2013. június 1., szombat
Adatbányászat és sikerdíjas projekt
A legfontosabb, hogy aktualitásként és csak úgy l'art pour l'art, minden laikusnak és szakmabelinek ajánlom az Andengo-blog legfrissebb blogposztját: Pi és a prímek üzenete
Számomra élmény volt olvasni, annyira szívemből szólt. Az említett mindkét forrás számomra is releváns élmények.De nem erről szeretnék a továbbiakban írni :)
A sikerdíj-tárgyra térve nagyszerű és inspiráló blogposzt jelent meg a minap az említett blogon:
Kis pénz kis foci, nagy pénz nagy foci?
Az ebben foglaltakkal is, meg főleg az üzenetével alapvetően egyetértek, én az alábbiakban egy másik (egyébként jóval drasztikusabb) olvasatot szeretnék megosztani a témával kapcsolatban..
(1) Az egész IT-iparban az adatbányászatnak kéne a legtisztább ágnak lennie, a visszamérhetősége miatt, legalábbis az osztályozásnál mindenképpen (ami alapján ugye tárgyilagosan kiértékelhető versenyek is rendezhetők), mégis itt történnek talán a legtöbb és/vagy legnagyobb inkorrektségek meg lyukrafutások az én tapasztalatom szerint mind megrendelői, mind szállítói oldalról. Azért érdekes egy ellentmondás, érdemes lehet ebbe belegondolni.
(2) A sikerdíj analógiájára én definiálnám a kudarcdíj fogalmát is. ;) Óriási vesztesége az iparnak a sok rosszul felépített és/vagy menedzselt adatbányász-projekt. Sokszor van, hogy mindenki anyáz mindenkit (akár pusztán "csak" az ember háta mögött), az őszinte konklúzió levonására alig-alig látni példát. Az üzleti-projektes adatbányászat nem akkora sikersztori, olvasatomban, hogy ne igényelné a számvetést..
(3) Én a magam részéről amennyire tőlem telik egyenesen szabotálni akarom a sikerdíjas projekt-konstrukciókat, a korrekt feltételek definitive is létező hiányának okán. Ha versenyezni akarok, meg sikerdíjra vágyom, akkor ott a Kaggle :) Ha a többi szakmabeli is így tesz, akkor a megrendelők esetleg elgondolkoznak, hogy mennyire üdvözítő az út amit kitűztek maguk elé evvel (némi visszaélés feelinggel).
Miben lehetnek sárosak a beszállítók (hogy a saját portám felöl induljak):
- Előrejelzés címén kopasz logisztikus regresszió, pláne horribilis díjazásért. Pláne, hogy van olyan feladat, ahol nagyon gyengén teljesít a logisztikus regresszió, hiába szereti mindenki.
- Pár magyarázó változóra pár histogram végeredmény, zajként a nagy összképen belül. Adott esetben a komoly üzleti tartalmú összefüggések teljes mellőzésével.
- Egy-két hónapig működik a modell, gyenge prediktálási stabilitás miatt.
- Csak egy prezentáció a végtermék, folyamatintegráció legteljesebb hiányával.
- Nincs monitoring, nincs faltól-falig visszamérés (költség-haszonelemzéssel),
- Sikertelenség nem korrekt konkludálása, ami másoktól is elveheti a levegőt (meg sem születendő hasznos projektek formájában)
- Ugyanazt másutt is eladva: megfosztva a megrendelőket témából származó specifikus comparativ előnyüktől (amiért részben legalábbis fizettek).
Miben lehetnek sárosak a megrendelők?
- Konkréten láttam, hogy egy multicég kb. 28 éves marketing menedzserhölgye, aki Churn-elemzés elött a liftről sem hallott, nemhogy bármilyen minőségi mutatót meg tudott volna fogalmazni, projekt közben 20-40-szeres lifteknél - súgás alapján - kevesellte a modell-recall-t. De olyannyira, hogy képes volt kijelenteni, hogy nem fizeti ki a projektet, sőt belehajszolja a beszállítót a szerződés-nemteljesítés miatti kötbérezésbe. A szállító mehet a bíróságra, ha egyébként minden mást korrekten leszállított.
- Mindezt természetesen eBid után, hogy végletekig menjen lejjebb természetesen a költség. Persze idő nincs, belső vállalati erőforrás nincs, mert más fontosabb (dolgozzon a szállító, majd legfeljebb nem lesz jó és/vagy elszállnak a szállítói költségek).
- Az eBid-hez láthatóan nagyon értenek a megrendelők, de utána a "kegyből megkapott" projektért aztán meg a szállítónak a csillagos eget is le kell hoznia és természetesen iziben, de ami persze adott esetben még mindig elégtelen lehet az elégedettség eléréséhez.
- A titkossági igények miatt alapvető információk el vannak zárva, blackbox alapon kell tenderezni.
- Semmilyen előzetes rugalmas játéktérre általában nincs lehetőség: értelmezésemben ez az adatbányászat halála. Blackbox-ba fejes ugrás sokszr az egész projekt, egy-egy tender megnyerése után is.
- Természetesen kellő távlatú idősoros adatok is hiányozni szoktak, hogy a prediktálási stabilitás sztorija még nehezebb legyen, nem elég ha csak önmagában nehéz.
- Na és a fentiekhez kapcsolódik az újabb adatbányászt potenciálisan tovább zsigerelő sikerdíjazás.
Én azt az utat választottam, hogy nem vagyok hajlandó belemenni a sikerdíjas konstrukciókba. Eddigi - koromból is fakadó - nem rövid pályám során rengeteg üzleti visszásságot voltam kénytelen lenyelni, csak annak az egy dolognak az apropóján is, hogy a pénz mindig az üzletnél van, ugyanakkor ezáltal a projekthez szükséges perdöntő információk és a pénz nem egy kézbe koncentrálódik az esetek döntő hányadában.
De persze vannak jobbító szándékú javaslataim, hogy ne ennyire tragikus hangvételű legyen a posztom, pláne, hogy optimista derüs ember lennék vagy mifene. :)
- Játékteret kell korrekten specifikálni. Ez így túl általános, de talán érthető mire akarok kilyukadni. És konstruktívan kell benne résztvenni. Ha ebben például a megrendelő nem partner, akkor tudni kell megálljt mondani. Ott egyéb lappangó inkorrektségek is esélyesen tudnak később napvilágra kerülni.
- A megrendelőnél legyen (1) vagy idő, (2) vagy értelmes költségkeret (például Kaggle-versenyre), vagy a fentebb rugalmas játéktér, lehessen például kiszállni, ha a korai fázisban kudarcosnak látszik a sztori.
- Ne a szállító feleljen mindenért, állja az összes költséget, stresszet, létezik felelősségmegosztás elve is..
- Válasszuk szét az adatbányászatot klasszikus bevált egzakt valamint inegzakt részekre. Az én jelenlegi álláspontom szerint az elsőre hajlandó vagyok hagyományosan módon tendert is beadni, "győzzön a jobb" jeligével, az utóbbi inegzakt részt viszont kizárólag csak tesztelten megbízható partnernél vagyok hajlandó elvállalni, perdöntően esélyesen inkább csak külföldön.
- Az is egy lehetőség e szétválasztásra, hogy egyik projekt fázisban álljon elő csak az akár versenyzésre is alkalmas egyébként security igényeket is kielégítő csupán számokból álló dataset, frameworkkel, folyamatintegrációval, stb., aztán második inegzakt fázisban induljon a modellezési-hajrá! :)
- Csökkentsük a black-box effektust, ez jót tehet mind a megrendelő, mind a szállító idegrendszerének egyaránt. :).
- Legyen dataset amiben van idősorral: prediktálási stabilitást is lehessen mérni.
- Ha fontos a sikerdíjas koncepció meg a minőségbiztosítás (az inegzakt rész mutatóinál), akkor kedves megrendelő tessék Kaggle-versenyt csinálni, vagy hasonlót saját erőből szervezni.
- Szakadjunk el a lift mágikus primátusától. Nemcsak egy mutató a világ. Annyi okosság van a szakmában: kezdve a klasszikus recall-lal, aztán prediktálási-stabilitás, valódi erős és esetleg időben állandó változók megtalálása valós erő kimutatásával, changepoint detection, öntanuló folyamat javaslat pl.: churn modell váltására (már ez sem sci-fi).
- Vagy legyenek értelmesebb az adatbányász-projektek szerződések jogi szövegezései, vagy nőjön a felek közti "gentleman agreement" hatásfoka, kerülendő a "nem fizetünk" felállást.
- Megjegyzem eddig egy szó sem hangzott el a domain-specifikumról. Ami alaposan ellene dolgozik a sikerdíjnak, ahonnan ugye az egész poszt-felbuzdulás indult. Nem lehet összevetni látatlanba még két biztosítós churn-modell-t sem. Lehet, hogy a gyengébb liftű modellben több a komoly szakmai tartalom, mint a másikban. A Kaggle-versenyek ezért jók, mert ott megvan az összevethetőség.
2013. május 31., péntek
2013. május 20., hétfő
Data Science MapReduce-feladatok
Ígérem nem lesz rendszer a napi két blogposzt. :)
És hogy necsak, a vakvilágba, l'art pour l'art beszéljünk a Data Science-be bimbózó, sőt szárbaszőkő vidámságokról, a Python és Sql után könnyen adódik a MapReduce szépségeiben való elmerülés.
Arra nem vállalkoznék, hogy számszerűsítsem a 2004-es Google ernyője alól kikerült algoritmus jelentőségét, de hogy a világ egyik legjobb mókája vele dolgozni az biztos (és bizton mondhatom evvel nem vagyok egyedül). Hozzá talán egyedül az SQL-t tudnám hasonlítani, az bír ennyire élvezetes lenni még talán (leszámítva és ide nem értve az SQL-nyelvjárások nyűgjeinek kerülgetését).
Magyar anyag nincs oly sok fenn a neten, ez az alábbi frissebb és nagyon szimpatikus (25 diás prezentáció)
CAP, mapreduce, Hadoop
A feladatok Bill Howe(University Washington) feladataiból egy válogatás, ahogy egyébként a múltkori Pythonos és SQL feladatok is tőle származtak eredendően.
