Текст книги "Экономика символического обмена"
Автор книги: Александр Долгин
Жанр:
Экономика
сообщить о нарушении
Текущая страница: 13 (всего у книги 31 страниц)
Поскольку вкусы людей из группы рекомендателей, подобранных компьютерной программой для данного клиента, хотя и близки между собой, но все же не идентичны, нужно каким-то образом резюмировать их общую оценку. В примитивном варианте она вычисляется как простое среднее. В то же время ясно, что чем более сходны во вкусах клиент и кто-то из его рекомендателей, тем весомей должен быть вклад оценки данного рекомендателя в предсказание, обобщающее мнение группы. Однако и в этом варианте учтено не все: в частности, пользователи по-разному воспринимают шкалу оценок. Эта проблема снимается, если абсолютные значения оценок корректируются с учетом систематического сдвига от их среднего значения для соответствующего рекомендателя (так нивелируется общая позитивная или негативная установка абонента).
Наряду с клиент-клиентскими системами применяется коллаборативная фильтрация второго типа – модельного[335]335
Billsus D., Pazzani M. Learning Collaborative Information Filters; Breese J. S., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering; Getoor L., Sahami M. Using Probabilistic Relational Models for Collaborative Filtering // Proc. Workshop Web Usage Analysis and User Profiling (WEBKDD ’99), Aug. 1999; Goldberg K., Roeder T., Gupta D., Perkins C. Eigentaste: A Constant Time Collaborative Filtering Algorithm // Journal of Information Retrieval, Vol. 4, № 2, July 2001. P. 133–151; Hofmann T. Collaborative Filtering via Gaussian Probabilistic Latent Semantic Analysis // Proc. 26th Ann. Intl ACM SIGIR Conf., 2003; Marlin B. Modeling User Rating Profiles for Collaborative Filtering // Proc. 17th Ann. Conf. Neural Information Processing Systems (NIPS ’03), 2003; Pavlov D., Pennock D. A Maximum Entropy Approach to Collaborative Filtering in Dynamic, Sparse, High-Dimensional Domains // Proc. 16th Ann. Conf. Neural Information Processing Systems (NIPS ’02), 2002.
[Закрыть]. В этой схеме с помощью некоего индекса сходства пользователей объединяют в кластеры. Покупки и оценки, данные потребителями из одного сегмента, используются для вычисления рекомендаций. По утверждению Г. Линдена и его соавторов, кластерные модели легче масштабируются (т. е. они лучше приспособлены к работе с крупными базами данных) в сравнении с поклиентской коллаборативной фильтрацией, так как сверяют профиль пользователя с относительно небольшим количеством сегментов, а не с целой пользовательской базой[336]336
Linden G., Smith B., York J. Amazon.com Recommendations. Item-to-Item Collaborative Filtering // IEEE Internet Computing, February 2003.
[Закрыть]. Сложный и дорогой кластерный подсчет ведется в оффлайновом режиме, что разгружает систему. Но качество рекомендаций при этом снижается, и вот почему. Кластерная модель группирует пользователей в сегмент, сравнивает конкретного пользователя с этим сегментом и выдает всем членам сегмента общие рекомендации. Так как пользователи, объединенные в кластер, не обладают идеальным сходством, рекомендации тоже не идеальны. Их качество можно повысить, разбивая пользователей на высокооднородные подгруппы, но тогда их будет много, и анализ связи пользователь-сегмент обойдется так же дорого, как и поиск сходных потребителей методом субъект-субъектной (поклиентской) коллаборативной фильтрации[337]337
Каждый товар может рассматриваться как один из узлов байесовой сети, а положение узла соответствует предполагаемой величине оценки товара. Плохо здесь то, что каждый пользователь может быть отнесен к отдельному кластеру, хотя некоторые системы способны рассматривать пользователя сразу в нескольких амплуа. Например, в системе, занимающейся рекомендацией книг, пользователь может интересоваться одной темой для работы и совершенно другой – для досуга. Кроме того, предлагается метод КФ, основанный на машинном самообучении (например, система искусственных нейронных сетей), вкупе с методами извлечения релевантных признаков (таких, как алгебраические модели сокращения матриц до матриц меньшего размера с сохранением репрезентативности). По некоторым оценкам, не являющимся окончательными, модельные методики превосходят анамнестические в точности рекомендаций. См., например: Billsus D., Pazzani M. Learning Collaborative Information Filters и Breese J. S., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering.
[Закрыть].
Работа по совершенствованию коллаборативной фильтрации полным ходом ведется во всем мире. Известны попытки внедрения статистической схемы[338]338
Ungar L. H., Foster D. P. Clustering Methods for Collaborative Filtering // Proc. Recommender Systems, Papers from 1998 Workshop, Technical Report WS-98-08 1998.
[Закрыть], а также более сложных вероятностных методов[339]339
В частности, для выработки рекомендаций предлагают использовать цепи Маркова (Shani G., Brafman R., Heckerman D. An MDP-Based Recommender System // Proc. 18th Conf. Uncertainty in Artificial Intelligence, Aug. 2002). Известен латентно-семантический анализ и группа методов, оперирующих понятиями генеративной семантики. Показано, что коллаборативная фильтрация применима и при относительно небольшом количестве информации о пользователе (Kumar R., Raghavan P., Rajagopalan S., Tomkins A. Recommendation Systems: A Probabilistic Analysis // Journal of Computer and System Sciences, Vol. 63, № 1, 2001. P. 42–61).
