Kalbant apie duomenis, mažiau gali būti daugiau: paprasta investavimo taisyklė

„Pasaulis renka vis daugiau duomenų apie beveik kiekvieną mūsų gyvenimo aspektą.

 

    Šie duomenys dažnai pagerina mūsų gebėjimą analizuoti mus supantį pasaulį, tačiau pasitaiko ir situacijų, kai daugiau duomenų pablogina, o ne pagerina mūsų sprendimus ir pasaulio supratimą.

 

    Ši įžvalga yra augančios ir šiek tiek prieštaringos studijų srities, kurioje nagrinėjami scenarijai, pagal kuriuos mažiau duomenų lemia geresnius statistinius modelius arba geresnius sprendimus, dėmesio centre. Priimant sprendimus su duomenimis, dažnai „mažiau yra daugiau“.

 

    „Idealiame pasaulyje, kai duomenis apdoroja idealus žmogus arba algoritmas, daugiau duomenų yra geriau“, – sakė Jerkeris Denrellas, Warwick universiteto strategijos ir sprendimų priėmimo profesorius. – Tačiau mes ne visada esame tame pasaulyje.

 

    Frazę „mažiau yra daugiau“, kai reikia priimti sprendimus, išpopuliarino vokiečių psichologas Gerdas Gigerenzeris, kurio karjera buvo susijusi su situacijų, kuriose mažiau duomenų lemia geresnių sprendimų priėmimą, nustatymu. Išvados aktualios ir sprendimus priimantiems žmonėms, ir algoritmams.

 

    Šiame lauke nustatoma, kad dažnai nedidelis duomenų taškų skaičius yra labai naudingi ir kad pridėjus duomenų taškus jie tampa vis mažiau naudingi. Jei nenaudojate atsargiai, jie gali sujaukti vaizdą, o ne jį pagerinti.

 

    Neseniai paskelbtame šios srities dokumente buvo klausiama: „Ar norint numatyti, kas gerai atliks tam tikrą darbą, darbdaviui visada geriau naudoti kuo daugiau informacijos apie kandidatus į darbą? Atsakymas, kurį pateikė autoriai Felipe Csaszar, Diana Jue-Rajasingh ir Michael Jensen iš Mičigano universiteto Rosso verslo mokyklos, yra ne.

 

    Jų darbe modeliuojama statistinės diskriminacijos problema – XX a. aštuntojo dešimtmečio ekonomikos teorija, kuri teigė, kad viena iš nuolatinio diskriminacijos priežasčių buvo ta, kad įmonė, siekianti maksimaliai padidinti pelną, kaip vienintelį tikslą, naudos visą turimą informaciją apie, tarkime, kandidatus į darbą. Įdarbinantis vadovas, siekdamas šio tikslo, gali naudoti rasę ar lytį, net jei nesąmoningai, kad padarytų geriausią prognozę.

 

    Rasė ir lytis yra prastos veiklos prognozės, palyginti su įgūdžiais. Tačiau jos gali būti lengviau pastebėti, todėl samdančiam vadovui gali turėti poveikio, teigia autoriai. Šiuo atveju statistinė diskriminacija, kuri rekomenduoja naudoti abiejų tipų informaciją, norint gauti geriausią prognozę, veikia priešingai, teigia jie.

 

    Tyrimai, parodantys, kad žmonių sprendimai retai būna 100% racionalūs, paskatino labiau pasitikėti robotų algoritmais, kurie bando įsisavinti kuo daugiau duomenų. Kai kuriais atvejais šie algoritmai daro stebuklus, pašalindami emocijas ir išankstines nuostatas. Kitu metu jie kodifikuoja klaidas. Savo knygoje „Matematikos naikinimo ginklai“ matematikė Cathy O'Neil pateikia bejausmių algoritmų, duodančių diskriminuojančius ar nenaudingus rezultatus, pavyzdžių.

 

    Yra daug atvejų, kai mažiau duomenų pasirodė esąs geresnė situacija. Dešimtojo dešimtmečio pradžioje daktaras Gigerenzeris palygino du didelius Vokietijos miestus – viename su profesionalia futbolo komanda, o kitame – be jos. Miestai su komanda yra didesni 87% atvejų. Žmonės, kurie pasikliauja šia paprasta gudrybe, gali geriau atspėti, kurie miestai yra didesni, nei tie, kurie bando prisiminti daugybę sudėtingų miesto detalių. Pasirodo, sporto komandos yra labiau susijusios su gyventojų skaičiumi, nei daugelis dalykų, kuriuos žmonės gali žinoti, pavyzdžiui, ar miestas yra valstijos sostinė, ar prie pagrindinio greitkelio.