1.feladat: http://jsmapreduce.com/
Ez egy kiváló eszköz, hogy nulla overheaddel, maximális élvezettel gyakoroljuk a MapReduce-t. Fizetni sem kell az Amazonas-nak egy centet sem, az csak egy további opció, ha addiktívvá váltunk az eszköz hatására. :)
Először is - minő meglepetés - telepíteni kell hozzá vagy egy Mozilla Firefox, vagy egy Google Chrome böngészőt, merthogy Internet Explorer alatt nem megy. Én nem fogadnék rá nagy pénzben, hogy valaha is elérhető lesz IE alatt is, azaz erre nem érdemes várni... :)
Másodszor kell regisztrálni, ha valaki például a Pythonos menüpontokat a maguk teljességében akarja élvezni. Első gondolkodtató kérdés: vajon a honlap miért sújtja regisztrációs átokkal a Python-t? ;)
Harmadszor, használati utasítás gyanánt, meg lehet nézni - egy szerintem borzalmas minőségű - közel 15 perces - természetesen angol nyelvű - videót a vonatkozó cucchoz. Én ezt ugrottam pár perc után, annyira elviselhetetlennek találtam, különben is eléggé intuitív az egész eszköz, nem kell hozzá semmilyen videó, szvsz.
Introduction to JSMapreduce
És akkor a feladat:
Módosítsuk a pókeranalízist (Sample 2 vagy Sample 4), hogy például a valóságban nemlétező négyes sorokat (4cardstraights) is kalkulálja. Azaz a figurákból (A,2,3,4,5,6,7,8,9,T,J,Q,K,A) tetszőleges négy egymás mellett legyen, bármilyen szín(treff,káró,kőr,pikk) eloszlással. Erősséget tekintve a 4-es sor nyilván gyengébb az 5-ös sornál, és persze kerülni kell, hogy a teljes sor "straight" beleszámolódjon bármelyik 4-es sorba.
Bónusz-kérdések:
- Melyik verziónak érdemes nekiesni? Javascript-esnek, vagy Python-osnak?
- Megfordítva: miért sokkal lassabb a Pythonos? Ennyivel lassabb kód futna esetében?
2.feladat: Klasszikus HelloWorld-jellegű szószámlálás MapReduce-ban (teljes megoldással):
Feladat: számoljuk meg Python programmal, mely szavak hányszor szerepelnek a szövegekben!
Íme book.json file részlete, doc_id-text párokkal.
["milton-paradise.txt", "Book I Of Man ' s first disobedience"]
["edgeworth-parents.txt", "Near the ruins of the castle of Rossmore"]
["austen-emma.txt", "Emma Woodhouse , handsome , clever , and rich"]
["chesterton-ball.txt", "The flying ship of Professor Lucifer sang through the skies like"]
["bible-kjv.txt", "The Old Testament of the King James Bible The First Book of Moses"]
["shakespeare-caesar.txt", "Enter Flauius , Murellus , and certaine Commoners ouer the Stage"]
["melville-moby_dick.txt", "The pale Usher -- threadbare in coat , heart , body , and brain"]
Fog kelleni egy - feladatosztályt érintően nem változó - MapReduce.py, osztály-definicióval, ha szimulálni akarjuk a MapReduce működését egyszerű eszközökkel (megírandó programjaink mellé).
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
import json
class MapReduce:
def __init__(self):
self.intermediate = {}
self.result = []
def emit_intermediate(self, key, value):
self.intermediate.setdefault(key, [])
self.intermediate[key].append(value)
def emit(self, value):
self.result.append(value)
def execute(self, data, mapper, reducer):
for line in data:
record = json.loads(line)
mapper(record)
for key in self.intermediate:
reducer(key, self.intermediate[key])
#jenc = json.JSONEncoder(encoding='latin-1')
jenc = json.JSONEncoder()
for item in self.result:
print(jenc.encode(item))
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
Illetve kell egy wordcount.py, ami a feladatot megoldja:
Futtatás: python wordcount.py books.json
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
import MapReduce
import sys
mr = MapReduce.MapReduce()
def mapper(record):
key = record[0]
value = record[1]
words = value.split()
for w in words:
mr.emit_intermediate(w, 1)
def reducer(key, list_of_values):
total = 0
for v in list_of_values:
total += v
mr.emit((key, total))
if __name__ == '__main__':
inputdata = open(sys.argv[1])
mr.execute(inputdata, mapper, reducer)
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
3.feladat: Adott továbbra is a book.json bemeneti file.
Módosítsuk az előbbi szószámláló progit (inverted_index.py), úgy, hogy minden szó mellé listában irassuk ki mely (doc_id-val azonosított) szövegekben fordul elő az adott szó.
Kimeneti minta:
["all", ["milton-paradise.txt", "blake-poems.txt", "melville-moby_dick.txt"]]
4. feladat: Adott egy records.json bemeneti file, alábbi mintával.
Ez tartalmazza a rendeléseket, és a rendelések tételeit.
A második oszlop (mindkét rekordtípusnál) az order_id, utána még teszőlegesen sok attribútum lehet.
Írjuk át MapReduce-ra az alábbi SQL-lekérdezés: join.py
SELECT *
FROM Orders, LineItem
WHERE Orders.order_id = LineItem.order_id
["Orders", "1", "36901"...]["LineItem", "1", "155190"...]
5.feladat: Adott egy friends.json bemeneti file, alábbi mintával.
Mindenki nyilatkozott kit tekint barátjának. Ebből következik, hogy a barátság nem kommutatív. Ha "A" barátjának érzi "B"-t, abból nem következik, hogy "B" barátja "A"-nak. Listázzuk ki MapReduce-szal az asszimmetrikus barátságokat: asymmetric_friendships.py
["Myriel", "Geborand"]
["Myriel", "Champtercier"]
6.feladat: Adott egy dna.json, génszekvencia-id illetve génszekvencia-string párokkal.
MapReduce segítségével töröljük minden génszekvenciából az utolsó 10 karaktert, majd deduplikáljuk az összes génszekvenciát (minden csonka génszekvenciából egy maradjon a kimenetre): unique_trims.py
7.feladat Adott egy matrix.json bemeneti-file, alábbi mintával.
Két ritka mátrix (a,b) valós, nem-nulla elemeit tartalmazza (sor,oszlop,érték)
MapReduce segítségével számoljuk ki a szorzat mátrixot: multiply.py
["a", 0, 0, 63]
["b", 0, 0, 61]
Mi a különbség a Data Miner("adatbányász") és a Data Scientist("adattudós") között?
v1.5 (utolsó módosítás: 2015.05.14
Létezik a címbeli kérdésre egzakt válasz? Kötve hiszem, de az biztos, hogy én nem tudom.
Mindenesetre blogposztot írni lehet róla azért, főleg ha egyre többet bukkan fel ez a "Data Science"-cucc, lépten-nyomon. ;)
Magam annyira régen végeztem az ELTE programtervező matematikusi szakán, hogy nemhogy a "Data Scientist", de még a "Data Miner" sem hangzott el a képzés alatt (1987-ben kezdtem az egyetemet)
Három megközelítés:
(1)
Egy amerikai eredetű slide egyike ez volt:
- What are the abstractions of data science?
- “Data Jujitsu” + “Data Wrangling” + “Data Munging” = Translation: “We have no idea what this is all about”
Big Data Curricula at the UW eScience
Az én saját értelmezésem szerint:
Data Jujitsu: Az amikor nem a feladatot nyers konkréten azonnal felmerült formájában oldjuk meg, hanem találunk a feladatnak egy másik megfogalmazását, ami nagyjából ugyanazt az outputot adja, ami nekünk kell, csak sokkal kevesebb erőfeszítéssel. Röviden feladat-átfogalmazás. Az adatbányászatot leginkább ennek részének érzem.
Data Wrangling Általános véve olyan data-prepocessing adattranszformációs lépése egy iteratív folyamaton belül, ami a jobb felhasználást/modellezést segíti elő. Adattisztítás éppúgy része, mint a data mining feature extraction.
Data Munging Általános véve zajos adatok tisztábbá tétele, mind rekord, mind mező szinten. Jobb/tisztább inputon való modellezés esélyesebben ad értékesebb outputot.
(2)
Egy másik slide-on ez a Venn-diagram volt, három gombóccal:
(3)
Egy harmadik slide-on meg ez:
Empirical + Theoretical + Computational
Azt gondolom ezek mind érdekes észrevételek, de csak kapargatják a felszínt a kérdésünk megválaszolásának kísérletéhez.
Anno az én eredeti megközelítésem az volt, hogy az adatbányászatnak négy aspektusa van:
- Matematikai (statisztikával, mátrixokkal, mesterséges interlligenciával, etc.)
- Mérnöki/Műszaki (operációkutatással, kombinatorikus optimalizálással, tanuló algoritmusokkal, nagy tömegű értékes és értéktelen adatokkal etc)
- Informatikai (adatbázisokkal, korszerű programozási nyelvekkel, üzleti intelligenciával, etc)
- Közgazdászi (üzleti kommunkikációval, adatvizualizálással, tálalással, eladással, projekt-/pályázat-nyeréssel, üzleti aspektusokkal, (mikró-/makró-)ökonomiával, ökonometriával, stb.)
Ahogy jelenleg én ezt a kérdést látom - ebben a gyorsan változó világban - a Data Scientist felülről kompatibilisnek "van szánva" az adatbányásznak. A Data Scientist tudáskészletének valós részhalmazává válik az adatbányász tudáskészlete. Nem lesz olyan "skill", ami csak az adatbányászé lenne, a Data Scientisté nem, kérdés, hogy mi a helyzet a fordítottjával.
A tévedés jogának fenntartásával azt vélelmezem, hogy egy adatbányásznak nem feltétlen kell tudnia a párhuzamos programozást tudnia. Főleg Magyarországon (az ehhez szükséges "big data" datasetek hiányában például). Következésképpen a Hadoop és az infrastruktúrája, akárcsak a 2004-es MapReduce algoritmus részletei bőven hidegen hagyhatja az adatbányászt, tudhat dolgozni nélkülük.
