Читать книгу ЦА. Как найти свою целевую аудиторию и стать для нее магнитом - Том Вандербильт - Страница 8

Однажды вечером я искал на сайте Netflix, чего бы посмотреть, и мне попался фильм «Победитель на деревянной лошадке» (рекомендовано было так: «Потому что вам понравились «Психо», «Энни Холл» и «Фарго»). Я покликал по сайту и обнаружил снятую в 1949 году британскую экранизацию рассказа Д.Г. Лоуренса о мальчике, который мог предсказать победителей настоящих скачек, играя со своей игрушечной лошадкой. Рассказ, как и фильм, стал для меня новинкой.

Я подумал: вот она, гениальная система рекомендаций на основе алгоритмов! У меня в голове не укладывалось, что за тайная магия помогла мне выбрать этот малоизвестный фильм с какой-то пыльной кинополки. Что связывало «Победителя на деревянной лошадке» с комедией-буфф Вуди Аллена, ужастиком Хичкока и мрачной американской готикой братьев Коэнов? И что в моей собственной оценочной активности связало воедино эту великолепную кинематографическую четверку? Что, если Хичкок мне понравился, а «Энни Холл» – нет? Тогда бы мне посоветовали что-нибудь другое?

Грейг Линден, участвовавший в создании первых алгоритмов Amazon, говорит о том, что не нужно слишком доверять им и окутывать рекомендации таинственным и зловещим пророческим ореолом. «Компьютер всего лишь осуществляет анализ действий пользователей», – поясняет он. Но даже создатели алгоритмов признают, что в будущем математические системы обещают стать еще более сложными; в сущности, могут даже появиться «черные дыры» вроде суперкомпьютера HAL, поведение которых будет невозможно достоверно предсказать или определить (по крайней мере, в меру нашего человеческого понимания).

Я иногда злюсь на рекомендации Netflix – фильм Адама Сэндлера? Да вы шутите? Но оборотной стороной доступа к огромному количеству фильмов является увеличение времени выбора, чего бы посмотреть. И понемногу пришлось признать, что в эпоху выбора, иногда сбивающего с толку, когда у меня больше нет возможности внимательно штудировать старые номера «Искусства кино» или рыться по коробкам с дисками в музыкальных магазинах, мне может быть полезно передать часть своих проблем по принятию решений и поиску чего-нибудь нового компьютеру – ведь и хранение фактов мы в основной своей массе уже передали на аутсорсинг в «Гугл».

Какое-то время я потратил на серьезную отработку своего алгоритма в Netflix. Я выставлял оценки всем просмотренным фильмам и дотошно, словно иудей Талмуд, изучал прогнозы всего, что мне может понравиться. Я хотел провести тонкую настройку этой штуки, чтобы она могла работать с моим изменчивым вкусовым профилем. Я хотел, чтобы она знала – если мне понравились «Зловещие мертвецы», это не значит, что мне понравится большинство остальных фильмов ужасов. Я хотел, чтобы система знала не только что понравилось, но и почему понравилось. Я хотел от нее большего, чем она могла мне предложить!

Так что, когда я приехал в город Лос-Гатос, штат Калифорния, в штаб-квартиру Netflix, расположенную в здании с красной черепичной крышей – оно напоминало то ли старый Голливуд, то ли гостиницу «Ла-Квинта», – в голове у меня были только звездочки. Это стало почти навязчивой идеей. Вы не поверите, сколько времени я провел, размышляя, стоит ли смотреть фильм, если его прогнозируемый рейтинг составляет 2,9 (а дистанция от 2,9 до 3,0 – ну совсем ведь маленькая!). Посмотреть фильм, рейтинг которого «единица», казалось чуть не преступлением. А когда мне удавалось обнаружить фильм, которого я не видел, но его прогнозируемый рейтинг был 4,7, я чуть не под облака взмывал от радости!