[Закрыть]. Объединение анамнестического и модельного принципов дает лучшие результаты, чем каждый из них в отдельности.
2.7.3.1. Проблемы и недостатки
Коллаборативные рекомендации по целому ряду параметров превосходят контентные. В частности, они могут работать с любыми продуктами, даже c теми, которые вообще пока не известны данному потребителю. Технология может использоваться и для экспертизы самого эксперта[340]340
С помощью взаимной фильтрации формируются круги не только ценителей определенного произведения, точно так же могут формироваться и группы поклонников определенного критика.
[Закрыть]. (Если профессиональный критик включается в орбиту рекомендательного сервиса, важно знать, в какой области он специализируется и сколь авторитетен.)
Главное достоинство коллаборативной фильтрации состоит в том, что рекомендации персонифицированы. При этом сервис не просто использует повседневную потребительскую активность клиентов, а стимулирует их анализировать свои поступки. Создатели рекомендательных систем для торговли по вполне понятным причинам стараются не утруждать потребителя и свести его рефлексию к минимуму. Но несомненно, что для самого покупателя осмысление выбора – полезное занятие. В частности, культурно-потребительская активность может привести к формированию сообществ по интересам, и это бесконечно позитивно[341]341
Вообще говоря, сближение родственных по духу людей и формирование сообществ по интересам может оказаться главной ценностью коллаборативной технологии, радикально и позитивно меняющей мир.
[Закрыть] – при условии, что реальное (офф-лайн) знакомство людей с их «вкусовыми» соседями не будет противоречить этике и принципу невмешательства в частную жизнь[342]342
Этика содействия организации обществ по интересам разбирается, в частности, Тервином и Хиллом на примере системы PHOAKS. Главный приоритет здесь – соблюдение невмешательства в частную жизнь (Terveen L., Hill W. Beyond Recommender Systems: Helping People Help Each Other // Carroll J. (ed.) HCI in the New Millennium. Addison-Wesley, 2001).
[Закрыть].
Но в коллаборативных сервисах имеются и свои ограничения. К их числу относится проблема нового пользователя. Чтобы дать ему точные рекомендации, системе прежде надлежит выяснить его предпочтения. Это препятствие обходят, используя гибридный метод, совмещающий возможности контентного и коллаборативного принципов[343]343
Подробнее см.: Rashid A. M., Albert I., Cosley D., Lam S. K., McNee S. M., Konstan J. A., Riedl J. Getting to Know You: Learning New User Preferences in Recommender Systems // Proc. Intl Conf. Intelligent User Interfaces, 2002; Yu K., Schwaighofer A., Tresp V., Xu X., Kriegel H.-P. Probabilistic Memory-Based Collaborative Filtering // IEEE Transactions on Knowledge and Data Engineering, Vol. 16, № 1, Jan. 2004. P. 56–69.
[Закрыть]. Совсем недавно появились методики построения потребительского профиля, в которых используется автоматическая обработка текстов (data-mining), анализ сетевого поведения клиента и т. д. Они позволяют учесть интересы и предпочтения пользователей, не обременяя их лишними вопросами, и тем самым насытить как их собственные профили, так и профили объектов. Эти технологии позволяют отчасти снять еще одну проблему рекомендательных систем – назойливость. Большинство рекомендательных сервисов предполагают пользовательскую активность: MovieLens, например, первым делом просит новичков проставить оценки двум десяткам фильмов[344]344
Такой запрос требует от пользователя некоторого количества усилий. В то же время каждая дополнительная оценка увеличивает точность анализа и в этом смысле выгодна клиенту. Поэтому перед разработчиками стоит проблема минимизации необходимого числа оцениваемых единиц, чтобы человек ради получения эффективного результата был готов потратить некоторое время на первоначальные оценки.
[Закрыть].. Для точного расчета необходимы оценки большого количества уже известных продуктов. Эти сведения стараются извлечь косвенными методами[345]345
См.: Caglayan A., Snorrason M., Jacoby J., Mazzu J., Jones R., Kumar K. Learn Sesame – A Learning Agent Engine // Applied Artificial Intelligence, Vol. 11, 1997. P. 393–412; Konstan J. A., Miller B. N., Maltz D., Herlocker J. L., Gordon L. R., Riedl J. GroupLens: Applying Collaborative Filtering to Usenet News // Comm. ACM, Vol. 40, № 3, 1997. P. 77–87; Middleton S. E., Shadbolt N. R., de Roure D. C. Ontological User Profiling in Recommender Systems // ACM Trans. Information Systems, Vol. 22, № 1, 2004. P. 54–88; Oard D. W., Kim J. Implicit Feedback for Recommender Systems // Proc. Recommender Systems. Papers from 1998 Workshop, Technical Report WS-98-08, 1998.
[Закрыть]. Например, анализируют время, ушедшее на чтение статьи. Но косвенные данные неточны и не заменяют полностью прямых оценок пользователя. Поэтому проблема снижения навязчивости рекомендательных систем при сохранении высокого качества их работы стоит довольно остро.
Те же сложности возникают и с новым товаром: его невозможно рекомендовать до тех пор, пока он не наберет достаточного количества оценок[346]346
Good N., Schafer J. B., Konstan J., Borchers A., Sarwar B., Herlocker J., Riedl J. Combining Collaborative Filtering with Personal Agents for Better Recommendations // Proc. of AAAI’99, July 1999.
[Закрыть].
Есть и еще одна препона – так называемая разреженность оценок. Спрос на рекомендации обычно превышает наличие оценок в системе. Люди предпочитают не давать оценки, а получать их, не вкладываться в формирование базы данных, а пользоваться ею. Отсюда, в частности, проблема «первого оценщика» и вообще «холодного старта». Как побудить человека к этому действию, ведь поначалу он не приобретает ничего взамен и может подождать, пока эти хлопоты возьмет на себя кто-то другой?[347]347
Avery C., Resnick P., Zeckhauser R. The Market for Evaluations // American Economic Review, Vol. 89(3), 1999. P. 564–584.
[Закрыть] Хотя если судить по высочайшей спонтанной активности веблоггеров, не стоит переоценивать трудности. И все же так или иначе критическая масса пользователей необходима. Например, в рекомендательных системах по кино часть фильмов оценивается лишь малым числом зрителей, поэтому эти ленты будут рекомендоваться редко, даже если им поставили высокие баллы. В общем, если в базе данных число «экспертов» относительно мало по сравнению с количеством объектов, прогнозы будут неточны. Проблему можно частично купировать, если включить в профиль пользователя дополнительную информацию, к примеру, учитывать социально-демографические данные (это так называемая демографическая фильтрация). Так, рекомендательные системы для ресторанов предлагается пополнять сведениями о возрасте, месте проживания, образовании и работе[348]348
Pazzani M. A Framework for Collaborative, Content-Based, and Demographic Filtering // Artificial Intelligence Review, December 1999. P. 393–408.
[Закрыть].
Часть проблем коллаборативной фильтрации носит сугубо технический характер и связана со сложностями вычислений при работе с большими базами данных. Как указывают разработчики конкурирующих друг с другом систем, «почти все современные алгоритмы коллаборативной фильтрации были разработаны на небольших базах данных. Например, MovieLens работает с 35000 клиентов и 3000 товаров, а EachMovie работает с базой из 4000 пользователей и 1600 товаров»[349]349
Linden G., Smith B., York J. Amazon.com Recommendations. Item-to-Item Collaborative Filtering // IEEE Internet Computing, February 2003.
[Закрыть]. Дорогостоящие вычисления целесообразно выполнять только в офф-лайне, но традиционная поклиентсткая корпоративная фильтрация в таком режиме практически не функционирует, а делать все вычисления в режиме реального времени трудно. Это возможно только если количество измерений невелико, что уменьшает качество рекомендаций. В противном случае обслуживание рекомендательной системы оказывается неоправданно затратным.
Еще одна проблема, характерная для коллаборативной фильтрации – это рекомендации чего-то принципиально иного. Многие действующие системы дают сбой на этом месте[350]350
Terveen L., Hill W. Beyond Recommender Systems…
[Закрыть]. Например, если при работе с Amazon.com. указать, что у вас в библиотеке есть «Макбет» Шекспира, то в ответ последует поток «услужливых» подсказок других пьес Шекспира[351]351
Там же.
[Закрыть]. Так же банальны и советы в сфере музыки. В рамках контентных систем идет поиск товаров, связанных общими характеристиками (того же автора, актера, режиссера) либо имеющих те же ключевые слова. Пообъектная коллаборативная фильтрация тоже базируется на сходстве товаров. Поэтому клиенту, купившему DVD с фильмом «Крестный отец», компьютер выдаст список других криминальных драм, фильмов с Марлоном Брандо и картин, снятых Ф. Копполой. Рекомендации часто будут либо слишком общими (все DVD того же жанра), либо чрезмерно зауженными (все книги того же автора), в то время как человек надеется на помощь в нахождении новых, стоящих внимания продуктов. Пытаясь решить эту проблему, некоторые системы, например Daily-Learner, отклоняют объекты на основании слишком большого сходства с тем, что уже известно клиенту[352]352
Billsus D., Pazzani M. User Modeling for Adaptive News Access // User Modeling and User-Adapted Interaction,Vol. 10, № 2–3, 2000. P. 147–180. Й. Жанг и др. предложили пять правил избыточности, чтобы определить, содержит ли продукт, отвечающий профилю потребителя, какую-либо новую для него информацию (cм.: Zhang Y., Callan J., Minka T. Novelty and Redundancy Detection in Adaptive Filtering // Proc. 25th Ann. Intl ACM SIGIR Conf., 2002. P. 81–88).
[Закрыть].
Субъект-субъектная версия коллаборативной фильтрации лишена этого недостатка. Клиент может запросить набор произведений, высоко оцененных его кругом рекомендателей, и обнаружить что-то совершенно новое.
Сотрудники Amazon сообщают, что справились с рядом недочетов пообъектной коллаборативной фильтрации, разработав собственную оригинальную схему (хотя, как показывает опыт с Шекспиром, с внедрением ноу-хау еще не все гладко)[353]353
Linden G., Smith B., York J. Amazon.com Recommendations…
[Закрыть]. Ими разработан алгоритм коллаборативной фильтрации для работы с громадными базами данных (что актуально для Amazon.com[354]354
У Amazon.com десятки миллионов клиентов и несколько миллионов товаров.
[Закрыть]), способный выдавать качественные, по мнению авторов, рекомендации в режиме реального времени. Смысл в том, что система соотносит каждый из приобретенных пользователем товаров с близкими товарами, купленными другими клиентами, и формирует рекомендательный список[355]355
Для вычисления сходства между двумя товарами применяется тот же метод, что и в традиционной поклиентской коллаборативной фильтрации, с той лишь разницей, что вектор соответствует товару, а не пользователю, а его размерность равна числу пользователей, приобретших данный товар.
[Закрыть].
Создав (в оффлайновом режиме) таблицу сходных товаров, программа находит среди них те, что перекликаются с покупками и оценками конкретного пользователя. Затем ему подсказывают самые популярные из продуктов, сходных с теми, что он еще не покупал или близких к уже купленным. (При этом, какие именно ему нужны рекомендации, никто не спрашивает!) Вычисление занимает мало времени, поскольку основная работа делается в режиме оффлайн, и в этом секрет масштабируемости пообъектной схемы. На выходе предлагаются только в большой степени сходные и, как уверяют авторы, желанные товары, хотя не ясно, откуда при высоком сходстве возьмутся рекомендации нового, оригинального произведения искусства.
2.7.4. Гибридные методы производства рекомендаций
Эти методы представляют собой комбинацию коллаборативного и контентного подходов и позволяют избежать ограничений, свойственных каждой из систем в отдельности[356]356
Wei Y. Z., Moreau L., Jennings N. R. A market-based approach to recommender systems // ACM Transactions on Information Systems, Vol. 23, № 3, April 2005. P. 227–266.
[Закрыть]. Преимущества гибридной схемы[357]357
Дополнительную информацию про гибридные рекомендательные системы см. в приложении 1, раздел 11.3.
[Закрыть] видны из простого примера. Предположим, один пользователь высоко оценил веб-страницу, освещающую итоги кинофестиваля, второй в тех же целях изучил другой интернет-источник. Коллаборативная фильтрация поклиентского типа ничего ценного отсюда не вылущит, а вот анализ содержания покажет, что объекты сходны, и выявит связь между пользователями.
Комбинации могут быть разными. Можно произвести расчеты в рамках коллаборативной и контентной схем по отдельности, а затем объединить предсказания. Можно встроить некоторые из контентных принципов в коллаборативную методику, и наоборот[358]358
Так, некоторые гибридные рекомендательные системы (в частности Fab) основываются на коллаборативной фильтрации, используя в дополнение контентные профили пользователей. Последние необходимы для выявления близости между клиентами, что позволяет решить проблему разреженности оценок.
[Закрыть]. Наконец, в рамках гибридного подхода возможно построение единой рекомендательной модели.[359]359
Basu C., Hirsh H., Cohen W. Recommendation as Classification: Using Social and Content-Based Information in Recommendation // Recommender Systems. Papers from 1998 Workshop, Technical Report WS-98-08, AAAI Press 1998; Popescul A., Ungar L. H., Pennock D. M., Lawrence S. Probabilistic Models for Unified Collaborative and Content-Based Recommendation in Sparse-Data Environments // Proc. 17th Conf. Uncertainty in Artificial Intelligence, 2001; Schein A. I., Popescul A., Ungar L. H., Pennock D. M. Methods and Metrics for Cold-Start Recommendations // Proc. 25th Ann. Intl ACM SIGIR Conf., 2002.
[Закрыть] Сложность, которая возникает в этом случае, заключается в необходимости получения информации об объектах рекомендаций.
В таблице, составленной Адомявичусом и Тужилиным, дана классификация рекомендательных систем (см. ниже)[360]360
Взято из обзора: Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions // IEEE Transactions on Knowledge and Data Engineering, Vol. 17, № 6, June 2005.
[Закрыть].
2.7.5. Эффективность и многомерность рекомендаций
Хотя эта проблема активно обсуждалась[361]361
Herlocker J. L., Konstan J. A., Borchers A., Riedl J. An Algorithmic Framework for Performing Collaborative Filtering // Proc. 22nd Ann. Intl ACM SIGIR Conf. Research and Development in Information Retrieval (SIGIR ’99), 1999; Herlocker J. L., Konstan J. A., Terveen L. G., Riedl J. T. Evaluating Collaborative Filtering Recommender Systems // ACM Transactions on Information Systems, Vol. 22, № 1, 2004. P. 5–53; Mooney R. J., Roy L. Content-Based Book Recommending Using Learning for Text Categorization // Proc. ACM SIGIR ’99 Workshop Recommender Systems: Algorithms and Evaluation, 1999; Yang Y., Padmanabhan B. On Evaluating Online Personalization // Proc. Workshop Information Technology and Systems, December 2001. P. 35–41.
[Закрыть], к однозначным выводам специалисты пока не пришли. Вопрос об эффективности часто сводится к покрытию и точности. Покрытие – это количество товаров, для которых рекомендательная система способна выдать прогноз. Точность
Классификация рекомендательных методов[362]362
Источник: Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems…
[Закрыть]
измеряется по расхождению предсказанных оценок и фактических. (Ее может оценить для себя любой пользователь, сверяя рекомендации с оценками уже известных ему произведений.) Очевидно, что рекомендательные системы еще не настолько вошли в жизнь, чтобы можно было судить об их эффективности со всей определенностью. Поэтому выводы, встречающиеся в литературе, носят предварительный характер. Надо делать поправку и на то, что некорректно сравнивать рекомендательные системы, отличающиеся друг от друга по охвату материала. Одно дело подсказки в области узкоспециальной литературы, другое – музыки, третье – рекомендации в области культурного потребления вообще.
Очевидно, рекомендательные системы в ближайшей перспективе будут доработаны и приспособлены для обслуживания непростых задач из смежных сфер, таких как советы путешественникам, образовательные и медицинские услуги. Проблема в том, что нынешние системы обходят стороной контекстуальную информацию, без которой точность предсказаний резко снижается. Так, если в ходе выработки рекомендаций по фильмам учесть, когда, где и с кем смотрится кино, то эффективность прогнозов возрастет. Очевидно, что ценность целого ряда действий, в частности турпоездок, зависит от момента (сезона, времени суток, дня недели), а также от того, с кем, в какой компании и при каких обстоятельствах человек воспользовался услугой. Имело бы смысл учитывать все эти дополнительные данные[363]363
Adomavicius G., Tuzhilin A. Multidimensional Recommender Systems: A Data Warehousing Approach // Proc. Second International Workshop Electronic Commerce (WELCOM ’01), 2001; Adomavicius G., Sankaranarayanan R., Sen S., Tuzhilin A. Incorporating Contextual Information in Recommender Systems Using a Multidimensional Approach // ACM Transactions on Information Systems, Vol. 23, № 1, Jan. 2005.
[Закрыть]. Интересные возможности открываются и при включении в расчеты информации о цели, которую преследует пользователь[364]364
Herlocker J. L., Konstan J. A. Content-Independent Task-Focused Recommendation // IEEE Internet Computing, Vol. 5, № 6, Nov./Dec. 2001. P. 40–47.
[Закрыть].
Глава 2.8. Тендер на экспертизу
Традиционная экспертиза бывает либо медленная и углубленная («ручная» работа критика), либо быстрая и поверхностная (рейтинг). Ни тот, ни другой вариант не решают проблему навигации в полной мере. Если же ввести в систему коллаборативной фильтрации деньги, как предлагается в этой книге, произойдет принципиальный и качественный прорыв. Денежная коллаборативная фильтрация генерирует рекомендации оперативно и точно. Высокая производительность этого метода достигается за счет того, что тестируемые произведения делятся между большим числом экспертов-потребителей, а точность – благодаря специальной логике вычленения вкусовых сообществ.
Как появление нового института отразится на существующих экспертных инстанциях? Заменит ли в перспективе коллаборативная фильтрация традиционные виды экспертизы? Ни в коем случае. Несмотря на то что по качеству навигации с денежной коллаборативной фильтрацией конкурировать невозможно, автоматизированная рекомендательная система не мыслится как альтернатива существующим институтам. За ними сохранится их поле деятельности, поскольку за каждым закреплены свои фирменные, выполняемые только им функции. Критики сосредоточатся на критике, жюри продолжат выбирать лучших, рейтинги будут служить рекламодателям и т. п. Вся эта продукция может быть инкорпорирована в работу рекомендательных систем. Например, критические рецензии, как любой контент, могут становиться объектом оценивания и, в случае востребованности, продаваться за деньги.
Потребительская же навигация станет прерогативой рекомендательных систем. Недавние разработки в сфере коллаборативной фильтрации демонстрируют фантастические возможности этого сервиса. Так, интернет-сервисы Yahoo’s launchcast, Musicstrands[365]365
См. приложение 1, разделы 11.4. и 11.8.
[Закрыть] и др., работающие по принципу коллаборативной фильтрации, предлагают потребителю прослушать ряд песен и по мере накопления оценок и уточнения клиентского профиля обслуживают его все более качественно. Программа расценивает повторные прослушивания одной и той же песни как свидетельство того, что она нравится (в случае музыки это вполне оправданно[366]366
Это уникальная особенность музыки. У фильмов и книг, как продуктов по преимуществу однократного потребления, она отсутствует.
[Закрыть]). В итоге со временем клиент освобождается даже от минимальных хлопот, связанных с необходимостью оценивать контент, и получает в свое распоряжение что-то вроде персональной радиостанции, работающей в автоматическом режиме и настроенной на индивидуальный вкус[367]367
Подробнее см. приложение 1, раздел 11.4.
[Закрыть]. Все удовольствие обходится в $4 в месяц (или $3 при годовой подписке). Судя по всему, данный сервис обещает стать могильщиком звукоиндустрии почище Napster. Ведь если меломаны начнут покупать только то, что им нравится, и перестанут оплачивать музыкальный балласт, доходы от звукозаписи резко упадут.
Рекомендательный сервис пребывает в относительной безопасности только до тех пор, пока им пользуются немногие. На этапе, когда высокоскоростные каналы связи войдут в широкий обиход, индустрии придется как-то защищаться. Не исключено, что лучшей защитой станет нападение. Один из возможных вариантов – семантическое хакерство и диверсионные действия, снижающие точность работы и в целом репутацию бесплатных коллаборативных фильтров. По-видимому, тогда и настанет черед денежной кодировки потребительских сигналов о качестве, так как другие способы защиты вряд ли окажутся эффективными.
ЧАСТЬ 3. ЭКОНОМИЧЕСКАЯ ЛОГИКА ТВОРЧЕСКИХ РЕПУТАЦИЙ
Глава 3.1. Невозможность страхования и гарантий
Как ни странно, но экспертные инстанции, рассмотренные в предыдущей главе, функционируют при отсутствии прямого заказа на свою работу. Потребители не платят напрямую денег за их услуги и не являются для экспертов ни заказчиками, ни начальниками. Финансирование в большинстве случаев – забота профессионального сообщества. Однако меркантильная сторона дела тщательно камуфлируется: оплата происходит опосредованно, и плательщики всячески дистанцируются от конкретных рецензий. Но, так или иначе, выгодоприобретателями являются они. Юридически сертифицирующие инстанции независимы и автономны, что обеспечивает им соответствующие права, необходимые для выполнения их миссии, в том числе право на свободу высказываний и на попечительство над потребителями. Но поскольку последние не платят денег экспертам, те не несут финансовой ответственности за качество своего продукта, в частности, за точность рекомендаций. Получается, что это своего рода необязательный эффект их деятельности. Тем не менее эксперты ощущают ответственность за свою деятельность, поскольку они дорожат мнением коллег и весьма трепетно относятся к своей репутации. С другой стороны, им приходится отрабатывать обязательства перед финансовыми донорами. Возникает ситуация, чреватая конфликтом интересов. Каким-то образом шаткой конструкции удается держаться на плаву, но эффективность данной схемы под большим вопросом.
Помимо экспертных инстанций существуют другие варианты информирования потребителей о качестве (или, формулируя иначе, другие варианты решения проблемы информационной асимметрии). Это гарантии, страхование, брендинг, биржа, аудит, – институты, обладающие огромным весом на утилитарных рынках и носящие сугубо деловой характер. Они не впадают в излишнюю патетику, не кичатся общественно-благотворительной миссией, а просто делают свое дело за соответствующее вознаграждение. В этих широко распространенных схемах плательщик налицо. Либо это добросовестная часть бизнеса, несущая издержки по гарантиям (рекламе, брендингу), либо конечные потребители, оплачивающие страховку или консалтинг. В этом случае бизнес строится на сборе и предоставлении информации о качестве. Пользователь этой информации (он же плательщик) непосредственно участвует в сделке; соответственно, продавцы услуги несут ответственность за достоверность предоставляемых сведений прямо перед ним. Поскольку они берут за свою работу деньги, то обязаны возвращать их в случае неисполнения контракта или нарушения его условий. Как показала жизнь, «лимоны» не сгубили рынок подержанных автомобилей потому, что возникла коммерческая инстанция (в частности автосалон), взявшая на себя диагностику машин и предложившая гарантии. Выстраивается схема двухсторонних отношений, в которой платежи идут против поставок. Она более эффективна, чем трехсторонняя модель, в которой работу оплачивает один, выполняет ее другой, а результатами пользуется третий, и когда интересы исполнителя лишь рикошетом преломляются в пользу третьих лиц.
Хотя право на жизнь в принципе имеют как двух-, так и трехсторонние схемы экспертизы, в сфере культуры развиты лишь последние. Почему на этом поле не прижились стандартные деловые отношения, при которых производителям информации напрямую платят конечные потребители? Почему в культуре не работают гарантии и страховки? Насколько справляются со своей функцией бренды?
Что касается гарантий, тут причины видны с первого взгляда: невозможно зафиксировать дефект культурного продукта (хотя бы из-за отсутствия объективных критериев качества) и произвести его ремонт. (Имеется в виду не сохранность живописи, скульптуры и прочих культурных ценностей, а качество вновь созданных произведений.) Трудно предоставить убедительные доказательства недообеспечения качества произведения искусства (при том, что в принципе отсутствует договоренность о том, что относится к искусству, а что нет). Тем более сложно и дорого отстоять свои интересы в суде[368]368
Система гарантий отсутствует или несовершенна не только в культуре, но и во многих бытовых ситуациях. Одна из причин – субъективное восприятие качества. Классический пример: отвечают ли ожиданиям цвета на экране телевизора после года его работы?
[Закрыть]. Хотя известна история с иском, поданным петербуржской супружеской четой в связи с постановкой В. Фокина по мотивам пьесы Гоголя. Предметом разбирательства были обманутые ожидания театралов, которых не уведомили о том, что в режиссерской интерпретации от классического произведения не осталось и следа[369]369
Почитателей Гоголя особенно оскорбили несколько сцен, показавшихся им откровенно пошлыми. Приняв во внимание, что «Ревизор» в данной постановке собирал аншлаги во многих странах и отмечен Госпремией России, суд отклонил иск (см.: Селезнева М. Суд не признал «Ревизора» образцом пошлости // Новые Известия. 28 марта 2005 г.). Волну протестов на религиозной почве вызвал бестселлер «Код да Винчи» Дэна Брауна.
[Закрыть]. Кроме того, при поломке недорогого предмета, иски как правило, не предъявляются из-за того, что затраты на реализацию гарантий несоизмеримы с потенциальной компенсацией. Овчинка не стоит выделки – это еще одна причина, по которой гарантии в культуре не прижились бы даже при отсутствии других препятствий для внедрения этого механизма.
Все то же самое можно сказать и о страховке. Цифровое произведение не подлежит износу в результате потребления, а то, как протекает процесс восприятия – вещь абсолютно субъективная. Не писать же на видеокамеру мимику зрителя в качестве вещественного доказательства того, что произведение, к примеру, оставило его равнодушным. Невозможно объективно удостоверить факт ущерба, а раз так, нельзя сделать его предметом возмещения. Будь это иначе, любой смог бы подать иск без всяких на то оснований. Есть и еще одна препона страхованию культурно-потребительских рисков – отсутствие шкалы оценки ущерба. Если зафиксировать сам факт разочарования еще как-то возможно (допустим, путем измерения мозговой активности), то градуировать его – это и вовсе из области фантастики.
Глава 3.2. Открытое акционирование искусства
Если варианты со страхованием и гарантиями отпадают, то что еще годится для защиты потребителей? Может, превратить публику в акционеров художественных проектов? Опробовать схему, при которой конечные потребители будут одновременно соинвесторами фабрики искусства? Прецеденты такого рода имеются. В частности, объявлялась открытая подписка на производство кино[370]370
Модель, по которой это может быть сделано, описана в четвертой части.
[Закрыть]. Но большого резонанса и распространения эта идея не получила по понятным причинам – не наблюдалось позитивного влияния на процесс творчества. Можно вовлечь публику в финансирование культурных проектов (например, путем участия в венчурном капитале кинофильма), но поднять тем самым художественное качество продукта невозможно. Некоторую пользу пайщики (подписчики), безусловно, принесут: их вложения способны создать авторам более комфортные условия для творчества плюс PR-эффект. Но они не могут доставить к художнику музу под конвоем. Не в силах они и решить задачу вместо него, как шахматисты-любители не в состоянии сыграть гроссмейстерскую партию, даже собравшись вдесятером.
В этой схеме имеются и другие изъяны. Фондовые инструменты требуют финансовой отчетности, аудита, и значит, не обойтись без посреднических инстанций, а вместе с ними и всех сопутствующих сложностей. Как может выглядеть аудит качества управления художественным проектом? Не иначе как профанацией одного из двух – либо творческой сути, либо аудита[371]371
К примеру, на киностудиях формальные правила и учет поставлены слабо, поэтому аудит их текущей деятельности малореален. См.: Baker W. E., Faulkner R.R. Role as Resource in the Hollywood Film Industry // The American Journal of Sociology, Vol. 97, № 2, 1991. P. 279–309.
[Закрыть]. Что делать пайщикам, если аудит выявит, что дела плохи? Переписывать сценарий? Для экономических игроков этот путь не лишен смысла (в особенности если речь идет о портфеле проектов), но культурный выигрыш непрофессиональных участников маловероятен. Акционирование лишь дополнительно усилит финансовую ориентацию культуры и породит очередную разновидность фондовой игры. Однако, каким образом это может повысить качество культурного продукта, неясно.
Тем не менее попытки реализовать идею, хотя и с другими целями, уже предпринимались. Первоначально это было сделано в форме игры. В 1996 году появилось некое подобие биржи – Фондовая биржа Голливуда (Hollywood Stock Exchange)[372]372
Ее создали фондовый брокер Макс Кейзер и бывший инвестиционный банкир Майкл Бёрнс.
[Закрыть]. Здесь можно было купить и продать виртуальные акции фильмов на стадии производства и в течение первых 4-х недель проката, а также акции артистов. Каждый, зарегистрировавшись на сайте, получал на счет 2 млн виртуальных голливудских долларов и в зависимости от успешности своих операций (т.е. от предсказаний результатов кинорынка) мог потерять или прирастить капитал. Тот, кто достигал некоей планки, например 640 млн, считался хорошим прогнозистом. Биржа давала возможность понарошку спекулировать на кассовых сборах первого уикенда, на именах номинантов на Оскара и на общих кассовых сборах. Что любопытно, по первым двум показателям прогнозы любителей оказались точней, чем у профессионалов киноиндустрии.
В 2001 году компания Cantor Index Holdings, лондонское подразделение Cantor Fitzgerald с Wall Street, выкупила эту разработку у создателей и предложила британцам играть на реальные деньги. Объектом спекуляций стали фьючерсы на фильмы. Ориентируясь на показатели голливудской биржи, Cantor предлагает свою оценку сборов конкретного фильма, а клиенты ставят на то, поднимется он в продажах или опустится по отношению к данному уровню. Компания объявила о намерении наладить аналогичную торговлю медиафьючерсами в США, что позволит американским киностудиям, дистрибьюторам и киносетям подстраховывать свои инвестиции в производство лент.
Еще один вариант – интернет-аукционная продажа билетов на спортивные и развлекательные мероприятия. Отчасти она может выявлять динамику спроса и в определенной мере способствовать потребительской навигации. Но для тиражных сегментов этот путь опять практически ничего не дает. То же можно сказать и об электронной фьючерсной бирже билетов – такая возможность рассматривается в конце этой части книги. По-видимому, биржевая система полезна для бизнеса, но расцвета искусств от нее ждать не приходится. Ведь, став акционером или биржевым игроком, потребитель не обретает почти ничего, что позволяло бы накапливать полезную информацию и обмениваться ею (разве что биржа выявляет совокупные ожидания людей). Не появляется у него и рычагов воздействия на процесс создания произведения. Известно, что прибыль и риски имеет смысл делить с теми компаньонами, которые могут реально влиять на них. Тем же, кто влиять не способен, т.е. непрофессиональным участникам, отводится роль пушечного мяса. С ними большей частью будут делиться убытками. Введение художественных начинаний в биржевой оборот может привести к созданию площадок не менее популярных, чем казино или букмекерство.
Букмекеры уже оседлали повальную тягу обывателей к угадыванию сюжета выдуманных историй. Так, еще за восемь месяцев до выхода шестой части Гарри Поттера стали приниматься ставки на судьбу одного из главных героев – профессора Дамблдора. Со слов автора, Джоан Роулинг, было известно, что один из героев сочинения (в тот момент неизвестно, какой) ею приговорен. Незадолго до выхода книги прием ставок приостановили, заподозрив утечку информации. Как сообщил букмекерский сайт Blue Square, большинство ставок на гибель персонажа поступило из города Бунгай в графстве Саффолк, в котором расположена типография, печатавшая книгу. Вероятно, рукопись попала в руки посторонних. Издательство Bloomsbury, выпускающее серию о Гарри Поттере, посоветовало фанатам относиться к слухам с большей долей скепсиса. После чего прием ставок на участь профессора возобновился, но в худшем для «ставивших на профессора» соотношении[373]373
По информации BBC, май 2005.
[Закрыть]. В подобной ситуации писатель начинает вершить не только романные судьбы, но и реальные финансовые дела офф-лайн сообщества. При этом он оказывается заинтересованным лицом и инсайдером одновременно, что вообще-то недопустимо. Это похоже на ситуацию, свойственную нечистому на руку интернет-казино, где сначала делаются ставки, а затем определяется выигрывающее число, позволяющее максимально увеличить доход организаторов[374]374
Букмекеры именно так и поступают – меняют коэффициенты выплат в зависимости от сделанных ставок.
[Закрыть].
Глава 3.3. Экономическая специфика культурных благ
3.3.1. Роль брендов
Итак, акционирование, страхование и гарантии в культуре не прижились – будь это иначе, мы наверняка бы уже ощутили действие соответствующих практик. Возврат кинотеатрами денег рассерженным зрителям – исключение, которому не стать правилом, хотя бы из-за издержек стояния в очередях. А вот с брендами ситуация иная – этот род «гарантии» в художественной сфере представлен широчайшим образом. Гарантами часто выступают звезды – знаменитые актеры, певцы, танцоры, спортсмены, кинорежиссеры, композиторы, литераторы, архитекторы, художники… В нише производства и дистрибьюции брендируются издательства, студии кино– и звукозаписи, а также теле– и радиостанции, телеканалы, музеи, театры и проч. Брендами могут становиться самые разные публичные фигуры (например, спортивные арбитры и телекомментаторы), а также вымышленные персонажи – литературные и киногерои, названия произведений.
Какова роль брендов? Если не удается гарантировать потребительский эффект на основании формальных признаков произведения, то возможно хотя бы продуцировать положительные ожидания в отношении качества культурного продукта, предъявляя его создателей и/или сопричастные инстанции. Эта задача брендов – управлять потребительским выбором – решается в разных областях по-разному и с разным успехом. Взять, к примеру, исполнительскую сферу – спорт, театр, оперное пение: статус имен и площадок здесь трудно переоценить. В кино ситуация иная: площадки здесь не столь актуальны, да и в популярных персонах, если поразмыслить, нет такой уж строгой необходимости для обеспечения качества. Различия связаны с особенностями экономики этих секторов культуры и спецификой продуктов. Поэтому прежде чем анализировать, насколько успешно бренды устраняют неопределенность выбора, проанализируем существующие виды и источники неопределенности, обусловленные природой культурных продуктов.
3.3.2. Отличия культурных благ
Первое отличие культурных благ от всех прочих уже было названо выше: потребительский эффект (впечатления, переживания, смыслы) невозможно гарантировать исходя из формальных признаков продукта. Анонс товара и его восприятие могут очень сильно не совпадать (особенно в многотиражных быстро меняющихся сегментах). К тому же, в отличие от утилитарной сферы в культуре очень сложно выработать стандарты и критерии, позволяющие прогнозировать полезность потребления. Для бизнеса все это плохо и непривычно. Он тяготеет к предсказуемости и стандарту. Публика, насладившись произведением какого-то жанра, хочет, чтобы впредь ей было так же хорошо. Вся сложность культурного производства в том, что нужно попасть в яблочко между «так же» и «хорошо». Если метить в уже поверженную мишень (т.е. дублировать композицию, восторженно принятую в предыдущий раз), то так же хорошо не будет, а значительно отклоняться от проверенной траектории – рисковать попасть мимо вкусов. Дать потребителю что-то привычное проще и безопасней, нежели оригинальничать и оказаться отвергнутым по причине непонимания. Не говоря уже о том, что повторяться дешевле. На вопросы маркетологов люди обычно отвечают, руководствуясь тем, что уже потребляли и знают. Хеймель раздраженно комментирует эту особенность: «Производители узнают, что хотят люди, и дают им это. Это не работает, потому что когда люди получают обратно якобы собственные идеи… то идеи всегда так или иначе изменены, выхолощены, это вовсе не то, что они имели в виду. Они уже знают эту туфту, это та же самая туфта, о которой они говорили маркетинговому исследователю: это скучно… они находят то, о чем знали заранее»[375]375
Хеймель С. «Как быть креативным». – Цит. по: Кларк Д.Б. Потребление и город, современность и постсовременность // Логос, № 3–4, 2002. [цит. 28 фев. 2006]. Доступно по URL:
[Закрыть]