 

    (Štai JAV versija: suskaičiuokite miesto profesionalų futbolo, beisbolo, krepšinio ir ledo ritulio komandų skaičių. Iš 50 didžiausių miestų porų 89 % atvejų miestas, kuriame yra daugiau komandų, yra didesnis. Naudingas patarimas, jei kada nors prireiks atspėti, ar Pitsburgas yra didesnis už Nešvilį.)

 

    Arba paimkite įmonę, siekiančią nuspėti, kurie klientai vis dar aktyvūs, t. Tyrėjai išsiaiškino, kad neįtikėtinai paprasta taisyklė – ar kas nors pirko iš bendrovės per pastaruosius devynis mėnesius – geriau nuspėja, ar klientai yra aktyvūs, nei pažangiausi sudėtingi modeliai.

 

    Investavimo pavyzdys yra 1/N taisyklė, kuri teigia, kad jei norite nusipirkti, tarkime, 12 įmonių akcijų, kiekvienai iš jų turėtumėte skirti 1/12 savo portfelio paskirstymo. Londono verslo mokyklos komanda palygino tai su 14 modelių, kurie naudoja didelius duomenų kiekius, kad būtų galima rasti geresnius paskirstymus, ir nustatė, kad nė vienas iš šių 14 modelių nėra geresni, negu 1/N taisyklė.

 

    Žinoma, ne visada lengva atpažinti, kuriuos duomenų taškus reikia pašalinti. Anksčiau pandemijos metu Masačusetso technologijos institutas atsisakė reikalavimo, kad pareiškėjai pateiktų stojamųjų egzaminų, vadinamų SAT (arba ACT) balą. Kritikai jau seniai teigė, kad tokie testai yra prasti akademinės sėkmės prognozei ir kliūtis žmonėms iš nepalankios aplinkos.

 

    Tačiau po dvejų metų MIT šį pavasarį grąžino SAT. Priėmimo dekanas sakė MIT atrado, kad SAT padarė geresnį darbą "mokiniams iš šių nepalankios aplinkos grupių, palyginti su kitais dalykais, kuriuos galime apsvarstyti. Taip yra dėl to, kad išsilavinimo nelygybė turi įtakos visiems būsimojo studento pasirengimo ir taikymo aspektams, o ne tik testų laikymui". Pasirodo, testas buvo geresnis, nei tinkamų užklasinių, rekomendacinių laiškų ar aukštesnio lygio klasių turėjimas, o tai dar labiau pakrypo turtingesnių mokinių naudai.

 

    Nors ne visada lengva išsiaiškinti, kuriuos duomenis atmesti, tai yra svarbi tyrimų sritis, nes renkami skaičiai apie mūsų gyvenimą auga.

 

    „Tai kažkas panašaus į abipusį laimėjimą“, – sakė dr. Csaszar. "Jei naudojate paprastesnį sprendimų priėmimo procesą, geriau prognozuojate ir tampate sąžiningesni, nes neatsižvelgiate į rasę ar kitus diskriminuojančius dalykus. Paprastas, teisingas ir tikslus yra suderinimi dalykai. "" [1]

1. U.S. News -- The Numbers: When It Comes to Data, Less Can Be More
Zumbrun, Josh. 
Wall Street Journal, Eastern edition; New York, N.Y. [New York, N.Y]. 05 Nov 2022: A.2.

When It Comes to Data, Less Can Be More: A Simple Rule for Investing

"The world is moving toward collecting ever more data about nearly every aspect of our lives.

This data often improves our ability to analyze the world around us, but there are also situations in which more data makes our decisions and understanding of the world worse, not better.

This insight is the focus of a growing and somewhat counterintuitive field of study, which examines scenarios in which less data leads to better statistical models or better decision making. When actually making decisions with data, oftentimes "less is more."

"In an ideal world with an ideal person or algorithm processing the data, more data is better," said Jerker Denrell, a professor of strategy and decision making at the University of Warwick. "However, we're not always in that world."

The phrase "less is more" when it comes to making decisions was popularized by the German psychologist Gerd Gigerenzer, whose career has revolved around identifying situations in which less data leads to better decisions. The conclusions are relevant for both human decision makers and for algorithms.

