เป็นที่ฮือฮากันในพักหลังพอสมควร ว่าอาชีพที่เรียกกันอย่างหลวมๆ ว่า “นักเศรษฐศาสตร์” กำลังจะหายไปจากโลกนี้หรือไม่

ท่ามกลางความเปลี่ยนแปลงของเทคโนโลยี หน้าที่ในการคาดการณ์ทิศทางของเศรษฐกิจและการตอบคำถามที่มาที่ไปของตัวเลขจากภาคเศรษฐกิจจริงและภาคการเงินที่เราคุ้นเคยกันกับอาชีพนี้ วันหนึ่งอาจจะเป็นงานของอัลกอริทึมคอมพิวเตอร์ความยาวไม่กี่หน้าก็เป็นได้

Lloyd Blankfein CEO ของธนาคารชื่อดัง Goldman Sachs เคยกล่าวเอาไว้ว่าบริษัทของเขาที่จริงแล้วคือ technology company และในระยะหลังก็มีการหั่นจำนวนพนักงานอยู่เรื่อยๆ เนื่องจากงานจำนวนมากมีความซ้ำซ้อนและสามารถถูก automate ได้ด้วยต้นทุนที่ต่ำกว่า

แม้ว่าในภาคเอกชนเราจะได้เห็นตำแหน่ง Chief Economist ผลุบโผล่กันอยู่บ้าง แต่ส่วนใหญ่แล้วมักมีแค่ 1 ตำแหน่งสำหรับทั้งบริษัท! สภาพตลาดแรงงานแบบนี้ไม่ได้สร้างความหวังมากนักสำหรับคนรุ่นใหม่ การลือกันว่า “จบสาขานี้แล้วหางานง่าย” อาจไม่ใช่เหตุผลที่ดีพออีกต่อไป

แต่ในฐานะที่ผู้เขียนเองเป็นนักเศรษฐศาสตร์และได้เห็นเทรนด์การใช้นักเศรษฐศาสตร์แบบใหม่ๆ ในหลายๆ องค์กร จึงอยากหยิบเรื่องราวจากสองบริษัทระดับโลกมาเล่าให้ผู้อ่านฟังกันว่า อนาคตของอาชีพนี้คืออะไรและพวกเขา add-value ให้กับธุรกิจในมุมไหนได้บ้าง

1. กรณีของ Amazon

บริษัท e-commerce ยักษ์ใหญ่ Amazon ถือเป็นผู้บุกเบิกในการใช้ประโยชน์จากนักเศรษฐศาสตร์สายเลือดใหม่ ที่ทำการบรรจุนักเศรษฐศาสตร์ตั้งแต่ชั้นปริญญาโท ถึง ปริญญาเอกรวมแล้วหลักร้อยคน เพื่อช่วย optimize กำไรและช่วยตอบคำถามธุรกิจ

อันดับแรกคือการทำ price discrimination หรือการตั้งราคาสำหรับสินค้าหนึ่งให้แตกต่างกันสำหรับลูกค้าแต่ละราย โดยตั้งราคาให้สูงสำหรับลูกค้าที่มีความยินยอมที่จะจ่าย (willingness to pay) สูงกว่า  อนึ่งเป็นการทดลองและสร้างแบบจำลองทางสถิติเพื่อช่วยขูดกำไรออกมาให้มากที่สุดสำหรับการขายสินค้าชิ้นหนึ่ง

อันดับที่สองคือการตอบคำถามธุรกิจ ยกตัวอย่าง เช่น การตั้งราคาค่าส่งของไว้ที่ x ดอลลาร์มีผลแค่ไหนกับพฤติกรรมของผู้ขายบนแพลทฟอร์ม โดยปกติแล้วผู้ขายจะถูกแมทช์กับคลังส่งสินค้าที่ใกล้ที่สุด แต่ถ้าบังเอิญระยะทางมันไกลกว่า y ไมล์ ก็จะถูกชาร์จค่าส่ง แต่ถ้าใกล้กว่า y ไมล์จะไม่ถูกคิดค่าส่ง

Amazon อยากจะทราบว่าค่าส่งมีผลกับพฤติกรรมผู้ขายเพียงใด เนื่องจากถ้าตั้งค่าส่งสูงไปอาจจะทำให้ ตลาดฟังก์ชั่นได้ไม่ดีนัก จึงทำการวัดผลของการคิดราคานี้ด้วยเทคนิคทางเศรษฐมิติชื่อ regression discontinuity design (RDD) ซึ่งทำการเปรียบเทียบพฤติกรรมระหว่าง 1) ผู้ขายที่อยู่ใกล้คลังส่งสินค้าเกือบๆ จะ y ไมล์ กับ 2) ผู้ขายที่ “โชคร้าย” อยู่ไกลเกิน y ไมล์ไปนิดเดียวเลยโดนคิดค่าส่ง

