Warum beträgt das Jahresgehalt dieser Art von Stellen fast 200.000 US-Dollar, obwohl sie ebenfalls im Bereich der Datenanalyse tätig sind?

In letzter Zeit ist in der ausländischen Technologiebranche eine spezielle Stellenkategorie entstanden: Pricing Scientist / Applied Economist.

Laut den offiziellen Stellenbeschreibungen von Amazon sowie den Gehaltsstatistiken von BuiltIn und Levels.fyi liegt das Grundjahresgehalt dieser Stellen, die sich auf kausale Schlussfolgerungen für Preisstrategien konzentrieren, üblicherweise zwischen 120.000 und 180.000 US-Dollar (ohne Aktien und Bonuszahlungen).

Diese hochbezahlten Stellen befassen sich nicht nur mit der Prognose von Verkaufszahlen, sondern in Szenarien, in denen groß angelegte Preis-A/B-Tests nicht durchgeführt werden können, nutzen sie Methoden wie DID, Instrumentalvariablen, Synthetische Kontrolle und CATE-Heterogenitätseffekte, um endogene Verzerrungen bei Preisen zu beseitigen, die tatsächliche Preiselastizität aus historischen Beobachtungsdaten zu schätzen und Entscheidungen zu Preisanpassungen, Rabatten und Subventionen zu unterstützen.

Gewöhnliche Vorhersagemodelle können nur die Frage beantworten: Wenn der Preis auf X angepasst wird, wie hoch werden die Verkaufszahlen ungefähr sein?

Die Stellen im Preisbereich können dagegen die Frage beantworten: Wenn ich den Preis aktiv erhöhe oder senke, welche tatsächlichen Veränderungen werden bei Verkaufszahlen, Gewinnen und Kundenbindung eintreten?

Unternehmen wie JD, Didi, Freshippo und Meituan im Inland haben dieses Konzept ebenfalls in Bereichen wie Warenpreisgestaltung, Subventionsstrategien und Bewertung von Händlerprovisionen umgesetzt, die entsprechenden Stellen sind aber stärker verteilt.

Der Kern der Fähigkeiten für diese hochbezahlten Stellen liegt längst nicht mehr in der traditionellen Datenvorhersage, sondern in der Fähigkeit zur kausal ökonometrischen Geschäftsentscheidung. Sowohl für die zukünftige berufliche Weiterentwicklung als auch für die Verbesserung des Denkens bei der geschäftlichen Datenanalyse sind kausale Schlussfolgerungen und Ökonometrie bereits zu einer zentralen Zusatzfähigkeit in den Bereichen Preisgestaltung, Umsatzstrategie und empirische Geschäftsanalyse geworden.

Um dieses Wissenssystem aufzubauen, kann man es schrittweise vorantreiben: von kausaler Intuition, ökonometrischen Grundlagen, praktischer Softwareanwendung bis hin zu fortgeschrittenen Praxisszenarien.

✅ Erste Stufe: Aufbau kausaler Intuition ohne Vorkenntnisse

Wenn man gerade mit der Datenanalyse beginnt, wird man von verschiedenen Berichten verwirrt und kann Kausalität nicht von zufälligen Datenkorrelationen unterscheiden, zudem schrecken die komplexen Formeln in dicken Lehrbüchern ab.

Dieses Buch vermeidet komplexe mathematische Ableitungen und erklärt die Kernlogik der Kausalität anhand von geschäftlichen und realen Fallbeispielen. Ohne sich mit Mathematik auseinanderzusetzen, kann man die Urteilskraft zur Unterscheidung von Analyseergebnissen entwickeln, es eignet sich sehr gut für Studenten im Grundstudium und Geschäftsanalysten, um das kausale Denken zu entwickeln.

✅ Zweite Stufe: Einstieg in die Ökonometrie, Festigung der Grundlagen für Regression und empirische Forschung

Viele Menschen wollen eilig mit modischen Methoden wie DID und Instrumentalvariablen arbeiten und überspringen die ökonometrischen Grundlagen direkt. Am Ende merken sie sich nur eine Reihe von Fachbegriffen, wissen aber nicht, unter welchen Voraussetzungen diese Methoden angewendet werden können, und nutzen sie in der tatsächlichen Analyse sehr leicht falsch.

