数据资本时代

税收抵免可能会在表面上给高科技产业带来效率降低的负担，然而仔细观察，我们就会发现一种更加微妙的关系。让自动化成本比人力成本更贵，并不能消除企业自动化的动机，而是让自动化的回报（实现成本节约）必须比以前更高（更有效)。

因此具有讽刺意味的是，人类劳动的税收抵免，可能反而会刺激实现技术进步的努力，而技术进步又可以带来更高的成本效率。税收抵免的结果，反而会使自动化已经成熟的行业变得更加自动化。对创造与自动化毫无关系的（至少从中期来看）就业机会的鼓励，将会刺激那些人类即将被机器取代的领域进一步自动化。①

不论再培训和新技能培训项目需要如何进行，项目设计都一定首先要以快速反应调整为基础。对特定技能的需求变化做出事后反应是远远不够的，新技能培训项目需要对海量数据，包括来自领英等大型在线人才市场的数据，进行实时分析，并做到及时发现技能需求的变化，实时地将其反应在新技能培训中。事实上，我们认为，政府需要制定政策，来帮助企业将新技能培训嵌入其内部组织结构中，而不是依靠来自外部的政府资助进行再培训。

数据资本时代

①税收抵免的直接效果是不鼓励以生产自动化为目标的科技创新，这类政策与人类发展进化的整体思路是相悖的!至于发明更高效率的自动化技术，则是无论是否有税收抵免政策都是有利可图的。如果因为自动化技术，只需要10%甚至更少的人就能养活全世界，则一个最佳的方案是大家平均工作1年就玩5一10年。税务部门可以核定一个员工在不同企业的累计工作时间，对公司聘请累计工龄较低的员工给予税收上的优惠。这种税收政策有助于累计工作时间较少的员工找到新工作，加上那时候肯定可以实现作者推崇的全民基本收入，我们的生活境况会更好，科技发展也不会受到阻碍。—译者注

200

让数据时代的高利润公司为那些因此承受巨大损失的人买单；确保市场保持竞争活力，让整个社会从数据中获得利益；让人类劳动力成本比机器更便宜。这三个政策措施将可以确保所有人都可以从数据红利中获益。我们坚信，这些行动可以帮助我们的社会，应对数据驱动的自动化所带来的变革。

超越薪酬

以上的探究方式基于这样一种信念，即市场竞争是社会健康和繁荣的关键与基础。这与高科技领域的企业家和投资人彼得·蒂尔等的观点形成鲜明对比。蒂尔在发表于《华尔街日报》上的文章中写道：“竞争只属于失败者”，“你如果想创造和获取持久价值，就寻求建立垄断吧”。从一个充满激情的垄断主义者的角度来看，蒂尔的说法不无道理。但是，从评估海量数据市场的基本经济原理及其所带来的结果的角度来讲，蒂尔是完全错误的。蒂尔的成功秘籍可能会为少数公司带来天文数字般的利润，但是，创新放缓与效率低下，将会给消费者、工人和投资者带来惨重的损失。这种做法可能与特朗普政府的政治言论、保护主义、支持企业且削弱市场的愿望一致，但是它从根本上误判了大数据时代的意义：第一，大数据时代摆脱了金钱和资本的束缚；第二，大数据时代通过数据的丰富性来提升现实的丰富性；第三，大数据时代更加欢迎市场而不是公司；第四，大数据时代提供了提升人类合作能力的特殊机会。

第9章工作权益与分配正义

201

数据正在取代货币，市场也正在取代公司，我们如果想要针对数据驱动的市场的影响来制定政策，首先就必须认可“以数据支付部分税款”这一变化。为此，我们提出了累进式数据共享授权和以数据缴税。①但是在人类劳动领域，我们还需要特别关注货币以外的事情。大家都知道，许多工作提供的不仅是金钱，而且有参与社会交往的机会，而且它们为人生而为人的一些重要因素赋予了意义。