Hasonlóan az adatbányásznak elég lehet a black-box cuccok alkalmazása (pl.: neurális háló), nem kell neki feltétlen megértenie a black box működését - maximum magyaráznia :). A Data Scientist meg esélyesen válhat addiktivvá, hogy a black box mélyére ásson, hogy kifehérítse azt. Tágabb kontextusban pedig az is lehet egy vízió, hogy egyre több Data Scientist számára válik egyre inkább napi gyakorlattá a kutatás - implementálás - (angol) szakmai cikk/tanulmány publikálás, ami (legalábbis itthon Magyarországon) eddig jellemzően az egyetemi/akadémiai szféra sajátja volt.
Ugyanígy egy adatbányásztól - jelenleg semmiképpen - nem elvárás (idő és komplexitás rendben) például (az alap Java-n felül) a Python, Ruby, Clojure, Scala, Haskell, Erlang programozási nyelvek effektív használata. Azt jelenleg nem tudom, hogy a Data Scientisttől én elvárnám-e, illetve a jövőben elvárás lesz-e, de sejtés szinten azt vélelmezem, hogy el kéne várni. Ahogy az egyetemen is sok száraz matekot tanultunk, amit aztán ugyan közvetlenül nem használtunk ki a való életben, de persze másképp azért kamatozott az, hogy ilyesmikkel is "vívtunk" (absztrahálás, látókör-bővülés, agyműködés-serkentés, stb.)
Vagy éppen adatperzisztenciánál elég lehet text-állományok, vagy relációs adattáblák olvasása, írása, miközben evvel párhuzamosan az eddig megszokott szemléletekkel gyökeresen szakító NoSql- vag gráf-adatbázisok világa is egyre inkább forrong napjainkban. A bonyolultabb struktúrálatlan adatokról már nem is beszélve....
Végül az is lehet egy vízválasztó szempont, hogy míg az adatbányász Amazon S3-ig is elmenően tudhat önjáró lenni, addig a Data Scientist-re esetleg még további csoportmunka és/vagy folyamatvezérlésből adódó követelmények is várnak
Ahogy én érzékelem az elmúlt nagyjából 10 (magyarországi) év alapján: az adatbányász, eddig bőven megélt, ha a fent vázolt négy aspektusból legalább az egyikben erős volt, egy Data Scientist-től lehet, hogy elvárás lesz egyformán erősnek lennie mind a négyben, hogy egyre mélyebben értse az egyes aspektusokat egy egyre szélesebben vett interdiszciplináris tudományágban.
A végére maradt a legizgalmasabb aspektus. Van-e különbség Data Miner és Data Scientist között, ha nevezetesen ugyanazt a személyt takarja mindkettő :)
Azt gondolom igen és perdöntő különbség lehet. Még pedig a domain vonatkozásában.
A domain-függetlenség világa az adatbányászversenyek világa, ahol egyetlen pillanatban kell a legjobbat produkálni, az adatok mögött lévő tartalom firtatása nélkül.
Az üzleti világban
- Nem elég egyetlen pillanatban gondolkodni, hiszen ez az éhenhalás útja lenne (a prediktálási stabilitásról már nem is beszélve).
- Nagyon kell tudni érteni az adatok mögötti világhoz.
- Olyan kérdéseket kell tudni megfogalmazni, kicsikarni, ami tízből kilencszer nem jut eszébe az embernek, sőt még a megrendelőnek/szakértőnek sem.
- Úgy kell tálalni (vizualizálni, prezentálni, etc.), hogy ne aludjanak el rajta a hallgatók.
- Olyan üzleti vitákat kell megvívni, ahol nincs jogorvoslati út, nincs bíróság, hogy igazságot tegyen.
Az én nagy kérdésem a jövőt illetően, hogy az egyre komplexebbé váló Data Scientist hogyan fog tudni érdemben kommunikálni a rajta kívül eső világgal.
Update-1: Ahogy olvasom vissza a blogposztot felmerült bennem a kérdés, mennyiben helyes angol "Data Scientist"-et írni a magyar "adatbányász"-szal párbaállítva. De nem egységesítek. Talán ez is mutatja, hogy míg az "adatbányász" egyre közkeletűbb(en érthető) fogalom, addig a Data Scientist még úgy újabb, hogy magyar megfelelője nem igazán alakult ki.
Update-2: Találtam egy érdekes ábrát. Annyira nem nagy merészség az adatbányászatot a BI részeként tekinteni. Ha ez jogos, akkor máris érdekes kérdés, hogy a BI hogyan viszonyul a Data Science-hez.
Steve Miller: Data Science - Part 2 (2011-05-03)
2013. május 12., vasárnap
Data Science-s SQL és Python gondolkodtató feladatok
1.
Kollégáim meg hajdanvolt szép emlékű SQL-levlistások körében tudott dolog volt, hogy mindig szerettem és gyűjtöttem a frappáns (demó, állásinterjús) SQL-feladatokat, amiknek ismérvei:
- Könnyű és rövid legyen elmondani
- Ne legyen benne félreértési lehetőség (egyértelműség mindenek elött)
- Rövid ám elegáns legyen a megoldás
- Annyira azért ne legyen triviális.
- stb.
Sikerült beleszaladnom egy nagyon szép SQL-feladatba.
- Adott két - egyszerűség kedvéért - 10.000 x 10.000 négyzetes, ritka, nem-negatív mátrix.
Mivel ritkák a mátrixok így csak a nullától különböző elemeket tároljuk (sor,oszlop,érték)
- Írjunk egy - akár Sqlite-ban is futni tudó - SQL-t, amelyik tetszőleges általunk választott elemét megadja a szorzat-mátrixnak.
2. És egy komplementer nem-SQL (hanem Python-) feladat is, ha az előbbi túl gyorsan meglenne :)
- Szedjük le a Twitter forgalmának (egy részét)!
- Ignoráljuk a nem angol nyelvű üzeneteket!
- Ignoráljuk az USÁ-n kívül feladott üzeneteket!
- Rendeljük hozzá az üzenetek szavaihoz egy-egy érzelmi koefficienst (szótár alapján)
- Kreáljunk a szótárban nem létező egyéb szavakra - lehetőség szerint minél intelligensebben - érzelmi koefficienst (ha a szöveg környezetben inkább pozitív szavak vannak, akkor nagyobbat, ha inkább negatívak, akkor kisebbet)
- Határozzuk meg , hogy a Twitter-üzeneteket melyik USA-államban adták fel (ugye a mobiltelefon meghatároz egy geolokációs kódot, abból kell valahogy kitalálni az USA-államot).
- Mindezt azért, hogy végül megmondhassuk, hogy melyik a legboldogabb USA-állam, a lekapott Twitter-adatforgalom pillanatában (vagyis, ahol összesítés után a legtöbb pozitív érzelmű twitter-üzenetet adták fel és egyúttal legkevesebb negatívat)
2013. február 18., hétfő
Big Data csak hype lenne? II.
Nem hittem volna, hogy ilyen hamar sor kerül a második menetre. Az apropót az alábbi cikksorozat adta:
Big Data: Az adatok ébredése, avagy a társadalom újragondolása az adatsokaság nyomán
Big data sorozat (0. rész) – Mit jelent és mire jó a ’Big Data’?
Big data sorozat (1. rész) – Hype és valóság
Big data sorozat (2. rész) – Újratöltve
Big data sorozat (3. rész) – Szkepticizmus
Big data sorozat (4. rész) – Forradalmak
Big data sorozat (5. rész) – Szép remények
Big data sorozat (6. rész) – Pillanatkép
Előljáróban, roppant szélsőséges a véleményem a cikksorozattal kapcsolatban. Vannak totálisan érdektelen fejezetek, van amitől sírni tudnék, annyira kiábrándító, és van amivel nagyon egyetértek, meg sem tudtam volna ilyen frappánsan fogalmazni.
Lássuk a témákat, részleteket:
-1.RÉSZ
Sajnos nagyon szerkesztetlen a minusz egyedik rész. Körkörösen vissza-visszatér egy-egy aspektushoz, ismétlés jelleggel. Én próbáltam tömöríteni és szerkeszteni, de túl nagy sikert nem tudtam aratni evvel.
A mínusz egyedik rész rögtön in medias res etikai aspektussal nyit. Ha eddig csak etikai megfontolások megválaszolásával küzdöttek az adatbányászok, akkor a Big Datával ezeket az idevágó problémákat nyugodtan négyzetre emelhetik.
Ugyan a felvezető bekezdés 50-50%-os arányt sugall, hogy lehet jó és rossz célra egyaránt használni a Big Datát, de amikor a Big Data benyomul az egyes ember privát szférájába, aszerint, ahogy a cikk nyit, hozzágondolva, hogy az "egyes ember" érdemi kontrollja nélkül, azt nehéz védeni bármilyen nemes cél érdekében. Bár van a mondás, hogy "cél szentesíti az eszközt", azért ennek ilyetén látványos előretörése szerintem nem sok jóval kecsegtet, már rövid távon sem. Ha valaki ilyen aggályok felöl közelít a Big Datához, azt teljes szívvel meg tudom érteni.
Apropó költői kérdés: tud-e valaki akár csak egyetlen jó célt mondani abban a vonatkozásban, hogy mint dr.House úgy tekintünk az emberre, mint aki biztosan és mindig hazudik? Mert én nem tudtam ilyet konstruálni. Cikkben előkerül a cukorbetegség (detektálása), mint felhasználási terület. Ha egy pillanatra el is fogadjuk, hogy a cukorbetegség-detektálásnak a Big Data egy zseniális alternatívája (én erősen szkeptikus vagyok már ezzel a "zsenialitással" szemben is), azért ennek egy korábbi blogposztban vesézett active learning-es verziója sokkal barátibb és elfogadhatóbb. Minden konstruktivitásom meg pozitív életszemléletem mellett is, hányan vagyunk, akik engednénk, hogy például gyógyszergyárak gyűjtsék idevágó Big Data adatainkat?