Dieses Buch ist unverzichtbar für empirische Arbeiten und die Analyse von Geschäftsstrategien. Es konzentriert sich nicht auf langwierige Ableitungen, sondern erläutert gründlich Endogenität, Instrumentalvariablen und Paneldaten – genau die Kern-Grundlagen der kausalen Identifizierung.

Es eignet sich für Studenten im Grundstudium mit ersten ökonometrischen Vorkenntnissen, Forscher sowie Berufstätige, die sich mit Branchenforschung und Geschäftsstrategien befassen. Viele ausländische Stellen im Bereich angewandte Volkswirtschaftslehre nutzen dieses Buch ebenfalls als Wissensgrundlage.

Wenn man Ökonometrie von Grund auf lernen möchte, kann man mit diesem Buch anfangen. Es ist ein klassisches Werk im Inland mit angemessenem Schwierigkeitsgrad. Es erläutert alle Kerninhalte wie OLS-Regression, Paneldaten und Zeitreihen und enthält zudem Anleitungen zur Bedienung von EViews. Man kann die grundlegenden Konzepte gründlich durchgehen, was das spätere Lernen von Kausalität sehr erleichtert. Es eignet sich hervorragend, um die ökonometrischen Grundkenntnisse ohne Vorkenntnisse zu festigen.

Wenn man bei Analysen grundlegende Konzepte wie Regression oder Hypothesentests verwechselt, kann man sie schnell durch Nachschlagen auffrischen. Die Sprache ist verständlich und enthält viele Beispiele, es ist sehr praktisch zum Nachschlagen bei Problemen. Man muss es nicht Kapitel für Kapitel von Anfang bis Ende lesen, es eignet sich eher als Nachschlagewerk für den Schreibtisch.

✅ Dritte Stufe: Praktische Softwareanwendung, Umsetzung der ökonometrischen Methoden

Man hat alle theoretischen Grundlagen verstanden, aber wenn man mit echten Daten arbeitet, weiß man nicht, wie man das Modell ausführt.

Man kann es auch ohne Vorkenntnisse in Stata lernen. Es deckt gängige Werkzeuge wie Regression, Instrumentalvariablen und Panelmodelle ab. Mit den dazugehörigen öffentlichen Datensätzen kann man gängige Analysen wie DID selbst nachvollziehen und die Lücke zwischen dem Verstehen der Theorie und der praktischen Arbeit schließen, es eignet sich sowohl für Studenten als auch für Berufstätige, die im Datenbereich arbeiten.

✅ Vierte Stufe: Moderne kausale Schlussfolgerungen für empirische Arbeit und praktische Geschäftsanwendungen

In der praktischen Arbeit ist es schwierig, vollständige A/B-Tests durchzuführen, die Bewertung der Effekte von Preisanpassungen und Subventionen basiert meistens nur auf historischen Daten.

Dieses Buch orientiert sich an Geschäftsszenarien, deckt alle gängigen Methoden wie DAG, DID und Synthetische Kontrolle ab und enthält fertigen Code für Stata und R. Es kann endogene Preisverzerrungen beseitigen, geschäftliche Interventionen bewerten und die Effekte für verschiedene Bevölkerungsgruppen differenzieren, es eignet sich für Leser mit vorhandenen ökonometrischen Grundlagen, die geschäftliche Analysen praktisch umsetzen müssen.

Die Beherrschung von Ökonometrie und kausalen Schlussfolgerungen ist längst zu einer unsichtbaren Schwelle für hochrangige Stellen im Bereich Geschäftsstrategie geworden. Nur wenn man die Grenzen der reinen vorhersageorientierten Datenanalyse überwindet, kann man die zentrale Wettbewerbsfähigkeit für die praktische Umsetzung von Geschäftsentscheidungen erlangen.

ENDE

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „crup Ökonomie“ und wird mit Genehmigung von 36Kr veröffentlicht.