过去，就业所带来的一系列利益是不容易改变的，货币一方占了绝对上风。工资问题常常是劳资纠纷的焦点。尽管我们都需要钱来生活，但问题是一个工作所带来的那一揽子具体福利，是否必须保持不变，还是说我们可以并且应该重新考虑这个问题，重新平衡其中的各个元素。当我们向海量数据市场过渡的时候，选择工作仅仅考虑金钱是不够的。与过去相比，我们更应该提出的问题是：这份工作是否有意义?公司是否与我们具有同样的价值观?这个工作是否提供了与同事和商业伙伴进行有价值的社会交往的机会？越来越多的正在争取人才的公司，特别是在高科技领域，为了招到并留住人才，已经开始关注就业领域的非货币因素。但是通常，关注非货币因素在实践中并没有被连贯地表达出来，未来的员工也因此无法找到明确的方法，来确定最适合自已的工作场所。更重要的是，现行的这些人力措施很少能反映出一个综合协调的战略来全面跟踪、调整、改进，并具体地提供这一系列的利益。随着无形资产，诸如意义、体验和身份等，在人们选择工作时变得越来越重要，一个工作岗位的一系列利益所具有的诸多要素，就成为公司整体人力资源战略的重要考量。

数据资本时代

①虽然未来的数据资本主义会弱化货币的作用，但是数据缴税和累进式数据共享授权是否充分，都依赖于一个前提一人们是否能够以货币的形式让人信服地给不同数据定价！如果没有一个价格，那么数据无论如何都和资本主义扯不上关系。因此，为数据定价和推动数据交易市场是这本书的主要论断成立的前提。译者注

202

一个公司如何招聘员工，如何利用网络人才平台，这是我们首先要谈论的问题。在这个方面，我们需要一个更好的本体论，来捕捉工作所带来的一系列利益中的核心要素，它超越薪酬和金钱，转而拥抱丰富的数据。但事情还远不止于此。让员工无须全职工作或者全职工作时间更短，让员工可以部分时间在家工作，这些并不够。我们还要在员工选择打破常规模式时，为他们提供清晰的职业规划。与过去相比，聪明的公司更加意识到，让人力资源部门更具灵活性，创造灵活性，超越其目前所做的一切，才是公司的真正目标。

让更多的人选择工作

未来人类工作的关键，就是为“就业”松绑，就像我们把CD拆分为单独的歌曲，让听众创造他们自己的音乐组合一样。我们需要定义工作的诸要素，使其足够灵活，并可以重新组合。要想大规模地实现这种灵活性，对于公司来说绝非易事。同样不容易做到的事情，就是使各种工作因素都能够有章可循，这样个人才能真正地实现选择。对于工会等劳动组织来说，最大的挑战会是，如何在工作体验与就业所带来的一系列利益都在碎片化时，保留其作为集体协调者的角色。

然而，公司内部为就业所带来的一系列利益松绑的措施只能到此为止。如果我们想让人类在选择自己的工作时真正行使更广泛的自由选择权，我们可能就需要提供协作，至少在某种程度上，超越金钱。工人们会继续关注自己的工资，因为他们需要钱来生活，这就是全民基本收入的核心理念有可能产生最大影响的地方。正如我们上面所提到的，全民基本收入作为一种真正的基本收入，要涵盖个人的大部分日常开支，对于大多数国家来说这些开支都是很难负担的。但是如果为每人都提供一个部分全民基本收入，比如一个月500美元，它就可以为大家提供更多灵活性，特别是对于低收入工作者来说，这部分收入会使他们可以选择一个自己喜欢的工作，而不是收入最高的工作。他们可以选择非全职工作，这样就可以有更多的时间陪伴家人。他们也可以选择做志愿者，或者选择实现自己的创业梦想。研究表明，这种灵活性不但不会导致懈怠，而且通常还会为人们提供机会，让人们去参加一些能够超越自己身份限制、意义重大的活动。

第9章 工作权益与分配正义

203

如果部分全民基本收入可以让人们减少工作量，我们就能够留住更多的劳动力—即使是在全面实现自动化之后。而部分全民基本收入也可以使其资金来源，不必再建立在超出合理范围的税收增长的基础上。我们的目标不是在分配上做到公正，而是赋予个人权利让更多的人选择工作而不是薪酬。这一想法恰恰是为了降低金钱在就业中的相对重要性，让人们从更宽广的视角来看待涉及人类成就各方面的工作，而不仅仅是按月收入来衡量和选择。

