A felmondás indoklása, avagy „eltérő bánásmód” a munka világában
Európai ítélet született a határozott idejű munkaszerződés megszüntetése esetén elmaradt indoklás jogellenességéről.
Moneyball, avagy sport és jog: miben tud segíteni a sportelemzés módszertana a jogászi munka hatékonyabb mérésében és jobb döntések meghozatalában?
Ez a cikk több mint egy éve került publikálásra. A cikkben szereplő információk a megjelenéskor pontosak voltak, de mára elavultak lehetnek.
Az új típusú, kezdetben a baseballban használt elemző alkalmazások nemcsak a labdajátékokban, hanem a jog területén is hatékonyabb stratégiai döntések meghozatalát segíthetik – legyen szó egy ügyvédi perstratégia összeállításáról, a megfelelő érvelés megfogalmazásáról, egy új munkavállaló felvételéről vagy más döntések támogatásáról.
“Ha az a lövés bemegy, akkor gól” – sokak fejében ez a kép él, amikor a sportelemzések kerülnek szóba. Azonban ennél már sokkal kifinomultabb eszközök és módszerek állnak rendelkezésre egy-egy sportesemény elemzésére és magyarázatára. A Moneyball egy elsősorban a baseballban kifejlesztett, de aztán más sportokban is elterjedt szemléletmód, aminek a lényege, hogy statisztikai adatgyűjtésre, és különböző elemző algoritmusokra támaszkodva hoznak meg személyi és taktikai döntéseket. Ez a megközelítés és a módszertan egyes elemei azonban a sporton kívül más területen is hasznosítható a hatékonyabb szervezeti és üzleti döntések meghozatalának érdekében. Nincs ez máshogy a jog területén sem. Ezért ebben a cikkben azt mutatjuk be, hogy pontosan mi is ez a megközelítés, mit takar a kvantitatív adatelemzés folyamata, és mindez milyen lehetőségeket nyújt a jog területén a jogászok életében.
Moneyball a sportban
A különböző adatvezérelt megközelítésmódok, melyek szerint a fontos stratégiai döntéseket nem a döntéshozó és a szakértők egyéni tudására és tapasztalatára hagyatkozva hozzák meg, hanem nagy mennyiségű adatok elemzésére szolgáló eszközökre támaszkodva, egyre elterjedtebbé válnak számos területen. A sportban a baseballból kiindulva más területeken is ez a Moneyball stratégiaként vált ismertté.
A Moneyball koncepció tulajdonképpen nem más, mint az a módszertan, amelyet Billy Beane, az Oakland Athletics edzője dolgozott ki Paul DePodesta-val, a Harvardon végzett elemzővel közösen a 2000-es évek elején (erről egy nagy sikerű filmet is készítettek Brad Pitt és Jonah Hill főszereplésével, magyarul Pénzcsináló címmel jelent meg). A probléma amivel Beane-éknek meg kellett küzdeniük kettős volt: egyrészt az Oakland nem tudott annyi pénzt költeni a jól teljesítő és széles körben tehetségesnek gondolt játékosok megvásárlására és fizetésére, mint a nagy csapatok (New York Yankees stb.). Másrészt pedig azt is tapasztalniuk kellett, hogy sokszor hiába tudtak megvásárolni egy-két jónak gondolt játékost, azok nem váltották be a hozzájuk fűzött reményeket, ugyanis a kiválasztási módszerük nem megfelelő adatokra alapozott.
Ezért kidolgoztak egy statisztikai módszertant, amivel több információt és pontosabb metrikákat tudtak megszerezni egy-egy játékosról, illetve ki tudták küszöbölni a nagy csapatokkal kapcsolatos versenyhátrányukat. Így vált elterjedtté a Sabermetrics, vagyis a baseball empirikus elemzése és nyitotta meg az utat a kvantitatív elemzések előtt más sportágakban is.
Az Oakland A-nél ugyanis felfedezték, hogy a baseballban használt hagyományos módszerek, különösen azok, amelyeket a játékosok kiválasztásánál és értékelésénél használtak, erősen szubjektívak és ezért kevésbé hatékonyak. A játékosmegfigyelőkre támaszkodó hagyományos játékosmegfigyelés és játékosvásárlás ugyanis nem a leghatékonyabb módszer annak eldöntésére, hogy az adott játékos illeszkedik-e abba a csapatba, amelyik kiszemelte, illetve hasznára lesz-e a csapatnak. És nem azért, mert a játékosmegfigyelők ne értenének a munkájukhoz, hanem egyrészt azért, mert alapvetően megvannak a korlátai annak, hogy mennyi adatot képesek összegyűjteni és hány játékosról, másrészt pedig még ha a világ összes játékosát képesek is lennének feltérképezni, az emberi megismerésnek akkor is vannak olyan korlátai, amelyek a döntéshozás hatékonyságát rontják.
