Текст книги "Виртуальная конкуренция. Посулы и опасности алгоритмической экономики"

Компании могут использовать большие данные, чтобы помочь своим самообучающимся компьютерным алгоритмам оптимизировать поведенческую рекламу, подобрать персональные рекламные акции и цены. Как заметил главный исполнительный директор компании Coupons.com, ее сложные программы способны «превратить большие данные в “умные данные”, используя новейшие технологии, такие как машинное обучение и адресный кросс-платформенный маркетинг»⁴³. Когда данных о нас больше, алгоритмы ценообразования способны точнее предсказывать наше поведение и предпочтения, а тем самым лучше осуществлять ценовую дискриминацию.

Карты постоянного покупателя и история платежей – лишь верхушка айсберга тех усилий, которые прилагают компании для отслеживания наших действий и накопления данных о нас. На самом деле, офлайновые розничные продавцы всё внимательнее отслеживают действия своих покупателей. В прошлом, если покупатель не использовал карту лояльного клиента, розничная компания могла и не знать, кто пришел в магазин, что этот человек ищет, что еще могло бы его заинтересовать и сколько он готов потратить. В наши дни розничные продавцы могут использовать Wi-Fi и мобильные телефоны для взаимодействия с покупателями с момента, как те заходят в магазин⁴⁴. Кроме того, для опознавания покупателей и изучения их поведения они могут воспользоваться более сложной программой распознавания лиц⁴⁵.

ФТК в 2014 г. провела у себя семинар по отслеживанию мобильных устройств, на котором рассматривалось, «каким образом розничные продавцы и другие коммерческие организации вели и ведут отслеживание перемещений покупателей по магазинам и другим пунктам притяжения, а также вокруг них, используя технологии, которые распознают сигналы, испускаемые мобильными устройствами покупателей», и почему «это отслеживание незаметно для покупателей и происходит без их участия»⁴⁶.

Годом позже ФТК возбудила против компании Nomi Technologies свое первое дело об отслеживании покупателей в розничных магазинах⁴⁷. Используя технологию определения местонахождения мобильных устройств (зачастую без ведома потребителей), только с января по сентябрь 2013 г. N omi отслеживала 9 млн мобильных устройств. Она предоставляла услуги анализа данных офлайновым розничным продавцам, сообщая им характеристики совокупного потока покупателей. Они отражали «процентную долю покупателей, всего лишь проходящих мимо магазина в сопоставлении с долей тех, кто заходил в магазин; среднюю продолжительность пребывания в магазине; типы мобильных устройств, используемых покупателями в той или иной географической точке; процентную долю повторных покупателей в течение заданного промежутка времени; число покупателей, которые посещали и другой магазин в сети данного клиента»⁴⁸. Интересно, что неприятности этой компании принесло не отслеживание покупателей. Нет, причиной была обманчивость ее политики приватности⁴⁹. Nomi заверяла граждан, что они могут отключить отслеживание через сайт компании или в «любом розничном магазине, использующим технологию Nomi». Но компания никогда не требовала от своих клиентов обеспечивать уведомление покупателей. Так как розничные продавцы никогда не сообщали посетителям о том, что отслеживание ведется, потребители не могли отключить его в магазинах⁵⁰. Не обнародуй Nomi политику конфиденциальности, можно предположить, что она могла бы продолжать отслеживание.

Помимо тех данных, что собирают сами компании, они также пользуются услугами брокеров данных⁵¹, которые, как обнаружила ФТК, собирают огромный объем информации о потребителях:

Из числа указанных девяти брокеров данных один обладает информацией о 1,4 млрд потребительских транзакций и более чем 700 млрд элементов укрупненных данных; другой обладает базой данных, охватывающей потребительские транзакции на сумму в один триллион долл.; еще один пополняет свои базы данных на три миллиарда новых записей ежемесячно. Важнее всего то, что брокеры данных обладают огромным массивом информации об индивидуальных потребителях. Например, один из указанных девяти брокеров данных имеет 3 000 сегментов данных⁵² почти для каждого американского потребителя⁵³.

Помимо сбора данных об интересах частных лиц и характерной для них онлайновой и офлайновой деятельности, брокеры данных предлагают и аналитическую продукцию. ФТК обнаружила, что несколько брокеров данных «превратили свои исследования (analyses) в индикаторы перспективности (marketing scores), которые, например, позволяют классифицировать для клиента его покупателей с помощью информации о том, с какой вероятностью они откликаются на конкретные маркетинговые усилия или совершают покупки, статистики их присутствия в интернете, или их влиянию на других, или иным показателям (metrics)»⁵⁴. Все указанные данные собираются и обрабатываются с целью выявить интересы потребителей и их ценовую чувствительность, чтобы предлагать им определенные продукты по специальным ценам (или с особыми скидками).