以后，我们可能渐渐开始学会去欣赏那些从工作中可以获得的、薪酬之外的个人偏好。我们将这种欣赏嵌入找工作的具体模式中，可以让我们在确定工作的主要决定因素时，把工资和金钱抛在脑后。如果我们这样重组自己的就业模式，那么关于就业的传统策略是否还有用呢？如果能够实现部分全民基本收入，那么主要集中在金钱上的解决方案，不能解决“后金钱时代”的经济问题，至少我们不能单靠它们去解决。我们将不得不采取措施，来弥补工作能够赋予人类灵魂的无形资产。因此，市场的重新配置不仅要反映出数据的丰富性，而且要赋予工作丰富性以意义。

数据资本时代

204

第10章

人类的选择

StitchFix:拥抱海量数据市场

年轻的卡特里娜·莱克在帕特侬集团(ParthenonGroup)担任管理顾问的时候，认识到这样一个问题：因为没有充分地利用数据，传统的实体零售商并不能充分地了解客户的需求。因为具有很好的思辨天赋，加之远大的抱负，莱克决定去上商学院，立志成为“零售公司的首席执行官，并用科技和创新引领该行业发展”。2009年，她进入了哈佛商学院，开始向自己的目标奋进。

就读工商管理硕士课程大约一年后，她开始了自己最初取名为RackHabit的创业项目，利用数据和算法帮助女性着装打扮，同时快速搭配靴子。她和当时的搭档（现在已经分开）向身边的朋友们.以及他们在波士顿地区的朋友们发出了邀请，请朋友们填写一份关于自己购物偏好的线上问卷。两位创始人将调查问卷上的“合适度”和“风格”两项数据转成电子表格，创建了关于新客户的简单个人档案。然后，他们开始给客户买东西。连衣裙、衬衫和短裙通过包裹邮寄给客户，客户可以留下，也可以寄回收到的东西对于当今的严选购物服务来说这是一种标准做法。根据《财富》杂志的报道，RackHabit“一直都在不断地使莱克刷爆她信用卡6000美元的信用额度”，却“完全不挣钱”。尽管如此，客户人数越来越多，事实证明，她和她的合作伙伴一定在谋划着什么事情。

买衣服的麻烦在于，并不是合适的产品（合身并与个人偏好四配的产品）本身不存在，而是大多数人，尤其是那些工作忙碌、家里孩子小的人，不知道如何轻松快速地找到合适的产品。或者，正如经济学家所言：服装行业的多样性大幅增加了，但是找到各种产品的渠道却并没有被拓宽。消费者需要的是一个聪明的中介，它可以为他们找到合适的商品。这种中介机构早就存在，它们被称为“私人代购”，但是可惜的是，对于我们大多数人来说，这些私人代购的费用太昂贵了。RackHabit的核心业务理念是为客户提供一个他们能够负担得起的称职的私人代购。2011年，卡特里娜·莱克利用自己的提议——利用丰富的数据，来为客户和他们对市场上各种服装的偏好做出匹配—从种子基金公司筹集到75万美元。

获得哈佛商学院工商管理硕士学位后，莱克立即搬到了旧金山，将公司的名字改为StitchFix，并开始为女性时尚投资。她要做的事情可不是小打小闹。2015年，该公司在第三轮融资中获得了3亿美元的估值，《纽约时报》将其列为潜在的初创企业“独角兽”，即估值达到10亿美元以上的公司。2016年，当德温·韦尼希启动其“崩溃计划”，希望亿贝转变为海量数据市场时，卡特里娜·莱克已经成为福布斯富豪榜上最富有的白手起家女性富豪之一。

