Подкаст

Именной профессор Петра Авена, профессор РЭШ Ольга Кузьмина и главный экономист, руководитель Центра макроэкономического анализа Альфа-Банка Наталия Орлова

04.05.2021 (Выпуск 5. Сезон 2)

Таймкод

1.58 — Чем полезны предсказательные модели исследований 

3.57 — Как данные позволяют бизнесу уточнять свое предложение 

5.05 — Чем полезны причинно-следственные модели исследований

7.32 — Как проводить рандомизированные эксперименты 

9.57 — Какие возможности для бизнеса открывает сбор больших данных 

11.14 — Какие этические вызовы несут за собой эти возможности 

12.01 — Цена ошибки и главные ловушки некорректной интерпретации данных 

14.14 — Как данные позволяют тестировать макроэкономические тренды 

17.01 — Какие из новых методов дадут новое знание об экономических проблемах

21.12 — Как данные помогают бизнесу переживать коронакризис 

23.32 — Почему исследователи несут ответственность за вопросы, а не ответы 

26.17 — Кто и как должен регулировать степень прозрачности использования данных

Описание

Крупные компании уже давно занимаются экономическими исследователями — нанимают экспертов и создают специальные отделы. Наука помогает им в бизнесе, а с эпохой big data они получили инструмент анализа невероятной эффективности. Как данные помогают бизнесу адаптироваться под меняющийся мир и какую роль в этом сыграла пандемия, что данные рассказывают нам о поведении людей и почему экономисты несут ответственность за правильные вопросы, а не за неприятные ответы? Об этом расскажут профессор Российской экономической школы Ольга Кузьмина и главный экономист, руководитель центра макроэкономического анализа Альфа-банка Наталия Орлова в новом выпуске «Экономики на слух».

 

Второй сезон подкаста реализован при поддержке Россельхозбанка.

Тезисы

Ольга Кузьмина 

 

Две модели

Исследовательские модели делятся на две категории: предсказательные и причинно-следственные. В первом случае нужно с достаточной точностью предсказать какое-то событие, и нам неважно, почему именно оно происходит. И чем больше у нас данных, тем точнее может быть предсказание для компании, но не обязательно для потребителя. 

Причинно-следственные модели решают принципиально иную задачу. Компания не принимает решение на основе пула заданных характеристик клиентов банка, пациентов, интернет-пользователей, а пытается отследить эффект от своего непосредственного выбора. 

В отличие от предсказательных моделей мы не можем просто взять, например, исторические данные компаний с разными стратегиями и сравнить их прибыли. Потому что эти компании могут принципиально отличаться друг от друга. Мы не можем даже одни и те же компании сравнить до и после изменения этой стратегии. 

 

Отделить после от вследствие

Все слышали выражение «после не значит вследствие». То, что у компании выросла прибыль после выхода на зарубежный рынок, может быть результатом не ее стратегии, а роста всей индустрии или изменения курса валюты. Причин может быть масса, и, как правило, отделить причинно-следственный эффект от обычной корреляции бывает очень сложно. 

Для этого есть специальные методы, которые основываются на построении или дизайне собственного исследования. Самый популярный из них — это рандомизированный эксперимент, при котором компания имплементирует некоторую стратегию случайным образом. Все остальное, что обычно влияет на ее выбор, будет зафиксировано, и это позволит выявить непосредственный эффект этой стратегии.

Важно контролировать частоту случайного совпадения (она еще называется ошибкой первого рода или уровнем значимости). Такой контроль нужен  для того, чтобы не получить ворох бесполезных корреляций.

 

Наука и бизнес

На глобальном уровне качественные исследовательские отделы становятся необходимой частью компаний. Мы видим их у всех крупнейших игроков. Amazon, Google и другие нанимают экономистов-исследователей (например, со степенью PhD лучших факультетов мира).

Уже не факт…

С течением времени любая наука накапливает данные, поэтому что-то из того, что мы раньше считали фактом, впоследствии может быть опровергнуто. Сделать это помогают как новые данные, так и новые методы. Так, примерно 30 лет назад в экономике произошла «революция доверия», когда дизайн исследования как необходимый элемент в установлении причинно-следственных связей вышел на первый план. 

Часть ранее известных гипотез подтвердилась. Классический пример из экономики труда — оценка влияния образования на долгосрочные зарплаты, счастье и прочие социо-экономические показатели. Есть довольно сильная положительная корреляция, но нам хотелось бы понимать, это действительно причинно-следственный эффект или, например, эффект положительного отбора, когда сильные вузы отбирают самых сильных ребят, которые и так  зарабатывали бы много. 

