Фил Розенцвейг - Левое полушарие – правильные решения. Мыслить и действовать: как интуиция поддерживает логику

Неспособность различать то, что мы можем контролировать, и то, чего не можем, привело к значительной путанице, особенно когда мы применяем статистику к бейсболу. Десятилетиями бейсбольные менеджеры принимали тактические решения на основании набора неписаных правил. Начиная с 1970-х годов группа фанатов, увлеченных статистикой, практиков саберметрики [248](термин был придуман для Общества исследований американского бейсбола), начал применять силу анализа для проверки некоторых общепринятых тактик, часто с удивительными результатами. Возьмем общую тактику сэкрифайс-бант. Когда бегущий на первой базе и у команды менее двух аутов, должен ли бьющий отбить мяч таким образом, чтобы заработать аут, но помочь бегущему добежать до следующей базы? Согласно расхожему мнению – да. Как выразился Билл Джеймс, пионер саберметрики, «все эксперты знали, что когда бегущий был на первой базе и у команды не было аутов, то правильно было сделать бант». [249]До недавнего времени не было никакой возможности провести хороший эмпирический анализ сэкрифайс-бант, а теперь есть: простой тест по сравнению пробегов в двух ситуациях, когда бегущий на первой базе и у команды нет аутов и когда бегущий на второй базе и у команды есть один аут. Анализ всего сезона игр высшей лиги показал, что бегущий на первой базе без аутов дает в среднем к 0,93 пробежек, в то время как бегущий на второй базе при одном ауте дает 0,71 пробежек. [250]При прочих равных условиях получить аут, чтобы бегущий перешел с первой базы на вторую, значит совершить пробежку, меньшую на 0,22 и уменьшить счет на 24 % (22/93 = 0,237). А как быть, если один аут уже есть? Теперь сэкрифайс-бант становится еще менее эффективным, так как снижает пробежку с 0,55 до 0,34. Хотя это меньше по абсолютному значению 0,21 пробежки, уменьшение счета в процентном выражении будет больше (21/55 = 0,382). Так что получить аут, чтобы дать преимущество бегущему, в любом случае плохой ход. Эти данные для многих стали неожиданностью, но подтвердили догадку менеджера Baltimore Orioles Эрла Уивера, уже давно сомневавшегося в эффективности сэкрифайс-бант. Во времена Уивера у нас не было данных и компьютеров, чтобы проверить гипотезу, поэтому его ругали за отказ от традиционного мышления. Теперь мы знаем, что он был прав. Сэкрифайс-бант – лишь один пример из общепринятой в бейсболе неправильной практики. Как заключил Билл Джеймс, «очень, очень большой процент того, что все эксперты считали правильным, на поверку оказалось ошибочной тактикой». [251]

Использование анализа данных в бейсболе – основная идея бестселлера Майкла Льюиса (2003) «Moneyball: The Art of Winning an Unfair Game». [252]Льюис описывает, как Oakland Athletics, низкобюджетная команда на небольшом рынке, несколько лет подряд получала отличные результаты. Вместо того чтобы полагаться на традиционные обзорные отчеты, главный менеджер команды Билли Бин использовал статистический анализ и рассчитывал, что действительно приводило к эффективности наступления. Он сосредоточился на ключевых показателях, высоко коррелировавших с изменениями счета, таких как процент занятия базы, включающего в себя не только базные хиты, но и способность получить базу за «болы». Придумав, как играть, Бин собрал команду очень хороших игроков по бросовым ценам. Он хотел оптимизировать соотношение счета с затраченными деньгами . Весьма вероятно, что многолетние рекорды Oakland’s, которых игроки добились, несмотря на низкую зарплату, – результат действия аналитических решений. Бин объяснил, что сделал в бейсболе то, что уже происходило в других областях: «В восьмидесятые годы на Уолл-стрит все еще существовала группа “интуитивных” трейдеров, пытавшихся противостоять тем, кто использовал сложные математические расчеты. То же было и в спорте». [253]Quants уже революционизировала финансирование и теперь вносила изменения в бейсбол.

После публикации книги Льюиса использование статистического анализа в бейсболе стало широко распространенным. В Главной лиге бейсбола появилось множество генеральных менеджеров, опирающихся на статистику. Некоторые были учениками Билли Бина. С тех пор отряды молодых мужчин и женщин, окончивших колледжи или покинувших Уолл-стрит, ищут работу в сфере бейсбола, где могут тренировать свои статистические навыки, создавать собственные базы данных и все более сложные формулы для прогнозирования результатов. К 2013 году появилось множество новых статистических методов, разработанных для измерения более сложных аспектов игры. Программа PITCHf/х отслеживает направление и скорость каждой отдельной подачи и позволяет еще лучше анализировать результативность питчера. [254]Программа Park Adjusted Defensive Efficiency (PADE) записывает каждый мяч игры и распространяет статистический анализ на филдинг – аспект игры, менее других поддающийся количественной оценке. [255]Основываясь на этих данных, команды теперь могут менять положение своих филдеров в зависимости от того, кто бьет. Другие алгоритмы пока держатся в секрете и тщательно охраняются.

Команда San Francisco Giants, победитель Мировой серии в 2010 и 2012 годах, – одна из многих команд, использующих статистический анализ с целью получить конкурентное преимущество. Они работают более чем с десятью компаниями, включая Inside Edge и Sportvision, чтобы получить не только статистические данные, но и видео действий на поле. Giants была первой командой, использовавшей FieldF/X, которая записывает филдинг. Теперь у тренеров и игроков имеется драгоценная информация, и она помогает им оценить действия питчеров и назначенных отбивающих – своих оппонентов и свои собственные. Но к статистике обращаются не только Giants, желая понять, что происходит на поле. Она используется как современная модель принятия решений в области маркетинга и отношений с клиентами. [256]Сегодняшняя Америка целиком и полностью вступила в цифровой век, объединив Куперстаун с Купертино.

А как насчет Oakland Athletics? Производительность бейсбольной команды относительна, а не абсолютна. [257]Если бы Oakland была единственной крупной командой лиги, которая для оценки игроков полагается на статистику, то при прочих равных условиях она имела бы явное преимущество по сравнению с другими 29 командами. А что произойдет, когда вторая команда воспользуется тем же подходом? Очень возможно, что обе команды найдут недооцененных игроков и будут иметь преимущество над остальными 28. А теперь предположим, что в Moneyball играют шесть команд, или двенадцать, или, в конце концов, двадцать. Рыночная цена на недооцененных игроков поднимется, и то, что Майкл Льюис описывает как нечестную игру , станет справедливым рынком . В какой-то момент, когда почти все команды будут играть в Moneyball, то относительного преимущества больше не останется. Правда, команды, по-прежнему оспаривающие власть анализа, станут играть хуже остальных, но использования статистики окажется недостаточно, чтобы обеспечить высокую результативность: да, необходимо, но недостаточно, чтобы победить.