Я знал, что я не один такой: компания в рамках своего знаменитого проекта «Оптимизация алгоритма» предложила приз в миллион долларов ученым-программистам, которые смогут дать десятипроцентное улучшение для прогнозируемых рейтингов Netflix. Множество умных людей посвятили множество часов, размышляя о так называемой «проблеме «Наполеона Динамита», или что делать с фильмами, которые делят зрителей на два противоположных вкусовых лагеря и реакция на которые крайне слабо прогнозируема. Я подумал, что здесь, в Лос-Гатосе, я увижу доброжелательную «Штази» вкусов, в которой знают все о том, как люди смотрят кино, где хранится громадный массив данных о человеческих предпочтениях. Я хотел знать то, что является очень личным и что, как я думал, они мне не расскажут: насколько чувствителен этот алгоритм к оценкам – если я поставил 2,7 фильму, для которого Netflix предсказал мою оценку как 3,2, как быстро такое отклонение повлияет на мое собственное рейтинговое поле? Какой фильм обладает самым широким спектром крайне негативных и крайне позитивных оценок?

Вот почему я уже практически слышал, как скрипит мое перо по бумаге, когда уселся напротив вице-президента по новым разработкам Тода Елина в переговорной «Лучший стрелок» (все офисные помещения Netflix носят названия фильмов или телешоу) и он начал свой рассказ: «Моя первая должность в компании – директор по персонализации продукта. Я возглавил работы по получению оценок, по улучшению прогнозов на основании этих оценок; мы придумывали, где именно в пользовательском интерфейсе их надо размещать». Что ж, полет нормальный. Затем он сказал: «Со временем, при расширении области персонализации, мы стали придавать прогнозируемым оценкам гораздо меньшее значение».

Потребовалось некоторое время, чтобы до меня дошло. Меньшее значение?! Видимо, в тот момент я выглядел слегка пришибленным. Думаю, Елин почувствовал мое разочарование. Я приехал, чтобы узнать о самом сложном в мире техническом средстве прогнозирования вкусовых предпочтений в кино, а мне говорят, что вопросам вкуса – по крайней мере выраженным с помощью рейтингов – здесь придают «меньшее значение»! «Нигде во Вселенной не жмут так много на «звездочки» фильмов и телешоу, как у нас! – рассказал Елин. – И мы разработали множество алгоритмов для повышения точности этих предсказаний». Но, как он сказал, это было «последним писком» году этак в 2005-м или в 2006-м. И мои смешные вопросы о «звездочках» тут же стали ужасно отдавать стариной. Значит, вложив такую бездну времени и усилий в постройку совершенной системы рекомендаций на базе оценок, Netflix от нее отказалась?

Не совсем. «Люди по-прежнему выставляют оценки, мы считаем эту информацию полезной. Просто она – второстепенная», – говорит Елин. Случилось сразу две вещи, которые затмили пользу «звездочек». Первая, как рассказал Ксавье Аматриайн, руководитель по системе рекомендаций, – компания вплотную приблизилась к некоей конечной скорости прогнозирования вкусов. «Как часто бывает при работе с алгоритмами, – рассказал он, – 20 % времени уходит на достижение 90-процентной точности; а затем уже 80 % времени уйдет на обеспечение оставшихся 10 % точности». Было совершенно непонятно, стоит ли инвестировать в работу над этими оставшимися 10 %, что привело бы к еще большему усложнению рекомендательной системы, в которой и без того уже работала и «Ограниченная машина Больтцмана», имелись и «Случайные леса», и «Латентные размещения Дрихле», – будет ли это оправданно?

Поменялось и еще кое-что. С тех пор как Netflix объявила состязание программистов с крупным призом, компания вместо услуг проката DVD по почте стала заниматься предоставлением онлайн-услуг потокового видео. «Люди, которые давали свои оценки, отражали таким образом свой мыслительный процесс. Вы добавляете что-то в очередь просмотра, а просматриваете пару дней спустя. А затем выражаете мнение, которое возымеет эффект в долгосрочной перспективе. При потоковой передаче данных концепция совершенно меняется. Вам не нравится? Ну и ладно – переключаем и смотрим что-нибудь другое. Затрат на переключение у вас практически нет», – рассказал Аматриайн.

