Interaction Between Automation and Humans in Supply Chain Planning

Abstract

Automation is transforming supply chain planning (SCP) processes, replacing human tasks with technological solutions. While automation offers efficiency gains, the interaction between humans and automated systems presents behavioral challenges. This study investigates how decision-makers in SCP processes learn to correct errors when interacting with automated demand forecasting systems versus human planners.

Drawing from psychology and behavioral theories, we examine the effects of interaction type (automated system vs. human) on learning, operationalized as performance improvement over time. Further, we analyze whether this relationship is moderated by cognitive psychological traits (positive attitude towards technology, technology anxiety/dependence) and socio-psychological traits (social influence based on subjective norms, social influence based on image) of the human decision-maker.

Our article contributes to supply chain management research by introducing automation-human interaction, providing a temporal learning perspective on performance, and integrating cognitive and socio-psychological moderators. Insights are offered on how to facilitate effective human-automation collaboration by managing socio-psychological influences. Limitations and future research opportunities, including cultural contexts and artificial intelligence, are discussed.

Keywords

supply chain planning, automation, human-automation interaction, decision-making, learning, behavioral operations, cognitive psychology, social psychology, technology acceptance, demand forecasting

Анотація

Автоматизація трансформує процеси планування ланцюгів постачання (SCP), замінюючи традиційне виконання технологічними рішеннями. Хоча автоматизація забезпечує підвищення ефективності, взаємодія між людьми та автоматизованими системами створює поведінкові проблеми. У цьому дослідженні досліджується, як особи, які приймають рішення в процесах SCP, вчаться виправляти помилки під час взаємодії з автоматизованими системами прогнозування попиту і людини.

Спираючись на психологію та поведінкові теорії, ми досліджуємо вплив типу взаємодії (автоматизована система проти людини) на навчання, реалізований як покращення продуктивності з часом. Далі ми аналізуємо, чи модерується цей зв’язок когнітивними психологічними рисами (позитивне ставлення до технологій, тривога/залежність від технологій) і соціально-психологічними рисами (соціальний вплив, заснований на суб’єктивних нормах, соціальний вплив, заснований на іміджі) особи, яка приймає рішення.

Ця стаття сприяє дослідженню управління ланцюгами постачання, запроваджуючи автоматизовану взаємодію з людиною, надаючи часову перспективу навчання продуктивності та інтегруючи когнітивні та соціально-психологічні модератори. Пропонується уявлення про те, як сприяти ефективній співпраці людини та автоматизації шляхом управління соціально-психологічними впливами. Обговорюються обмеження та майбутні дослідницькі можливості, зокрема, культурні контексти та штучний інтелект.

Ключові слова

планування ланцюга постачання, автоматизація, взаємодія людини та автоматизації, прийняття рішень, навчання, поведінкові операції, когнітивна психологія, соціальна психологія, прийняття технології, прогнозування попиту

Back to Table of Contents No 24 (2024)

Shchekhovska L.M.  Senior Lecturer of Logistics Department of National Aviation University (Ukraine)

• ORCID – 0000–0002–6119–166X
• Researcher ID – GXG-7221-2022
• Scopus author id: –

1. Sarafan, M., Squire, B. and Brandon-Jones, E. (2019). “A behavioural view of supply chain risk management”, in Zsidisin, G. A. and Henke, M. (Ed.), Revisiting Supply Chain Risk, Springer International Publishing, Cham, pp. 233–247.
2. Scheibe, K. P. and Blackhurst, J. (2018). “Supply chain disruption propagation: A systemic risk and normal accident theory perspective”, International Journal of Production Research, Vol. 56, No. 1/2, pp. 43–59.
3. Hofstra, N., Dullaert, W., De Leeuw, S. and Spiliotopoulou, E. (2019). “Individual goals and social preferences in operational decisions”, International Journal of Operations & Production Management, Vol. 39, No. 1, pp. 116–137.
4. Schorsch-Trautwein, T., Wieland, A. and Wallenburg, C. M. (2019). “Cognitive pitfalls in supply chain 1isk management – the role of behavioral biases and heuristics”, unpublished working paper.
5. Thome, A. M. T., Scavarda, L. F., Scavarda, A. and Thome, F. E. S. d. S. (2016). “Similarities and contrasts of complexity, uncertainty, risks, and resilience in supply chains and temporary multi-organization projects”, International Journal of Project Management, Vol. 34, No. 7, pp. 1328–1346.
6. Tiwari, S., Wee, H. M. and Daryanto, Y. (2018). “Big data analytics in supply chain management between 2010 and 2016: Insights to industries”, Computers & Industrial Engineering, Vol. 115, pp. 319–330.
7. Tokar, T., Aloysius, J., Waller, M. and Hawkins, D. L. (2016). “Exploring framing effects in inventory control decisions: Violations of procedure invariance”, Production & Operations Management, Vol. 25, No. 2, pp. 306–329.
8. Puche, J., Ponte, B., Costas, J., Pino, R. and de la Fuente, D. (2016). “Systemic approach to supply chain management through the viable system model and the theory of constraints”, Production Planning & Control, Vol. 27, No. 5, pp. 421–430.
9. Fulmer, C. A. and Ostroff, C. (2016). “Convergence and emergence in organizations: an integrative framework and review”, Journal of Organizational Behavior, Vol. 37, No. 37, pp. 122–145.
10. Bode, C. and Wagner, S. M. (2015). “Structural drivers of upstream supply chain complexity and the frequency of supply chain disruptions”, Journal of Operations Management, Vol. 36, pp. 215–228.