罗汉堂

斯宾塞:从信息经济学迈向信任经济学

大数据相关技术在蓬勃发展的同时,也引发了一系列关于数据隐私、数据权属和数据责任的争议。如何在高度保护用户隐私的同时充分利用大数据的价值成为了数字平台发展过程中面临的关键问题。春节前,罗汉堂举办了《理解大数据:数字时代的数据与隐私》学术研讨会,邀请各领域专家围绕此话题展开讨论。

2001年诺贝尔经济学奖获得者、斯坦福大学商学院前院长、Philip H. Knight荣誉教授迈克尔·斯宾塞(Michael Spence)也作为特邀嘉宾参加了此次研讨会。

斯宾塞教授是信息经济学的奠基人之一。他开创性地通过就业市场信号模型(job market signaling model) 说明了存在信息不对称的市场中,“市场信号”对于信息传递的重要性:在就业市场中雇主不清楚潜在雇员的能力,存在信息不对称。
在这种情况下,即便教育本身不能提高雇员的生产效率,也对于劳动市场的雇主和雇员双方都有重大价值,即“好”雇员可以通过教育(例如文凭、证书等)向雇主发出“高水平”的信号,以此让自己与“坏”雇员区分开。该模型及斯宾塞后来的一系列研究,都致力于理解信息在市场中的传递方式、信息传递的作用以及信息传递如何影响市场行为,为信息不对称理论的延展打下了坚实基础。

在这一次的研讨会中,斯宾塞教授也从信息不对称理论的视角,分享了他对于大数据将如何改善市场信息结构、赋能商家的理解。

 

互联网没有让消费者克服信息劣势,反而引发信任危机

“消费者的信任问题是数字平台领域最棘手的问题之一。”根据麦肯锡2020年4月在北美进行的调查,用户信任问题存在于各行各业。调查结果显示,医疗和金融行业对于客户的隐私和数据保护相比之下得到最高的认可。但即使如此,也仅有不到一半的消费者表示相信这两个行业的客户隐私保护能力。其余行业如电力/天然气、零售、科技等行业都面临低于20%的客户信任。石油和天然气行业位居榜尾,只有10%的消费者表达了对该行业保护消费者隐私能力的认可。

有趣的是,在早年互联网刚刚出现时,人们普遍期望互联网的普惠性可以逐步改善长期存在于市场的信息不对称。当时的理解认为,互联网使得经许多曾经对于消费者来说无法获得的数据和信息变得唾手可得,而这将弥补消费者的信息劣势。

这个看法虽然不是错的,但却是不完整的。数据与信息的广泛产生和传播不仅使买家受益,也同时赋予了卖家更多的能量。以至于现在人们更多地在讨论该如何避免数据被企业或第三方恶意使用来损害消费者权益。

如何弱化大数据带来的信息鸿沟,让用户更有安全感,企业更有方向感,是斯宾塞教授目前最关心的问题。

 

大数据赋能产品差异化,帮助商家“认识他们的客户”(KYC)

斯宾塞教授的学术生涯见证了现代信息经济学的发展历程。他与合作者在上世纪70年代关于劳动力市场中“发信号”机制的研究成为现代信息经济学的基石与核心,并藉此获得了2001年的诺贝尔经济学奖。
此后,斯宾塞持续地拓展这一经典理论,分析市场参与者之间的互动,同时做了大量关于不同市场信号重要性的大量实证研究。

“大数据对市场信息结构潜在的正面影响是不可忽视的。”斯宾塞教授在此次发言中也分析了大数据的出现对于市场信息结构的正面影响:改善混同均衡,实现分离均衡。

混同均衡和分离均衡是信息经济学中一对重要的概念。在不完备信息的市场环境中经常出现混同均衡:当卖家无法根据买家的差异将他们区分开,并设计出有足够针对性地满足不同人需求的产品时,市场机制很难保证每个人最终获得与之适配的有效率的产品。在一些情况下,这可能会导致市场无效率或崩溃。而与之相对的分离均衡概念,则描述的是卖家能够根据买家的差异匹配给其最合适的商品的市场状态。

举例说明, 如果车保公司能够将它们的客户泾渭分明地分成两类:一类驾驶小心谨慎,一类驾驶风格狂野;并对前者推出保价低、出事后赔款也低的产品,对后者则推出报价高、赔款也高的产品,则理论上实现了分离均衡。而事实上,大多数情况下,保险公司并不能准确分辨客户的驾驶习惯,并适配其最合适的产品,这便是处于混同均衡的状态。

这种混同均衡状态很容易带来效率低下的问题。保险公司对于风险高低不同的客户往往只能提供相同的产品。这样一来,低风险的客户投保的收益低于不投保的收益,于是选择退出。高风险的客户则大举买入,致使保险公司出现亏损。

大数据和AI则有望解决这个问题,改善市场的结果。许多对人类来说无法察觉的差异在大数据和AI的支持下会变成可以分辨,可以归类,可以总结的清晰区别。在信息不对称或者匮乏的市场里,大数据和AI将赋能商家推进更精准的产品差异化,从而瓦解混同均衡的状态,提升市场的效率,让正确的产品触达到需要它的人。

“这样的赋能不仅可以帮助市场上现有的商家与卖家,也可以帮助那些原本因为信息劣势被排除在市场外的人群。”斯宾塞引用罗汉堂的最新发布的报告《理解大数据:数字时代的数据与隐私》指出,推荐引擎帮助了许多因为信息鸿沟而经营低效的商家。传统方法下,商家其实很难准确了解买家的需求和喜好。而由大数据和AI推动的推荐引擎能帮助商家更好地“了解客户”(KYC),省下原本低效,甚至无用的广告成本。

同时,斯宾塞提醒大家“混同均衡的状态不一定总是坏的”。比如在购买医疗保险时,人们是否愿意让卖家获取自己及亲人的基因和生物信息,并基于它们来设计更精准的差异化产品,仍然是个存疑的问题。

0 条评论

评论请

加载中...

00:00:0000:00:00