Текст книги "Alibaba и умный бизнес будущего"

Часть вторая. Как смарт-Компании конкурируют. Стратегические принципы

В первой части говорилось о трансформации делового ландшафта под влиянием двух сил – сетевой координации и интеллектуальной обработки данных. Привычные стратегии переворачиваются с ног на голову. Однако что все это означает для отдельно взятой фирмы? Что нужно делать по-другому в этой новой среде?

В мире смарт-бизнеса не обязательно всем становиться такими, как Taobao, Google или Facebook. Любая фирма, большая и маленькая, от традиционной структуры до интернет-стартапа, может выиграть на новой конкурентной арене. Для этого, однако, необходимо понять принципиальную логику смарт-бизнеса и стратегические особенности нового делового мира. В главах второй части описываются принципы работы и практика, которые превращают обычный бизнес в смарт-компанию.

Глава 4
Автоматизация принятия решений
Стратегия использования машинного обучения

Координируемые сети и интеллектуальная обработка данных переворачивают традиционное стратегическое мышление на всех уровнях, однако нигде они не меняют положение вещей так кардинально, как в сфере принятия бизнес-решений. Смарт-компании автоматизируют процесс принятия всех решений, которые поддаются автоматизации. Интеллектуальная обработка данных неуклонно повышает качество таких решений как с точки зрения взаимодействия с потребителями, так и с точки зрения координирования сети. Интеллектуальная обработка данных и координируемые сети позволяют компаниям одновременно наращивать масштабы деятельности и индивидуализировать обслуживание. В этом и заключается основное преимущество, которое несут с собой интернет и искусственный интеллект.

Пять этапов автоматизации процесса принятия решений

Первое, что нужно сделать для трансформации любого бизнеса в смарт-компанию, – это передать принятие бизнес-решений машинам (подпитываемым живыми данными) и отказаться от традиционного подхода, при котором решения принимаются людьми на основе анализа данных. Отсюда вытекает первый стратегический принцип: смарт-бизнес невозможен, если сначала не автоматизировать принятие почти всех бизнес-решений с помощью машинного обучения. Пять этапов на пути к такому уровню автоматизации представлены в табл. 4.1.

Этап 1: датафикация физического мира

В предыдущей главе я уже рассказывал о датафикации. Сочетание дешевых и общедоступных вычислительных мощностей со взрывным развитием технологий и возможностей для сбора данных привело к значительному росту объема данных в распоряжении компаний. Однако данные каждой компании должны быть специфическими и относиться к ее собственной ситуации. Можно, конечно, получить доступ к публичным данным или возмездно воспользоваться данными другого предприятия, но наибольшую ценность представляют живые данные, генерируемые естественным образом в бизнес-процессах.

Перевод физической среды в цифровую форму – сложнейшая задача, однако новые технологии вроде интернета вещей облегчают ее решение. Только после завершения такого перевода компания сможет эффективно датафицировать свою коммерческую деятельность, осуществляемую в физическом мире. Датафикация, о которой я говорю, в определенной мере означает перенос бизнеса в сеть. Она создает цифровой аналог физического бизнеса и является обязательным условием использования возможностей интеллектуальной обработки данных.

Онлайновый бизнес может устанавливать контакты через интернет и создавать петлю обратной связи, генерирующую живые данные, основу машинного обучения. Таким образом алгоритмы получают доступ к ответам пользователей в реальном времени. Нынешние смарт-компании в интернете играют на том, что онлайновое поведение потребителей можно регистрировать в реальном времени и с небольшими затратами. А вот у телевещательных компаний нет возможности сегодня отслеживать поведение зрителей, и поэтому они не становятся смарт-компаниями. Если бы можно было напрямую оцифровать то, что смотрят потребители, например через очки дополненной реальности, результаты стали бы революционными.

Важные аспекты деятельности многих компаний в настоящее время не регистрируются в онлайновом режиме и требуют инновационного подхода к датафикации физических объектов или среды. Рассмотрим для примера быстрорастущий бизнес проката велосипедов в Китае.