Ilyen például az a jól megfigyelt tény, hogy a játékosmegfigyelők hajlamosak az aktuális teljesítménye alapján megítélni az adott játékost, és nem veszik figyelembe sem a játékos fejlődési ütemét, sem pedig az egyes kilengéseket a teljesítményében. Emellett pedig az is jellemző, hogy az ilyen játékosmegfigyeléseknél a látványos, de ritka játék képes erősebben befolyásolni a megfigyelőket, mint a folyamatos jó teljesítmény. Hogy egy magyar szemlélettel kézzelfoghatóbb példát mondjunk: elég csak arra gondolni, hogy az utolsó percben lőtt győztes gól érdekesebbé teszi a külső megfigyelő számára a csatárt, mint azt, aki nem ilyen kiélezett szituációkban, de rendszeresebben lövi a gólokat.
A Sabermetricsben rejlő lehetőségeket kihasználva azonban Billy Beane-ék kifejlesztettek egy olyan statisztikai alapú módszertant, ami részben a klasszikus játékosmegfigyeléseket kiegészítve, részben azokat kiváltva képes jobban előre jelezni, hogy a megszerezni kívánt játékos mennyire képes hozzátenni az adott csapat sikerességéhez, a képességei mennyire illenek azokra a területekre, ahol hasznosítani kívánják. Ehhez új fajta statisztikai mutatókat és azok mérésére szolgáló eszközöket vezettek be mind a saját, mind pedig más csapatok játékosainak képességeinek mérésére. Ezzel pedig képessé váltak egy játékos szezonokon átnyúló fejlődési ütemének a nyomon követésére, illetve annak ellenőrzésére, hogy egy jó vagy rossz teljesítmény mennyire illeszkedik bele a játékos teljesítményének trendjébe, vagy éppenséggel csak egy kiugró adat.
Ezáltal pedig sokkal hatékonyabb döntéseket voltak képesek meghozni a draft (ami az amerikai sportokban tulajdonképpen az egyetemről vagy bizonyos esetekben főiskoláról a profi ligába bekerülő fiatalok kiválasztási rendszere), a játékosvásárlás és a játékosfizetések területein. Sőt, ez a módszertan hasznossá vált a meccstaktikák kidolgozásában is. Ha ugyanis tisztában vannak a saját csapatuk erősségével és az ellenfél csapatának gyengeségével, akkor alkalmassá váltak arra, hogy úgy alakítsák a taktikákat és a meccs képét, hogy a saját erősségüket kidomborítsák, és közben egyúttal kihasználják az aktuális ellenfelük gyengeségeit.
Mindez pedig megmutatkozott az Oakland eredményeiben is: 1999-ben, amikor Beane-ék átvették a csapat irányítását, akkor a fizetéseket tekintve a 11., győzelmek száma tekintetében pedig már rögtön az 5. helyet érték el a 14 csapat közül, 2000-ben és 2001-ben 12. helyen voltak a fizetések tekintetében és 2. helyen a győzelmek számában, míg 2002-ben elsők lettek, de továbbra is a 12. helyen voltak a fizetések tekintetében. Tehát ebből is látszik, hogy a kiadások jelentős növekedése nélkül képesek voltak a versenyképességüket növelni azáltal, hogy képesek voltak olyan játékosokat felderíteni, akiknek a képességei megfelelőek voltak a csapat számára, de nem voltak sztárjátékosok, és így nem volt magas az igazolási áruk.
A Moneyball szemlélet és módszertan pedig nem állt meg a baseball területén. Ez nem volt magától értetődő, hiszen a baseball lényege, hogy minimális interakció van a játékosok és a csapattársak között, és elég jól tagolt játékról van szó, ami tökéletessé teszi statisztikai alapú módszertanok adaptálására, de más, eltérő karakterisztikájú sportokban is elterjedt ez a módszertan. Az egyik nagyon jó példa erre az elmúlt években a foci. A labdarúgás ugyanis szintén sokáig ellenállt az új típusú megközelítéseknek, és elsősorban a menedzserek, sportigazgatók és játékosmegfigyelők szakmai intuícióira voltak bízva a döntések, és náluk annak volt előnye, akinek több szakmai gyakorlata volt a területen. Ez részben a futball természetéből fakadt, hiszen viszonylag kevésbé kontrollált játékról van szó: relatíve nagy területen folyik a játék és elég dinamikusan, sok játékos játssza egyszerre, sok köztük az interakció és elég kevés a játékmegszakítás.
