, delivering potential
areas of opportunity for marketers.
The final contribution of this PhD thesis proposes and evaluates micro-targeting incentive
policies using ABM to promote the adoption of wind propulsion technologies within the
maritime industry. Our proposal is to engineer micro-level incentives to target a reduced set
of adopters to optimize subsidies while encouraging ship-owners adoption. The agent-based
model employs a three-phase process, influenced by technology awareness, economic factors,
and networking. Experiments under different scenarios robustly analyze targeting policies
and their impact on adoption rates. Additionally, post-hoc XAI visualization strategies
are integrated to evaluate potential impacts under different scenarios, providing a deeper
understanding of how targeting policies behave. Our findings reveal that targeted incentives
significantly improve adoption compared to a uniform distribution. The most effective
targeting policies are those that select receptors based on their social activity and energy
consumption, although the available budget affects the selection of criteria.
This PhD thesis enriches the existing literature and opens new paths for future work.
The first contribution identifies future research opportunities to overcome current ABM limitations
by integrating big data techniques with large-scale simulations to enhance performance.
It also highlights the need for more robust validation standards and the publication
of open-source code and functional prototypes. The second contribution suggests extending
the XAI methodology to models in various domains, such as green technology adoption, and
exploring new analytical approaches like causal relationships or different XAI algorithms.
Finally, the third contribution proposes investigating the impact of using different subsidy
levels and employing optimization algorithms to maximize adoption rates of green technologies
in the maritime industry.},
organization = {Tesis Univ. Granada.},
organization = {Proyectos de investigación: los proyectos nacionales EXASOCO (PGC2018-101216-B-I00) y CONFIA (PID2021- 122916NB-I00)},
organization = {Proyecto regional SIMARK (P18-TP-4475)},
organization = {Ayuda PRE2019-089558 financiada por MICIU/AEI/10.13039/501100011033 y por “FSE invierte en tu futuro”},
publisher = {Universidad de Granada},
title = {Técnicas de Inteligencia Artificial Explicable para Modelado Basado en Agentes},
author = {Romero Contreras, Elena},
}