This field finds that often a small number of data points are extremely useful, and that as data points are added, they become increasingly less useful. Unless used carefully, they can muddle the picture rather than improve it.

A recent paper in the field asked: "To predict who will perform well in a particular job, is it always better for an employer to use as much information as possible about job candidates?" The answer, from authors Felipe Csaszar, Diana Jue-Rajasingh and Michael Jensen at the University of Michigan's Ross School of Business, is no.

Their paper models the issue of statistical discrimination, an economic theory dating to the 1970s that argued one reason for the persistence of discrimination was that a company seeking to maximize profit as its only goal would use all available information about, say, job candidates. A hiring manager, in pursuit of that goal, might use race or gender, even if subconsciously, to make the best prediction.

Race and gender are poor predictors of performance compared with skill. But they might be more easily observed, which might lead a hiring manager to overweight them, the authors say. In this case statistical discrimination, which recommends using both types of information to get the best prediction, does the opposite, they say.

Research that shows how human decisions are seldom 100% rational has led to increased reliance on robotic algorithms that attempt to suck in as much data as possible. In some cases, these algorithms work wonders at removing emotion and prejudice. At other times, they codify error. In her book "Weapons of Math Destruction" the mathematician Cathy O'Neil gives examples of emotionless algorithms producing discriminatory or useless results.

There are many instances where less data has proved to be better. In the early 1990s, Dr. Gigerenzer compared two large German cities, one with a professional soccer team and one without. The city with the team is bigger 87% of the time. People who rely on this simple trick can better guess which cities are bigger than people who try to recall reams of complex urban details. Sports teams, it turns out, are more correlated with population than many things people might know, such as whether a city is a state capital or on a major highway.

(Here's a U.S. version: Tally a city's number of pro football, baseball, basketball and hockey teams. Among pairs of the 50 largest cities, 89% of the time, the city with more teams is bigger. A useful tip if you ever need to guess whether Pittsburgh is larger than Nashville.)

Or take a company seeking to predict which customers are still active -- that is, interested and likely to continue buying from the firm -- and which customers have lost interest in the company's products. Researchers have found that an incredibly simple rule of thumb -- whether someone purchased from the company in the past nine months -- better predicts whether customers are active than cutting-edge complex models.

An example in investing is the 1/N rule, which states that if you want to buy, say, 12 stocks you should give them each a 1/12th allocation in your portfolio. A team from the London Business School compared this to 14 models that use vast amounts of data to try to find superior allocations, and found that none of those 14 models beats the 1/N rule.

Of course, it isn't always easy to recognize which data points to lop off. Earlier in the pandemic, the Massachusetts Institute of Technology dropped its requirement that applicants submit an SAT (or ACT) score. Critics have long argued such tests are poor predictors of academic success and a barrier for people from disadvantaged backgrounds.

But after two years, MIT brought back the SAT this spring. The dean of admissions said MIT had discovered the SATdid a better job for "students from these groups relative to other things we can consider. The reason for this is that educational inequality impacts all aspects of a prospective student's preparation and application, not just test-taking." The test, it turns out, was better than having the right extracurriculars, letters of recommendation or advanced classes, which tilted even more heavily in favor of more-advantaged students.

Though it isn't always easy to figure out which data to discard, it is an important area of research as the numbers collected about our lives grow.

"It's something like a win-win-win that we are showing," said Dr. Csaszar. "If you use a simpler decision-making process, you become better at making predictions, and you become more fair, because you don't take into account race or other things that are discriminatory. There's an alignment between simple, fair and accurate."" [1]

1. U.S. News -- The Numbers: When It Comes to Data, Less Can Be More
Zumbrun, Josh. 
Wall Street Journal, Eastern edition; New York, N.Y. [New York, N.Y]. 05 Nov 2022: A.2.

 

Kaip Muskas ketina pakeisti „Twitter“

  „Elonas Muskas užbaigė savo audringą pirmąją savaitę būdamas „Twitter Inc.“ savininku, smarkiai sumažindamas darbo vietų skaičių ir skundėsi, kad reklamuotojai sumažino savo išlaidas reklamai platformoje, reklamuotojams nerimaujant, kaip jis elgsis su turinio moderavimu.

 

    Muskas kaltino, kaip jis pavadino „didžiulį pajamų sumažėjimą“, „aktyvistų grupes, spaudžiančias reklamuotojus“. „Twitter“ žinutėje jis teigė, kad „Twitter“ nepakeitė turinio moderavimo ir bandė išspręsti aktyvistų susirūpinimą.

