Более заметно изменился набор аутфилдеров, и в результате последовала перестройка структуры организации. Главное, что команда наняла людей, которые могли сообщить машинам, что именно прогнозировать, и использовать этот прогноз для отбора игроков (в первую очередь это Пол Деподеста и другие, их общий вклад в фильме воплотился в персонаже по имени Питер Брэнд, которого сыграл Джона Хилл). Команда также создала новую должность саберметрического аналитика: он определяет критерии положительной отдачи для команды от участия разных игроков. Саберметрический аналитик – разработчик функции вознаграждения в бейсболе; сейчас в большинстве команд есть как минимум один такой специалист, и под разными названиями эта профессия появляется и в других видах спорта.
Улучшенный прогноз создал новую позицию в структуре организации. Ученые-исследователи, специалисты по анализу данных и вице-президенты по аналитике играют главные роли в онлайновых фронт-офисах. В Houston Astros есть даже специальный отдел теории принятия решений, который возглавляет бывший инженер НАСА Сиг Междал. Стратегические перемены также повлияли на то, как команда нанимает игроков. Эти профессиональные аналитики хорошо знают математику, а лучшие из них идеально подбирают задание для прогностической машины. Они обеспечивают суждение.
Возвращаясь к элементарной экономике, на которой основаны все наши доводы, добавим, что прогноз и суждение дополняют друг друга.
Чем шире распространяются прогнозы, тем выше ценится суждение. Команды все чаще нанимают новых советников, у которых не всегда есть непосредственный опыт участия в игре, и они – в соответствии со стереотипом – не очень-то вписываются в атлетическую среду профессионального спорта. Но даже закоренелым «ботаникам» в этой роли необходимо хорошо разбираться в игре, потому что прогностические машины в спортивном менеджменте ведут к повышению ценности людей, способных судить об отдаче и, следовательно, принимать решения, исходя из прогнозов.
Стратегический выбор требует нового суждения
Реорганизация менеджмента бейсбольной команды выносит на свет очередной важный для руководства вопрос, связанный со стратегическим выбором в отношении ИИ. До саберметрики суждение бейсбольных скаутов сводилось к аргументам «за» и «против» отдельных игроков. Но благодаря количественным показателям стало возможным прогнозировать эффективность группы игроков. Суждение перенаправили с изучения отдачи от конкретных игроков на отдачу от конкретной команды. Теперь улучшенные прогнозы позволяют менеджеру принимать решения, в большей степени соответствующие целям организации: устанавливать, какая команда выиграет, а не какие игроки окажутся лучше. Чтобы извлечь максимум из прогностических машин, необходимо переосмыслить функцию вознаграждения для всей организации и действовать в соответствии с целями. Это непростая задача. Помимо набора игроков следует изменить и маркетинг команды и, скорее всего, отвести на второй план индивидуальные показатели. Сходным образом тренеры должны понимать причины, по которым выбрали именно этих игроков, и их роль в составе команды в каждой игре. И наконец, даже игрокам необходимо знать, как их роль меняется в зависимости от того, есть ли у соперников аналогичные прогностические инструменты.
Преимущества, которые у вас уже могут быть
Помимо прочего, стратегия нацелена на извлечение прибыли – кто извлечет прибыль, которую сулит улучшение прогнозов?
Руководители часто утверждают, что данные представляют собой стратегический ресурс, поскольку в них нуждаются прогностические машины. Другими словами, если у вас есть данные за много лет, скажем, по продажам йогуртов, они могут кому-нибудь понадобиться для прогнозирования продаж с помощью прогностической машины. Следовательно, для владельца данные представляют ценность, словно нефтяные запасы.
Такое допущение создает неверное представление о важном вопросе – как и нефть, данные бывают разных типов. Мы описали три: входные, обучающие и данные обратной связи. Обучающие данные необходимы для создания прогностической машины. Входные данные используются для прогностики, а данные обратной связи повышают точность прогнозов. И для применения в будущем нужны только последние два типа. Алгоритмы учатся на обучающих данных, но, как только прогностическая машина заработала, они больше не понадобятся, их можно уничтожить. Данные по продажам йогуртов за минувший период теряют свою значимость, когда созданная по ним машина начала функционировать
[120]. Сегодня они еще могут представлять ценность, но вряд ли это продлится долго. Чтобы сделать из них постоянный источник выгоды, нужно генерировать новые данные – входные или обратной связи – или искать другие преимущества. Плюсы генерации новых данных мы рассмотрим в следующей главе, а сейчас сосредоточимся на другом.
Дэн Бриклин, изобретатель электронных таблиц, создал огромную ценность, но не стал богачом. Куда же делась ценность таблиц? По размеру благосостояния Бриклина далеко обогнали его последователи, такие как основатель Lotus 1–2–3 Митч Капор и глава Microsoft Билл Гейтс, но даже они получили лишь малую ее часть. Вся ценность отошла пользователям и компаниям, сколотившим миллиарды на использовании электронных таблиц. Что бы ни делали Lotus и Microsoft, решения, которые улучшались благодаря электронным таблицам, принадлежали пользователям.
Прогностические машины оперируют на уровне решений, поэтому все это относится и к ним. Представьте себе ИИ, который серьезно упростит складской учет сети супермаркетов. Зная, когда йогурт будет продаваться активнее, вы пополните запасы в нужное время и минимизируете ущерб от нереализованного товара. Изобретатель машин, прогнозирующих спрос йогурта, имеет все шансы преуспеть, но для получения выгоды ему придется договариваться с супермаркетами. Действие по закупке йогурта выполняют они. А без этого действия прогнозирование спроса на йогурты теряет смысл.
С ИИ или без него право действия остается за компаниями. Они извлекут прибыль от освоения ИИ. Но это не значит, что вся прибыль отойдет компаниям, которым принадлежат действия.
Бриклин и его партнер Боб Фрэнкстон не были уверены, стоит ли продавать электронные таблицы. Сохранив их в собственности, они могли бы торговать своими навыками и таким образом извлекать выводы из собственного изобретения. Они отказались от этого варианта – скорее всего, обоснованно, – но для ИИ данная стратегия, вероятно, сработает. Поставщики ИИ могут попытаться обойти остальных участников рынка.
