当经济学家入侵科技业

今天看到一则评论,说我写得像咪蒙;与此同时又收到一则评论,让我能不能不要写得那么枯燥理论。真的再次恳请大家不要仅仅因为“好像说出了我的心事”就点赞,或者干脆不分好坏地点赞。知乎不像公众号是封闭体系,每次传播到非关注者那里,都会留下一些奇怪的印象。也许这么说不太友好,我不光不需要这些评论,甚至根本不需要他们看到。那么开始正文吧。

“经济学家的优势在于,一方面有数量方法的基础,一方面又拥有对市场的敏锐直觉。”

——斯坦福商学院教授、前微软首席经济学家 Susan Athey

经济学家入侵科技业的故事,得先从 Google 和经济学家 Hal Varian 的一段缘分说起。

回到 2002 年,Google 那时还只是个只有 400 人的小公司,CEO Eric Schmidt 先是看了 Hal 和同事 Carl Shappiro 合著的新书《信息规则》( Information rules : A strategic guide to the network economy)的草稿,之后又在一场在纽约举办的经济论坛巧遇 ,当下便邀请了 Hal 替 Google 咨询。而当时已在学界打滚快三十年的 Hal,也想暂时离开学术圈走入业界瞧瞧,也就开始了为这未来的网络巨擘的咨询生涯。没想到,从原本只是兼职的顾问开始,就一路做到了 Google 首席经济学家。

虽然 Google 创立以来,不断拓展业务,成为如今的 Alphabet ,但其主要收入,依旧是由来自关键字广告 “Adwords” 。2015 年,Google 营收745亿美元中,有超过7成是来自 Adwords 。而最初 Hal 加入 Google 最重要的贡献,就是协助 Google 卖这些广告字段。

Adwords 关键字广告

在此先跟各位读者解释一下关键字广告的运作模式。每个关键字,都会有对应的广告字段。如“面膜”这个关键字。若广告客户(如保养品品牌)花钱向 Google 买广告,得标的业者,Google 会在使用者搜索时,优先列出,并标注“赞助商”。

我们可以把 Google 想成一个广告公司,专门出租广告看板。每一个关键字,如“面膜”,都有相对应的几个广告字段可供出租。而在不清楚每个字段可以卖多少的情况下,拍卖,会是最自然的销售方式。

怎么拍才好?

常见的拍卖主要也有四种:英式拍卖、荷式拍卖、第一价格密封拍卖和第二价格密封拍卖。究竟哪种拍卖能拍个最好的价钱呢?

英式拍卖:是大家最熟悉的拍卖形式。从一底价开始,竞标者出价往上喊,最高者得标。

荷式拍卖:卖方由高往低喊价,过程中如有人愿意购买,此价即为成交价。现行台湾的蔬果、鱼肉批发市场亦是以此种方式拍卖。

第一价格密封拍卖:每位竞标者将出价密封写在信封内,投标金额最高者得标。投标者只能出价一次。

第二价格密封拍卖:同上,但得标者仅须支付第二高投标金额的价金。如小明投标 100 元为最高标,但除小明之外,最高的投标金额仅有 50 元,那小明虽然投标 100 元但只需付 50 元。

第二价格密封拍卖,也被称为维克里拍卖,其最著名的衍生就是eBay的竞价代理(Proxy bidding)拍卖,除了不是密封式拍卖外,它规则基本和维克里拍卖相同,自然而然的拥有维克里拍卖的优点。

究竟哪种拍卖形式,能替卖家创造最高收入呢?这是个在博弈论中,非常经典的一个问题。

拍卖的核心,是经济学中所谓的信息不对称。拍卖中,只有竞标者本身知道这项商品对自己值多少钱。不只卖家无从得知竞标者们的愿付价格,每位竞标者,也无从得知其他人的愿付价格。正因如此,在第一价格密封拍卖中(得标者得支付自己的投标金额),买家就 必须在 “多花点提升自己的得标机会” vs “压低出价降低自己得标的成本这两者之间权衡” 。

信息不对称,正是买家之间尔虞我诈的原因。而买家之间各种算计追求自身最高利益的互动关系,及其所伴随之的结果,正是经济学最擅长分析的主题:均衡。而在 Google 的例子中,Google 得选择一个拍卖规则,并希望相应的均衡中,能带来最高收入。而究竟是哪种拍卖形式,能创造最高收入呢?