При оказании потоковых онлайн-услуг Netflix получает меньше формально выраженных оценок, зато имеет место косвенная информация – это поведение пользователей. «У нас появилась возможность получения данных по просмотрам в реальном времени, а это гораздо более ценная информация, чем то, что говорят сами пользователи о своих предпочтениях», – объясняет Елин. В Netflix бесконечно больше знают о том, что и как вы смотрите: когда вы смотрите, где вы смотрите, в какой момент прекращаете смотреть, что смотрите потом, пересматриваете ли. Что вы ищете – это еще один сигнал вашего вкуса. Елин заинтересованно, почти страстно мне об этом рассказывает. Он слегка тараторит, у него немного угловатый, напряженный взгляд, он лысоват – и всем своим видом напоминает гиперинформированного консультанта из магазина видеокассет ушедшей эпохи. Но только это консультант всемогущий, он знает, что крутит на своих «видаках» вся страна – и в какие моменты нажимает на «перемотку». Пусть это и выглядит как вмешательство в личную жизнь, но главный момент здесь такой: от своего вкуса не спрячешься!

Появление компаний вроде Netflix, обладающих петабайтами данных о людских симпатиях и антипатиях в виде всех этих «лайков» и «избранных», позволило бросить взгляд в до этого всегда казавшуюся непроницаемой область: как формируются оценки, как выражаются предпочтения, каковы механизмы формирования вкуса? Обширное поле сетевой активности – сетевое «сарафанное радио». Вот где абстрактные, «непостижимые» вкусы попадают в эмпирически формируемую упорядоченность Интернета, с его алгоритмами совместной фильтрации, пространными наборами данных, бесконечными отчетами по произведенным действиям. Любая отдельно взятая рецензия или отдельный «лайк» совершенно бесполезны. Тут же возникает проблема «слово не деньги», как ее обозначил Рей Фишман. И лишь на агрегированном уровне с помощью чистой математики можно отфильтровать шум, отбросить аномальные значения и достичь статистической согласованности данных.

Социологи вроде Пьера Бурдьё, посвятившие размышлениям о вкусе огромное количество времени (мы еще вспомним о нем позже), всегда сталкивались с проблемой «рассказчика»: спросить людей о том, что им нравится, совсем не то, что наблюдать за их действиями. Интернет прекрасен в том плане, что вне зависимости от того, что люди рассказывают, можно наблюдать со все возрастающей достоверностью за их реальным поведением. Практически любой из интересовавших Бурдьё аспектов человеческого вкуса ежедневно каталогизируется онлайн, причем в объемах, превосходящих любые мечты социологов. Какая музыка нравится? Посмотрите на Spotify, Pandora. Как выглядит идеальное человеческое лицо? Посмотрите OKCupid, Match.com. Какие фото нравятся больше всего? Посмотрите Flickr и Instagram.

Так что, если раньше Netflix полагался на слова людей о том, что им нравится – на этом для того времени новом основании базировались все системы рекомендаций[85], – теперь компания стала фокусировать внимание на том, что люди реально смотрят. «В таком подходе заключена масса преимуществ. Одно из них в том, как именно люди выставляют оценки: это делается в духе мотивации – они оценивают, что и как им бы хотелось смотреть», – говорит Аматриайн. Как рассказал Карлос Гомес-Юриб, директор по новым продуктам Netflix, «относительно высокий процент людей рассказывают, что они часто смотрят иностранные или документальные фильмы. На самом деле это не так».

В Netflix всегда подозревали об этом расхождении между людскими стремлениями и реальным поведением. Можно привести один пример: компания обладала данными по длительности нахождения прокатного DVD дома у пользователя, то есть сколько времени проходило с момента получения диска до реального просмотра. «Неудобная правда» Альберта Гора лежала без движения, кажется, бесконечно! «Этот фильм дольше всех находился по домам в ожидании просмотра», – рассказал Елин, и все остальные за столом согласно закивали. Но теперь критическое рассмотрение данных идет практически в реальном времени, чуть ли не на уровне людского подсознания: вы только что выключили фильм Бергмана и включили «Вышибалу»? Так и запишем в базу данных.

Люди, говорит Елин, «хотят о себе думать исключительно хорошо. Они могут заблуждаться по поводу собственного образа: что им, с их слов, нравится, как много «звездочек» они выставляют конкретному фильму и что они на самом деле смотрят». Вы можете поставить пять «звездочек» «Отелю «Руанда»» и две «звездочки» «Капитану Америке», но скорее всего, вы будете смотреть «Капитана Америку», говорит Елин.

Здесь нет ничего особенно нового. Еще со времен Торстейна Веблена экономисты рассуждали о видимых «сигналах» вкуса вне зависимости от того, истинные они или ложные. Они всегда стремятся выше: люди не ставят «Капитану Америке» пять звездочек, «Отелю «Руанда» – две, чтобы потом втайне пересматривать «Отель». Социолог Ирвинг Гофман дал широко известное описание нашего представления о себе в духе «драматического» действия: «Обычно продвижение вверх требует представления себя соответствующими действиями, исполнением определенных партий, а усилия продвинуться, так же как и усилия, помогающие не скатиться вниз, выражаются в жертвах, на которые вы пошли ради поддержания своего представительского переднего плана».

Всем нам когда-нибудь хотелось представляться другими, идеальными личностями. «На самом деле я – совсем другой человек, просто никак не могу собраться им стать», – писал в одной из своих пьес Эден фон Хорват. Вспомните, как в фильме «Сыграй еще раз, Сэм!» герой Вуди Аллена выкладывает дома перед свиданием на кофейный столик «умные» книги («Зачем разбрасывать книги, если ты их все равно не читаешь?» – спрашивает друг, а он отвечает: «Так создается образ!»). Данные Netflix хороши тем, что они очень личные и тайные – никто не видит, какой у вас плохой вкус или что интересненького стоит у вас в очереди на просмотр. Как сказал Елин, весь театр тут – для самого актера.

Что наталкивает на интересный вопрос, поставленный антропологом Робертом Трайверсом и его коллегой-психологом Уильямом фон Гиппелем: «Кто является аудиторией при самообмане?» Гофман писал, что люди часто пытаются соответствовать стандартам «из-за расхожей веры в то, что существует некая невидимая аудитория, которая накажет за отклонение от стандартов». Вот откуда берется чувство вины за «греховные удовольствия» – мы еще вернемся к этому вопросу позже. Если сам по себе обман является полезной в эволюционном плане стратегией, «фундаментальной во взаимодействии животных», то самообман тоже становится «наступательной стратегией, направленной на обман других особей». При демонстрации «умных» книг герой Вуди Аллена чувствует себя лучше и убеждает самого себя, будто он – та самая личность, которая читает эти книги, что, в свою очередь, поможет ему убедить в этом свою потенциальную партнершу.

Это не означает, что при взгляде на самого себя в зеркало в ситуации самообмана человек не испытывает диссонанса. Достаточно часто в Netflix раздается жалоба: «Ну почему вы мне рекомендуете все эти двух- и трехзвездочные фильмы?» Другими словами, почему вы предлагаете мне то, что мне не понравится? Но бизнес Netflix не ставит перед собой задачу превратить вас в кинематографиста. Им нужно, чтобы вы и дальше пользовались их услугами. Они работают, как казино, используя хитрую математику, чтобы вы продолжали у них играть. Они рекомендуют то, что вы будете смотреть[86]. У них это называется «обещание». «Когда кто-нибудь ставит оценку фильму вроде «Списка Шиндлера», оценка обычно бывает довольно высокой, в отличие от оценок, выставляемых каким-нибудь глупым комедиям вроде «Машины времени в джакузи», – рассказывает Юриб. – Но если предлагать людям лишь фильмы с пятью «звездочками», «вовсе не факт, что пользователю захочется смотреть это кино в четверг вечером после тяжелого рабочего дня».

Система «звездочек» предвзята по самой своей сути. Люди избегают крайних рейтинговых значений – это называется «тенденция к сжатию». Поэтому существует большое количество оценок в две и четыре «звездочки», а единиц и пятерок – мало. Еще одно статистическое отклонение, как говорит Аматриайн, – «мы знаем, что шкала рейтинга нелинейна, расстояние от одной до двух «звездочек» не то же самое, что расстояние от двух до трех». Средняя зона, обычное «ну да», при рассмотрении в аспекте «смотрибельности» имеет довольно расплывчатые границы. Наблюдается и «целочисленная тенденция», когда люди склонны выставлять оценки исключительно целыми, а не дробными значениями.

Присвоение «звездочек» продуктам культуры само по себе странное – и даже спорное – занятие. Началось все с книг: точнее, с первого тома антологии «Лучшие рассказы 1915 года», составленной редактором Эдвардом О’Брайеном. Как он написал в предисловии, отобранные им рассказы «естественным образом разделились на четыре группы» (курсив мой. – Т. В.). Для деления была введена система «звездочек» – чем больше, тем лучше, от одной до трех (для рассказов, заслуживающих «постоянного места в нашей литературе»). Он объявил с позиции незаинтересованного критика: «На мою оценку сознательным образом не влияли никакие мои личные предпочтения или предрассудки, ни за, ни против». Система «звездочек» О’Брайена[87] – и, разумеется, сам факт отбора «лучших» рассказов за год – подвергалась постепенно шедшей на убыль критике. Рецензируя «Лучшие рассказы 1925 года», критик из «Нью-Йорк таймс», упрекая О’Брайена в «догматичности» системы оценок, заявлял: «Огромное количество людей готово поверить во что угодно, если им об этом расскажут с изрядной долей позитива». Затем история со «звездочками» на время ушла в тень, но в итоге вновь появилась в кино, в опубликованном 31 июля 1928 года в «Нью-Йорк дейли ньюс» обзоре Ирен Сайрер, где было сказано: «С этих пор мы на постоянной основе будем выставлять фильмам оценки в виде звездочек», – что говорило о наличии этой системы, – после чего фильм «Порт пропавших девушек» был удостоен одной звезды[88].

С того времени люди и начали игру в «звездочки». Очевидной проблемой, возникшей в силу разницы вкусов, является то, что «трехзвездочный», по чьему-либо мнению, фильм для вас лично может стать «пятизвездочным» хитом. Вот почему Netflix четко разделяет общее количество «звездочек» и параметр «Лучшее для вас по нашему мнению». При этом во главу угла ставится вкус: этот фильм понравился вам на 0,7 больше других. И хотя можно предположить, что это точно отражает ваш вкус, дело осложняется тем, что, как и во всех рекомендательных системах, числовое значение здесь вычисляется с учетом действий других людей[89]. Еще одной проблемой является то, что вы можете по-другому выставлять оценки – у вас может быть склонность к занижению или к завышению – вне зависимости от того, что вы в действительности думаете о фильме. «Некоторые мои знакомые очень щепетильно относятся к выставлению высоких оценок. Так что две или три «звездочки» в их случае – это совсем не плохо», – рассказал Аматриайн.

И это заставляет обратить внимание на нечто интересное в Netflix и его рейтингах. Подчиняясь традиции, появившейся в те времена, когда наше мнение формировали в основном рецензенты, имеющие собственную систему оценок, мы можем принять рейтинг и «звездочки» за твердое мерило качества – по крайней мере для нашего вкуса. Но и на индивидуальном, и на агрегированном уровне система «звездочек» Netflix вовсе не является постоянной величиной. Оценки тут напоминают скорее свободный рынок: в их мире тоже случаются поправки, «пузыри», эффект хеджирования, инфляция и иные формы статистических «шумов».

В начале 2004 года, например, в Netflix произошло «внезапное повышение среднего кинорейтинга». Неужели голливудские фильмы внезапно улучшились? Нет, улучшилась система рекомендаций. «Пользователи стали ставить больше оценок фильмам, которые отвечали их вкусам», – писал Иегуда Корень, исследователь, участвовавший в конкурсе Netflix по улучшению алгоритмов. Другими словами, фильмы стали оцениваться выше, потому что их стало выбирать больше людей, которые считали, что это хорошие фильмы. В зависимости от точки зрения можно расценивать это как нечто вроде ошибки выборки – люди, которым с большей вероятностью понравится данный фильм, ставили более высокие оценки. Либо это было достижение рыночного равновесия в области вкусов: люди получили возможность более точно выбирать фильмы (т. е. появилось предложение), которые им с большей вероятностью придутся по вкусу (т. е. на них появился спрос).

На индивидуальном уровне все еще более запутано. Попросите кого-нибудь заново оценить просмотренный фильм, и скорее всего оценка будет другой. Как показали эксперименты, путем простого изменения исходного пользовательского рейтинга можно повлиять на то, как тот же самый человек позже повторно оценит фильм. По всей видимости, люди дают другие оценки, если оценивают массив фильмов (для «натаскивания» алгоритма), а не один фильм. Телешоу люди оценивают иначе, чем фильмы. «Средний рейтинг телешоу гораздо выше, чем у фильмов», – рассказал Елин. Телевидение лучше, чем кино? «Интуиция мне подсказывает, что дело тут в выборке», – говорит он. «Кто, скажем, оценивает «Клан Сопрано»? Явно не тот, кто посмотрел пять минут и выключил, потому что решил, что ему неинтересно тратить на это время. Оценивает тот, кто увлекся и потратил на просмотр сто часов своей жизни». С другой стороны, «кто оценивает фильм «Шопокоп»? Возможно, фильм так себе, но он идет всего девяносто минут. Ваши пороговые критерии оценки могут быть совершенно иными».

Аналогично, один и тот же фильм при просмотре онлайн и на DVD может иметь разные рейтинги. «Особенно если фильм до боли правдивый», – рассказывает Елин – например, «крайне эмоциональный» фильм Спилберга. «Он на вас повлияет, но влияние может быть мимолетным. Так что, если вы оцениваете его сразу после титров, оценка может быть выше. А спустя неделю впечатление от него уже пройдет». Просмотр кино в одиночестве может окончиться более низкой оценкой, чем просмотр в компании воодушевленных друзей.

И так далее. «Я много лет играл с рейтингами», – серьезным тоном произносит Елин, напоминая в этот момент бывалого гангстера, вспоминающего свои сомнительные уличные подвиги. Я почувствовал, что в этих рейтингах ему хотелось достичь некой идеальной чистоты, найти платонов идеал того, что нравится людям. «Знаете, почему у меня осталось так мало волос? Я вырвал их, пытаясь постичь все эти вещи!» В итоге рейтинги оказались не столь уж мощным средством понять, что будут смотреть люди. Пол и география – тоже. «Хотя и это может помочь, если больше ничего не известно. Но, как только люди просмотрят на Netflix хотя бы пять фильмов, мы уже будем знать о них на порядок больше, чем пока знали лишь их возраст, пол и местожительство», – говорит Елин. Вы – это то, что вы смотрите.

Любовь к сладкому – это любовь к самой жизни.

Все эти разговоры о том, что рейтинги имеют меньшее значение, не означают, что меньшее значение теперь придается и рекомендациям. Они находятся в самом центре всей работы Netflix по совершенствованию алгоритмов и обеспечивают порядка 75 % просмотров.

Но теперь они стали гораздо менее явными. Вместо того чтобы сказать, что вам понравится, Netflix теперь в основном демонстрирует то, что вас интересует, в виде «персонализированных» блоков, которые строятся в соответствии с вашим пользовательским поведением. «Все на свете – рекомендация!» – как любит говорить Аматриайн о новом подходе «не только пять звезд». Даже поисковые запросы говорят о том, что «у нас нет того, что пользователи хотят смотреть», и это тоже учитывается системой рекомендаций. Зная, что вы ищете, можно вычислить, что вам может понравиться. Любое действие на сайте Netflix можно рассматривать в качестве метарекомендации: сайт, как и большая часть Интернета, представляет собой один обширный и постоянно длящийся эксперимент в области предпочтений, серию «А/В-тестов», в которых вы участвуете, сами не зная об этом. Если окно поиска на сайте обувного магазина будет слева, повысятся ли продажи по сравнению с вариантом дизайна, когда окно справа? А если пустить на сайте блок с названием «Зарубежные драмы 1980-х», будете ли вы смотреть больше зарубежных драм из 1980-х?