В современном мире наши жизни и наши источники дохода тесно связаны с онлайновой средой. Подумайте о том, сколько часов вы тратите на свой смартфон, планшет или компьютер: на работе, обмениваясь информацией с другими людьми, при покупках товаров и услуг, развлекаясь и неформально общаясь. Затем прибавьте то время, когда происходит пассивный сбор информации о вас (например, о вашем местонахождении, в каждом случае, когда вы берете с собой смартфон). Теперь подумайте о том, насколько больше (и гораздо больше!) данных о вас будет собираться по мере роста использования беспилотных автомобилей, «интернета вещей» и «умных часов» (smart watches). На этих цифровых алгоритмизированных рынках продавцы будут вкладывать больше денег и времени в эффективное и незаметное наблюдение за нашими действиями, сбор данных о нашем образе жизни и выбор решающего момента, чтобы спровоцировать нас на покупку по правильной цене.

Итак, по мере роста объема, многообразия и ценности персональных данных и улучшения самообучающихся алгоритмов сможет ли большее число продавцов осуществлять совершенную ценовую дискриминацию? Чтобы составить должное представление о том, как способна развиваться конкуренция, мы должны сначала понять, почему в ближайшем будущем на многих рынках совершенная ценовая дискриминация маловероятна. (Одним из печальных исключений является недвижимость. На перегретых рынках недвижимости Оксфорда и Вашингтона оба автора подали ценовые заявки, отражавшие максимум того, что мы были готовы заплатить сверх первоначальной цены недвижимости. Но оставим в стороне наш личный жизненный опыт и сосредоточимся на онлайновой среде.)

Недостаточность данных

Во-первых, для совершенной ценовой дискриминации та или иная компания должна разработать алгоритм, который способен выявить цену резервирования каждого потребителя. Цена резервирования каждого потребителя является ненаблюдаемой переменной – т. е. переменной, которую нельзя наблюдать напрямую, но которую можно получить расчетным путем. Онлайновые продавцы зачастую не могут точно определить, сколько этот конкретный потребитель готов заплатить за конкретную позицию в тот момент, когда он появляется в интернете. Вместо этого алгоритм ценообразования собирает и обрабатывает данные, содержащие сведения о транзакциях и пользовательском поведении, – например, при каких условиях и ценовых ориентирах (price points) потребители действительно покупают, а в каких случаях этого не происходит.

Итак, одним из препятствий для совершенной ценовой дискриминации является недостаточность данных. Хотя алгоритму доступно гораздо больше данных, чем офлайновому продавцу 20 лет назад, для каждого конкретного потребителя данных по-прежнему не хватает: потребитель, может быть, раньше не покупал данную позицию, а его поведение, возможно, не позволяет судить о том, сколько он готов потратить. Чтобы точно предсказать цену резервирования для некоего индивида, нужно будет иметь достаточно данных для выявления и измерения каждой из тех многочисленных переменных, которые на нее влияют.

Предсказуемость и (не)рациональность

Во-вторых, совершенная ценовая дискриминация в условиях неполноты данных будет связана с предсказаниями, которые, скорее всего, будут основаны на некоторых базовых предположениях – наподобие того, что у каждого потребителя есть устоявшиеся принципы и некая изначальная цена резервирования. Проблема состоит в том, что на решения о покупке способны влиять большое число склонностей и внешних обстоятельств, а потребители могут даже не знать о том, какова их цена резервирования.

Неоклассической теории были свойственны упрощающие базовые предположения о поведении человека (а именно что участники рынка рациональны, эгоистичны и способны к самоконтролю). Но люди, как описывается в литературе по поведенческой экономике, гораздо сложнее. На протяжении последних 20 лет в экономической литературе всё чаще признается и экспериментально подтверждается, что: 1) самоконтроль не является полным, 2) на принятие решений могут повлиять искажения восприятия и эвристические правила, 3) многие люди обеспокоены справедливостью⁵⁵.

Участников одного эксперимента спросили, сколько они готовы заплатить за холодное пиво, которое они будут пить на пляже⁵⁶. Обстановка одна и та же (употребление на пляже конкретной марки пива, которую их знакомый купил неподалеку). Единственную разницу составлял вопрос, продавалось ли пиво в близлежащей дорогой гостинице или в захудалом продовольственном магазинчике. Большинство потребителей было готово платить больше, если пиво продавалось в люксовой гостинице (2,65 долл.), а не в захудалом магазинчике (1,5 долл.). Хотя условия были одни и те же, цена резервирования значительно отличалась.