ผลลัพธ์ของการหาคำตอบจากโจทย์นี้และอีกหลายๆ โจทย์ธุรกิจทำให้ Amazon ทราบว่าเขาควรจะปรับเปลี่ยนนโยบายอย่างไรจึงจะส่งผลดีที่สุดต่อองค์กร ซึ่งท้ายสุดคำตอบนี้จะเปลี่ยนเป็นเงินและคุณค่าแก่ผู้ถือหุ้น

2. กรณีของ Uber

Uber เป็นบริษัท ride-hailing และ delivery platform ขนาดใหญ่อันดับต้นๆ ของโลก แน่นอนว่าพื้นฐานของธุรกิจนี้เป็นอะไรที่นักเศรษฐศาสตร์ควรจะมี value-added อยู่แล้ว แต่มันได้หยุดอยู่แค่การบอกว่า “supply ควรจะเท่ากับ demand” หรือ “ควรขึ้นราคาเมื่อ supply ไม่พอกับ demand” อย่างตอนฝนตกหรือตอนชั่วโมงเร่งด่วนเท่านั้น

ที่ Uber มี lab (https://eng.uber.com/causal-inference-at-uber/) ที่ทำการวิเคราะห์โดยใช้เทคนิคเศรษฐมิติและเทคนิคทางสถิติอื่นๆ อย่างลึกซึ้ง ยกตัวอย่างเช่นการตอบคำถามว่า “ความเลวร้ายของการที่อาหารส่งช้าคือเท่าไหร่” หรือ “ในชั่วโมงเร่งด่วนเราควรเพิ่มราคาแค่ไหน”

ในคำถามแรก ทุกคนทราบอยู่แล้วว่า การที่ของไปส่งช้ามันน่าจะมีผลกระทบทางลบต่อลูกค้า บางรายอาจจะทำกับข้าวเอง หรือร้ายกว่านั้นคือเปลี่ยนไปใช้แอพอื่นที่เป็นของคู่แข่งเลย 

แต่ที่สำคัญที่สุดคือมันเลวร้าย “แค่ไหน”  ที่ต้องการทราบระดับความแย่ เช่น “การดีเลย์ 1 นาที จะลดโอกาสที่เค้าจะใช้ครั้งถัดไป 15%” มันทำให้ทีมอื่นๆ สามารถ prioritize ความสำคัญของงานได้ เพราะหากแค่มโนว่า “ดีเลย์นิดหน่อยคงไม่เป็นไรมากมั้ง” แต่เอาเข้าจริงๆ แล้วมันสร้างหายนะแก่ลูกค้า การแก้ปัญหาว่าทำไมอาหารถึงไปส่งช้าจึงควรถูกแก้เป็นอันดับต้นๆ ไม่ใช่ไปตอคิวรอหลังปัญหาอื่นๆ ที่มีความสำคัญน้อยกว่า

ในคำถามที่สองก็เช่นกัน ทุกคนทราบอยู่แล้วว่า ควรขึ้นราคาในชั่วโมงเร่งด่วน แต่จะขึ้นราคาสูงแค่ไหนดี อันนี้ตอบยากกว่ามาก เพราะมันจะต้องมีราคาที่ดีที่สุด ไม่น้อยเกินไป หรือสูงเกินไปจนแทบจะไม่มีลูกค้าที่รีบพอที่จะควักเงินจ่ายไหว

ในภาคเอกชน หน้าที่ของนักเศรษฐศาสตร์รุ่นใหม่ในชั่วโมงนี้ก็คือการใช้หลักการทางเศรษฐมิติเพื่อหาคำตอบเหล่านี้ และจะต้องวัดให้ถูกวิธี เช่น ผลของการดีเลย์ส่งอาหาร อาจจะต้องอาศัยความบังเอิญที่เกิด bug ในระบบทำให้อาหารไปส่งช้า ไม่ใช่วัดเอาดื้อๆ ว่าคนที่ได้รับอาหารช้า จะบอกลา Uber ไหม เนื่องจากผลลัพธ์อาจมีความบิดเบี้ยวจากปัจจัยอื่นๆ เช่น ลูกค้าบางรายอาจจะชอบสั่งตอนที่ฝนตกหรือชอบเลือกร้านอาหารที่ช้าหรือไกลมากๆ

จะสังเกตได้ว่าหน้าที่ใหม่ๆ ของนักเศรษฐศาสตร์แขนงนี้แทบไม่มีเรื่องของการพยากรณ์หรือการทำนายอีกต่อไป เพราะว่าหน้าที่เหล่านี้ได้ถูกโอนไปให้ทีมที่ทำ machine learning เป็นกิจวัตรไปแล้ว และไม่ได้แปลว่านักเศรษฐศาสตร์กำลังหมดประโยชน์ ทั้งสองทีมต้องช่วยร่วมมือกันแก้ปัญหาธุรกิจได้ในคนละแบบที่ไปควบคู่กันได้

โจทย์ธุรกิจสำหรับนักเศรษฐศาสตร์รุ่นใหม่ มักจะเป็นโจทย์ที่สั้นและมโนง่าย แต่คุณภาพของคำตอบมี impact พอที่จะทำให้พลิกผลประกอบการในไตรมาสถัดไปได้เลยทีเดียว