表面上看，今天的StitchFix就像一个传统的线上零售商。公司

第10章 人类的选择

207

给客户（现在已经有男有女）寄送装有5件衣服和配件的包裹，客户为自己选择的物品买单。但仔细分析我们就会发现，StitchFix的作用更像是服装市场的中介，而不是零售商，这正是卡特里娜·莱克的初衷。每次寄给客户包裹，StitchFix都要收取20美元的“造型费”当客户决定保留5件衣物中的至少2件时，造型费就会被免除（客户如果保留全部5件衣物，就会享有额外的折扣)。StitchFix不为它的商品定价，也没有季末促销，更没有“超级网络星期一”或“黑色星期五”这类打折活动以取悦对价格敏感的购物者。StitchFix是一个“后价格”时代的零售商，它的目标客户的想法是：比起浪费宝贵的时间寻找自己想买的商品，为优质匹配付费更加经济实惠。这种模式不会在所有市场上都行得通一笔划算的汽车交易可能让买家节省7
几千美元，所以为此付出努力是值得的。但在成衣市场，就像StitchFix所展示的那样，它是一个可以成功的商业模式。

为了实现规模化服务，StitchFix对丰富、全面的数据流进行了分析。2016年，该公司在由首席算法官埃里克·科尔森(EricColson)领导的团队中，雇用了70多位数据科学家。科尔森曾在运用海量数据的先锋公司网飞公司①的平台实践数据科学。不过，事实证明，挑选合适的衣服比建议看哪部电影要困难得多。与标准的社交过滤推荐引擎(“喜欢这部电影的人也喜欢这部”）相比②，StitchFix采用了更加复杂的数据分析方法。除了在初次注册时向客户询问他们的偏好，该公司还使用了算法来考察Pinterest（美国一家图片社交平台）上客户喜爱的那些图片，并从中归纳出一些明显的特征，这些特征显示了客户自己可能并未意识到的一些偏好。这套系统的工作原理和我们在第4章中描述的机器学习系统完全一样：客户不必明确说明其需求，因为系统可以从客户与周围世界的互动中学习到这些内容。

数据资本时代

①网飞公司成功运用海量数据为消费者提供个性化的影片推荐，甚至利用海量数据指导影片的制作和拍摄。网飞公司最著名的事件是举办了奖金总额为100万美元的推荐系统大赛，以奖励世界上第一支能够把网飞公司自身推荐精确度提升 10%的团队，请参考文献 J. Bennett,L. Stan,TheNetflix Prize,Proc. KDDCup and Workshop, 2007。—译者注

一0②观察“喜欢这部电影的人也喜欢的其他电影”来进行推荐，这是典型的协同过滤(CollaborativeFiltering)算法，而社会过滤(SocialFiltering)算法是建立在“你的社交好友和你有相似的兴趣爱好”以及“相同的观影、阅读等经历会提高好友之间互动性和亲密度”等假设基础上的，其基本思路是把社交好友的喜好考虑在算法之中。——译者注

208

反馈信息在StitchFix公司也起着至关重要的作用。首先，客户的每一条反馈都会生成数据。公司强烈建议客户对他们收到的每一件商品进行评论，只要用简单易懂的英语单词进行评论即可。在自然语言处理软件的帮助下，公司可以进一步完善客户的个人偏好。此外，StitchFix也在开发自已的服装系列，在设计过程中也会使用这些偏好数据。

StitchFix成功的秘诀是，它了解海量数据市场，以及数据在客户满意度中扮演的关键角色。正如公司自己所言:“这个市场’的供需双方都拥有海量数据，这使StitchFix有机会成为牵线人，将客户与他们喜爱的服饰风格联系到一起（而且客户自己不可能找到这种风格)。”

但是公司的成功还有另一个关键因素：人际关系。StitchFix雇用了数百名个人造型师。这些造型师都是兼职工作，他们既可以在家工作，又可以在全国各地工作，他们在为每个客户挑选商品时，都有最终决定权。他们能够得到StitchFix的机器学习系统和匹配算法的帮助，获得关于客户偏好的丰富、全面的数据，包括这些客户的个人偏好是如何随着时间而改变的。但是最终的选择是由造型师自己做出的。他们在每批货物中都会添加一张私人便条，告诉客户如何将新产品与衣柜里的其他物品进行搭配，或者如何利用配饰提高穿搭效果。

第10章 人类的选择

209