Meg aztán az is felvetődik az emberben, cukorbetegségen túllépve, hogy mi van, ha viselkedés-analízis során a Big Data által gyártott prekoncepció a hibás, adott ember vonatkozásban? A szoftveres analízis "hazudhat", még akár tömeges léptékben is, csak az egyes ember nem? Én nem dobom sutba a Big Datát mindezek miatt, csak az ilyetén felhasználási megközelítéseket. Azt gondolom, a Big Data sokkal általánosabb ennél. A kést is lehet rossz célra is használni, meg a konyhában jó célra is.
A lényeg pedig abban rejlik, hogyan kapcsolódnak egymáshoz az emberekNem kérdés, a kapcsolatok, a kapcsolatokon futó interakciók óriási adatmennyiséget generálnak, és valóságos információs kincsesbánya. A hálózatkutatás már régóta fókuszál az ebben rejlő potenciálra. Mondjuk jó és rossz oldal világosan el tud válni itt is. Csermely Péter kutatásaiban jobban megbízom a magam részéről, mint egy-két kereskedelmi alkalmazásban, lásd pl.: Facebook.
A jövő sikeres társadalmi rendszereinek titka ennek megértésében rejlik. Túl kell lépni a komplexitás, az adatelemzés vagy a webes elemzés fogalomkörén, és az embereket is bele kell vonni a megfigyelésekbe. Az óriási adathalmazok ezt ígérik számunkra, betekintést kínálnak a mai technológiai társadalom rendszerébe. Ha az ember sikeresen megérti az összefüggéseket, akkor nekiláthat a hibák kiküszöbölésének, és erősebb rendszerek kiépítésének. Talán sikerülhet olyan pénzügyi rendszert létrehozni, amely nem dől össze, olyan kormányt választani, amely működőképes, vagy olyan egészségügyi rendszert, amely tényleg végzi a dolgát.Na ezt a hagymázas képzelődést a társadalmi reformról valami iszonyú szörnyű volt olvasni - a hozzáilleszkedő további bekezdésekkel együtt. :o( Ez még akkor is felelmetesen hangzik, ha nem lenne semmi korrupció a világban. Mondjuk én a magam részéről nem is hiszek abban, hogy lenne az egésznek bármilyen reális alapja: szerencsére. Bár biztos fognak beleölni egy csomó pénzt, nincs kétségem felőle.
Mondjuk a cikk maga is, azért sorolja magától is a Big Data-problémákat:
(1) A fals összefüggések megállapítása persze nem kerülhető elAz én gondom az idevágó bármily jóindulatú szabályozási kísérletekkel, hogy nem látom számonkérhetőknek. Márpedig minden szabályozás annyit ér, amennyit sikerül belőle betartani.
(2) Maguk az adatelemzők sem rendelkeznek túl sok intuícióval
(3) Új módszer elfogadtatása az emberekkel (itt a döntéshozókkal)
(4) Támadási felületet is jelent, egyfajta 'Nagy Testvér mindent lát' pozíciót. George Orwell sem volt ilyen kreatív, amikor az 1984-et írta....Ebben az új világban George Orwell egy fantáziátlan kívülálló.
Az internet generáció szülöttei lehetnek a legnagyobb ellenzők, hiszen (nem megbántva őket) olyan világban szocializálódtak, ahol a Facebook vagy a Google teljesen szabályozatlan és szabad. Azt képzelik, hogy rendelkeznek az adatokkal, amiket megosztanak, de lassan, nagyon lassan rá kell döbbenniük, hogy ebben a kérdésben kompromisszumokra lesz szükségük.Én azt gondolom analógiaként, hogy előbb volt atombomba, mint atomerőmű. Az egész témát nem valamiféle "jó cél"-nak megfelelés "drive-olja". A pénz sem, a motiváció sem onnan jön.
0.RÉSZ: Mire jó és mit jelent a Big Data?
Mi a Big Data és mi nem.?
Na rögtön az első ponttól azonnal dobtam is egy hátast - a másodiktól már korábban is ugye. ;). Nem akartam hinni a szememnek, amikor olvastam. És ezt sikerült összhoznia annak az embernek (Sandy Pentland), akit a világ 7 legjobb adatbányásza közé sorolnak (Mi alapján is?). Vagy én vagyok nagyon eltévedve, vagy az komplett baromság, hogy a Big Datát a "viselkedés"-topikra redukáljuk. Már csak azért is, mert akkor Behavioral Big Datának kéne hívni. Ha már a definiciónál elkezdődne a sumákolás, akkor később ki fog hinni a szakmának?
- A Big Data nem a Facebook bejegyzéseket vagy Google-keresésekre vonatkozó információkat tartalmazó adathalmaz, hanem az emberek tényleges viselkedéséről szóló információkat tartalmazza.
- Az adathalmaz az emberi viselkedés nyomait követi figyelemmel. Az vagy, amit csinálsz, és nem az, amit állítasz magadról.
- Az adathalmaz elemzése segíti előre jelezni a várható viselkedést – ha látunk egy adott viselkedési mintát, akkor következtethetünk a többire is annak alapján, mely társadalmi csoportról van szó.
- Az adathalmaz a kapcsolatrendszerekre épül, főleg az emberi kapcsolatokra (szemben korábbi módszerekkel, melyek kihagyták az emberi tényezőt).
- Igazán nagy mennyiségű adathalmaz esetében a statisztika jelentősége elveszik, hiszen szinte minden adat relevánsnak minősíthető.
- Az ember ösztöneire, ítélőképességére szükség van ahhoz, hogy a fals összefüggéseket kiszűrjük.
- Az adathalmaz társadalomkutatásra is felhasználható – összesített fogalmak helyett az egyének kapcsolatrendszereit helyezi előtérbe – a megszemélyesítés is egyszerűbb így.
- A szakma prominensei közül sokaknak új még ez a módszer.
A harmadik pont elfogadható állítás tud lenni (negyedikkel együtt). No nem abban a kontextusban, hogy a több adat definitive sikeresebb következtetéshez vezet (mert nem). Hanem, mert minőségi ujdonságot rejt magában potenciálisan a Big Data: az erősebb magyarázó erő tudhat jobb - például - prediktálást.
Szerintem az ötödik pont így ebben a formában nem állja meg a helyét (intuició alapján, azaz tévedhetek). Nyilván a statisztika önmagában nem elég a Big Data kezeléséhez. Azért én mégsem kukáznám az eszköztárból.
Hatodik pont maximálisan elfogadható. Csak gép itt is mindig kevesebb lesz, mint a gép+ember kombó. Amióta csak adatbányászat van, ez mindig így volt. És jelenleg én nem látok reális alapot olyatén spekuációkra, hogy ez meg tudna változni.
A hetedik-nyolcadik pont számomra űrtöltő felesleg: nem foglalkozom velük.
Mire jó a ’Big Data’?
Ezek pontok számomra alapvetően hamisak, egy rossz cél, rossz alkalmazására redukálva. :o(
- Az adathalmazok elemzése során személyi adatokat használunk fel, így az adatvédelem kulcskérdés.
- Óriási lehetőségek rejlenek új társadalmi rendszerek megteremtésében annak alapján, ahogy az emberi kapcsolatok szerveződnek, ez pedig segíthet egy igazságosabb és stabilabb világ megteremtésében.
- Szintén nagy segítség lehet az olyan problémák kezelésében, mint a vírusok terjedésének megállítása vagy a globális felmelegedés mérséklése.
- Az adat annál többet ér, minél szélesebb körben lesz megosztva, tartózkodni kell azok raktározásától.
- A kormányok és a legtöbb cég üdvözölné az embereknek saját személyes adataik felett gyakorolt tulajdonjogát - a Google és a Facebook egyelőre kitartanak.
- Az adatok megosztott formában sokkal erősebbek, megvédik az egyéneket az adataik központosításától.
Kezdve ott, hogy az lenne jó a Big Datában, hogy veszélyben az ember privát szférája, amivel külön kell foglalkozni (1. és 5.pontok)? Ez a legnagyobb előny? Akkor mi lehet a hátrány? ;)
A vírusterjedéssel, már a hálózatkutatás is régóta foglalkozik. Ehhez szerintem nem kell Big Data. Ez így ebben a formában számomra csak rosszízű marketing-bullshit, kedvcsinálónak és disznóságok elfedésére.
Nem hiszek a négyes pont realitásában. A gazdagabb és erősebb több adatot fog birtokolni, és tojni fog arra, hogy továbbossza. A történelem tanusága szerint legalábbis.
Egyedül a 6.pont az elfogadható és támogatható. Analógia: egy Facebookkal szemben szívesebben támogatja az ember mondjuk a Diaspora-kezdeményezést. Azt gondolom egyébként, hogy a Facebook jó előtanulmány lesz az egész Big Datához. Ha a Facebook topon marad és/vagy erősődik, akkor a Big Data félelmeknek is egyre reálisabb alapja lesz.
1.RÉSZ: Hype és valóság
...a Netflix saját algoritmusának hibája 0.95 volt (négyzetes hiba, RMSE) ami azt jelentette, hogy előrejelzési képességei meglehetősen gyengék voltak.Na ettől a bekezdéstől megint dobtam egy hátast. A szakmai részeletekbe nem belemenve, csak annyit kérdeznék MIHEZ képest gyenge? És valószínűleg azért tarolnak az ajánlórendszerek (csak itthon Magyarországon is), mert gyengék. Ilyen szakmai alapokon akarunk "új társadalmat építeni"? ;) [Most arról nem beszélve, hogy ha már ilyen részletesen belement a cikk a Netflix-versenybe, illett volna magyar vonatkozást is mellétenni (hajszállal is kevesebbel maradt le a második helyezett magyar csapat)]
...az arra vonatkozó átlagos előrejelzési mutatót, miszerint hogyan fognak a nézők egy filmet értékelni, kevesebb, mint 0.1 csillaggal sikerült javítani, pontosítani.Szakmailag ez még felháborítóbb bekezdés az én olvasatomban. Igen 0.1 csillaggal. De könyörgöm mihez képest?