Потребители не всегда в состоянии предсказать свою цену резервирования и могут недооценивать факторы, которые на самом деле влияют на нее. Например, влияет ли завышенная прейскурантная цена на цену резервирования? В ходе одного эксперимента опытные риелторы предсказали, что она не будет влиять, но результаты показали иное⁵⁷. Каждый испытуемый получил десятистраничный информационный буклет, который риелторы обычно используют для оценки конкретной жилой недвижимости⁵⁸. Независимой переменной была заявленная цена конкретного дома, выраженная относительно его оценочной стоимости. Местные риелторы заявили, что большинство риелторов выявит как «явно ненормальное», если заявленная цена объекта более чем на 5 % превысит его оценочную стоимость⁵⁹. В двух ситуациях заявленная цена была на 4 % либо выше, либо ниже оценочной и фактически заявленной цены конкретного дома (74 900 долл.). В двух других ситуациях заявленная цена была на 12 % выше или ниже его оценочной стоимости. Как в случае риелторов, так и в случае неспециалистов заявленная цена значительно влияла на оценки участников исследования. И дом, и данные о состоянии рынка оставались прежними. Но чем выше была заявленная цена дома, тем выше по мнению участников эксперимента были его оценочная стоимость⁶⁰. Заявленная цена (будь она завышенной или заниженной) значительно смещала оценки и любителей, и специалистов по недвижимости. Единственная разница состояла в том, что любители признавались в использовании заявленной цены. Специалисты «категорически отрицали», что учитывают ее.

Мы, подобно риелторам из этого исследования, также можем недооценивать значимость завышенной заявленной цены. Один из примеров – реклама «скидки» от прейскурантной цены. В одном из каталогов компания Amazon подчеркивала, что покупатели экономят 2 131,33 долл. (99 %) на лотке для кошачьего туалета⁶¹. Так же, казалось бы, покупатели экономят на 6-унцевой упаковке лакомств для собак: их прейскурантная цена в 822 долл. была снижена до 7,90 долл.⁶² Вряд ли кто-нибудь заплатил бы 2 131,33 долл. за лоток для кошачьего туалета или 822 долл. за собачьи лакомства. Тем не менее, в поведенческой литературе рассматривается эффект привязки (anchoring effects)⁶³, из-за которого на нашу цену резервирования может влиять завышенная прейскурантная цена и другие неизвестные или отрицаемые нами факторы. И в самом деле, когда ты путешествуешь за границей, поначалу может поражать, сколь дороги или дешевы те или иные вещи. Но в итоге ты привыкаешь.

Итак, при наличии потребителей с ограниченной рациональностью и неполным самоконтролем переход к совершенной ценовой дискриминации требует выявления всех ключевых параметров каждого индивида, а также наблюдения каждого параметра и уточнения его оценки. Изменяется ли цена резервирования потребителя для банки «Кока-Колы», если в предыдущие три дня температура превысила определенный порог, или если потребитель пришел на свидание, или только что закончил тренировку? Зависит ли она от места покупки – в торговом автомате или в магазине, в городе или в аэропорту?

Мы видим, что алгоритм ценообразования, индивидуально настраиваемый на каждого покупателя, потребовал бы данных чудовищного объема и многообразия. Он должен выявлять все существенные переменные, которые влияют на цену резервирования конкретного человека. Каждый случай покупки может оказаться иным: по дню недели; времени суток; местонахождению человека; другим предметам, которые он рассматривал в интернете; половой принадлежности, возрасту, образованию и прочим демографическим данным; порядку показа товаров; их цен в сравнении друг с другом.

Размер выборки

Третье препятствие для совершенной ценовой дискриминации состоит в том, что алгоритму потребуется выборка достаточного размера для того, чтобы без помех проверять гипотезы. Чтобы выявить все существенные переменные, которые влияют на цену резервирования конкретного человека, обычно приходится проводить многочисленные эксперименты.

Итак, сколько наблюдений потребуются алгоритму, чтобы точно предсказать цену резервирования конкретного индивида? Алгоритм может располагать минимальной выборкой касательно ежедневных или еженедельных покупок, но не иметь информации о редких покупках (например, телевизоров, автомобилей и т. д.).

