Текст книги "Экономика символического обмена"
Автор книги: Александр Долгин
Жанр:
Экономика
сообщить о нарушении
Текущая страница: 5 (всего у книги 31 страниц)
Глава 1.3. Навигация – новый вид услуг в мире музыки
Действующая продюсерская модель музыкального бизнеса не отличается прогрессивностью: издержки на рекламу и дистрибьюцию слишком высоки. Но этот явный недостаток ничто в сравнении с недостатком скрытым – неудобной навигацией. Нормальный человек не располагает таким досугом, чтобы часами разыскивать подходящую музыку. Между тем, технологии интернет-дистрибьюции и обработки информации уже столь развиты, что с их помощью можно реформировать отрасль. Новейшие разработки вплотную подводят к решению задачи снижения розничных цен и, что гораздо важнее, облегчения потребительской навигации. Будущее музыкальной отрасли – в избавлении от непродуктивных поисков. Для этого должен появиться высокотехнологичный навигационный сервис, позволяющий покупать то, что требуется, не перелопачивая все подряд[126]126
Разработки различных рекомендательных систем ведутся чрезвычайно интенсивно (см. часть 2, глава 7). В СМИ чуть ли не ежедневно проходят сообщения о том, что подобный сервис вот-вот появится. Подробней о средствах навигации в интернете см. приложение 1, глава 11.
[Закрыть]. Если это произойдет, музыка обретет привлекательность для тех, кто теряет к ней интерес из-за того, что ощущает себя неуспешным в игре по действующим правилам.
1.3.1. Решение проблемы потребительской навигации: публичная оценка воспринимаемого качества
Как сократить затраты потребителя на пути к хорошей (для него) музыке и повысить КПД выбора?
Идея состоит в том, чтобы аттестовать музыку силами потребителей. Ведь качество определяется не по формальным признакам, а по суждениям слушателей. Если выявить оценки потребителей, специальным образом их упорядочить и проаннотировать, можно выработать эффективную систему рекомендаций.
Допустим, где-то среди огромного массива музыки имеется то, что пришлось бы по душе конкретному человеку. Вопрос в том, как эту мелодию обнаружить и, минуя предварительное ознакомление, довести до потенциального слушателя? По каким признакам отбраковывать «плохую» музыку? Ведь из-за разнообразия вкусов трудно представить механизм прогнозирования предпочтений безвестных индивидов. Казалось бы, задача неподъемная, тем не менее одно элегантное решение обнаруживается. Оно строится на оценивании музыки силами самих потребителей. Ведь именно слушатели, а не кто иной, осуществляют фильтрацию: потребляя музыку, они, хотят того или нет, проделывают работу эксперта. А коль скоро работа выполнена, должен существовать способ воспользоваться ее результатами. Простейший вариант обработки индивидуальных оценок с выведением рейтинга ни к чему не приводит. Этот инструмент, как известно, не славится качественными рекомендациями, поскольку не ясно, кто стоит за тем или иным суждением.
Чтобы получить на выходе работающие, дифференцированные рекомендации, нужна более изощренная техника взаимодействия с потребителями. В ней должна учитываться разница во вкусах – ключевое звено проблемы навигации. Традиционно оценщиками выступают специально отобранные эксперты, что влечет за собой как минимум три проблемы: во-первых, как выбрать (назначить) экспертов; во-вторых, по каким параметрам судить о качестве; в-третьих, как выводить общую оценку из комбинации частных. В принципе, наладить экспертную систему можно, но поскольку под каждую конкретную задачу ее придется модифицировать, это обойдется очень дорого. А в случае с музыкой впечатление зависит не только от самой мелодии, но и от условий прослушивания, настроя и многого другого. Как все это учесть в оценке и донести до конкретного потребителя?
1.3.1.1. Как учесть разницу во вкусах?