Датафикация услуг совместного использования велосипедов в Китае

В середине 2016 г. на улицах крупных городов в Китае появился новый элемент, эдакое яркое дополнение к оживленному городскому пейзажу. Массы ярких, блестящих велосипедов коллективного пользования – оранжевых, синих, зеленых и желтых в зависимости от компании-прокатчика – стали новым решением проблемы мобильности в городских районах. В стремлении предложить новое средство передвижения пешеходам и ликвидировать автомобильные пробки десяток с лишним компаний практически одновременно выставили свои велосипеды на тротуарах. Стоимость таких фирм, как Mobike, Ofo, Hellobike и Bluegogo, взлетела до небес; крупнейшие из них сейчас оцениваются в сумму более $2 млрд и продолжают расти, расширяя свое присутствие в мире[29]29
  Дополнительную информацию по истории велопрокатного бума в Китае см. в: “Chinese Startups Saddle Up for Bike-Sharing Battle,” Wall Street Journal, October 25, 2016, www.wsj.com/articles/chinese-startups-saddle-up-for-bike-sharing-battle-1477392508; Didi Kirsten Tatlow, “In Beijing, Two Wheels Are Only a Smartphone Away,” New York Times, March 19, 2017, www.nytimes.com/2017/03/19/world/asia/beijingbike-sharing.html; и John Lipton, “Bike-Sharing Boom in China Pedals to New Heights,” CNBC, July 18, 2017, www.cnbc.com/2017/07/18/bike-sharing-boom-inchina-pedals-to-new-heights.html.


[Закрыть].

Казалось, что разноцветные велосипеды заполонили улицы в сопровождении небольшой армии рабочих и грузовичков, задача которых заключалась в транспортировке свободных велосипедов в другие районы города, где спрос был выше. Низкие входные барьеры, образцово-показательные производственные возможности, избыток венчурного капитала и быстро растущие города, пытающиеся найти доступные транспортные решения, – все это сложилось вместе и привело к рождению моды на прокат велосипедов. Менее очевидной, однако более важной причиной велосипедомании в Китае стала инновационная и креативная датафикация, необходимая для ее превращения в реальность. Живые данные позволили создать операционную модель велопрокатных компаний.

В китайском велопрокате заказы делают через мобильный телефон аналогично тому, как заказывают автомобиль через приложение Uber. Используя велопрокатное приложение, заказчик находит доступные велосипеды и резервирует ближайший из них. Подойдя к велосипеду, он с помощью того же приложения сканирует QR-код велосипеда. Если у заказчика есть деньги на счете и он соответствует критериям проката, то QR-код открывает электронный замок велосипеда, и заказчик может ехать туда, куда ему нужно. Парковка велосипеда и закрывание замка означают завершение услуги и автоматическое списание платы за прокат со счета заказчика. Этот процесс интуитивно понятен и обычно занимает несколько секунд.

Для этого довольно простого процесса необходима датафикация нескольких аспектов:

1. Во-первых, GPS-системы в мобильном телефоне и велосипеде отслеживают маршрут в реальном времени. Как и в Uber, подобное отслеживание возможно только при наличии технологии, с помощью которой датафицируются карты китайских городов.

2. Во-вторых, само приложение базируется на датафицированной версии процесса регистрации аренды и, в частности, на проверке пользователей. Кроме того, обычные требования к аутентификации, такие как выложенный в интернете идентификационный номер и депозит, все больше велопрокатных компаний привязывают к Alipay, Sesame Credit и Ant Financial, онлайновому продукту для определения кредитного рейтинга потребителя. Если скоринг пользователя Sesame Credit достаточно высок, то ему разрешается арендовать велосипед без ввода идентификационного номера. Sesame Credit – сложный бизнес, который пытается датафицировать кредитоспособность. Он пользуется финансовыми данными от Ant Financial по мобильному кошельку Alipay и платежным услугам, а также данными о покупках от Taobao.