Az elemzők oly módon állapítják meg ezeknek az elpártoló fogyasztóknak a számát, hogy az ún. ’lift’ módszert alkalmazzák (lift=speciális adatbányász módszer).És amikor az ember azt hinné már nem lehet fokozni a fokozhatatlan, akkor belefut ebbe a bekezdésbe.Nézzük:
(1) A LIFT nem módszer ebben a kontextusban tárgyalva, hanem (hatékonysági)mutató
(2) Az elpártoló fogyasztók számának előrejelzéséhez nem kell adatbányászat. Az elpártoló fogyasztók azonosításához kell az adatbányászat, ami azonosítás mellé aztán akciótervet kell tenni.
Ha valakit érdekel a LIFT, önreklámként itt egy korábbi posztom (ha már ennek a blognak is a nevében benne van a dolog. ;)
A bank és a telekommunikációs szektor harmic különféle elpártolási módját vizsgálták meg és meglepő módon – bár különböző adathalmazokat és algoritmusokat használtak – hasonló eredmények születtek. A top 1% elpártolóinak 9-11-es liftje voltElőször is ez így semmit nem ér: hiányzik az infó, hogy meddig élt a modell. Nem mindegy, hogy 1 hónapig, vagy 5 évig produkált a modell ilyen LIFT-et. ;)
Másodszor, nekem nagyon nagy szerencsém lehetett, ráadásul itthon Magyarországon, amikor termékspecifikusan, Clementine-kalkulálta (szigorúbb) 40-szeres LIFT-et ostromoltam, de általánosan és hónapokon átívelően is konstans 20-szorosat tudtam felmutatni (objektív visszaméréssel). [Azt már nem is említve, hogy az erőszakosan mohó és telhetetlen megrendelő még ennek sem tudott örülni, hogy kenyértörésig vitte a recall-mutató adott pénzügyi konstellációban indokolatlan és inkorrekt minden határon túli javítását.]
Mindez azt jelzi, hogy az előrejelzés meglehetősen pontatlan módszer az elpártolás megfigyelése esetében.Erre én már csak azt tudom mondani, parafrazálva Weöres Sándor költőt, hogy "az egész világ hülye, nekem a seggemben is fejem van". Féligazság persze van ebben is. Ha sikerül erősebb magyarázó változót találni, vagy van lehetőség call-centeres ügyfélhívásokat elemezni, akkor lehet jobb churn-modellt építeni, azaz lehet különbség churn-modell és churn-modell között, adott vállalaton belül is. Csak hát ezt le kellene írni, ugye.
Az aktuális részből hátralévő sorokkal már szerencsére nem kell foglalkoznom. Éppen elég tortúra volt az eddigiekkel. ;) A második részt is ignorálom (immáron kompletten), ugyanilyen alapokon. nagy szerencse, hogy van lehetőség felpörgetni az eseményeket, hiszen már így iszonyú hosszú ez a blogposzt.
3.RÉSZ: Szkepticizmus
Itt is elsősorban két dolog érdekes:
Volt egy forrás, amit referenciaként sokan megjelöltek előadásukban, ez pedig az IBM 4V elmélete: Volume, Velocity, Variety, Veracity (terjedelem, gyorsaság, sokszínűség, valódiság). A terjedelem adott, hiszen big data-ról beszélünk. A második V azt jelzi, az emberek milyen gyorsan akarnak hozzájutni az adott információhoz. A sokszínűség arra emlékeztet minket, hogy a big data egy szervezetlen adattenger, tele fotókkal, videókkal, nyílt végű válaszokkal. A valódiság pedig azt jelzi, hogy az adott információ korrekt és megbízható-e.Egyszerű és nagyszerű. Mondjuk nem nehéz hasonlót megfogalmaznia az embernek. A pár nappal korábbi posztom vége felé hasonlót én is ígyekeztem elkövetni, kicsit más kontextusban, és saját kútfőből.
Ray Poynter szerint számos kulcstényező van, ami befolyásolja a big data-ban rejlő potenciált:Nekem és első olvasatra az 1. pont roppant zavaros így ebben a formában.
- A big data csak azt méri, ami meghatározott körülmények között történt. A matematikusok gyakran használják az interpoláció módszerét annak érdekében, hogy megbízható eredményt kapjanak (az értelmezési tartományon belüli értékek becslése). Ezzel szemben az extrapoláció (kikövetkeztetés) vagyis valaminek az előre jelzése mindig nehéz és problematikus. (Ilyenkor a a már valamennyire ismert értelmezési tartományon kívül eső szakaszokra adunk közelítést.)
- Ha egy inputhoz random vagy nem releváns adatokat kötünk, akkor az kevésbé egyértelművé válik. A megfelelő működéshez el kell távolítani ezeket a spontán, irreleváns adatokat. Ha például vásárlási adatokat gyűjtünk, és ennek során minden lehetséges adatot összeszedünk, akkor azt csak úgy értelmezhetjük, ha az irreleváns dolgoktól megszabadulunk – a nagyobb tehát nem feltétlenül jobb.
- Ha az összegyűjtött adatok egymással mind korrelációban vannak (multikollineárisak), akkor a legtöbb matematikai elemző módszer nem lesz sikeres – instabil előrejelzések születnek így.
- Néhány viselkedésmotívum meglehetősen kaotikus. Ha változtatunk az inputon, akkor változni fog az output – azonban előre nem jelezhető módon.
Kérdéseim:
- A Big Datát nem akarjuk használni extrapolációra? Ez így nekem megmosolyogtatóan hangzik.
- Mi az hogy értelmezési tartomány ebben a kontextusban? (Gondolom az időre gondolnak, például előrejelzésnél)
- Az előrejelzés, mint spéci osztályozás, rendelkezik avval a nagyszerű lehetőséggel, hogy visszamérhető múltbéli adatokon. Az egész extrapoláció-lány fekvése így kicsit másképpen néz ki nem? Plusz ezt talán meg lehetett volna említeni, nem?
- Az én olvasatomban az ignorálandó extrapoláció az, amikor a klímahisztizők, 100 év 0.75 fokos hőmérsékletemelkedéséből vízionálnak 8 fokos hőmérsékletemelkedést az elkövetkező pár tíz évben, méréses - Big Data - alapján..
A 2-3-4 pontok így első ránézésre hellyel közzel rendbevannak, sőt érdemes szem elött tartani Big Datától függetlenül is.
4.RÉSZ: Forradalmak
A rész eleje megint ismétléssel indul azt ugrom.
Ami viszont utána jön, azt végre nagy örömmel olvastam. Csak ezért érdemes volt belevágnom ebbe a blogposztba. Kár hogy nullához konvergál azok száma, akik idáig eljutnak az olvasásban.
Azt godolom nagyon érdemes megfontolni. Különösen, hogy milyen hátrányban vagyunk itthon Magyarországon e téren.
A menedzsment öt kihívása
A cégek csak akkor lesznek képesek learatni a big data mozgalom babérjait, ha kellően alkalmazkodnak a változásokhoz. Van öt terület, ami különösen fontos ebben a kérdésben.
VEZETÉS. ...mert olyan vezetői gárdával bírnak, amely egyértelmű célokat jelöl ki, definiálja a sikert, és a megfelelő kérdéseket teszi fel. A big data nem teszi feleslegessé a víziókat, az insightok fontosságát. Épp ellenkezőleg, ma is szükségünk van olyan vezetőkre, akik meglátnak egy nagyszerű üzleti lehetőséget, értik a piaci fejlődés menetét, kreatívak és céltudatosak, sajátos meglátásokkal rendelkeznek, van meggyőzőerejük, képesek a kemény munkára.
TEHETSÉGEK MENEDZSELÉSE. A legfontosabbak talán azok a képességek, amellyel megtisztítjuk és rendszerezzük az adatokat; hiszen az adatok manapság ritkán lelhetőek fel rendszerezett, strukturált formában. Az adatok megjelenítésének eszközei hasonlóan értékesek lesznek. ...áthidalni a korreláció és az ok-okozati összefüggések között lévő szakadékot. A legjobb adathalász szakemberek képesek az üzlet nyelvén beszélni, és segíteni a vezetői réteget abban, hogy olyan új megoldásokat találjanak... Nem meglepő, hogy pokoli nehéz ilyen szakembereket találni, mert óriási igény van rájuk a piacon.
TECHNOLÓGIA. A big data terjedelmét, sebességét és sokszínűségét kezelni tudó technikák rendkívüli mértékű fejlődésnek indultak az utóbbi években. Ezek a technológiák nem vészesen drágák, a legtöbb használt szoftver nyílt forráskódú. Az egyik leggyakrabban használt keretrendszer, a Hadoop a beérkező adatokat olcsó lemezeken tárolja, emellett azok elemzésére is kínál eszközöket. Persze ezek az szoftverek olyan képességeket is igényelnek, melyek ma még hiányoznak a legtöbb IT-részleg fegyvertáraiból, melyeknek azon kell dolgozniuk, hogy a releváns belső és külső adatforrásokat eggyé integrálják. A technológiákra túlzott figyelmet fordítani nem szerencsés, de fontos összetevői a big data stratégiának.
DÖNTÉSHOZATAL. Egy hatékony szervezet működésének titka, hogy az információt és a döntéshozatal jogát a megfelelő személynek, személyeknek a kezébe adja. A big data korszakában, ahol az információ folyamatosan keletkezik és átalakul, a szakértői vélemény pedig sokszor nem azt jelenti, amit jelentenie kellene. Egy ügyes, szemfüles vezető olyan rugalmas szervezetet fog kialakítani, amelyben a „nem itt találták ki” szindrómát minimalizálja, a funkcionális együttműködést pedig maximalizálja. A problémát jól értő szakembereket össze kell hozni a megfelelő adattartalommal, de olyan szakemberekkel is, akik a megfelelő problémamegoldó technikákkal bírnak.
