数据资本时代的市场复兴

海量数据时代整体经济将从公司模式向市场模式转变。

1.海量数据时代：价格到多维度的信息

算法规训人类的视域、选择，甚至影响人们的决策。人类的明天是算法预测的明天。海量数据的出现和信息处理技术的进步改变了认知局限下的人类决策失误，缓解了市场失灵的灾难。信息不对称的改善使得原本大大降低市场流通的信息量将偏好、优先级等信息压缩为单一标准的价格因素显得并不那么重要，人类偏好的收集、信息的分享和和多维度的匹配成为发展的关键。通过对机器的授权程度的选择，人类决定了选择权的保留，尽管越多的选择权意味着越可能发生的决策错误，但是在人类最终决策制定者的角色仍应被保留，在追求效率、可持续，理性等重要价值时也必须保留。

通过重新配置市场并使其拥有数据我们也在更普遍的意义上重塑了人类的合作。从语言到文字，通信技术的发展超越时间和空间，更高效、精准地沟通带来更好的合作，信息流动的改善通常是人类合作能力发生改变的基础。

2.主要的人类合作机制：市场与公司

市场是人人都能参与随时进入退出的合作机制，个人可以为了自身利益，实现自身目标而进行交易，信息在市场参与者之间流动，分散决策。公司的进出有严格的章程和规范，信息是汇总到一个中心并由管理层代表公司集中作出决策。分散决策可以减少错误决策对整体的影响。追逐信息的成本要低才能减少市场这种合作机制的运作成本和参与者获取信息的意愿以减少错误决策。另一方面，在人类处理信息的能力有限的现实面前，信息过多可能会使人们无法取舍选择作出不合理的决策承担不利的风险。交易是理性的计算和逻辑的推理的结果但人类又无法抵御营销策略的诱惑。信息传递的成本和处理信息的能力成为决策的重要影响因素。

3.市场在海量数据时代的变化

在市场中，信息渠道的扩宽、流通成本的降低需要相应的行之有效的信息分析和处理工具。机器学习系统是通过大数据的喂养，不断训练并且根据反馈自我调整的数据模式来发现个人偏好及其权重。数据本体和标注实现的是用关键词正确地标注和分类的问题，为比较个人偏好时提供标准语言解决信息的可发现性，匹配到合适的对象。个人偏好匹配算法解决的是发现选择之后如何做出最佳选择，即对个人偏好的数据流利用到决策出最佳匹配上。

4.公司在海量数据时代的应对

对公司而言，信息汇总、集中决策可能会带来高管负担过重，因此开始下放决策并且制定标准决策的指导方针保证集中决策的连贯性和一致性得到延续。下放决策能力受到可预测性的限制，决策规则适用于被详细研究过的常规任务。决策能力受到人类认知的局限。市场采取个人偏好的算法和机器学习系统来发现和匹配选择。而公司通过决策下放、管理者的选任和领导小组制甚至探索法来减少认知偏差提高决策能力的效果也并不显著。因此海量数据时代，公司这种合作机制可能不会像市场一样受益。由于公司需要做出的决策类型是多种多样的而不是像市场参与者的决策一样大同小异，因此每种类型背后没有那么多大量的数据、也没有关于决策如何做出的数据可以训练机器学习系统辅助做出自动化决策。海量数据时代，公司集中决策负载过大，为了不被市场淘汰有两条发展方向，一是采用机器学习系统的自动化决策。（日本保险公司）二是下放管理权，采用市场般分散决策机制。（戴勒姆、Spotify)

5.海量数据市场集中的危险

规模效应降低成本、网络效应扩大效能、反馈效应改进产品。因此生产总量越大成本越低，使用者越多服务价值越高，越受欢迎的产品可用的反馈数据越多，产品得到改善，这三个效应造成了市场的集中。前两个效应在传统市场主要对抗手段是反垄断诉讼和监管机构的措施，而数据市场中凸显的反馈效应则需要通过推行如累进式数据共享授权机制等强制市场份额较大的公司根据其市场份额共享得到的反馈数据。缓解反馈效应防止市场集中的关键在于数据共享而不是算法透明，是解决初创企业创新的原料—数据的匮乏。自适应的机器学习系统可以帮助我们更好地剔除偏见根据个人偏好做出最佳选择但是前提是极其不被一部分人利用用以加强对起他人的控制，那么这种集中控制则剥夺了市场机制分散决策、不受系统性偏差影响的优越性。因此，一方面要反馈数据共享对抗市场的内在集中性趋势，一方面要实现决策辅助的异质性，防止同质的系统放大系统缺陷带来整个市场的系统性隐患。