 

    „Mes padarėme viską, ką galime, kad juos nuraminti, bet niekas neveikia“, – penktadienį Niujorke vykusioje investicijų konferencijoje sakė P. Muskas. „Tai kelia didelį susirūpinimą“, – sakė jis, pareikšdamas, kad reklamos apribojimas yra žodžio laisvės užpuolimas.

 

    Ponas Muskas vėliau penktadienį grasino atskleisti reklamuotojus, kurie sulaikė verslą nuo „Twitter“, nors daugelis viešai paskelbė apie savo sprendimą sustabdyti skelbimų teikimą, stebėdami, ką naujasis „Twitter“ savininkas veikia su platforma. „Termobranduolinis vardas ir gėda yra būtent tai, kas atsitiks, jei tai tęsis“, – tviteryje parašė jis.

 

    Tokie komentarai buvo paskelbti, kai „Twitter“ pranešė maždaug pusei savo darbuotojų, kad jie atleidžiami. Atleidimai buvo plataus masto – nuo ​​komunikacijos komandos iki žmonių, dirbančių mašininio mokymosi srityje. Dėl sumažinimų „Twitter“ galvų skaičius sugrąžintų iki tokio lygio, kokio nebuvo daug metų, kai tai buvo mažesnis verslas.

 

    Per aštuonias dienas po to, kai ponas Muskas perėmė socialinės žiniasklaidos platformą, pokyčiai buvo greiti. „Tesla Inc.“ generalinis direktorius pašalino daugumą ankstesnių lyderių, pritraukė darbuotojų iš kitų savo verslo imperijos vietų ir pastūmėjo padidinti „Twitter“ prenumeratos paslaugos kainą, siekdamas, kad ji būtų mažiau priklausoma nuo skelbimų.

 

    Tuo tarpu keli garsūs reklamuotojai, įskaitant maisto įmones „General Mills Inc.“ ir „Mondelez International Inc.“ bei vaistų gamintoją „Pfizer Inc.“, laikinai pristabdė savo „Twitter“ reklamavimą, pranešė „The Wall Street Journal“.

 

    Remiantis dokumentais, kuriuos peržiūrėjo žurnalas, „Twitter“ penktadienio pradžioje pradėjo informuoti darbuotojus apie būsimą užimtumo statusą. El. laiškuose apie atleidimą „Twitter“ nurodė, kad darbuotojai, kuriems buvo priskirtas „nedirbantis“ statusas, ir toliau gaus kompensacijas ir išmokas per atskyrimo datą, kuri vienam asmeniui buvo nurodyta vasario pradžioje, o kitam – sausio pradžioje.

 

    Bendrovė darbuotojams pranešė, kad jie gali tikėtis gauti vieno mėnesio bazinę išeitinę išmoką, praėjus maždaug 45 dienoms po sutarties nutraukimo datos, be to, pateikė nurodymus, kaip grąžinti įmonės turtą, pavyzdžiui, nešiojamuosius kompiuterius. „Twitter“ nepasakė, ar darbuotojai turėtų tikėtis gauti premijas metų pabaigoje, kurios, pasak esamų ir buvusių darbuotojų, istoriškai priklausė nuo asmens ir įmonės veiklos rezultatų.

 

    Darbuotojai, išlaikantys savo pareigas, buvo informuoti, kad jie vis dar yra „Twitter“ darbuotojai ir kad ponas Muskas nekantrauja su jais greitai pabendrauti apie savo įmonės viziją, rašoma žurnalo el. laišku. Laiške priduriama, kad „Twitter“ biurai vėl atsidarys pirmadienį. Ketvirtadienio el. laiške apie laukiantį darbuotojų skaičiaus mažinimą „Twitter“ pranešė, kad jos biurai laikinai uždaromi, ir paprašė darbuotojų grįžti namo.

 

    Nuolatinis naujienų ir permainų ūžesys sukėlė nerimą tarp darbuotojų, o kai kurie reagavo su humoru.

 

    Parkeris Lyonsas, vyresnysis „Twitter“ finansų analitikas, savaitės pabaigoje paskelbė daugybę kartuvių kupinų humoro žinučių, kuriose juokavo apie „LinkedIn“ verbuotojus ir apie nerimą dėl jo el. pašto tikrinimo.

