问题
科技公司为什么雇用经济学家，他们的贡献是什么？他们研究哪些问题？
回答者：Susan Athey。
回答
对科技公司的经济学家来说，这是一个很棒的时代。硅谷最有趣的那些公司正在招聘首席经济学家和经济团队。每周都有人联系我，让我帮忙推荐人，同时我也常常听说AirBnb、Netflix、Pandora、Uber等公司招聘了新的经济学家。其中Amazon的经济学团队最大，并且一直在积极招聘高级经济学家和刚毕业的博士。每个科技公司，每个首席经济学家，都是不同的，但有几个主要的类别。
首先是涉及定价和产品设计的微观经济问题。Hal Varian是最早的科技公司首席经济学家之一，据他说，他在早期参与了AdWords拍卖项目。在Yahoo!和Microsoft，包括我自己在内的经济学家们，在在线广告市场方面做了很多工作。就我个人而言，我参与了搜索广告市场设计的许多方面，从拍卖设计的变化，到能更好地反映平台长期目标的指标和度量的设计，再到战略。一般来说，技术公司会有相当新型并且复杂的定价和产品设计问题。Dinerstein、Einav、Levin和Sundaresan撰写了一篇很棒的研究论文，阐述了其中涉及到的问题。在这方面，eBay对在消费者搜索后结果排名的方式，会影响哪些卖家获得更多业务，以及价格竞争的程度。我的一篇论文（与Denis Nekipelov合作）对广告商的行为进行了建模，并研究了算法变化对福利的影响。在像AirBnB和Uber等按需市场（on-demand marketplace）的背景下，还出现了其他有趣的微观经济问题。前Stanford的学生Andrey Fradkin（MIT）、Chiara Farronato（HBS）和Zoe Cullen（今年即将毕业）撰写了一些有趣的研究论文，强调了科技公司在AirBnB和TaskRabbit遇到的一些市场设计问题，包括买家和卖家双方的搜索摩擦所扮演的角色；HBS的Mike Luca，与Yelp密切合作、分析了一系列问题。另一个领域是广告效果；eBay的Steve Tadelis进行了一项大规模的实地实验，结果表明，搜索广告远不如标准归因模型所建议的那样有效。
其次是企业战略。我曾研究过Microsoft-Yahoo!搜索联盟，包括了解用户基础（user base）与广告平台相结合的效果。微观经济学家通常是理解战略和市场均衡问题的专家。我们可以提供一个框架来理解什么行业结构可能是可持续的，什么是不可持续的，并通过收购和纵向整合的动机来思考。
第三是公共政策。科技公司对宽带接入等问题感兴趣。FCC前首席经济学家、USC教授Simon Wilkie在微软研究了这个问题。围绕知识产权、隐私、数据安全等的政策对经济分析和成本与收益的理解都有很大的作用。许多公共政策论坛让经济学家和律师参加，而经济学研究也可以为这些问题提供信息。
第四是直接的法律和监管挑战——反垄断/竞争政策问题和监管调查。世界各地都有许多举世瞩目的针对谷歌的反垄断调查；电子书是另一个大问题。内部的（in-house）经济学家可以直接通知监管机构，也可以帮助外部的（outside）经济学专家了解制度事实、获取数据并获得信息。
更多的初级经济学家在科技公司中扮演着各种各样的角色。他们可以扮演传统的数据科学家的角色，担任产品经理，在企业战略或政策团队中工作。他们通常会做很多实证工作。
在作为现有非经济学家员工的补充方面，我发现经济学家会带来一些独特的技能。首先，机器学习或传统数据科学家在使用观测数据或设计实验来回答商业问题方面通常没有太多的专业知识。一场广告战是否有用？如果我们没有发布产品的低端版本，会发生什么？我们应该改变拍卖的设计吗？机器学习在预测上很有用，但在分析”反事实“或What-if问题方面作用有限。(我目前正在做许多关于修改机器学习方法，使它们更适用于因果推断的研究——你可以在arxiv.org上搜索我的一些论文)。
其次，经济学家被训练成会去思考均衡或反馈效应。在市场或平台业务中有许多决策，一项变化的短期和长期效果会向相反的方向发展。如果你停止向人们收取在eBay上发布照片的费用，转化率、客户满意度和交易量都会上升——但这需要牺牲大量的收入流。如果你将搜索广告与用户查询匹配程度的标准变得更严格，短期内你会赔钱，但从长期来看，广告客户的广告点击转化率会提高，他们会愿意为此出更高的价。经济学家通常会关注这些工程师可忽略或最小化的问题。
总的来说，在一个团队中增加一名经济学家可以带来一个真正有价值的前景，我一点也不惊讶于所有顶尖科技公司都在雇佣他们！
然而，经济学家也面临着挑战。由于他们通常是少数群体，他们必须学会说“母语”（工程学、MBA语言、法律用语），并且在科技公司，一个想法在经济学中被接受或成为标准，这不会让你有任何进展。经济学家要从基本原理出发，使自己的观点具有说服力，还要学会如何在技术环境中操作，进行实证工作。对我来说，这意味着学习大规模计算，工程平台和开发工具，机器学习，以及围绕开发的度量标准和A/B测试平台的所有细节（all of the nitty gritty）。这很吸引人，但需要大量投资，并且不是每个人都能在那种环境中成功。我当然喜欢我所学到的每一分钟，而且事实上，它也为我激发了不止一个新的研究议题。
