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

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.

Модели и MoneyBall

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.