 

    Ketvirtadienio vakarą, kai darbuotojai laukė naujienų apie atleidimą, jis tviteryje parašė: „ar rytoj patikrinsiu savo darbą ar asmeninį el. paštą?"

 

    Kitą rytą jis tviteryje paskelbė memą apie degantį restoraną iš televizijos animacinio filmo „Kempiniukas Plačiakelnis“, palygindamas jį su „Twitter“. Jis parašė vaizdą: „grįžta į darbą“.

 

    Po atleidimo iš darbo atsirado pasipriešinimo prieš „Twitter“ veiksmus ženklų. Ketvirtadienį vykusiame federaliniame ieškinyje saujelė „Twitter“ darbuotojų apkaltino bendrovę, pažeidus federalinius ir Kalifornijos įstatymus, nesuteikus pakankamai įspėjimo apie masinį atleidimą.

 

    Ieškinyje, kurį Kalifornijos federaliniam teismui pateikė penki buvę „Twitter“ darbuotojai, kurie teigė, kad jie buvo atleisti šią savaitę, sako, kad bendrovės atleidimai pažeidė federalinį darbuotojų prisitaikymo ir perkvalifikavimo įstatymą ir jo atitikmenį Kalifornijoje, pagal kurį reikalaujama prieš 60 dienų raštu įspėti, iš karto atleidžiant daug įmonės darbuotojų.

 

    Ieškinyje buvo prašoma teismo priimti įsakymą, kuriuo užblokuotas „Twitter“ nuo tariamų veiksmų pažeidimų.

 

    „Twitter“ iš karto neatsakė į prašymą pakomentuoti ieškinį ar atleidimus iš darbo.

 

    Bendrovėje buvo atleista daugiau, nei 100 projektavimo ir tyrimų pareigas dirbusių žmonių, komunikacijos komanda sumažėjo iki kelių narių, sakė žmonės. Taip pat buvo paveiktos teisės, pajamų produktų ir mašininio mokymosi komandos.

 

    Kai kurias savo vizijas milijardierius išdėstė Niujorko investicijų konferencijoje. Pasak jo, tikslas yra sukurti super programėlę pavadinimu X.com, remiantis planais, kuriuos jis sukūrė daugiau, nei prieš 20 metų, kai padėjo sukurti dabartinę PayPal Holdings Inc. Tokios programėlės  bazė Kinijoje leidžia vartotojams siųsti žinutes kitiems ir siųsti pinigus, be kitų funkcijų.

 

    Ponas Muskas taip pat toliau aptarė savo planą, kuris buvo sukurtas pastarosiomis dienomis, kartais bendraudamas socialiniame tinkle „Twitter“ – padidinti „Twitter Blue“ prenumeratos kainą nuo 4,99 dolerių per mėnesį iki 7,99 dolerių ir suteikti žmonėms, kurie užsiregistruoja, galimybę skelbti ilgos formos vaizdo įrašus ir podcast'us, be kitų funkcijų. „Twitter“ šiuo metu neleidžia vaizdo įrašų, ilgesnių, nei dvi minutės ir 20 sekundžių.

 

    Pasak jo, prenumeratorių paskyros taip pat bus patikrintos, o patikrinto statusas „Twitter“ iki šiol buvo suteiktas tik tiems vartotojams, kurie, „Twitter“ nuomone, yra reikšmingi, ir dabar jiems nieko nekainuoja.

 

    Jis sakė, kad, jei naudotojai yra užsiprenumeravę paslaugą, jų turinys bus rodomas kanalų viršuje, virš šlamšto tvitų. Šiuo metu, pasak jo, sukurti robotą kainuoja mažiau, nei centą. Tačiau, naudojant „Twitter Blue“ prenumeratos modelį „bus per brangu turėti 100 000 netikrų paskyrų“. Tai gali atgrasyti robotų sąskaitų operatorius nuo mokėjimo už patikrinimą.

 

    „Mūsų tikslas yra su Twitter, kaip priversti 80 % visuomenės prisijungti prie skaitmeninės miesto aikštės ir išsakyti savo nuomonę, bei keistis idėjomis ir karts nuo karto apsigalvoti?" - jis pasakė." [1]

 

1. Musk Fires Half Of Twitter's Staff
Needleman, Sarah E; Corse, Alexa. 
Wall Street Journal, Eastern edition; New York, N.Y. [New York, N.Y]. 05 Nov 2022: A.1.