Как следствие, для совершенной ценовой дискриминации алгоритму ценообразования придется учитывать великое множество склонностей и внешних обстоятельств, которые могли бы повлиять на цену резервирования индивида. Это требует, чтобы алгоритм выявлял дополнительные переменные, способные влиять на цену резервирования индивида и обладал данными для аккуратного предсказания, каким образом потребитель, скорее всего, отреагирует при каждом сценарии. Алгоритму ценообразования может не хватить эмпирических данных для выявления каждой переменной, необходимой для точного вычисления цены резервирования конкретного потребителя. Если алгоритм не способен рассчитать цену резервирования каждого человека с учетом соответствующих определенных поведенческих особенностей и внешних обстоятельств, он не сможет осуществлять совершенную ценовую дискриминацию.

Компании десятилетиями практиковали более грубые разновидности несовершенной ценовой дискриминации: например, на основе отнесения индивидов к широким категориям (таким как молодежь, студенты, взрослое население, пожилые) и на основе более грубых независимых переменных (таких как местонахождение потребителя, день недели и время суток).

Достижения в области отслеживания нашего поведения, сбора и анализа наших персональных данных, использования дифференцированного ценообразования повысили способность компаний осуществлять ценовую дискриминацию. Тем не менее, в ближайшем будущем на многих онлайновых рынках алгоритмы ценообразования смогут выявить цену резервирования каждого индивида, только если потребители будут аккуратно выявлять свою цену резервирования (например, в ожесточенных торгах на аукционах по продаже недвижимости). Временами для алгоритма наше поведение будет, возможно, более предсказуемым, чем для нас самих. Но по большому счету каждая модель алгоритма ценообразования окажется неверной. У алгоритма есть принципиальная возможность посчитать, насколько он ошибся, и исправить неточность.

Как мы увидим в следующей главе, в условиях прогресса ценовых алгоритмов и сбора персональных данных в большем объеме и многообразии онлайновые компании смогут точнее вычислять приближенное значение нашей цены резервирования. Компании могут не устоять перед соблазнами совершенной ценовой дискриминации и увеличения прибылей. Они будут конкурировать, детализируя множество независимых переменных своих ценовых алгоритмов и точнее классифицируя индивидов по более мелким подгруппам. Вот что отметила Европейская инспекция по защите данных:

Экономическая теория показывает, что поставщик (provider) максимизирует прибыль, когда он способен распознавать потребителей (а затем, если это уместно, осуществлять ценовую дискриминацию). В принципе, если все пациенты остаются нераспознанными, фармацевтическая компания, скорее всего, установит единую для всех цену на лекарство. Однако если та же компания способна определить, кто из ее потребителей имеет большие финансовые возможности или большую потребность в лекарстве, она сможет иногда взимать с указанных потребителей повышенную цену (например, при помощи «премиального» варианта поставки данного лекарства, который объявляется более эффективным). Большие данные могут иногда способствовать такой групповой дискриминации. Существует прямая взаимосвязь между доступностью больших наборов показателей здоровья населения и потенциальной прибыльностью ряда отраслей, активно работающих в секторе здравоохранения, так как компании получают возможность сделать свои коммерческие предложения более адресными и тем самым извлечь большую прибыль за счет использования персональных данных. При самоусиливающейся тенденции более высокие шансы получить прибыль еще больше увеличат спрос на данные и потребность в эффективных защитных мерах против злоупотреблений⁶⁴.

Как мы увидим, по мере роста объема собираемых данных и с улучшением анализа данных и классификации потребителей самообучающиеся компьютерные алгоритмы будут последовательно приближаться к совершенной ценовой дискриминации.

11
Рост возможностей «почти совершенной» поведенческой дискриминации

Совершенная ценовая дискриминация, возможно, недостижима, но «почти совершенная» поведенческая дискриминация может оказаться осуществимой. В онлайновом мире, где «встречаются» большие данные и поведенческая экономика, мы сейчас наблюдаем рождение и рост новой разновидности ценовой дискриминации – поведенческой дискриминации. Здесь компании массово собирают наши персональные данные, чтобы выяснить, какая эмоция (или какое искажение восприятия) побудит нас купить некий продукт, и каков тот максимум, который мы готовы заплатить¹. Продавцы, отслеживая наши действия и собирая цифровые данные, способны индивидуально настраивать свою рекламу и маркетинговые мероприятия, чтобы адресно обращаться к нам в ключевые моменты, правильно подобрав цену и эмоциональный настрой (emotional pitch). Итак, поведенческая дискриминация увеличивает прибыли, так как увеличивает общее потребление (за счет сдвига кривой спроса вправо и ценовой дискриминации) и сокращает потребительский излишек.