VÁLLALATI KULTÚRA. Az első kérdés, amit egy adatközpontú vállalatnak fel kell tennie: „Mit tudunk?” és nem az, hogy „Mit gondolunk?” Mindez paradigmaváltást igényel, el kell szakadni az ösztönös megérzések világától. Arra is szükség van, hogy egy sok helyütt tapasztalt rossz szokásnak véget vessünk: sok vállalat aposztrofálja magát adatközpontúnak, akik nem is vagy csak kevéssé azok. Túl gyakran látjuk azt, hogy a vezetők adatok sokaságával kozmetikázzák ki jelentéseiket, hogy úgy tűnjön, döntéseiket szigorúan adatokra alapozva hozták, pedig azok a szokásos HiPPO-módszerrel születtek. Aztán persze megkérték az alkalmazottakat, hogy számokkal, adatokkal is igazolják a döntés helyességét.
5.RÉSZ:Szép remények
Tanulságos. Az ember intuitive is hasonlókat fogalmaz meg a környezetét látva.
- Először is, a megkérdezettek nagy várakozásokkal tekintenek a módszer és annak potenciálja elé.
- Másodszor, sokan még nagyon kezdők a témában. Nem rendelkeznek még azokkal a képességekkel, melyek a big datában rejlő lehetőségek kiaknázásához kellenek.
- Harmadszor, a kérdőív eredményei gyakran széthúzóak – azt sejteti, hogy egyazon szervezet szakemberei sem mindig értenek egyet kulcskérdésekben, nem egyformán vélekednek azokról.
A hatodik részt ignorálom, az eddigiekhez képest jóval alacsonyabb infótartama miatt. A 7.részt még nem volt módom látni. De meglehet nem is túl nagy veszteség, a 4.rész minden pozitívuma ellenére sem. ;)
2013. február 16., szombat
Viselkedés közgazdaságtan egyes kérdései
Nem túlzok: minden idők talán legjobb cikkét (interjúját) közölte az index.hu, és szerencsére jó hosszan, informatívan. És jó látni végre, hogy nemcsak az interjúalany értelemes, hanem a kérdező is a feltett kérdéseivel. Érti a témát, rá tud fókuszálni lényegi kérdésekre. Már feltéve, hogy a kérdező maga kérdezett és nem az interjúalany segített rá. ;) (Ezt ugye az olvasó nem tudhatja)
Az interjúban felbukkanó kutatópár mindkét tagja - adatbányász szemmel - érdekes és forró témában kutat, és mindkettejükkel készített nemrégiben interjú az index.hu. Én a frissebb Kőszegi Botond-interjú-val fogok foglalkozni alább, egy-egy gondolatkör kommentelése révén. Ami interjúhoz egyébként már a kedvcsináló is úgy frappáns, hogy nem irritáló:
- A dolgozók érzelmeivel is foglalkozni kell egy munkaadónak
- Hiba olyan befektetést választani, amit ügynök ajánl
- Megmagyarázza azt is, miért sikeres a rossz termék
- Hiába drága és rossz egy termék, ha egy egyébként sokszereplős piacon mindenki forgalmazza, akkor sikeres lehet, mert senki nem hívja fel a figyelmet a hibáira
- Hiba a múltbeli eredmények alapján tervezni a jövőt, mégis sokan ezt teszik
- Az emberek a veszteségtől jobban félnek, mint amennyire a nyereséget szeretnék
- És sokan a pénzt sem sajnálják, ha rosszat akarnak
Állítja Kőszegi Botond, a viselkedési közgazdaságtan magyar kutatója.
Igyekszem rövidre fogni magam, hiszen már az interjú is meglehetősen hosszú. :)
Kőszegi Botond: Az emberek tizede fizetne, hogy másnak rosszabb legyen
Szeidl Ádám: A pletyka nem olyan, mint hittük
Mit kutat, aki a közgazdasági viselkedéseket vizsgálja?Az én adatbányász énem/terminológiám ezt úgy értelmezi, hogy a közgazdaságtani modellezés nem tökéletes: van benne még fejlődési potenciál, például azáltal, hogy erős - még akár eddigieknél is erősebb - magyarázóváltozókat talál és használ fel, modellépítés során.
A viselkedési közgazdaságtan célja, hogy pszichológiailag pontosabb modellek segítségével jobban megértsük a gazdasági jelenségeket. A kutatási témám egy egyszerű megfigyelésen alapul: számos terméknél, mint például az ingatlanhitel vagy a hitelkártya, a fogyasztók jellemzően nem értik a tényleges költségeket, mert nem olvassák el az apró betűs részeket, és nem gondolnak bele, hogy mi minden lehet ott elrejtve. Az ilyen félrevezető termékek piacáról elég keveset tudunk, ezért társzerzőimmel több szempontból is fogjuk vizsgálni. Az egyik első kérdésünk egy talány: sokakkal együtt mi is azt gondoljuk, hogy általában azok a piacok működnek jobban, és nyújtanak a fogyasztóknak jobb dolgokat, ahol nagyobb a verseny. De pont ilyen piacokon, mint például a hitelpiacokon, figyelhetünk meg gyakran félrevezető termékeket. Kérdés, miért van ez.
Szenzációs gondolat úgy általában a hitelezést elővenni. Ez ma Magyarországon nagyon forró téma. Sok és sajnos hosszú távra ígérkező bajunk forrása; legfrissebben itt. Egy füst alatt mutatja azt is, hogy "van pénz" a témában, nem egy intellektuális onanizálásról van csak szimplán szó.
Úgy általában a (deviza)hitelezést elég széles spektrumon szokás megítélni meg tárgyalni, kezdve a konteóktól. Magam nem vitatva a tényt, hogy a hitelezők sok ocsmány aljassságot követtek el a témában. igyekszem rendszer-szinten nézni a kérdést, és a rendszerbe kódolt problémákat - például előzetesen kivédhetetlen szabályozási anomáliákat - azonosítva, megérteni a történéseket, illetve azok mozgatórugóit.
Óriási gondolat és jó olvasni a szövegben, hogy piacgazdasági versenykeretek között, verseny és verseny között is van különbség.Mondhatni semmi meglepő nincs benne (nagy gondolatok jellemzőjeként), de ha erős mondások ejthetők nyomában, akkor azért másképp néz ki a leányzó fekvése. :)
De a nem viselkedési, „sima” közgazdászok is arra törekszenek, hogy a modelljeik minél jobban írják le a valóságot. Mi itt a különbség?Kardinális és általános adatbányász-hibára hívja fel a figyelemet a fiatal kutató-interjúalany. Az előrejelzés-pontosság fontos, de önmagában sose elég. Azt már én tenném hozzá, hogy időben konstansan működő-nek, vagy elmászásának detektálhatónak kell lennie. Az nem reális elvárás, hogy örök életre tökéletesen működjön egy modell. De tudni kell megállapítani, mikor (és miért) jár le a modell szavatossági ideje. Nem mellesleg a közgazdasági modellezők is ezt a hibát követték el sokszor. Isszuk is a levét itthon is, a nagy világban "válság" formájában (emiatt is, de persze nemcsak emiatt).
Általánosítva azt lehet mondani, hogy a közgazdászok hagyományosan nem tartották különösebben fontosnak, hogy az emberi pszichológiát illetően pontos feltevésekből induljanak ki. Sokkal fontosabb volt, hogy az előrejelzéseik pontosak legyenek, hogy a modelljeikkel jól meg lehessen érteni gazdasági jelenségeket, és hogy fogódzót tudjanak adni hatékonyabb intézmények és szabályozások tervezésében. Ezekkel a célokkal mi viselkedési közgazdászok is teljesen egyetértünk, de úgy gondoljuk, hogy sokkal pontosabbak lehetünk, ha pszichológiailag pontos feltevések a kiindulópontok.
Ezen felül persze, maximális nyitottsággal, mindig kell keresni erősebb magyarázó változókat a modellezéshez. Kvázi kimeríthetetlen kincsestára lehet nekik a világban, ráadásul újak is keletkezhetnek.
Akkor egy viselkedési közgazdász kidobja a közgazdaságtanban megszokott teljesen racionális ember képét, és keres valami újat?Na ez a kérdés mondjuk gyengébb kérdésnek látszik szakmailag (az eddigiek alapján), mégis jó apropó némi félreértés tisztázásra Fontos látni, hogy nem nulláról indulva "leváltani" akarnak, hanem kiegészíteni, megújítani, ráadásul rendszeren belül.
Ezt egyáltalán nem mondanám, sőt építünk erre, csak olyan helyeken megváltoztatjuk, ahol ez pszichológiailag reális és fontos következményekkel járhat. De a módszereink teljesen közgazdasági módszerek, és a kérdéseink is közgazdaságtani kérdések.
Az egy érdekes aspektus, hogy mikor kell nulláról kezdve zöldmezősen új alapokat építeni, avagy csak új aspektussal kiegészíteni. Erre nehéz - ha nem egyenesen lehetetlen - ökölszabályt mondani. Az biztos, hogy az új aspektussal szemben elvárás, hogy erős legyen és látszódjon is az ereje. Míg megfordítva a lenullázás sokkal könnyebb, mint, nulláról építkezni, gyorsan, olcsón, hibamentesen.
Már volt szó róla a blogon. Nem elég, hogy egy világmegváltó ötlet jó és/vagy motivációja támogatható. Működőképes-nek kell lenni, kezdve avval, hogy esélyt kap a bizonyításra. Különben papíron marad csak. A mostani mondjuk most így "pénzügyi rendszer" tehát hiába kritizálható több fronton, azt nem lehet tőlük elvitatni, hogy működnek abban az értelemben, hogy kifejti hatását életünkre.
Tudna erre konkrét példát mondani?Az én idevágó analógiám informatikai természetű. Hányszor van, hogy van egy elvárt működésről valamiféle prekoncepciónk, aztán valami mégsem úgy megy a rendszerben. Szállóige a szakmában, hogy: "a program nem azt csinálja, amit szeretnél, hanem amire programoztad!"