由于 Google 广告拍卖牵涉的层面太复杂,我们先考虑一个比较简单的情况。假设我今天拿我的签名照出来拍卖的话,哪一种拍卖能替我卖得最好的价钱呢?由于因为英式或荷式拍卖一来一往喊价的过程,对分秒必争的科技业太过冗长,姑且让我们只比较两种拍卖规则:第一价密封拍卖和第二价格密封拍卖,也就是买家只能出一次价的状况。

乍看之下,由于在第一价格密封拍卖中,得标者必须支付自己投标的金额(也就是最高标),所以,比起第二价格密封拍卖,也就是得标者仅需支付第二高标金额的状况,应当会为卖家带来较高收入。但事实未必如此。

原因是,第一价格密封拍卖中,买家为了想要以较低的价格入手,会有诱因出比自己愿付价格低的价格喊价,而在第二价格密封拍卖中,不论其他买家的愿付价格如何,直接喊出自己的愿付价格,永远是个好策略(你不仿想想看为什么?)诚实为上,在第二价格密封拍卖,是真的。

关键词拍卖实践

好的,理论是理论,在实践中,两种拍卖真的没有差别吗?答案当然是有的。

首先,Google 的关键字广告拍卖是即时的,每分每秒都有成千上万的消费者涌入 Google 搜索,而企业也可以随时改变出价。若我们采取第一价格密封拍卖,最高标一旦知道自己得标,便会立即往下调低出价,直到比第二高标著略高为止;第二高标的买家知道如此,便会稍微提高出价,尝试得标。如此一来一往的过程,将会造成市场的混乱和服务器的负担。而在第二价格密封拍卖中,最高标并没有诱因压低出价,便不会引发混乱。

关键词拍卖与签名照拍卖的差异不仅与此。关键字拍卖中,每个关键词对应到广告字段并不只有一个。也就说,同一个关键词,可能会有复数个业者得标。因此, Google 现行的拍卖机制,并不是完全的密封第二价格拍卖,而是广义的密封第二价格卖。这些拍卖设计,背后都有经济学的思考,也催生出了一系列的学术论文。如 Edelman, Ostrovsky和Schwarz就直接以 Google 的关键词拍卖为例,分析其均衡。

关键词拍卖之外

除了关键词广告,Hal 在之后也参与了 Google 的首次公开募股,促使了 Google 最终使用荷式拍卖来发行股票。除了各种拍卖,Hal也主导了一个由统计学家、工程师、经济学家组成的团队,借由挖掘 Google掌握的大量用户资料,致力于优化 Google 的各种业务。例如预测收益、衡量广告效度等等计量经济学之应用,还有有关政策上,如专利法、反托拉斯法等等咨询。

怎么用经济学看 Ebay ?

“我们的研究显示出,品牌关键词的付费搜索广告,测量不到任何短期效益。”——Ebay Research Labs

除了 Google 之外,Ebay 也是在早期就有聘请经济学家的科技公司。这也不让人意外,因为拍卖作为一种价格机制,当然也是经济学。而 Ebay 产生的经济价值和新形态的交易方式,更是引起不少经济学家的兴趣,催生许多以 Ebay 为主题的学术文章。

这些文章,有的是探讨不同拍卖机制对于拍价的影响,有的则是研究买家卖家的单方面的行为。此外,在那个大数据还不家喻户晓的年代,Ebay 上的拍卖纪录,更是经济学家梦寐以求的宝山,每笔拍卖,不但有完整的喊价资料,还能查到用户的历史交易纪录。更有甚者,还有经济学家亲自下海卖东西做实验。

Ebay 的价值,是提供一个平台撮合买家与卖家,降低市场摩擦,促使交易发生。比如说邮票印币等收藏品的市场,就有不少的摩擦。收藏的人不多,而且,卖家卖的,买家未必有兴趣;而买家想找的,卖家未必有。因此,买卖家之间很难碰头。常见的交易方式,是去地方上的专门店或是拍卖会。但即便如此,那也只限于一个区域,也无法接触到其他地方的潜在买家。而 Ebay 这种不受地域限制的交易形式,大幅降低了交易成本。

有了 Ebay ,卖家只要上网刊登,买家就能透过关键字搜索来找到这项产品。Ebay 通过提供平台,促使信息流通,让原本因为摩擦(搜索成本)太高, 以致难产的交易变得可能。而买卖双方个自从交易中获利,皆大欢喜。但是, Ebay 呢?

Lady’s night

Ebay 要获利,势必得像使用者的一端——买家或卖家收费。问题是,该向谁收费呢?身为消费者,读者可能觉得很习惯了而不会去思考,为什么类似 Ebay 的这类的拍卖平台,是向卖家收费而不是买家呢?同样地,为什么 Google 搜索是免费的?理论上,不论是假设网站的,或是上网爬资料的,都因为这项服务受利,Google 自然也能向用户收费。(试想没有 Google 的日子会多痛苦!)