Az utóbbi időben azonban megnövekedett az adatgyűjtés, a mesterséges intelligencia és a gépi tanulásra építő elemzések használata, ami lehetővé teszi mind az egyes játékosok, mind pedig a teljes csapat játékának elemzését vagy akár az ellenfél csapat játékának előzetes előrejelzését. Ehhez pedig arra volt még szükség a technológiai változásokon túl, hogy olyan bizonyos új adattípusokat meghonosítsanak, amelyek lehetővé teszik a játék elemzését. Ilyen, az elmúlt években bevezetett expected goals (xG) mérőszám. Az xG a gólhelyzetek minőségét határozza meg azáltal, hogy megadja a valószínűségét egy 0-tól 1-ig terjedő skálán, hogy az adott helyzetben az adott pozícióban mekkora volt a gólszerzés esélye. Ezzel sokkal hatékonyabban mérhetővé válik a támadó játékosok teljesítménye, mintha egyszerűen csak a lőtt gólok számát néznénk. Így sokkal jobban mérhetővé válik a játékosok csapatjátékhoz hozzáadott értéke, amivel pedig sokkal hatékonyabb döntéseket lehet hozni, mint csak egyszerű megfigyeléssel.
Moneyball a jogban
A sporttörténeti felvezető után pedig térjünk rá arra, hogy miért lényeges ez jogászi szemmel is. A Moneyballon alapuló megközelítések ugyanis nemcsak a baseball határait lépték túl, hanem a sport határait is, és számos olyan területen is használhatóvá váltak, ahol korábban nem volt elképzelhető hasonló statisztikai mérőszámok használata. Ezek közé a területek közé tartozik a jog is, ahol ez a fajta statisztikai elemzésekre épülő megközelítés hasznosíthatóvá válhat a hatékonyabb szervezeti és stratégiai döntések meghozatalának érdekében. Ha ugyanis belegondolunk, akkor a jog világa nagyon hasonlít a Billy Beane előtti baseball és a foci világához: a szakértők itt is jórészt egyéni szakmai intuícióik és tapasztalataik alapján, valamint a hagyományos dogmatikai tudásuk alapján hozzák meg a különböző döntéseket, és ritkán, vagy egyáltalán nem támaszkodnak kvantitatív segítő adatokra és elemzésekre.
A Moneyball logika azonban itt is jelentősen hasznosítható: a Sabermetricshez hasonlóan lehetőség van új típusú statisztikai mérőszámok bevezetésére, amelyek képesek lehetnek pontosabban mérni a jogászi munkavégzés bizonyos attribútumait és előre jelezni azt, hogy mik azok a döntések, amelyek a leginkább hozzájárulnak az adott szervezet sikerességéhez, legyen szó akár a perstratégia összeállításáról, akár a megfelelő érvelés megfogalmazásáról, akár egy új munkavállaló felvételéről vagy más döntések támogatásáról. Az elmúlt évtizedben bekövetkezett technológiai fejlődés, főleg a számítógépek megnövekedett számítási kapacitására épülő új típusú elemző alkalmazások ugyanis a jog területén is hatékonyabb stratégiai döntések meghozatalát segíthetik. Emellett pedig a jogi Big Datára épülő eszközöknek köszönhetően, amelyek lényege, hogy manapság már sokkal többféle és sokkal nagyobb mennyiségű adat válik gyűjthetővé és elemezhetővé, sokkal több jogilag releváns adat állhat rendelkezésünkre, amely segítségével sokkal pontosabb információkat kaphatunk egy-egy jogi területről, ügyről.
