数据资本时代

有些市场参与者可能会达成这样的交易：交易双方都受益了，但让其他人蒙受了损失。在有些情况下，交易结果尽管对个人有益，但它可能“削减公共福利”——这是经济学家对毁掉而不是创造共同利益的概括描述。当然，随着海量数据市场的出现，个人偏好匹配获得了巨大改善，在这个过程中，偶尔无法达到最大的共同利益，也可以算作我们为此付出的一个小小的代价。然而，对某些特定类型的交易，特别是那些对非直接交易伙伴（经济学家称之为“外部性”）产生巨大影响的交易，我们可能需要借鉴现有市场的一些经验，这里所说的市场只包括不以价格运作的市场。这类市场通过巧妙的市场设计和一种不同类型的匹配算法来运转。举个例子，我们怎么做出哪个病人应该得到供体肾的选择？

捐赠的肾脏并没有被出售（至少在法律上是这样的，尽管一些经济学家建议它应该被出售），所以偏好不能被浓缩和简化成一个公开的价格。在这样的市场中，负责运营的信息中心通常会收集所有市场参与者的偏好信息，并使用先进的匹配算法连通合适的市场参与者来进行交易，其目标就是尽可能多地实现合适的匹配。这类匹配最近得到了显著的改善，这得益于算法的改进，以及人们对“不同匹配算法最适合的类型市场”的更好的理解。

2012年，两名世界一流的匹配专家劳埃德·沙普利和阿尔文·罗思，因他们在这方面的研究成果获得了诺贝尔经济学奖。所以，对具有巨大外部性的交易，我们可以让海量数据市场采用类似的方法。丰富的数据流将有助于原本由负责运营的信息中心来完成的复杂的匹配，但它要求市场上的每一个人都要预先就一套匹配原则达成一致，并且严格遵守这些原则（以免市场参与者失去对匹配系统的信任）。因此，这种借助集中权威来进行匹配的方法（尽管参与者保留最终是否加入市场的权利），只适用于极少见的特定情形，在绝大多数市场中，我们将使用数据丰富、算法优化、不断迭代和分散的匹配流程。

基于海量数据的模式化匹配，正在以不同的形式在各种不同的环境中出现。声破天（Spotify）和Apple Music这样的音乐平台所做的，就是将听众的个人喜好与每首歌曲进行匹配。网飞（Netflix）和亚马逊的产品推荐也是如此。 [4] 但这仅仅是个开始，并不是所有这些主流算法都尽可能地利用了个人偏好的所有维度。这就为创新型初创企业带来了令人兴奋的机遇。他们争相成为下一个在匹配领域取得重大突破的公司。例如，总部位于伦敦的初创公司Saberr提出，基于个性的算法可以帮助人们建立高效的工作团队。Saberr的联合创始人阿利斯泰尔·谢泼德利用有关人类个性的调查结果，创建了一种算法，它可以发现团队成员之间的兼容度。他在一项企业家的竞赛中测试了这种算法。彼此不认识的参赛者被分成很多小组分别进行调查。此次调查没有询问参与者的工作经历或教育情况。在第一次演示中，该算法预测了哪个团队将赢得比赛，以及其他八个团队当天将会到达什么位置。谢泼德在后来预测持续时间长达八个月的微软创新杯（Microsoft Imagine Cup）的获胜者时，以及在预测风险投资基金Seedcamp的投资选择时，都曾运用了上述结果。德勤（Deloitte）、奢侈品企业集团路威酩轩（LVMH）、联合利华（Unilever）等公司，都是Saberr的客户。