这背后的原因,和夜店为何会有 Lady’s Night 的道理是一样的。其一是男性的愿付价格较高,对于夜店消费的价格不敏感,因此有空间向男性收取较高的费用;其二,女性免费,能促进女性来夜店消费。而女性越多,男性就更有动机来消费。

前者是所谓的价格弹性:面对不同消费者,永远像对价格弹性低的一方收取较高费用。这也是为什么大学的教科书会出影印本。例如常见的曼昆教材,在美国就要一两千人民币,如果直接卖原版,大概就纷纷去印盗版了(价格弹性高)。

“女性越多,男性就更有动机来消费”这个现象,则被称为“网络效应”。一项服务,使用者越多,其他人就越有动机加入。使用 Google 搜索的人越多,厂商越有动机买广告;使用脸书的朋友越多,自己就越想用脸书;Ebay 上的买家越多,卖家就更有兴趣在上面刊登商品。

身为一个市场的设计者,Ebay 每制定一个游戏规则,必须衡量买家与卖家会如何响应,而两者互动的结果(均衡)又是如何,能替自己带来多少获利。若今天的规则是向卖家收取刊登商品的费用,会是如何?反过来想,若是买家每搜索一项商品,便收取一笔固定费用,又会如何?(大概可以想象,若是搜索要钱,消费者应该会通通跑光吧?而消费者跑了,卖家自然也跑了)

再想一个例子。Ebay 该如何排序付费广告?如果只以赞助商的出价作为考量,那为了刺激赞助商喊价,那就该让出价最高者永远出现在页面上最明显的位置。但为了照顾消费者权益,把人潮留在自己的平台上,Ebay 也应该纳入商品的相关程度、卖家评价等等因素加权,提高广告的品质。

若说 Ebay 通过撮合两方,为买家与卖家做了一块大饼,那 Ebay 问题就是在如何在尽量不影响饼的大小下,从中切一块自己吃掉。替赞助商登广告,某种程度是牺牲了买家在搜索时获得的信息品质,因此整块饼变小了——这样的情况,在经济学家称为对市场的扭曲。对于 Ebay ,问题就是如何在最小的扭曲下,抽取最大的利益。

卖家可以给买家评价吗?

Ebay 虽然解决了距离造成的摩擦,反过来却也造成了另一种摩擦:信息不对称。买家既无法实际检视商品,也会担心卖家收了钱却不出货。 为了克服这问题,Ebay 先是并购了 Paypal,保障每一买家,在实际收到货觉得满意之前,不会被扣款;另一方面,则是设计了一套评价系统,让双方有机会评价每一笔交易,卖家便会投鼠忌器。

起初,这套评价系统是双向的:买家可以替卖家评价,卖家也可以向买家评价。但该让卖家评价买家吗?卖家被留了负评,会不会就也为了复仇也给了买家差评呢?试想,买家今天自己踩到地雷,在网上发表差评,除了出了一口恶气,受惠的其实是其他买家,但承受被报复性差评风险的,却是个人。除了情绪上的渲泄,一点好处都没有,买家自然没有诱因给买家差评。揭露坏卖家的信息,相当于是一种公共财。但在均衡中,买家不敢给差评,这套评价系统形同虚设。

因此,在 2008 年后,Ebay决定让这套系统成为单向的,只有买家可以评价卖家。有趣的是,自此之后,在电子用品交易这个类别中,差评的比率反而降低了。而发生纷争的机率,也从 4.2% 降低至 3.5 %。为什么呢?这有可能是在新政策后,卖家更怕收到差评,更加谨慎的缘故。

经济学家 vs 数据科学家

以上说了好几个例子,都可以归类为个体经济学的应用。然而,最近经济学家之所以获得 Amazon、Uber、Airbnb 等科技公司的青睐,多少也是搭上了大数据的顺风车。

文章一开头所引用的研究,正是 Ebay Economics Lab 在 2015 年发表的一篇研究。为了知道广告的效益,作者们豪气地直接进行了一场大规模实验,测试一下关键词广告,究竟能不能为厂商带来额外收入。由于广告支出常与节日等因素有关,直接比较在不同广告支出下的销售数量,估计上是有偏误的。这也呼应了美国百货商店之父约翰·沃纳梅克的名言”我在广告上的投资有一半是无用的,但是问题是我不知道是哪一半。” 要估计广告的效益,很难。

即便是不理解关键词广告的效益,Ebay 还是砸了不少钱。而 Ebay 的经济学家们,在高层主管的同意下,直接在 Google、微软、雅虎等三个搜索平台上做实验,暂时停止购买 Google 的关键字广告,并以微软、雅虎为对照组,试看会对销售多大影响。结果是,有没有广告,对销售几乎没有影响。尤其是在考虑到成本之下,投资回报率非常低。这研究狠狠地打了 Google 一巴掌。

谈到实验设计,心理学家更有经验;讲到数据分析,经济学家的程序设计功力也比不上工程师们。究竟在数据分析这块领域,经济学家为何能杀出这片重围呢?让我们继续看下去。

今天开始,正是经济学家一年一度的盛会 AEA(美国经济学会年会)。为期四天的活动中,共计会有 过万名经济学家到此聚首。在此,除了可以会见各路大咖外,对于研究生来说,这四天,还是找工作的大日子。

为了方便招聘与应聘双方,AEA 一直以来都有提供一个平台让学术机构/公司张贴职位。金融业和顾问业聘请经济学家是家常便饭,但近年来却也能看到诸如 Airbnb、Amazon、Ebay、Facebook、Netflix、Microsoft、Uber 等科技公司在上面张贴招聘广告的身影。到底,这些科技公司要经济学家做什么?