3. В-третьих, сочетание QR-кодов и электронных замков автоматизирует процесс оформления заказа и оплаты. Если стационарным велопрокатным службам необходима физическая аутентификация, нередко осуществляемая путем считывания транспортной карты через терминал, то в новых моделях велопроката используются цифровые процессы оформления и завершения заказа, выполняемые автоматически. Для такого уровня автоматизации необходима сложная технология мобильной связи: сигнал приложения может мгновенно открыть замок велосипеда и закрыть его, когда велосипед возвращают.

Датафикация конкретного вида физической деятельности (оформление и завершение заказа) в третьем пункте – это реальная инновация в сфере велопроката и важный фактор его расширения. В двух других пунктах используется уже существующая инфраструктура смарт-бизнеса, которая была создана для других приложений. Живые данные позволяют компании идентифицировать человека, отслеживать перемещение каждого велосипеда и, самое главное, регистрировать каждое взаимодействие велосипеда и заказчика. Велосипед арендуется одним движением пальца по экрану телефона. Использование результатов датафикации, выполненной чужими руками, делает велопрокатные компании эффективными и превращает их в смарт-компании. Как мы видим, датафикация любой отдельно взятой области зачастую открывает множество новых возможностей для создания смарт-бизнеса. Количество смарт-компаний лишь растет с удешевлением технологий регистрации и хранения данных и появлением новых технологий оцифровывания процессов физического мира.

Творческий подход к датафикации на заре существования Taobao

Еще одним примером датафикации является оцифровывание огромного объема операций розничной торговли в первые годы развития Taobao. Платформа постепенно превращалась из форума в торговую площадку для электронной коммерции, на которой могло продаваться все существующее под солнцем благодаря базе данных, содержащей информацию о сотнях миллионов ассортиментных позиций всех отраслей в пригодной для поиска форме. Эту эволюцию, однако, нельзя было назвать быстрой и легкой. Каждый продавец по-своему описывал продукты. Проблема усугублялась наличием нестандартных или необычных продуктов. Однажды в заголовки новостей попал коммерсант с Taobao, который продал партию дохлых комаров почти по $1 за штуку. Как включить такие продукты в базу данных и помочь потребителям найти их? Задачка не из легких. Вот поэтому датафикация продуктов всегда была в центре внимания Taobao и совершенствовалась в процессе множества итераций. В последнее время делаются попытки строить графы знаний о продуктах с помощью новейших достижений в сфере искусственного интеллекта.

Taobao пришлось датафицировать розничную индустрию несколькими путями, некоторые из которых не видны большинству пользователей. Так, Taobao стала одним из крупнейших хранилищ физических адресов в мире благодаря огромному количеству транзакций. Хранение и управление такой массой адресов по всей нашей огромной стране стало непростой задачей для платформы. Эта задача вызывала головную боль и у логистических партнеров. Например, «Запретный город», «Дворцовый комплекс», «4 Цзиншань Фронт-стрит» и «На противоположной стороне улицы от площади Тяньаньмэнь» – все это обозначает одно и то же место в Пекине.

Индустрия потребительской логистики в Китае фактически не существовала до появления Alibaba. Раньше единственная крупная логистическая служба была государственной, и она не отличалась эффективностью. Платформа электронной коммерции Taobao дала толчок к быстрому развитию десятка логистических компаний, работающих на всей территории Китая. Многие из них являются партнерами Cainiao Network, дочернего предприятия Alibaba. Каждый стандарт в логистической отрасли приходилось создавать с нуля и приспосабливать его к сложной географии Китая. (Дополнительную информацию о вкладе Taobao в развитие потребительской логистики в Китае см. в приложении B.) В настоящее время перед Cainiao Network стоит задача применения интеллектуальной обработки данных в логистической индустрии Китая, в которой происходит быстрая датафикация, и создания глобально оптимизированной, координируемой сети грузоперевозок по всей стране и даже по всему миру.