Ilyen az önkontrollproblémák területe. Mindennapi jelenség, hogy eltervezünk valamit, amit meg akarunk csinálni, például leszokunk a dohányzásról vagy elkezdünk spórolni, de végül mégse tesszük meg, mert kényelmetlen, vagy más ügyek mindig fontosabbak lesznek. Ez egy jól ismert pszichológiai megfigyelés, de hihetetlen módon alig vizsgálták közgazdászok. Pedig el lehet képzelni, hogy mennyi fontos gazdasági következménye van, a megtakarításoktól kezdve az egészséges életmódon át a tanulásig vagy a munkáig rengeteg dolgot érint – mindent, ahol hosszú távra kell tervezni, de aztán nap mint nap kell dönteni.
Szóval az van, hogy mint egyének el vagyunk átkozva, és a hosszú távú célokat mindig lejjebb rangsoroljuk a rövid távúakhoz képest?Gyengének látszik a kérdés, de ismét rá lehet világítani kulcsfontosságú momentumra.Igen a "hosszútáv" és "rövidtáv" egy érdekes magyarázóváltozó. Kérdés elég érdekes-e, elég fontos-e, van-e nála erősebb esetleg.A jó magyarázó-változó - azonosítás, jó cselekvéssorozatot indukálhat.
Nem feltétlenül, az ember felismerheti magán a jelenséget, és megpróbálhat tenni ellene. Megkérheti például a barátait, hogy pofozzák meg, ha rágyújt. Érdekes vonatkozása a viselkedési közgazdaságtani kutatásnak, hogy az ilyenfajta önmegismerést segítheti, és ha kell, egyéni szinten is hozzájárulhat a hibák ellensúlyozásához. De a viselkedési közgazdaságtani meglátások azért a szabályozáson keresztül segíthetnek a leginkább.
Milyen módszerekkel kutatnak?Óriási öröm volt olvasni a kérdésre adott választ. Igen; egy adatbányásznak is leghőbb vágya kell legyen a szakmailag megalapozott, valóságot jól közelítő, jó gondolatmenet (amihez óhatatlanul és egyaránt szükséges követelmény többek között a pontos megfigyelés, tárgyilagosság és fantázia)
A kutatásunk célja, hogy matematikai modellek segítségével rendszerezzünk általános jelenségeket, és megkülönböztessük a jó és rossz gondolatmeneteket a jelenségek vizsgálatakor. Visszatérve mondjuk a félrevezető termékek példájára, egy közgazdász azt mondhatná – sokan mondták is –, hogy egy olyan piacon, ahol nagy a verseny, a versenytársaknak érdeke felfedni az ilyen termékek jellemzőit, hiszen ezzel előnyre tehetnének szert a fogyasztóknál. Így, szól az érv, előbb-utóbb eltűnnek a félrevezető termékek a piacról. De fel lehet tenni azt a kérdést, hogy ez mikor történik meg és mikor nem. Másik érdekes dolog, hogy ezek a termékek nem az égből szállnak alá, valakiknek ki kell találni azt, hogy mondjuk egy hitelszerződésbe hova lehet rejtett költségeket elhelyezni, és hogyan kell őket hatásosan leplezni. Ilyen szempontból ez kutatás-fejlesztésnek tekinthető, de nem a szó szokásos értelmében, mert ez egy rossz irányú k+f. Érdemes megtudni, hogy mi az ösztönzője a cégeknek arra, hogy ilyen, általunk kizsákmányoló innovációnak nevezett k+f-re költsenek, és hogy ez hogyan zajlik.
Az (adatbányász) etika is előkerül. Ha lehetséges apróbetűs szövegezéssel tömegeket átverni tudományos alapon, akkor ez ugyan pénzt hoz, mégsem támogatandó.
Azt is lássuk be, hogy az ember átverhető, rögtön kezdve a jóhiszeműségével, időhiányával visszaélve (leterheltségén, stresszén keresztül). De aki még kétkedő és igyekszik meg tud is alapos lenni, ha nem szakterületét érintő témában kell döntenie, hiányozhat neki információ, aminek vége lehet, hogy nem lát át pontosan a szitán. Olyan ez mint a bűvészet. Illuzióba kerülhetünk, csak itt nem tapsolunk a végén.
Vannak már eredmények ezekben a témákban?Az én konklúzióm: pontosan kell azonosítani, mi az illúzió és mi az tényleg, ami valóban annak is látszik ami.
Az első példánál maradva igaz, hogy a versenytársak hátrányos termékjellemzőinek felfedésével jól lehetne versenyezni, de rá lehet jönni, hogy van egy komoly hátránya is. Ha elmondom a fogyasztónak, hogy a versenytársam hitelkártyája miért drága, milyen extra költségeket kell majd fizetnie, akkor a fogyasztó nemcsak arra fog rájönni, hogy az enyém olcsóbb, hanem arra is, hogy az egész konstrukció alapvetően egy drága termék. Emiatt sokan nemcsak a versenytárstól nem fognak ilyet venni, de tőlem se. Ez egy elég erős hátrány, ezért sokszor nem érdeke egy szereplőnek felfedni a versenytárs termék hátrányait. És pont akkor nem jellemző az ilyesmi, ha nagyon rossz a termék. Tehát ha olyan rossz az egész termékcsalád, hogy igazából senkinek nem lenne érdemes megvenni egyik terméket sem, akkor még egy versenytársnak sem érdeke soha elmondani egy termék valódi jellemzőit. Sokszor ezért éppenséggel a legrosszabb termékeket dobhatják nyereségesen a piacra a cégek.
Vannak ebben kulturális különbségek, lehetséges, hogy mondjuk a norvég fogyasztók kevésbé hajlamosak félreérteni egy termék költségeit, mint a magyarok?Én ezt a kultúrális topikot jobban nyitva hagynám, mint a kutató interjó alany tette ebben a pár betűben. Még vidék és főváros között is lehet markáns különbség (tárgyunk szempontjából is). A kultúrák közötti kultúrális különbség is lehet fontos tényező.
Sajnos nagyon kevés tapasztalati adatokon nyugvó kutatás született eddig erről, ezért kifejezetten kulturális különbségekről nem tudok. Ugyanakkor szabályozásbeli különbségekről igen: van, ahol sokkal szigorúbban korlátozzák, hogy mit lehet árulni, és pontosan hogyan.
Akkor a mostani kutatásától is várhatunk valamilyen szabályozási javaslatot?Bizony-bizony nem elég szabályozni: jól is kell szabályozni, jól megértett alapokon. és persze, teljesen (mindent lefedően), ellentmondásmentesen, minimálisan (redundanciamentesen), közérthetően, használhatóan stb. Ez nem "mission impossible", egyébként? ;)
Mindenképpen. A kutatásunk, sőt általában az ilyen jellegű kutatások egyik fő célja, hogy az eredmények beépüljenek a szabályozásba. Persze azért ezt a befejezéshez közeledve érdemes várni, először ugyanis pontosan meg kell értenünk a helyzetet. De mondok erre egy példát egy kicsit régebbi kutatásomból. A mostani szerzőtársammal készítettünk korábban egy kifejezetten ingatlanhitelekre és hitelkártyákra vonatkozó tanulmányt, ami az önkontrollproblémákból indult ki. Abból indult ki, hogy az emberek hajlamosak fölvenni túl nagy összegű hitelt, mert azt hiszik, hogy majd úgyis gyorsan vissza tudják fizetni, de aztán mégsem tudják ezt megtenni, és extra büntetéseket fizetnek rá. Ezzel gyakorlatilag a hitelnyújtó kihasználja az említett önkontrollproblémát. Itt többek közt az volt a javaslatunk, hogy csökkenti a problémát, ha megtiltjuk a kis késésekért nagy büntetéseket kirovó konstrukciókat.
A felhozott példa a szövegben nagyon tanulságos. Érdemes belegondolni!
Ha fel tudnánk mérni a veszteségeket is, akkor viszont túlzottan tarthatnánk egyes termékektől, nem?Óriási gondolat a "referenciafüggő preferencia" azonosítása. Símán meglehet, hogy csak ennek kifejtése külön blogposztot megérdemelne, márcsak a hálózatos analógia apropóján is.
Igen, a viselkedési közgazdaságtan másik nagy területe épp a veszteségkerüléshez kapcsolódik. A dolgok hatását ugyanis jellemzően nem önmagában ítéljük meg, hanem másokhoz viszonyítva. Például a fizetésünknél általában nem azt nézzük, hogy hány kiló kenyér jön ki belőle, hanem hogy a barátaink fizetéséhez, vagy mondjuk az elvárásainkhoz, céljainkhoz képest mennyi. Ez egyébként az úgynevezett referenciafüggő preferenciák elmélete. Ezen belül fontos jelenség, hogy a viszonyításnál a veszteségektől jobban tartunk, mint amennyire a nyereséget szeretjük. A legtöbben például visszautasítanának egy olyan játékot, amiben egyenlő eséllyel nyerhetnek tízezer forintot vagy veszthetnek nyolcezret. Ez a játék átlagban nyereséges, de a nyolcezer forintos veszteség fájdalmasabban hangzik nekik, mint amennyire csábító a tízezres nyereség. Ennek szintén rengeteg hatása van a gazdasági viselkedésre, például a pénzügyi kockázatvállalásra vagy az árakhoz és a bérekhez való viszonyra.
Itt van szerepe annak, hogy valaki képzett-e közgazdaságtanból? Azt várná az ember, hogyha valaki átlátja, hogy pozitív egy játék várható értéke, akkor inkább rábólint.Tanulság? Kell tudni okosan játszani, és hozzá következetesnek lenni tudni. Mondani persze könnyű. :o)
Van, a veszteségkerülés általában alacsonyabb a képzettebbek vagy a magasabb IQ-val rendelkezők körében, de azért náluk is jelentős. Például nagyon sikeres, több millió dolláros vagyonnal rendelkező amerikai befektetőknek felajánlották közgazdászok, hogy egyenlő eséllyel nyerhetnek 550 dollárt vagy veszthetnek ötszázat, és a nagy részük visszautasította a játékot. Ez azért érdekes, mert a saját befektetéseikben ennél lényegesen kockázatosabb pozíciókat viszont gyakran felvállaltak. Az az igazság, hogy a veszteségkerülés elég erős és általános jelenség.
Be tudna mutatni még más jellegű eredményeket is?De jó volt olvasni. Ez a statisztikai-hiba topik is visszatérő téma itt a blogon. Attól, hogy valaki ötször sikeresen prediktált, nembiztos, hogy hatodszor is sikeresen fog. Mindenki egyenlő prediktálás-sikerességi eséllyel indul (persze csak ebből a szempontból). (Én a másik oldalt is hangsúlyozni szoktam: minden kimenetelt szoktak prediktálni, azaz valakinek mindig igaza lesz. A nagy feladvány az, hogy meg kell találni kinek).
Egy másik szemléletes példa az lehet, hogy az emberek hajlamosak szisztematikusan, tehát módszeresen elkövetni bizonyos statisztikai hibákat. Ha egy kosaras bedobja ötször a labdát, akkor gyakran azt hisszük, hogy formában van, és a következő is bemegy, vagy ha egy befektetési alap jól teljesített az elmúlt években, akkor hajlamosak vagyunk azt hinni, hogy továbbra is így fog tenni. Pedig gyakorlatilag nagyon pici vagy semmilyen alapja nincs ezt hinnünk. Ilyen típusú hibára még a statisztikából doktoráltak is hajlamosak.
A cégek erre rá is játszanak a befektetési alapok értékesítésénél, amikor az ember orra elé teszik, hogy mi nem ígérünk semmit, de azért nézd meg, milyen szépen muzsikált eddig ez az alapunk.Bizony-bizony. Ismét csak rendszer-szinten kell gondolkodni. A tényezők helyes mérlegelésével. Ami persze nagyon nehéz.
Abból indult ki az egész kutatásunk, hogy ezekre a hibákra a cégek nyilván reagálni fognak, még ha nem is tudatosan. A befektetési alap nagyon jó példa. Ha elindítok nyolc alapot, amik teljesen másba fektetnek, akkor az első évben mondjuk négy jól fog teljesíteni, abból a második évben is kettő, és a harmadik évben is egy. Ezzel az egy szuperül teljesítő alappal már elindulhatok házalni, a többit pedig csendben elhallgatom.
De ezen nem segítenek valamennyit azok a kötelező tájékoztatók, amik felméretik az ügyféllel a saját kockázatvállalási hajlandóságát, befektetési időtávját és egyebeket?
Abban segíthetnek valamennyire, hogy az ügyfél eldöntse, az alapok milyen szélesebb kategóriájából – például biztonságos vagy kockázatosabb alapokból – érdemes választani. De abban nem, hogy az ügyfél a neki legjobb alapot válassza. A pénzügyhöz nem értőknek, tehát a legtöbb fogyasztónak főleg azt kellene néznie egy ilyen alapnál, hogy mennyi a kezelési költség. Abból ugyanis, hogy a múltban jól teljesített az alap, abból semmi nem következik a jövőre nézve, viszont a kezelési költséget biztosan le fogják vonni. A fogyasztók mégis a múltbeli hozamokat nézik, ezért van annyi alap, aminek magas a kezelési költsége.
És ha bekapcsolódik még egy ügynök a folyamatba, aki rábeszél bizonyos alapokra, az ront vagy javít a helyzeten?Az üzenet ismét csak az, hogy vagy reálisan megalapozott legyen az ügynökben való megbízás, vagy lássa át valaki a teljes egészet. Óriási kihívás, lehetetlen küldetésnek látszik ez is. Marad a szimpla egyszerű józan paraszti ész? ;)
Ezt most még nem tudjuk pontosan megmondani, mi is épp dolgozunk egy velük foglalkozó tanulmányon, de egyelőre rosszul fest a kép. Általában rossz dolgokat ajánlanak a befektetőknek, és ez logikus is: jutalékért dolgoznak, és akinek magas a kezelési költsége, az több jutalékot tud visszacsorgatni. Így az ügynök a rossz terméket fogja ajánlani. Akinek az lenne a szerepe, hogy segítsen a fogyasztóknak, az lehet, hogy átlagosan pont az ellenkezőjét csinálja, tisztelet a kivételnek.
Vannak olyan jó szabályozási gyakorlatok, amiket átvéve javíthatnánk ezen a helyzeten?Komoly adatbányász-vonatkozása van ennek a témának is, és volt már szó róla a topikban. Én úgy szoktam fogalmazni, nem az a "májer"-adatbányász, aki a legnagyobb bevételt tudja felmutatni (bár nyilván fontos indikátor ez is), hanem, aki a legnagyobb profitot a megrendelőjénél.
A probléma elég összetett, és nem is tudom pontosan, hogy a magyar szabályozás mit vett át eddig. Nem egyértelmű, de jó iránynak tűnik, ha átalakítjuk a piac egész működési modelljét, és nem a cégektől kapnak jutalékot az ügynökök, hanem közvetlenül a befektető fizeti őket. Ha nekem kell fizetnem neki, a befektetési alapnak pedig tilos, akkor könnyen javulhat a helyzet. Maguktól ezt a befektetők viszont nem szívesen csinálnák, mert megszokták, hogy ilyen díj nincs, komoly veszteségnek élnék meg, miközben a mostani rejtett díjakat nem veszik észre.
Vannak még olyan területek, ahol érdemes módosítani a teljesen racionális emberképünkön? Érezzük például, hogy van olyan, hogy nagylelkűség vagy harag, aminek a gazdasági döntéseinknél is kell legyen hatása.Például az altruizmus-ról sok unintelligens dolgot lehet olvasni szerte a neten, magyarul is. Én nem merülnék most bele, mert túl nagy téma, és ez a poszt már így is túl hosszú.
Igen, a szociális preferenciák területe is elég komoly terület, ez azzal foglalkozik, hogy hogyan viselkedünk olyan döntéseinknél, amik másokat is befolyásolnak. Nem mindig, de sok helyzetben hajlamosak vagyunk nagylelkűen viselkedni, például másoknak segíteni, és amikor így teszünk, az több okból is lehet. Lehet egyszerű altruizmus, amikor különösebb feltétel nélkül fontos nekem, hogy neked jó legyen. Lehet kölcsönösség, te rendes voltál velem, és most én is az akarok lenni veled. De lehet az is, hogy nem érdekel, mi van veled, csak fontos nekem, hogy mit gondolnak rólam mások, ezért leszek nagyvonalú.
Ezt a tudást hol lehet jól felhasználni?Na ez a "szervezeti működés" topik az én mostan életemben is aktuálisan forró téma. Kérdés mennyire van az ember saját magára utalva a kérdésben. ;)
Ezek főleg a szervezetek működésének megértését fogják segíteni. A munkavállalók ugyanis kapnak pénzt a teljesítményükért, ezért is dolgoznak, de részben rajtuk múlik, hogy mennyire hasznosan. Itt nagy szerepe van annak, hogy az emberek segítenek-e egymásnak, fontos-e nekik az egész szervezet működése. Izgalmas kérdés, hogyan lehet ilyet létrehozni.
És mi helyzet az ellenkezőjével, a negatív érzelmekkel?Ez az ellentett "önzés" annyira szomorú topik, hogy egyenesen fájdalmas mégcsak belegondolni is.
Ez is létezik, és ez is többféle okból lehet. Lehet egyszerűen az irigység, amikor csak azt akarja valaki, az okoz neki örömet, hogy a másiknak rossz vagy legalábbis neki jobb legyen. Ez nem annyira gyakori, az emberek 10-15 százaléka hajlamos olyan mértékű irigységre, hogy pénzt hajlandó azért áldozni, hogy a másiknak rosszabb legyen. Gyakoribb, ha valami sérelem ért, rosszat tettél velem, akkor utána hajlamos leszek áldozni csak arra, hogy neked is rossz legyen. Ebből aztán kialakulhatnak rossz egyensúlyok, amikor mindketten csak azért teszünk rosszat egymásnak, mert a másik is. Az önzőség bizonyos okait mi is fogjuk vizsgálni Szeidl Ádám kollégámmal.
Hogyan?Kardinális motivum az emberi döntéshozatal tanulmányozásában, ez a "kézzelfoghatóság".
Egy egyszerű megfigyelésből indulunk ki. Egyértelmű, hogy az emberek a döntéseik során nem tudnak minden létező információt figyelembe venni, ezért csak a döntésbefolyásoló tényezők, a lehetőségek kicsi, legkézzelfoghatóbb részének figyelembevételével hoznak döntéseket. Például, ha azért akar valaki edzeni, hogy egészségesebb legyen, az elég nehéz dolog, nehéz motiválnia magát, amikor eldönti, hogy eddzen-e: a pillanatnyi fájdalom nagyon kézzelfogható, míg a haszna – hogy a jövőben minden nap pár grammal könnyebb lesz – nem kézzelfogható. Ezért hajlamosak vagyunk a fájdalomra figyelni inkább. És ugyanez a meglátás alkalmazható a szociális preferenciákra is.
A konkrét hatások megelőzik az általánosakat?Mennyire így van, akkor is, ha ennél azért összetettebbnek látszik a kérdés.
Igen, legalábbis szerintünk. Azt gondoljuk, az emberek sokszor azért hajlamosak önzők lenni, például károsítani a környezetet vagy adót csalni, mert a tetteik másokra mért kára nagyon nem kézzelfogható, ezért könnyű nem figyelembe venni őket. Ha én adót csalok, az mit számít, ez annyira kevéssé károsít meg másokat, hogy észre sem veszik. Vagy mit számít, hogy autóval megyek bevásárolni, szinte mérhetetlenül kicsi az én részem a környezetszennyezésben. És részben ezért van az is, hogy például az adócsalás sokkal inkább elfogadott, mint a lopás. Ha ellopok egy pénztárcát pár ezer forinttal, annak a kára nagyon kézzelfogható, pedig kisebb kár a társadalomnak, mint az adócsalás, még ha az százezres értékű is.
Amúgy meg a "konkrét és általános" szintén perdöntő motívum.
Feliratkozás:
Bejegyzések (Atom)
.jpg)