Gondoljunk csak az új jogász munkavállalók felvételi procedúrájára. Jelenleg, ha egy új munkavállaló jelentkezik egy ügyvédi irodához, akkor az önéletrajzán és az interjús beszélgetésen kívül nem igazán állnak rendelkezésre olyan megfelelő metrikák, amelyekkel mérni és prediktálni lehetne, hogy az adott jogász képességei alapján a munkavégzése hatékony lesz-e az adott ügyvédi iroda vagy más jogi munkahely sajátosságait figyelembe véve. Az önéletrajz és az interjú esetén már több kutatás is bizonyította, hogy a munkahelyi interjúk nem igazán képesek mindig előre jelezni a jelölt későbbi munkavégzési hatékonyságát Az esetleg még ezeken túl rendelkezésre álló pernyertességi statisztika sok esetben szintén nem ad megfelelő információt egy jogász pontos munkavégzéséről. Ugyanis az, hogy valaki megnyert egy ügyet az ügyfelének az nem sok dolgot árul el. Nem mindegy ugyanis, hogy egy olyan ügyben nyert, ami egyértelmű volt, vagy egy olyanban, ami eleve nehezen nyerhetőnek tűnt. Bizonyos megfelelő pontosságú ügypredikciót lehetővé tevő eszközökkel viszont kimutathatóvá válhat, hogy egy olyan ügyben nyert például 3 millió forintos kártérítést az ügyfelének, ahol 10 milliót is lehetett volna nyerni vagy ahol előzetesen az volt az előrejelzés, hogy egyáltalán nem fog nyerni. Természetesen ez előfeltételez egy szofisztikált ügypredikciót lehetővé tevő alkalmazást, amivel előzetesen el lehet dönteni, hogy nagyjából milyen kimenetelekre mekkora esély van az adott ügyben. Ezek jelenleg viszonylag szűk felhasználási körben érhetőek csak el (pl. az amerikai Supreme Court és a strasbourgi Emberi Jogok Európai Bíróságának esetében vannak előremutató kísérletek ezzel kapcsolatban), viszont ezek elterjedése a jövőben sokkal precízebb statisztikák előállítását teszik lehetővé a jogászi munkavégzés területén is.
Az ilyen statisztikai alapú elemzések használatának előfeltétele azonban- ahogy az a baseball és a foci példáján is látszódott -, hogy meg kell határozni azokat az indikátorokat, amelyek előre jelezhetik egy-egy üzleti vagy stratégiai döntés hatékonyságát. A Lawyer Metrics-nél például kifejlesztettek egy adatbázist és egy módszertant, ami elősegíti a kvantitatív elemzést különböző területeken és segít meghatározni, hogy mik azok a jelek vagy attribútumok egy jogi munkavállaló-jelölt esetében, ami kapcsolatban lehet a későbbi teljesítményével az adott területen. Az eljárásuk lényege, hogy a jelentkező önéletrajzából és/vagy bemutatkozásából begyűjtenek mindenfajta adatot, olyanokat is, amiket az ügyvédi irodák hagyományosan figyelni szoktak, mint például a diplomaátlag, korábbi gyakornoki helyek, az egyetem rangja, ahol végzett a jelentkező stb., és olyanokat is, amik felett korábban átsiklottak, mint például, hogy van-e kék vagy rózsaszín galléros (azaz fizikai vagy gondoskodási típusú munkákban) munkavégzési tapasztalata, vett-e részt csapatsportban stb. Ezt pedig aztán összehasonlítják a már alkalmazott munkavállalók hatékonyságával és ilyen típusú adataival, és megállapítják, hogy mik azok a jellemzők, amelyekre elsődlegesen figyelniük kell a megfelelő munkavállaló kiválasztásánál. A Lawyer Metrics-hez beérkezett tapasztalatok alapján pedig azt figyelték meg, hogy az ügyvédi irodák korábban túlértékeltek bizonyos jellemzőket, és alulértékeltek olyanokat, amik fontosak lettek volna. Az viszont fontos, hogy ahogy a foci esetében is más képességek kellenek egy csatár, egy középpályás, egy védő vagy a kapus esetében, úgy a jogászi munkavégzések széles tárházában sincs olyan egyedüli attribútum, aminek azonosítása minden területre megfelelő lehet. Így például azt tapasztalták, hogy a kék, illetve rózsaszín galléros munkavégzési tapasztalat bizonyos jogi területeken eléggé hasznos tud lenni, míg máshol inkább hátrány.
Emellett pedig ez az empirikus elemző módszertan nemcsak a munkára jelentkezők kiválasztásában jelenthet segítséget a jog világában, hanem az egyes személyek munkavégzési hatékonyságának figyelésében is, vagy akár a megfelelő pertaktika és érvelés kialakításában. Az angolszász országokban például számos eszköz nyújt segítséget abban, hogy akár a belső vállalati életben figyelhető legyen az egyes munkavállalók munkavégzésének hatékonysága, akár nyilvános adatbázisok segítségével a különböző ügyvédek eredményei vagy bírák eljárásai összehasonlíthatóak legyenek. Ezek az ügyvédi munkavégzést kvantitatív módon monitorozó alkalmazások pedig segítséggel lehetnek az ügyfeleknek ahhoz, hogy az egyéni ügyük sajátosságaiból fakadóan megtalálják azt az ügyvédet, aki a leghatékonyabban tudja ellátni a képviseletüket, másrészt hasznos lehet az irodáknak, hogy a rendelkezésükre álló munkaerőt úgy hasznosítsák, hogy az a lehető leghatékonyabb mértékben tudja segíteni az iroda fejlődését, valamint feltárja azokat a hiányosságokat, ahol még erősíteni kell a csapaton. Végül pedig hasznos lehet az ügyvédnek magának is egyénileg, hogy tudja, melyek azok a területek, amik az erősségei és melyek azok, amikben fejlődnie kell.
Végeredményben tehát a sportból kölcsönzött kvantitatív adatelemző módszerek, és főleg azok szemléletmódja és logikája alkalmas lehet arra, hogy a jog világában a különböző döntési joggal rendelkező személyek hatékonyabb döntéseket hozzanak meg a saját szervezetük életében. A baseball és a foci esete is azt mutatja, hogy ezek az új típusú módszerek nagyszerűen képesek kiegészíteni a hagyományos döntéshozatali módszereket és információkat, és jelentős versenyelőnyt képesek biztosítani azoknak, akik a legelőször lépik meg ezeket a döntéseket.
Természetesen hangsúlyozni kell azt is, hogy ezek a módszerek nem iktatják ki a hagyományos módszereket teljesen. A hagyományos tudásra és eljárásokra épülő döntéseknek továbbra is hatalmas szerepe kell legyen a megfelelő döntések és stratégiák meghozatalában. Elég csak arra gondolni, hogy hiába alkalmazunk pontos statisztikai adatokra épülő algoritmikus elemzéseket például a munkavállalók kiválasztásában, annak eldöntésére, hogy az adott személy illeszkedik-e a munkahely kultúrájába, illetve közösségébe, az ilyen módszerek nem alkalmazhatók. Ahogy arra se, hogy a szervezet megőrizze diverzitását és inkluzivitását – ahhoz továbbra is vezetői kompetenciákra van szükség.
Ahogy a sport esete is bizonyítja, ezek az elemző algoritmusok nem “robotizálják el” teljesen ezeket a területeket, hiszen továbbra is szükség van az emberi kreativitásra a legfőbb döntések meghozatalánál, ezek a módszerek csupán az ezekhez a döntésekhez vezető utat tudják leegyszerűsíteni és magát a döntést hatékonyabbá tenni azáltal, hogy sokkal több információ áll a rendelkezésünkre. Amit fontos még kiemelni, hogy ezek az elemző algoritmusok és adatgyűjtések alapvetően az angolszász adatvédelmi környezetbe ágyazódnak, egy kontinentális adatvédelmi felfogással ezek a megoldások nem biztos, hogy teljesen átültethetőek.
A cikk szerzője a MONTANA Tudásmenedzsment Kft. jogi informatikai szakértője és az ELTE ÁJK Jog- és Társadalomelméleti tanszékének doktorandusza.
Felhasznált szakirodalom:
Luiz Octávio Gavião, Annibal Parracho Sant’Anna, Gilson Brito Alves Lima & Pauli Adriano de Almada Garcia (2019): Evaluation of soccer players under the Moneyball concept, Journal of Sports Sciences, DOI: 10.1080/02640414.2019.1702280
Wolfe, Richard & Babiak, Kathy & Cameron, Kim & Quinn, Robert & Smart, Dennis & Terborg, James & Wright, Patrick. (2007). Moneyball: A business perspective. International journal of sport finance. 2. 249-262.
Caron, Paul & Gely, Rafael. (2004). What Law Schools Can Learn from Billy Beane and the Oakland Athletics. Texas Law Rev.. 82.
Market Efficiency and Rationality: The Peculiar Case of Baseball; Moneyball: The Art of Winning an Unfair Game by Michael Lewis Review by: Richard H. Thaler and Cass R. Sunstein Michigan Law Review, Vol. 102, No. 6, 2004 Survey of Books Relating to the Law (May, 2004), pp. 1390-1403