Этап 2: софтверизация всех видов деятельности компании

Следующим шагом должна быть софтверизация, т. е. переход на использование программных средств и работу в сети. В 2011 г. Марк Андриссен, основатель Netscape, написал свое знаменитое эссе под названием «Почему программы пожирают мир»[30]30
  Marc Andreessen, “Why Software Is Eating the World,” Wall Street Journal, August 20, 2011, www.wsj.com/articles/SB10001424 053111903480904576512250915629460.


[Закрыть]. Его вывод был преждевременным, но небезосновательным. Для того чтобы смарт-бизнес функционировал, каждый вид его деятельности необходимо превратить в компьютерную программу. Фирмы должны представить именно виды деятельности, а не просто управление знаниями и взаимоотношения с клиентами, в цифровой форме, с тем чтобы автоматизировать принятие решений, влияющих на него[31]31
  В этой главе при обсуждении софтверизации и API я оставляю за кадром массу технических деталей. Структурирование набора инструментальных средств компании для поддержки операций по требованию – очень сложная техническая задача. Я не инженер, а эта книга предназначена не для технической публики, поэтому читателям, интересующимся техническими аспектами софтверизации, следует обратиться к литературе по микрослужбам и сервис-ориентированным архитектурам.


[Закрыть].

Смысл софтверизации бизнеса – задействовать определенные свойства программного обеспечения, дающие массу преимуществ компаниям во всех отраслях. Компании в нецифровых отраслях работают совершенно иначе, чем компании, деятельность которых софтверизирована. Традиционные компании очень инерционны, имеют высокие транзакционные издержки и редко могут обходиться дешевыми средствами контроля или перестраиваться на ходу. Принятие решений в них требует значительного времени, особенно когда решения связаны с производством, а операционная деятельность является негибкой. В мире программного обеспечения ситуация прямо противоположна: инженеры могут вносить изменения быстро и с небольшими затратами, динамически подстраиваться и осуществлять глобальную оптимизацию. Хотя эти преимущества не так легко перенести в материальный мир, цель софтверизации бизнеса заключается в их максимально возможной реализации. На практике это означает, что компьютеры должны понимать бизнес и управлять им практически так же, как люди.

Софтверизация – непростой процесс. Поскольку у машин нет врожденного интеллекта, мы должны описать в программе каждое звено цепочки принятия решения. По существу, нужно понять, как люди принимают решения во всех ситуациях. Ну а потом смарт-компании должны найти способы автоматизации процесса принятия решений. Автоматизация такой сложной деятельности – крайне трудная задача с учетом того, что многие наши решения принимаются на основе здравого смысла или даже подсознательных нейробиологических процессов, понять которые в полной мере удается редко. По этой причине некоторые профессии или отрасли, такие как здравоохранение и образование, поддаются автоматизации очень медленно. Во многих областях участие человека всегда будет необходимым.

Софтверизация не означает, что фирме необходимо покупать или создавать программные средства для ведения своего бизнеса (например, ERP-систему). Нередко все совсем наоборот. Традиционное программное обеспечение создается для оптимизации ограниченной и конечной функциональной области бизнеса. Однако из-за жесткой фиксации процессов и потоков решений оно очень часто превращается в «смирительную рубашку». Основными особенностями смарт-бизнеса являются работа по запросам, реагирование в реальном времени на изменения рынка и эффективная координация взаимодействия с партнерами и клиентами во множестве функциональных областей. Именно эти особенности необходимы, если компания хочет добиться экспоненциального роста. Софтверизация бизнеса, таким образом, это процесс реорганизации компании, ее персонала и ресурсов с использованием программного обеспечения, нацеленный на обеспечение сетевой координации и интеллектуальной обработки данных. Такая реорганизация требует в конечном итоге сквозной координации коммерческой деятельности и, нередко, взаимодействия фирмы с партнерами или платформами.

