Значит, модели решений – действительно «новый способ стать умным»? Безусловно. По крайней мере, в некоторых типах решений.

Но давайте вернемся к нашим примерам. В каждом случае мы ставили цель сделать прогноз того, на что не могли повлиять. С помощью модели можно оценить, будет ли погашен кредит, но нельзя изменить вероятность того, что данный кредит не будет погашен в срок. Она не поможет повысить платежеспособность заемщика или убедиться, что он не растратит деньги за неделю до платежа. С помощью модели можно предсказать количество осадков и солнечных дней на данной ферме в центральной Айове, но нельзя изменить погоду. Можно оценить, сколько времени продлится брак знаменитости, но нельзя сделать его ни короче, ни длиннее. Можно оценить качество вина определенного урожая, но не сделать его лучше. Нельзя уменьшить кислоту, улучшить баланс или добавить оттенок ванили или нотку черной смородины.

В ситуациях, когда нам требуется точная оценка того, на что мы не можем повлиять, модели могут быть чрезвычайно мощным средством. Но когда мы можем влиять на результаты, картина меняется. Давайте вернемся к примеру с велосипедистами из главы 2: доктор Кевин Томпсон использовал обманный аватар, чтобы побудить испытуемых ехать быстрее. Если Томпсон проведет один и тот же эксперимент много раз и накопит большой набор данных, то он, безусловно, сможет разработать модель, предсказывающую соотношение между величиной «тайного дополнения обратной связи» и производительностью велосипедиста. Он мог бы, например, показать, что большинство спортсменов может держаться вровень с аватаром, когда он ускоряется на 2 %, что некоторые не отстанут и при ускорении на 3 %, меньшее число не отстанет при ускорении на 4 % и почти все отстанут при ускорении более чем на 5 %. Эффективный подход для кабинетного ученого, вносящего результаты в таблицу или сравнивающего их с контрольными. Он использует данные, чтобы прогнозировать исход, на который не влияет. Но у велосипедиста совсем другая реальность. Для человека, крутящего педали, жизненно важно позитивное мышление. Предполагая, что вы можете достичь высокой производительности, даже если ваше убеждение выходит за рамки того, что делалось раньше, вы действительно можете ее достигнуть.

То же самое касается доктора Витт и ее исследования точности попадания в лунку. При наличии достаточного количества субъектов с помощью изменения размера кругов и расстояния она, безусловно, может построить модель, чтобы предсказать эффект иллюзии Эббингауза. Она может показать, что окружение более мелкими кругами приводит к некоторому повышению среднего с заданной дисперсией. Но для участника эксперимента, держащего клюшку в руках и целящегося в лунку, прогноз о среднем улучшении не играет никакой роли. Гольфист должен отвести клюшку назад, сделать мах вперед и ударить по мячу с правильной силой, чтобы отправить его в лунку. Модель не ударяет по мячу; ударяет игрок, держащий клюшку. Это отличие простое, но крайне важное; тем не менее его часто упускают из виду.

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.