Идея в том, чтобы «авторизовать» участников, взяв за основу оценки известных им произведений. Предположим, мнения собраны. Чтобы вывести из них рекомендации для конкретного потребителя, от него следует получить его собственные оценки знакомых песен. Они-то и станут тем критерием, на основании которого автоматически будут отбираться рекомендатели из числа абонентов системы, чьи суждения о песнях, которые упоминает клиент, совпадают с его собственными или близки к ним. На конкретный запрос будет выдаваться комбинация оценок, выведенная из откликов именно этих оценщиков. Таким образом, человек получит рекомендации от тех, кто обладает схожим вкусом. Вся прочая статистика его не касается. Допустим, в качестве критериев некий абонент ввел высокие оценки песен Битлз, Куин, Мадонны, Гэйбриэла, Таркана, Мартина (набор может быть любым). Рекомендации поступят от тех, кто, так же как и сам клиент, высоко (или, напротив, низко) оценивает эти песни. Положим, человек совпал с некоей группой рекомендателей во мнении по десяти произведениям, которые он сам назвал. В ответ ему сообщается оценка, вынесенная этими абонентами по произведению, с которым те уже ознакомились, а клиент еще нет. Велика вероятность, что, последовав рекомендациям, пользователь останется доволен. Конечно, возможны несовпадения, связанные с различиями в ситуации потребления (настроение, антураж и т. п.). Другой источник расхождений – отличия в интерпретации: кем-то найдено определенное прочтение произведения, а от кого-то оно ускользнуло. Отсюда разночтения, сами по себе ценные. Клиент, по сути, получает подсказку: «Смотри внимательно, здесь что-то есть».
Возможен любой набор критериев (необязательно музыкальных) для выбора экспертов. Можно, к примеру, задать такой параметр, как знакомство с сочинениями Марселя Пруста, или запросить мнение людей, негативно оценивших «Терминатора-3». Одним словом, возможно самостоятельно подобрать такую персональную систему критериев, при которой ожидаемая точность вкусовых совпадений и качество рекомендаций будут высокими. Главное, чтобы круг экспертов-советчиков составляли только те, чьи приоритеты соответствуют запросу. В этом изюминка системы: на выходе генерируются не средние безликие оценки, а персональные рекомендации, которые компьютер автоматически выдает на основе сходства суждений конкретного пользователя и других людей. Тем самым моделируется привычная всем ситуация: человек прислушивается к мнению тех, чьи вкусы ему знакомы. Более-менее понятно, почему ближнему окружению понравилась/не понравилась та или иная вещь, и легко решить, следовать их рекомендациям или нет. Описанная технология, по сути, искусственно формирует «ближние круги». А поскольку предположение о близости вкусов основывается на фактическом сходстве оценок, надежность рекомендаций получается высокой. Данная идея, по сути, представляет собой автоматизированный вариант «людской молвы». Очной коммуникации не требуется, поэтому издержки минимальны.
1.3.1.2. Что рекомендателям следует оценивать в музыке?
Для производства такого рода рекомендаций требуется база потребительских оценок. Очевидно, что наиболее удобна численная/балльная система кодирования оценок. Но каким образом баллы должны характеризовать музыку? Как ни странно, они вообще не должны ее объективно характеризовать. Потребительские оценки должны отражать исключительно личное впечатление. Ни в коем случае речь не идет об искусствоведческой оценке или профессиональной экспертизе. Любители на нее не способны. Фокус в том, что для решения данной задачи вообще не требуются суждения об «истинном» качестве продукта. Интересуют только индивидуальные ощущения. Они зависят от многого: вкуса, художественной компетентности, общекультурного уровня, настроения и установок, антуража, социального окружения, влияния друзей и, разумеется, от музыки. Разложить все это по полкам практически невозможно, зато каждый может сказать, пришлась та или иная мелодия ему по душе или нет. То, в какой мере впечатление связано именно с музыкой, а не с привходящими обстоятельствами – не имеет никакого значения. Мелодия создает (или не создает) некие желанные состояния – именно в этом ключе ее и следует оценивать в рамках рекомендательной системы. Важно одно: слушатель достоверно знает, понравилась ему музыка или нет, а если формулировать точнее, понравился ли он сам себе в присутствии этой музыки. Именно он и только он – наилучший детектор «для-себя ценности». Оцениваться должно не произведение искусства как таковое (это компетенция искусствоведов), а порождаемые им субъективные эффекты – вот в чем потребитель культуры априори компетентен. Такая оценка субъективна, но в том-то и вся соль: для пользы дела она и должна быть субъективной.
Чьи оценки подлежат сбору? Да всех добровольцев без исключения. Система не нуждается в искусственно набранных референтных группах.
1.3.2. Изобретение, которого не было
1.3.2.1. Коллаборативная фильтрация – фундаментальное решение проблемы навигации
Подобный подход к проблеме выбора может показаться фантастическим, но это не так. Он не только не нов, но применяется на практике более десяти лет. Прототип механизма потребительской селекции был создан в 1992 году. Идея автоматически вычленять вкусовые сообщества и предоставлять их членам возможность обмениваться суждениями была предложена Дейвом Голдбергом (Dave Goldberg) и его коллегами из исследовательского центра Xerox PARC в Пало-Альто, Калифорния. Именно они ввели термин «коллаборативная фильтрация»[127]127
United We Find // The Economist, March 10, 2005.
[Закрыть].
В последующие годы первоначальную «сырую» идею коллаборативной (кооперативной) фильтрации довели до ума и сегодня рекомендации даются исходя из сходства предпочтений человека и других пользователей. Для этого клиенту нужно оценить несколько объектов, на основании чего вырисовывается его персональный профиль. В соответствии с ним подбираются советчики, затем их мнения о произведениях, еще не знакомых клиенту, доводятся до его сведения. Эта изящная схема начала активно разрабатываться с 1994 года[128]128
Heylighen F. Collaborative Filtering // Principia Cybernetica Project [on-line], 2001. [cited Feb. 28, 2005]. Available from URL:
[Закрыть]
1.3.2.2. Механизм коллаборативной фильтрации
Поскольку персональные рекомендации генерируются в результате анализа и сравнения оценок конкретного пользователя и других людей, вся соль коллаборативной фильтрации в способе нахождения этих других людей. В общем виде процедура выглядит так[129]129
Heylighen F. Collaborative Filtering.
[Закрыть]:
− регистрируются предпочтения большой группы людей, на их основе строится профиль каждого пользователя;
− выделяется подгруппа людей, чьи суждения схожи с суждениями человека, желающего получить совет/рекомендацию [130]130
Обычно мерой сходства потребителей являются коэффициенты корреляции Пирсона между их предпочтениями, выраженными в баллах, либо углы между векторами, представляющими собой отражение потребительских предпочтений. Подробнее о рекомендательных системах см. часть 2, глава 2.7.
[Закрыть];
− на основании отзывов, поступивших от этой подгруппы, выводится некая оценка – именно она и выдается клиенту в качестве прогноза.
Этот метод использовался для характеристики книг, музыкальных CD или фильмов. Но в общем он может практиковаться для облегчения выбора продуктов или услуг любого типа. С конца 90-х годов в интернете стали появляться сайты, построенные на основе коллаборативной фильтрации. Первым (или в числе первых) был Ringo.
1.3.2.3. Ringo – первая в мире рекомендательная система по музыке: ее история и опыт[131]131
По материалам: Shardanand and Upendra & Maes P. Social Information Filtering: Algorithms for Automating «World of Mouth» // Proc. of CHI’95 Conference on Human Factors in Computing Systems, ACM Press, 1995.
[Закрыть]
Сервис Ringo был создан профессором Патти Маес (Patti Maes) и тремя ее студентами в 1994 году. Разработчики этой системы искали решение проблемы взрывного роста объема информации. Массивы книг, фильмов, CD, новостей и онлайновой информации значительно превосходят те, которые реально может пропустить через себя человек. Создатели Ringo применили коллаборативную фильтрацию для музыки, выбрав следующую шкалу оценок:
– Невыносимо
– Терпимо с трудом
– Не моя вещь
– Не заводит, не трогает
– Хорошая вещь
– Мощно
– Одна из моих любимых, не могу жить без нее!
По мере того как абонент наращивает число оценок, его профиль уточняется. Система сравнивает профили пользователей, выявляет людей с похожими вкусами и предсказывает, насколько человеку понравится незнакомый альбом/артист.