Софтверизация – принципиально важный этап на пути к гибкому распределению ресурсов в компании. После перемещения активов или функциональных возможностей физического мира в сеть в результате датафикации наступает очередь софтверизации процессов, в которых они используются. Софтверизация – обязательное условие глобальной координации и максимизации эффективности коммерческой деятельности, как я покажу в трех следующих этапах.

Новый велопрокатный бизнес, рассмотренный выше, служит наглядным примером софтверизации. Процесс аренды велосипедов полностью осуществляется программными средствами в сети без вмешательства людей. Выигрыш в эффективности огромен: китайские пользователи могут арендовать велосипед на час за ничтожные деньги.

Этап 3: создание потока данных и интерфейсов API

В смарт-компаниях машины должны уметь «разговаривать» друг с другом. Бизнес-решения редко бывают простыми и изолированными, особенно в условиях сетевой координации. На практике такая коммуникация требует обмена данными между всеми участниками работы и координации взаимодействия машин в онлайновом режиме.

Такая координация достигается с помощью стандартов коммуникации вроде TCP/IP (правил, позволяющих взаимодействовать различным машинам через интернет) и сравнительно недавней инновации – интерфейсов прикладного программирования (API). API – это набор инструментов, протоколов и стандартных подпрограмм, которые любой программист может использовать для создания приложений, беспроблемно взаимодействующих с другим программным обеспечением системы. API фактически позволяет приложениям (продуктом которых обычно является решение того или иного рода) связываться друг с другом. Автоматическое взаимодействие приложений друг с другом дает машинам возможность эффективно обрабатывать сложные бизнес-решения, затрагивающие множество сторон. Только после автоматизации принятия решений можно реализовать интеллектуальную обработку данных и пользоваться всеми преимуществами непрерывного совершенствования этой ключевой функции.

По мере превращения Taobao из форума для покупателей и продавцов в доминирующий в Китае веб-сайт электронной коммерции росло не только количество коммерсантов, но и их потребности в поддержке. Единственным решением было развитие инфраструктуры. Принципиально важной особенностью такой инфраструктуры является способность понимать язык других машин и обеспечивать их взаимодействие на платформе. В результате в 2009 г. Taobao начала разрабатывать свой интерфейс API. У продавца на Taobao была возможность подписаться более чем на сотню программных модулей, предлагаемых платформой. Однако программное обеспечение создавалось сторонними поставщиками, и интерфейс API, открывший дорогу сервисам на основе живых данных, позволил резко снизить стоимость ведения бизнеса.

Таким же важным в истории Amazon было решение Джеффа Безоса в 2002 г. об использовании внутреннего интерфейса API. До этого каждый раз, когда отделения обменивались данными или кодом друг с другом, приходилось преобразовывать информацию в форму, понятную для машин другой команды. В конечном итоге интерфейс API позволил управлять бизнесом Amazon и оптимизировать его глобальным образом[32]32
  История о том, как Джефф Безос принял решение о внутреннем использовании API, не имеет официальной версии. Косвенным образом она излагается в Brad Stone, The Everything Store: Jeff Bezos and the Age of Amazon (New York: Little, Brown and Company 2013), 209–210. Она записана со слов бывшего сотрудника Amazon Стива Йегге, который критиковал своего текущего работодателя Google, однако его комментарий на Google+ был быстро удален. (Архивную версию можно найти в блоге Рипа Роуэна на Google+, October 12, 2011, https://plus.google.com/+RipRowan/posts/eVeouesvaVX.) Выдержки из него см. в: Staci D. Kramer, “The Biggest Thing Amazon Got Right: The Platform,” GigaOm, October 12, 2011, https://gigaom.com/2011/10/12/419-the-biggest-thing-amazon-got-right-the-platform.


[Закрыть].

Этап 4: полная регистрация данных (живых данных)

После датафикации всех звеньев бизнес-процесса, их перемещения в сеть и соединения доступным для восприятия образом компания может применять машинное обучение для решения бизнес-проблем. Машинное обучение, однако, не имеет смысла без данных, с которыми можно работать. Именно поэтому этап 4 связан с регистрацией живых данных, под которыми я понимаю данные, собираемые и используемые в реальном времени в процессе ведения бизнеса.

Идея живых данных не очень сложна для понимания, однако преобразование этого понимания в правильные действия переворачивает с ног на голову многие традиционные представления, которыми бизнесмены привыкли оперировать при решении проблем. Они давно научились действовать на основе данных, подкреплять предложения и решения тщательно подобранными данными и показателями. К сожалению, такой подход прямо противоположен тому, как работают живые данные. Смарт-компании используют живые данные для создания «копии» происходящего, для описания бизнес-ситуации на языке данных, ничего не отбирая и не отбрасывая. Поскольку машины не владеют теорией причинно-следственных связей и только замечают то, что дает более высокие результаты, целью является создание предельно полной цифровой копии бизнеса, с тем чтобы интеллектуальная обработка данных позволила оптимизировать его функционирование. Таким образом, компании должны регистрировать все данные, характеризующие бизнес, и не могут ограничиться лишь теми данными, которые релевантны конкретному решению.

В текущей операционной ситуации живые данные не просто полезны, они дают абсолютное конкурентное преимущество. Противоположность живым данным – статические данные, накапливаемые для последующего анализа. Хотя такие данные несомненно полезны, они очень быстро теряют ценность в изменчивой среде. (Представьте, что Google Maps прокладывает маршрут от того места, где вы стояли 10 дней назад, или с учетом трафика, который наблюдался несколько часов назад.) Без доступа к достаточному объему свежих данных даже самые лучшие алгоритмы мало что дадут компаниям. Как со стратегической, так и с тактической точки зрения невозможно переоценить важность живых данных для повышения эффективности бизнеса.

Работа с живыми данными сложна и трудоемка. Я уже говорил о сложностях датафикации, однако не упоминал о технической проблеме согласованного использования данных. Живые данные, помимо прочего, требуют показателей и инфраструктуры, которые позволяют осуществлять интерпретацию и оценку. Смарт-компаниям необходимо определить такие показатели и создать инфраструктуру в используемых алгоритмах и в системах интеллектуальной обработки данных. Выводы, сделанные на основе живых данных, в идеале рождаются сами собой в процессе A/B-тестирования, о котором говорилось в предыдущей главе.

Этап 5: применение алгоритмов машинного обучения

Живые данные непрерывно поступают и обновляются. Алгоритмы машинного обучения обрабатывают живые данные, совершенствуются, и бизнес становится все более эффективным. Совершенно очевидно, что такие алгоритмы являются критически важным элементом автоматизации принятия бизнес-решений.

В основе смарт-бизнеса лежат алгоритмы. В Uber алгоритм подбирает автомобиль для заказчика, минимизирует время ожидания и рассчитывает стоимость поездки так, что с ним не сравнится никакой диспетчер. В компании работают тысячи специалистов по обработке и анализу данных, которые занимаются повышением эффективности алгоритмов. Если ваш бизнес не строится на основе алгоритмов, то он просто не может считаться смарт-бизнесом.

Одним из важнейших этапов на пути превращения Taobao в смарт-компанию был переход с индексной системы на поисковую. Покупатели изначально просматривали категории товаров на Taobao и отыскивали то, что им нужно. Однако в условиях практически ежедневного расширения количества ассортиментных позиций люди все чаще и чаще пользовались поисковой строкой. Было ясно, что улучшение поиска крайне важно и для покупателей, и для продавцов.

Ключевым вопросом поиска был подход к ранжированию. Первоначально поисковое ранжирование на Taobao строилось на основе срока существования ассортиментной позиции. Когда продавцы вводили информацию о продукте, они могли задать количество дней, в течение которых этот продукт оставался на веб-сайте, например 7 или 14 дней. Как следствие, продукты, срок присутствия которых на веб-сайте подходил к концу, попадали в верхние строки результатов поиска. Данное правило было простым и логичным в начале существования платформы, когда большинство продавцов работали на непостоянной основе и редко конкурировали друг с другом напрямую. К сожалению, такой формат заставлял продавцов вновь и вновь размещать продукты на веб-сайте, предоставляя мало полезной для покупателей информации.