Экономисты спорят не о результате как таковом, не об ответе, а о методах. Для исследователя сам ответ может быть в некотором плане вторичен, главное — сделать все корректно с методологической точки зрения и докопаться до истины. Ответственность на экономистах лежит за методы, за то, как мы выявляем закономерности. Но не за сам финальный результат, ведь ответ — это то, что показывают данные. 

 

Насколько хороша прозрачность 

Например, если хедж-фонды не раскрывают информацию о своих стратегиях зарабатывания денег — это хорошо или плохо? Это не очевидный ответ. С одной стороны, открытая информация могла бы помочь отсечь недобросовестные фонды, которые, например, берут слишком много риска, не сообщая своим клиентам об этом, и этим зарабатывая доход. А с другой, может быть у них есть какие-то стратегии, ноу-хау, которые, если станут известными всем участникам рынка, перестанут быть такими прибыльными. 

Вопрос в том, оптимальный уровень прозрачности должен выбрать сам рынок или все же нужно регулирование на уровне государства (например, если могут быть системные эффекты на всю экономику, которые в случае краха затронут всех, как в случае с финансовым кризисом 2008 года).

У потребителей могут возникать и другие вопросы. Например, если производитель знает, что вы готовы платить больше, чем ваш сосед, то может предложить вам большую цену. Таким образом возможно перераспределение прибыли от потребителя к производителю. А может быть и обратная тенденция: с помощью этой информации вы как потребитель сможете получить более качественную услугу, и тогда это могло бы оказаться выгодно всем.

Существуют рынки, которые работают только потому, что есть какая-то неопределенность: например, рынок страхования. Если потребитель лучше осведомлен о своих рисках, то происходит отрицательный отбор, и страховщику невыгодно продавать страховку, рынок разрушается. Если страховщик лучше осведомлен о рисках потребителей, то более рисковые потребители могут остаться без страховки. И одно дело, если эти характеристики являются около-добровольным выбором потребителя (курение например), и другое — если это неотчуждаемые характеристики. 

Экономика — это наука о выборе, но этика и справедливость  — это совсем другая категория. О данных и о научных результатах вообще, на мой взгляд, невозможно говорить в категориях справедливости. Как их применить и что выбрать, в итоге решает общество.

 

Наталия Орлова  

Собранные массивы данных пока гораздо больше, чем та их часть, которая реально обрабатывается и используется для принятия решений. Внимание к big data возникло недавно: еще нет накопленной истории. Первый вызов: нам нужно научиться лучше обрабатывать данные и делать их сбор более предметным, а не собирать все, что можно. Второй вызов: этика работы с информацией. Это вопрос о том, в какой степени желание все анализировать может сталкиваться с интересами индивидов. 

Эпоха big data дает возможность тестировать макроэкономические тренды в реальном режиме. Макроэкономические данные — это длинные ряды, предполагающие анализ долгосрочных тенденций. Подходы к анализу big data позволяют макроэкономические ощущения длинных трендов «укоренять» в сегодняшней реальности и делать макроэкономический анализ более гибким. 

Доступ к информации позволяет в какой-то степени минимизировать цену ошибки, потому что мы достаточно быстро можем сверить ожидания с реальностью. Данные позволяют выверять, совпадает ли реальная траектория с долгосрочным видением, и минимизировать негативные последствия. 

Big data дает информацию о поведении конечного потребителя: это поведенческая экономика. Банковский сектор, конечно, не единственный сегмент тестирования и сбора больших массивов данных: это все секторы, где компании продают какие-то товары и услуги и взаимодействуют с населением. 

Сбор информации и большого массива статистических данных позволяет бизнесу более целевым образом формировать предложение товаров и услуг. Если раньше в значительной степени бизнес опирался на додумки о том, что потребители будут делать, то сейчас можно быстро увидеть, что они действительно делают. И это, безусловно, приносит бизнесу большую экономию. 

В 2020 году, когда мир столкнулся с пандемией, было совершенно непонятно, как будут вести себя люди. Были разные гипотезы, но для их проверки был нужен доступ к данным. Когда в марте прошлого года в Россию пришла пандемия, то в макроэкономических прогнозах произошло сильное ухудшение ожиданий по росту на 2020-й. А разворот в ожиданиях реально случился месяцев 5–6 спустя. 

Я не считаю, что big data будут что-то опровергать. Скорее это новый инструмент, открывающий колоссальные возможности для уточнения долгосрочных макроэкономических прогнозов. Мировая экономика стоит на пороге очень турбулентного периода: например, сейчас нужно очень быстро отслеживать последствия климатических изменений. Этот инструмент появился очень вовремя: он позволяет нам подстраиваться под меняющийся мир.

 

Тезисы подготовлены Екатериной Сивяковой