Ringo появился в интернете 1 июля 1994 года. После «инкубационного периода» о сервисе пошла молва, и менее чем за месяц число пользователей достигло тысячной отметки, а к исходу второго – приблизилось к двухтысячной. Параллельно росла база данных. Первоначально система включала в себя 575 артистов, но скоро в ней стало 3000 исполнителей (9000 альбомов). Обрабатывалось почти 500 сообщений в день[132]132
Один пользователь мог послать десятки запросов в день. Сообщения посылались головному серверу, который раз в час обрабатывал накопившуюся корреспонденцию и отвечал на нее. Подробнее см.: Heylighen F. Collaborative Filtering.
[Закрыть]. Те, кто впервые обращались к Ringo, получали список из 125 артистов и, согласно инструкции, присваивали им рейтинг. Оценивать артистов полагалось без детализации (избегая суждений об оригинальности, о вокальных данных и т. д.), а лишь исходя из того, насколько их приятно слушать.
Обретя таким образом персональный профиль, человек мог обратиться к Ringo со следующим запросом: 1) порекомендовать новых артистов/альбомы; 2) перечислить артистов/альбомы, на которые не стоит тратить время; 3) выдать прогноз по конкретному артисту/альбому. Рекомендации сопровождались показателем достоверности (он зависел, в частности, от числа пользователей-единомышленников, взятых в расчет для составления прогноза). Какие-либо данные об абонентах не предоставлялись. Еще пользователь имел доступ к рецензиям своих рекомендателей, а также к досье на любого артиста с перечнем его альбомов и средней оценкой, данной им потребителями. Каждый абонент Ringo ранжировал в среднем около сотни артистов; средний балл составлял 3,7 (т. е. между «не моя вещь» и «не трогает»). Вначале рекомендации Ringo были неточны, поскольку сервис еще не набрал критической массы данных. По мере роста числа пользователей и их обращений компетентность прогнозов нарастала. Чтобы войти в норму, требовалось пару раз пройти операцию ранжирования артистов, в результате чего список абонентов со схожими предпочтениями, так называемых «соседей» пользователя, мог существенно уточниться.
В 1995 году на базе Ringo была создана программа Helpful Online Music Recommendations (HOMR – Полезные онлайновые музыкальные рекомендации). В 1995 году была учреждена компания Agents Inc., вскоре переименованная в Firefly Network (по-русски – «Светлячок»). К середине 1997 года она совместно с Microsoft и Netscape переключилась на регулирование вопросов, связанных с защитой приватности в сети. В 1998 году Microsoft купила эту компанию, хронически испытывающую финансовые затруднения, и тут оказалось, что нового владельца больше интересуют наработки Firefly в области обработки персональной информации о пользователях, но не коллаборативная фильтрация. 4 августа 1999 года Microsoft закрыла Firefly.com – один из наиболее важных экспериментов в истории интернет-коммьюнити закончился[133]133
Oakes Ch. Firefly’s Dim Light Snuffed Out // Wired [on-line], 8th December, 1999. [cited Feb. 20, 2003]. Available from URL:
[Закрыть]
Опыт Ringo пошатнул устоявшиеся в культуре представления о том, что контент сначала должны отфильтровать эксперты, и лишь затем его можно публиковать. Был с успехом опробован обратный порядок действий: предъявлять на всеобщее обозрение, переложив фильтрацию на непрофессиональное сообщество.
Другой пионер этой технологии, Джон Ридл (John Riedl) из Университета Миннесоты, запустил на основе коллаборативной фильтрации свой сервис, генерирующий рекомендации по фильмам[134]134
Ридл на паях с бывшим топ-менеджером Microsoft Стивеном Снайдером (Steven Snyder) учредили компанию Net Perceptions. Первый вице-президент этой компании Стив Ларсен (Steve Larsen) предсказал, что вскоре в каждом магазине видеофильмов появятся электронные киоски, где можно будет получить полезные советы о фильмах, ранжировав десяток-другой лент. Такие киоски уже работают в музыкальных магазинах и называются Mix&Burn (от компании MediaUnbound). С их помощью покупатели могут получить персональные рекомендации, прослушать музыку, смикшировать диск с нужными им композициями и записать его.
[Закрыть]. На его веб-сайте MovieLens каждого пользователя просят присвоить серии фильмов баллы от 1 «ужасно» до 5 «стоит посмотреть». Высокая точность начинается с полутора десятков оценок.
1.3.2.4. Приостановка фильтрации
При всей своей привлекательности метод коллаборативной фильтрации, по крайней мере в его первозданном виде, а не в виде бизнес-модификаций, до сих пор не особенно известен вне круга специалистов[135]135
На русском языке вплоть до конца 2005 г. не вышло ни одной статьи на эту тему, и почти никто в России не знает, что такое коллаборативная фильтрация.
[Закрыть]. При очевидной ценности он ждет своего звездного часа уже долгих двенадцать лет. Почему так?
Во-первых, для него требовалась такая скорость вычислений, которую нарастили до нужного уровня совсем недавно. Во-вторых, чтобы раскрыть свои возможности в полном объеме, коллаборативной фильтрации нужно было дожить до широкого распространения интернет-шоппинга, для которого, как полагают многие, эта технология является естественным придатком. Сегодня торговля через интернет свершившийся факт. Однако коллаборативная фильтрация не получила широкого применения даже в музыке, где для этого имеются все предпосылки. И это при том, что с 1999 по 2002 год целый ряд компаний с широким ассортиментом разработок по контент-менеджменту пытались модернизировать музыкальную индустрию. Среди них – eTantrum, GigaBeat, HiFind, Music Buddha, Sonic Print и Uplister (уже не существуют), Cantametrix (приобретен Gracenote), Mongo Music (приобретен Microsoft), AgentArts, Audible Magic, BayTSP, Friskit, Media Unbound, MoodLogic, Relatable, Savage Beast, Sonicprint и Tune Print[136]136
См. приложение 1, глава 11.
[Закрыть]. Большинство из них прекратили свою деятельность, не оставив следов и не поделившись ноу-хау.
Есть основания думать, что трудная судьба изобретения, обещающего революцию в потребительской навигации, не случайна. Ее предопределил один чрезвычайно существенный изъян, с самого начала заложенный в технологию, из-за чего очень правильная и остро актуальная затея пошла по ложному пути. Метод коллаборативной фильтрации не опирался на устойчивую бизнес-модель. Из-за этого сервис был обречен дрейфовать под крыло бизнеса. По мере того как это происходило, замыслы разработчиков отодвигались в тень, а на первый план выступали нужды нового хозяина, начинавшего эксплуатировать идею в сугубо меркантильных целях. В условиях экономической несамостоятельности подобные метаморфозы неизбежны, и они часто оборачиваются утратой автономии и идеологической чистоты, что для экспертного сервиса смертельно. Проводить свою «альтруистическую» линию в жизнь можно лишь оставаясь независимым от дистрибьютора, а для этого необходимо самому зарабатывать деньги. Иными словами, нужно было учиться продавать свой продукт, а именно – рекомендации и сопутствующие услуги. Но этого не случилось. Вероятно, пионерам коллаборативной фильтрации в голову не приходило брать с клиентов – физических лиц деньги за информацию, которую те сами поставляли. Создатели Ringo пытались разбогатеть на продаже своих разработок другим компаниям. Поначалу дело вроде пошло на лад, по крайней мере к концу 1995 года было привлечено $2,6 млн. Но план себя не оправдал, а найти другие источники не удалось. Это и вынудило к слиянию с крупным партнером – Microsoft, что не замедлило сказаться на судьбе рекомендательного сервиса. Менеджеры Microsoft в какой-то момент сочли, наверное, что наилучшей бизнес-модификацией коллаборативной фильтрации будет ее непосредственная интеграция в онлайн-магазин. Когда это сделали, оказалось, что в магазине царят свои законы, и переступить за тонкую черту, отделяющую рекомендацию от навязывания, очень легко. Экспертные возможности системы, изначально ориентированной на благо пользователей, вошли в противоречие с интересами продавцов. Те быстро смекнули, как поступить, и начали производить подсказки несколько иного толка. Если первоначальная альтруистичная версия системы деликатно отвечала на запросы и бесхитростно указывала то, что клиенту покупать не следует, то меркантильная схема преследовала обратную цель – максимально стимулировать покупки.
Анализируя опыт первопроходцев коллаборативной фильтрации, нельзя не обратить внимания еще на один фактор. Согласно ключевой идее фильтра, при вхождении в систему от клиента требуется заполнить анкету, чтобы проинформировать о своих предпочтениях. Тогда это всех смущало: считалось, что клиента не следует утруждать. Почему-то все были едины во мнении, будто минуты, потраченные на построение персонального профиля – это непреодолимый барьер для массового спроса. Как будто в обмен не предлагались сэкономленные часы и месяцы досуга. Почему столь абсурдный вывод поддерживал бизнес, гадать не приходится: ему не нужен искушенный и разборчивый клиент. Тут интереснее другое. Как потребитель позволил обвести себя вокруг пальца? Почему он не насторожился при перевертывании знака в очевидном алгебраическом соотношении: «затраты на экспертизу априори меньше потерь от некачественного потребления»? Почему не забил тревогу, когда обнаружил, что полезный механизм (пусть еще слабый, только рождающийся, но, по всему видно, обещающий набрать недюжинную мощь) растворился в недрах компьютерного гиганта?
Судя по всему, изобретение и его пользователи разминулись во времени: коллаборативный сервис возник до того, как потребитель освоился в той системе торговли, где эта технология способна проявиться во всем блеске. Когда же с развитием интернета массовый покупатель обрел техническую среду, в которой возможен эффективный поиск, он уже застал рекомендательную систему в выхолощенном виде. Этим и воспользовался бизнес, оценивший угрозу нового метода и сыгравший на опережение. Теперь, по прошествии времени, это можно интерпретировать как блестящую контроперацию перехвата. Видно, почуяв реальную угрозу, исходящую от рекомендательного сервиса, бизнес переманил к себе на службу этого новоявленного «суперагента» потребительского сообщества и тотчас втянул его в свою двойную игру: агенту разрешили действовать, как будто ничего не произошло, но при этом слегка редактировали его месседжи. Потребители же, не успев как следует раскусить нового игрока, приняли его информацию за чистую, хоть и не очень ценную, монету. О том, что ее истинная ценность могла быть стократно выше, мало кто догадывался. А бизнес потакал такой недальновидности. Как сказал один из тех, кто успел насладиться сервисом Ringo, «ни одна из действующих сегодня систем навигации не может сравниться с качеством работы Ringo». Если это отчетливо увидел простой пользователь, то трудно поверить, что этого не знал Microsoft, несколько лет работавший с Firefly Network перед тем, как купить ее. Продавцу нужна технология, помогающая продавать, а не та, которая позволяет потребителям беспроигрышно выбирать, оставляя тем самым производителя с залежами неликвидов. Бизнес Microsoft таков, что коллаборативная фильтрация не угрожала этой компании непосредственно. Но это ничего не значит. Достаточно того, что эта технология создавала угрозу множеству других бизнесов, и Microsoft не могла питать иллюзий насчет коммерческих перспектив рекомендательных систем. В августе 1999 года на сайте Firefly.com появилось сообщение: «Готовясь к запуску сервиса Microsoft Passport, 18 августа мы закрываем веб-сайт Firefly и связанные с ним сервисы». Когда ничего аналогичного Firefly не обнаружилось, сетевое сообщество не проявило своей хваленой сплоченности. Хотя, возможно, к этому моменту оно просто не уловило смысла происходящего – Napster только набирал обороты. Рекомендательные системы переподчинили без всякого шума. Пионеры новой технологии один за другим сдавались на поруки бизнесу или дышали на ладан в рамках университетских грантов. Проблема была в том, что они не мыслили свою деятельность иначе как инструментально – как услугу милой их сердцу отрасли, и были горды от осознания того, что большой бизнес принял эстафетную палочку из их рук. Они ждали, что он и дальше понесет ее в том же направлении. Но направление изменилось. Тогда еще никто не осознал, что публичная потребительская экспертиза качества радикально меняет расстановку сил на рынке. Если же потребитель не проявляет себя в качестве сильной стороны, черпающей информацию из независимых источников, он тем самым попустительствует худшим наклонностям рыночных профессионалов.
1.3.2.5. Трюк с подменой технологии
Благовидный предлог для приостановки целомудренного навигационного сервиса оказался под рукой. Им стал тот самый недостаток коллаборативной фильтрации, о котором уже упоминалось: необходимость сбора клиентских предпочтений. Для продуктивной работы требуется приличная база клиентских оценок – минимум сотни тысяч. До того как критическая масса набрана, люди не мотивированы выражать свое мнение, поскольку система не способна вознаградить их усилия. Это так называемая проблема холодного старта. Кто-то первым должен потрудиться во имя остальных – это классическая ситуация производства общественного блага со всеми ее сложностями. Для разогрева на старте можно ничего не спрашивать у клиентов, а попытаться вычислить их предпочтения из потребительских действий (кстати, совершаемых не обязательно в рамках рекомендательной системы)[137]137
Подробнее об этом см. часть 2, параграф 2.7.3.1.
[Закрыть]. Этой дорогой и двинулся бизнес, вскоре обнаружив, что можно вообще обойтись без сбора прямых и явных (сознательно выраженных) клиентских предпочтений[138]138
Предпочтения могут быть явными (когда пользователь сам оценивает потребленные книгу, компакт-диск или ресторан) либо неявными (когда выводы делаются на основе его действий).
[Закрыть]. Косвенными источниками оценок могут служить, например, прошлые покупки или время просмотра конкретной веб-страницы, или последовательность кликов по ссылкам в сети. В. Коуэн и В. Фэн показали, как можно отслеживать музыкальные предпочтения путем анализа логов (хронологической записи событий), статистики скачиваний и прочей технической информации[139]139
Cohen W. W., Fan W. Web-Collaborative Filtering: Recommending Music by Crawling the Web // Proceedings of the 9th International World Wide Web Conference, 2000.
[Закрыть]. По названию файла можно установить исполнителя или композитора, а по IP-адресам – потребителей.
Тот же принцип применяется в интернет-магазине Amazon: каждая книга здесь сопровождается списком литературы, приобретенной покупателями данной книги[140]140
Подробнее см. приложение 1, параграф 11.6.1.
[Закрыть]. Считается, что фактом покупки люди выражают свою оценку. Хотя купленное и понравившееся – это, очевидно, не одно и то же, но этой разницей Amazon считает возможным пренебречь. Несмотря на то что качество прогнозов, выведенных из косвенных данных, ниже, чем из прямых потребительских оценок, бизнес сделал ставку именно на них. За этим проглядывает желание не просто избавить покупателей от лишних хлопот, но и дозировать их компетентность. (Это тот же мотив, который привел дигитальные отрасли культуры к единообразию цен.) Опции, облегчающие выбор, привлекают клиентов, способствуя увеличению продаж, но они же уточняют выбор, что ведет к снижению продаж. Предоставляя услугу по навигации, бизнес заинтересован в таком ее виде, который не вредит сбыту продукции разного достоинства. То есть он выбирает оптимальный для себя вариант, но это не значит, что это лучший вариант с точки зрения покупателя. Если бы навигационный сервис Amazon был платным и доходы от него были бы сопоставимы с продажей книг, тогда резонно было бы ожидать более высокого качества. Дареному же коню в зубы не смотрят. Предоставили какую-то навигацию – и на том спасибо. Вообще, экспертиза, соединенная с продажами, потенциально содержит возможность двурушничества, и полагаться на нее если и можно, то с большой осмотрительностью.
1.3.2.6. Кто кого фильтрует?
По мере того как число участников коллаборативной фильтрации растет, нарастают проблемы обработки данных. При нескольких миллионах пользователей ограничения скорости операций становятся ощутимыми. Поэтому, когда рекомендательный сервис используют в качестве придатка к торговым системам, фильтрацию по типу «потребитель-потребитель» заменяют цепочкой «объект-объект» (см. рисунок). Этот принцип экономичнее, в частности из-за отсутствия необходимости часто пересчитывать взаимосвязи между клиентами[141]141
Этот вариант навигации в 2001 г. предложили Бадрул Сарвар и его коллеги из Университета Миннеаполиса (см.: Sarwar B., Karypis G., Konstan J., Riedl J. Item-based Collaborative Filtering Recommendation Algorithms. [on-line] Department of Computer Science and Engineering, University of Minnesota, Minneapolis, 2001. [cited Feb. 15, 2006]. Available from URL:
[Закрыть]
В основе пообъектной фильтрации – фиксация всех оценок, выставленных пользователями системы различным объектам (это могут быть товары, услуги, учреждения и т. д.), и анализ сходства между объектами, что не совсем то же самое, что сходство между людьми. Например, берется конкретный продукт – книга – и выявляются все прочие книги, получившие от различных потребителей сходную оценку. Хотя с точки зрения математики подсчеты «объект-объект» вроде идентичны данным, полученным из оценок потребителей, но во втором случае отбираются продукты, нужные людям, а в первом – люди, «нужные» для продвижения продуктов. В объектной фильтрации сходство между товарами устанавливается по профилю оценок потребителей, а в «человеческой» версии – по ряду персонально выделенных и значимых параметров. Разница именно в том, что в коллаборативной фильтрации с непосредственным участием потребителей те сами расставляют акценты, а пообъектная схема обходится без этого. Методы были бы идентичны, если бы в поклиентской версии фильтрации учитывались все оценки всех покупок, совершаемых потребителями.
Пренебрегать прямо высказанными оценками – это все равно что судить о совпадении вкусов людей по их знакомству с блокбастерами. К тому же очевидно, что факт потребления чего-либо далеко не всегда равнозначен удовлетворению. Существует зазор между интересом к продукту и его итоговой оценкой. Неспроста модераторы Ringo не ограничивались часто ранжируемыми артистами, а оставляли место для индивидуальных предпочтений. Расхождение между оплатой и удовлетворением особенно существенно тогда, когда нет повторного потребления, и накопления информации (позитивной или негативной) от предыдущих покупок не происходит. Именно поэтому культурная продукция, потребляемая однократно, оказывается в числе наиболее проблемных случаев для пообъектной фильтрации. Здесь между интересом, ожиданиями и конечными впечатлениями может пролегать пропасть. В предметной сфере ситуация менее острая.
В потребительской версии люди сигнализируют о своих итоговых эмоциях и впечатлениях, а в пообъектной – товары указывают на свою способность притягивать внимание людей, что, очевидно, заслуга не только их качества, но еще и рекламы и цены[142]142
Подробно о взаимосвязях рекламы и цены см. часть 3, разделы 3.4.1. и 3.4.2.
[Закрыть]. Таким образом, люди дают экспертную оценку товаров с большей пользой для себя. В особенности если учитывать, что их вовлеченность в процесс сама по себе позитивна. В областях, где люди потребляют приблизительно одинаковый ассортимент, например одни и те же автомобили или стиральные порошки, совпадение списка покупок не выявляет различий во вкусе. Другое дело, что оно указывает на схожесть статусов, и в этом смысле пообъектная фильтрация оказывается информативной. В то же время очевидно, что она скорее подогревает стремление к подражанию, чем к отличиям, и это на руку бизнесу.
Как отмечалось, анализ сходства в рамках объектной фильтрации не нужно делать каждый раз, что обеспечивает скорость ответа на запрос. Именно это и требуется Amazon и прочим торговцам для того, чтобы успеть напичкать клиентов рекомендациями, пока они пребывают в покупательском настроении. Люди ведут поиски и покупки в интернете, оставляя на различных сайтах следы своего присутствия, а на них попутно сыплется информация то ли рекомендательного, то ли рекламного свойства. Простые клики на веб-страницы засчитываются системой как акты потребительского ранжирования. Но остановка внимания на некоем предложении, а может быть просто пауза по сторонним причинам – не такой уж точный показатель заинтересованности человека в данной вещи. К тому же, далеко не все покупки совершаются в интернете, поэтому выборка покупательских предпочтений, сделанная только на основе этих данных, не вполне репрезентативна. Коллаборативная фильтрация с непосредственным участием потребителя пусть медленнее, но вернее служит его интересам.
