今天隨便聊聊一個Susan在2017年發(fā)在Science上文章：Beyond prediction: Using big data for policy problems。Susan Athey是美國著名的經(jīng)濟學家，現(xiàn)在是斯坦福大學商學院的教授。在平臺和大數(shù)據(jù)方面的研究方面，她大概是經(jīng)濟學界林朝英這樣的角色。值得一提的是她老公Guido Imbens在計量領域的名聲更加蓋過了Susan在商學領域的名聲，大概算是王重陽。

之所以提到這篇論文是因為里面提到了一些非常有趣的關于大數(shù)據(jù)未來在產(chǎn)業(yè)經(jīng)濟領域發(fā)展方向的問題。眾所周知大數(shù)據(jù)和機器學習技術的出現(xiàn)大幅提高了我們運用數(shù)據(jù)來預測的能力，比如說一個和我們生活最息息相關的方面就是許多平臺軟件會通過大數(shù)據(jù)學習來定向推送內(nèi)容（每個人打開百度搜索相同的關鍵詞，得到的結(jié)果和排序可能都是完全不同的）。

那么對于社會科學工作者而言，一個自然而然的問題就是：我們未來的發(fā)展方向有哪些是可以和大數(shù)據(jù)方法相契合的？換而言之，社會科學工作者，或者企業(yè)領導者是不是可以直接拿來主義，運用大數(shù)據(jù)來指定相關政策，優(yōu)化社會福利或者公司運營呢？

蘇三(Susan)在她的文章里面提到了現(xiàn)實生活中大數(shù)據(jù)應用的三個方面：

• 醫(yī)療

醫(yī)療方面一個使用大數(shù)據(jù)預測的例子是：醫(yī)生希望通過大數(shù)據(jù)來預測符合哪些條件的病人更適合來做髖關節(jié)置換手術。所以他們使用機器學習來預測哪些手術候選人可能在手術后的一年之內(nèi)死亡，通過手術的風險率來確定病人是否適合做這樣的置換手術。他們的說法非常具有經(jīng)濟學意義：一個人只有通過手術能夠活得很長的時候，做手術才更有意義；如果手術之后不久就死了，還要為手術承受額外的痛苦，那可能只是一種金錢上的浪費和徒勞。

其實這是一個非常具有現(xiàn)實意義的問題，比如說面對流行病我們是不是也可以使用大數(shù)據(jù)來對不同程度的感染者采取不同的治療手段，從而使得有限資源可以最合理化的分配。

然而一個重要的問題在于，我們是不是可以簡單地通過這樣的風險分類的方式來決定手術的優(yōu)先性？同時簡單基于關聯(lián)性的機器學習結(jié)果也并無法回答更深層的問題，比如說患者之間可能存在我們看不到的異質(zhì)性問題。就目前而言我們可能并無法通過模型的預測結(jié)果來直接判斷是否某些病人可能比另一些病人更有可能引發(fā)并發(fā)癥。

回到這次的肺炎事件來看，我們?nèi)绻麅H僅從個體治療效果角度進行判斷通過大數(shù)據(jù)建立模型來決定有效的治療手段和方案，會不會忽略了個體的傳播性？比如說有一些病患可能從個體角度上來說治療的優(yōu)先級并不是高，因為他們身強體壯。但是可能這些病患恰好是極具傳播力的人，反而應該被優(yōu)先處理。更本質(zhì)地，到底這種根據(jù)存活率來分配稀缺資源的方式是不是就是我們?nèi)祟惿鐣非蟮淖顑?yōu)方式？

• 城市發(fā)展

公共建設和城市發(fā)展是大數(shù)據(jù)方法運用的另一個重要維度。比如說一個很現(xiàn)實的問題是如果我們要在城市里面安排警察，監(jiān)察員，那么根據(jù)現(xiàn)有的人力物力，我們怎么樣分配調(diào)度才是最優(yōu)的。這是一個很現(xiàn)實的問題最新的研究成果就有顯示，如果在波士頓地區(qū)的參觀重新按照大數(shù)據(jù)結(jié)果安排衛(wèi)生監(jiān)察員的話，可能會相比現(xiàn)有的分配方式提高30～50%的監(jiān)察效率。

蘇三提出這看起來很美，但是相對而言我們也要知道機器學習的方法在預測效率可能會提高30～50%的同時，也忽略了兩個重要的因素。要使得效率提高成立的前提條件是：

1. 人類的行為不會因為資源的重新分配而變動；；
2. 即便這樣是真的，重新置換分配資源的成本也必須低于收益，不然的話政府將會缺少動力去優(yōu)化現(xiàn)有系統(tǒng)。

大數(shù)據(jù)經(jīng)常也會被用于計算城市的犯罪率，從而合理規(guī)劃警員的配置和分布?？墒橇硪环矫嫖覀冃枰獡牡氖且坏┻@種警員重新配置分布之后，很顯然也會反過來影響到潛在犯案者的行為以及犯案地點的選擇，最后可能會使得重新分配警力只是在做無用功。當然這一切因為從來沒有發(fā)生過，自然而然也不可能直接被“大數(shù)據(jù)”所預測。

• 企業(yè)決策

最后要說的例子是企業(yè)的決策，特別是平臺類的企業(yè)。2015年的時候Blake, Tadelis, Nosko有一篇著名的論文，發(fā)在了經(jīng)濟學的頂級刊物Econometrica上。經(jīng)濟學家?guī)椭鶨bay做了一個研究，主要是看Ebay通過付費搜索廣告來吸引消費者這樣的策略到底是否實際有效。之所以做這樣的研究是因為在經(jīng)濟學家介入之前，Ebay自己的團隊已經(jīng)做過這樣的研究，搜索點擊和購買行為本身相互關聯(lián)。Ebay通過機器學習的方法得到了非常驚人的結(jié)果，他們發(fā)現(xiàn)通過投資搜索廣告獲得的點擊繼而造成的銷售利潤大概是成本的1400%！

這樣的結(jié)果太過驚人，以至于Ebay自己都覺得不太可信，因為如果是真的話，那豈不是意味著只要拼命投資廣告讓更多的人通過廣告點擊進入Ebay就可以發(fā)大財？那運營企業(yè)也太容易了一些了吧。

經(jīng)濟學家們發(fā)現(xiàn)事實上造成這樣的機器學習結(jié)果的重要原因是大部分點擊廣告人的確會在點擊廣告之后購買Ebay的產(chǎn)品，但是這可能本身就是一種因果錯連。主要并不是因為點擊所以才想買，而是想買所以才會點擊。在矯正了這樣的偏誤之后，他們重新估計了廣告投入帶來的收益，發(fā)現(xiàn)事實上廣告投入帶來的平均回報是-69%而不是1400%。

大數(shù)據(jù)的發(fā)展的確很大程度上拓寬了人文社科領域的研究界限，但是作為方法的使用者來說，我們也更應當對于新方法的使用抱有謹慎的態(tài)度。不但要知其然，也要知其所以然，正確解讀大數(shù)據(jù)預測的結(jié)果事實上深度依靠對于數(shù)據(jù)本背后產(chǎn)生數(shù)據(jù)的人的行為決策的深入了解，以及方法本身背后隱含的假設條件。

正如Susan的丈夫重陽真人Imbens所說：除了隨機試驗以外，所有的因果判定都是基于分析者對于預測模型的合理假設才能成立。

文章標題：大數(shù)據(jù)除了預測還能干啥
URL鏈接：http://jinyejixie.com/news29/100329.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供小程序開發(fā)、Google、搜索引擎優(yōu)化、網(wǎng)站改版、微信公眾號、自適應網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)