稍微研究一下这些广告,不难发现他们有一个共同的关键字:Data。的确,最近这波经济学家进入在科技业对的风潮,也是借力了这波大数据的兴起。然而,做数学比不过统计学家,写程序赢不过电脑科学家,那为何又要特别招聘经济学家呢?尤其,Microsoft 还在征才广告上特别注明了“应征者必须有热忱学习大数据分析”——明明市场不缺工程师,为何又要特地找经济学家来训练呢?

计量经济学 vs 机器学习 vs 统计学

为了理解在数据分析这件事,经济学家到底有何魅力,我们得先讲起计量经济学、机器学习与统计学的差异。

计量经济学,是一门以资料验证经济理论和探究现象的学门。在应用上,经常经济学家手上有个不知是否为真的假说,希望能通过资料验证。如:最低工资是否会提高失业率、 小班教学是否有益于提升成绩等等。

而机器学习,则是近年来因为可取得的数据暴增,而相应蓬勃发展的一个领域,主要用于预测。典型的应用包括推荐系统( 如 Youtube 从浏览纪录猜测使用者喜好 )、过滤垃圾信件等等。

换句话说,计量经济学主要处理的是推论问题( 一个叙述是否为真 ),机器学习处理的则是预测问题。前者是要筛出变量之间因果关系,而后则是要穷尽变量之间的关联性来进行预测。至于计量经济学比起统计学,除了前者会纳入经济学模型外,也更在乎因果关系。

计量经济学的用途

以下让我们举几个简单的例子,来解释什么是机器学习不能,但计量经济学可以做到的。

猜观众会喜欢什么影片,是机器学习擅长的预测问题;但推荐影片本身到底能增加多少观看次数,则是计量经济学在意的因果问题。

在 Uber 的商业模式中,我们可以把司机想成是供给方,而消费者则是需求方。在演唱会结束等这类需求暴增的时候,到底该收多少钱才能使得供需平衡呢?这类涉及经济学模型的统计问题,自然是计量经济学的主场。

有时做实验可能成本很高,那公司在不能随意做实验的情况下,要怎么得知新的政策会带来什么冲击呢?这类反事实问题,在总体经济学中经常以基于模型的数值模拟方法来分析,像是“如果开放自由贸易,GDP 会增加几个百分点?”

此外,经济学家在一个缺乏资料的环境中待久了,还培养出一个敏锐的嗅觉,能找出现有资料中,找出一个估计因果关系的手法。

讲了这么多计量经济学的长处,但实践应用上,机器学习仍是无可取代。而拥有相关数学背景的经济学家,即便未曾接触过机器学习还是能快速上手,如逻辑回归就是离散选择模型。机器学习经常使用的线性代数和机率,也是计量经济学的必备数学工具。

有趣的是,经济学家在科技公司不只是要分析资料,还要带头做实验,这多半和最近经济学家最近更常做实验有关。

经济学家为何要进入科技业?

说了这么多科技公司为何要聘请经济学家,那经济学家为什么又想进入科技业呢?

不可否认,科技业的待遇相当诱人,并不比在学界当教授差。但近年来经济学家与科技业的合作,当然不只是为钱,还是为了这些公司手上掌握的资料。这些资料,是许多经学家梦寐以求的宝库。

比如说, Ebay 是探讨拍卖理论最自然的环境,而 Facebook 则是拥有庞大的社交网络资料。又如 Uber 的叫车资料,最近则是被用来估计消费者剩余。而 Uber 的动态计费系统更是价格调节市场供需的最佳范例。

不只是提供资料,有些公司还相当鼓励自己的研究人员投稿学术期刊,让职业生涯不至于和学界脱轨,甚至还主动提供一个(大)平台,让经济学家能和公司里的电脑科学家合作,从事前沿的学术研究。如 Microsoft Research Lab 在本月才启动了一个名为 Alice 的新项目,目标是改良现有的机器学习方法,使其得以应用在测量因果关系。

以后有时间,我们再来谈谈机器学习在经济学上有什么应用。

晚安。

来源:知乎 http://www.zhihu.com

作者:孙志超

【知乎日报】千万用户的选择,做朋友圈里的新鲜事分享大牛。

点击下载

Advertisements

Tags: