Страница 18 из 19
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].
85
Джон Ридл, возглавлявший исследовательскую группу в Университете штата Миннесота и создавший одну из ранних систем, помогавшую ориентироваться в огромном потоке статей по рейтингам USENET, рассказал журналу «Нью-Йоркер»: «То, что вы рассказываете нам о своих предпочтениях, годится для предсказаний того, что вам понравится в будущем, больше любой другой информации, которую мы пробовали анализировать… Пусть это и глупо прозвучит, но вы иногда рассказываете это маркетологам, а они в ответ выглядят озадаченными». Сам Ридл чувствовал ограниченность систем на базе рейтингов, включая и ограничения по поводу того, как люди оценивают предметы. «Некоторые исследователи предлагали системы компенсаций для поощрения пользователей за оценки. Экономические последствия такого решения были бы интересны, но возникает вопрос: необходимы ли компенсации, если рейтинги можно собирать без каких-либо усилий со стороны пользователей? Мы верим в то, что оптимальным решением стало бы улучшение пользовательского интерфейса в целях выявления скрытых рейтингов путем наблюдения за поведением пользователей. Скрытые рейтинги включают меру интереса, например помогают узнать, прочитал ли пользователь статью, и если да, то сколько времени он на нее потратил. Наши исходные исследования показали, что мы можем получить гораздо более обширные данные рейтингов путем использования скрытых рейтингов, и прогнозы, сделанные на базе времени чтения, практически столь же точны, как и прогнозы на базе математики». См.: Джозеф А. Констан и др. Группы: применение коллаборативной фильтрации для статей USENET / «Сообщения АСМ». Т. 40, 1997. С. 77–87.
86
В документе, написанном перед тем, как устроиться в Netflix, Аматриайн отметил, что «моделирование предпочтений пользователей на базе явного отклика обладает существенным ограничением: существует подспудное предположение, будто суммарное время, которое пользователи потратили на данный контент, прямо пропорционально тому, насколько он им понравился». См.: Ксавье Аматриайн и др. Мне понравилось, мне не понравилось: оценка ошибок оценки пользователей в системах рекомендаций / «Материалы XVII международной конференции UMAP по моделированию, адаптации и персонализации пользовательского поведения», 2009. С. 247–258.
87
Сама книга О’Брайена получила на Goodreads.com 3,75 из 5 возможных «звездочек».
88
Время к этому фильму оказалось благосклонным; на IMDB.com у него рейтинг 6,9 из возможных 10.