В данной главе рассматривается, каким образом большие данные и анализ больших данных дают «топливо» для этой гонки. Сейчас как онлайновые, так и офлайновые магазины торопятся создать подробный портрет своих потребителей. Наша онлайновая и все в большей степени офлайновая деятельность отслеживаются по нарастающей. Цель, как мы проиллюстрируем, состоит в том, чтобы максимально приблизиться к совершенной поведенческой дискриминации.

В процессе приближения к совершенной поведенческой дискриминации самообучающиеся алгоритмы, хотя и не выявляя цену резервирования каждого потребителя, могут подразделять нас на всё более мелкие эталонные группы и уточнять для каждой группы объясняющие переменные (которые, в числе прочего, отражают искажения восприятия и внешние обстоятельства). Алгоритмы заменяют характерные для прошлого примитивные вычленения (например, престарелых и студентов) на более детализированную, сегментированную реальность, когда людей соотносят с группами, в которых совпадает чувствительность по цене и покупательское поведение. Поэтому движение к «почти совершенной» поведенческой дискриминации будет включать в себя бесчисленные способы «маркирования» индивида и отнесение его к более дробным группам потребителей с общими склонностями и обстоятельствами.

Как такое возможно? Именно тут оказываются полезны большие данные, обучение на опыте и масштаб экспериментов. Алгоритмы ценообразования способны собирать данные о вас и других людях. Пользователи подразделяются на подгруппы индивидов со схожими взглядами и одинаковой чувствительностью к цене, которым свойственны общие искажения восприятия и уровни самоконтроля. Алгоритмы ценообразования способны использовать данные о том, как действуют другие люди из вашей группы носителей общих признаков, чтобы предсказать ваши вероятные действия в аналогичных обстоятельствах. Это позволяет алгоритму точнее аппроксимировать цену резервирования пользователя, наблюдать и вносить поправки. Таким образом, чем большее число раз алгоритм наблюдает, как поступаете вы и другие люди из вашей группы при различных обстоятельствах, чем больше экспериментов он может провести, тем больше у него возможностей методом проб и ошибок выяснять цену резервирования вашей группы в различных ситуациях, тем лучше он сможет определить и откорректировать ее (в том числе путем перемещения вас в другую группу).

Здесь важную роль будет играть масштаб. С целью оптимизации своих показателей компании будут совершенствовать свои алгоритмы ценообразования, которые, в свою очередь, требуют постоянной детализации групп и объясняющих переменных. Компании получат максимум необходимых данных, а заодно и максимум возможностей тестирования и совершенствования своих алгоритмов. Каждая фактическая или потенциальная сделка с потребителем дает компании возможность изучить его поведение и скорректировать как веса, приписанные каждой переменной, так и распределение пользователей по категориям. Компании будут конкурировать друг с другом в точности разнесения потребителей по подгруппам с целью оптимизации ценообразования и прибылей. Дело в том, что технические средства позволяют игрокам обходить сложности, связанные с выявлением цены резервирования конкретных потребителей, адресной работой с потребителями и предотвращением арбитражных сделок. Чем больше информации о пользователях может быстро собрать компания, тем успешнее она способна разбивать их на группы, тем больше она имеет возможностей наблюдать индивидуальное поведение человека, тем больше опыта способны накапливать алгоритмы в случае корректных предсказаний, тем больше данных они могут уточнять и перепроверять в случае некорректных предсказаний.

Этот поток данных, подобно беличьему колесу, постоянно находится в круговом движении. Для того чтобы лучше распределять по категориям еще меньшие группы людей, компаниям потребуется всё больше данных. Этот процесс ускорит «интернет вещей», так как компании будут конкурировать в сфере сбора информации о действиях потребителей у них дома, на работе и в иных местах. «Умные» термостаты, автомобили, домашняя утварь и часы помогут компаниям уточнять свои досье на потребителей и послужат в качестве платформ для поведенческой рекламы. Массовый сбор данных не ограничится решениями о покупке. Например, онлайновые поставщики услуг и продавцы товаров, возможно, будут знать местоположения потребителей и пользоваться этой информацией, получая ее при помощи картографического программного обеспечения, истории просмотров в браузере и поисковых запросов, списков контактов и друзей из социальных сетей, просмотренного потокового мультимедиа, пользовательских предпочтений, а также размещенных покупателями онлайновых отзывов и записей в блогах².