Не доверяй никому, особенно себе

Не доверяй никому, особенно себе

Что же происходит? Мы не совсем уверены, но подозреваем: удивительно схожие результаты применения разных методов представляют собой обратную сторону головоломки с прогнозированием из предыдущей главы. С одной стороны, когда дело доходит до сложных систем — включают они спортивные соревнования, выборы или кино-аудиторию, — существуют строгие границы того, насколько точно мы можем предсказать будущие события. С другой, кажется, что даже относительно простые методы позволяют достаточно близко подобраться к границе возможного. По аналогии, если вам дали игральную кость со смещенным центром тяжести, за несколько дюжин бросков вы догадаетесь, какой стороной она падает чаще всего, — после чего можете смело на это спорить. В остальных случаях даже наиболее совершенные методы (например, изучение кости под микроскопом для выявления всех крошечных трещинок и неровностей на ее поверхности или построение сложной компьютерной симуляции) улучшить прогноз не очень-то помогут.

То же, как мы обнаружили, касается и футбольных матчей: одного-единственного фрагмента информации — принимающая команда выигрывает в 58 % случаев — достаточно, чтобы повысить точность прогнозирования результата по сравнению со случайной догадкой. Существенно помогает и второе простое соображение: команда с лучшей статистикой побед и поражений должна иметь небольшое преимущество. Все же прочие дополнительные данные — как себя вел защитник в предыдущем матче, травмы, проблемы с подружкой у фулбэка — в лучшем случае улучшат прогноз на йоту. Почему? Потому что в сложных системах существует некий предел в предсказании результатов, и первые два фрагмента информации — это фактически все, что нужно для его достижения. Прогнозы в сложных системах, другими словами, подчиняются закону убывающей отдачи.

Разумеется, существуют обстоятельства, при которых важны даже очень незначительные улучшения в точности прогноза. Например, в сфере онлайн-рекламы или торговли акциями с высокой периодичностью можно выдавать миллионы и даже миллиарды прогнозов каждый день — и ставкой будут крупные суммы денег. В этих случаях усилия и затраты, связанные с использованием наиболее совершенных методов, позволяющих учитывать даже самые незаметные тенденции, скорее всего, оправданы. Во всех же других сферах бизнеса (от съемки фильмов до издания книг и разработки новых технологий), где в год делаются несколько дюжин — максимум сотен — прогнозов и где они обычно являются лишь одним из многочисленных аспектов процесса принятия решения, добиться той же степени точности удается с помощью относительно простых методов.

Исключение здесь, которым пользоваться не следует, — руководствоваться мнением одного-единственного человека. Особенно своим собственным. Дело в том, что мы отлично вычленяем факторы, релевантные для данной конкретной проблемы, но совершенно не умеем оценивать их важность друг относительно друга. Например, прогнозируя кассовые сборы в дни премьеры фильма, вы можете счесть крайне релевантными такие переменные, как общий и маркетинговый бюджеты, количество экранов, на которых этот фильм будет показан, а также предварительные рейтинги критиков, — и будете правы^{181}. Но какой вес будет иметь плохая рецензия по сравнению с дополнительными 10 миллионами долларов маркетингового бюджета? Неясно. Неясна и роль интернет — и печатной рекламы по сравнению с мнением друзей.

Думаете, в таких типах суждений должны быть хороши эксперты? Как показал в своем эксперименте Тетлок, количественные прогнозы они делали не лучше неспециалистов — а то и хуже^{182}. Основная проблема с опорой на экспертов, однако, состоит не в том, что они заметно хуже не-экспертов, а в том, что, поскольку они специалисты, мы склонны консультироваться только с одним из них за раз^{183}. Гораздо разумнее узнать многие отдельные мнения — экспертов или не-экспертов — и вычислить среднее^{184}. Грубо говоря, это и позволяют делать рынки предсказаний — равно как и опросы общественного мнения. При всех своих «прибамбасах» первые дают прогнозы чуть точнее вторых, но разница между ними гораздо менее существенна, чем польза от простого усреднения множества мнений. И наоборот, на основе статистических данных можно непосредственно оценить относительную важность различных предикторов — что и делает статистическая модель. Искусная, конечно, работает чуть лучше простой, но различие, опять-таки, незначительно^{185}. В конце концов, как модели, так и толпа выполняют, по сути, одно и то же. Во-первых, для выявления релевантных прогнозу факторов они опираются на некую версию человеческого суждения, а во-вторых, оценивают и взвешивают относительную важность каждого из этих факторов. Как сказал однажды психолог Робин Дауэс, «весь фокус в том, чтобы знать, на какие переменные смотреть, и уметь их складывать»^{186}.

Вместо того чтобы выискивать некий идеальный метод, гораздо целесообразнее просто определить, какие предсказания могут быть сделаны с минимальной ошибкой, а какие нет. При прочих равных, например, чем больше времени отделяет прогноз результата от самого события, тем большей окажется неточность. Все просто: какие методы ни используй, спрогнозировать потенциальный кассовый сбор фильма на стадии одобрения проекта гораздо труднее, чем за неделю или две до его премьеры. Кроме того, одни вычисления даются легче других, и с этим ничего не поделаешь. Как быть? Можно использовать любой из нескольких методов — или даже все вместе, как сделали это мы в исследовании рынков предсказаний, — и следить за их эффективностью в течение некоторого времени. Как я упоминал в начале предыдущей главы, отслеживание прогнозов не приходит само собой: мы делаем множество оных, но редко проверяем, насколько часто они оказываются верными. А ведь это — самое главное! Лишь установив степень точности, характеризующей те или иные предсказания, можно определить, какое значение следует им придавать^{187}.