В 2006 г. Taobao изменила свой подход к поиску и положила в его основу популярность. Продукты стали появляться в результатах поиска в зависимости от ключевых показателей вроде объема транзакций и репутационного рейтинга. Логика поиска на основе популярности заключалась в том, что продукты, которые хорошо продавались и высоко оценивались пользователями, были качественными и заслуживали включения в первые строки результатов поиска. Такой подход, кроме того, помогал покупателям находить хорошие продукты и отделять зерна от плевел. Поиск на основе популярности породил волну бурного роста бизнеса первых продавцов на Taobao.

Вместе с тем в ранжировании по популярности крылись серьезные проблемы. Хотя такой подход, на первый взгляд, был логичным, на практике он оказался чересчур простым для сложной уже в то время торговой площадки. Помимо прочего, он делал продукты, которые и так продавались хорошо, еще более успешными, а новым продавцам мешал пробиться и стать заметными. В общем, поиск по популярности как метод, который обеспечивает здоровое и сбалансированное развитие экосистемы, помогающей расти и крупным, и мелким продавцам, был не слишком хорош. Поэтому в 2008 г. Taobao начала постепенно изменять правила поиска по популярности. Продавцы делали все для создания репутации и улучшения результатов поиска, и многие из них быстро росли, играя на поисковом трафике.

Так или иначе, в поиске по популярности машинное обучение не применялось. Он осуществлялся на основе простого накопления статистики по продавцам. Как следствие, крупные продавцы, располагавшие ресурсами для быстрого увеличения масштабов, росли еще быстрее. В отличие от них, мелким и средним продавцам хронически не хватало объема. Суть этой проблемы заключалась в том, что подсчет был недостаточно интеллектуальным. Он лишь помогал людям при решении проблем. Для реальной интеллектуальной обработки данных требовались машинные методы, а не более быстродействующая версия человеческого мозга.

В 2010 г. Taobao запустила свой первый полномасштабный поисковый продукт Archimedes на основе машинного обучения. Это был огромный шаг вперед в поиске по популярности. В дополнение к традиционным критериям, таким как коэффициент привлечения покупателей, средний чек покупателя и размер транзакции, Archimedes использовал массу показателей, связанных с уровнем обслуживания покупателей. Taobao собирает огромное количество данных помимо тех, что связаны исключительно с транзакциями. Например, она учитывает, возвращают ли покупатели продукты, возникают ли у покупателей и продавцов споры, требующие вмешательства платформы, есть ли жалобы покупателей на продавцов и какой кредитный рейтинг имеет продавец. Когда покупатели ищут продукты, они хотят найти также надежных продавцов и хорошее обслуживание. Учет таких прежде игнорируемых показателей вполне логичен, однако как понять, какие показатели улучшают результаты поиска и в какой мере?

В результате многолетнего совершенствования функциональности и технологии поиска Alibaba стала применять новую форму машинного обучения. При обучении с подкреплением машина начинает с конечной цели («найти такие продукты, которые покупатели будут приобретать больше всего»), а затем связывает факты таким образом, чтобы достичь этой цели. Специалисты по обработке и анализу данных создают поисковые алгоритмы, которые осуществляют бесчисленные онлайновые эксперименты – уже упоминавшееся A/B-тестирование, – одновременно тестируя различные переменные и отслеживая обратную связь для выяснения предпочтений потребителей. Если система покажет определенные продукты в ответ на введенный запрос, кликнут ли их клиенты? Совершат ли они покупку? Не возвратят ли они купленный продукт в конечном итоге? Результат очень неоднозначен, однако мощный онлайновый аппарат алгоритмов непрерывно прокручивает данные, выдавая решения, все более и более подходящие для системы в целом.

После запуска Archimedes поисковый трафик стал распределяться более рациональным образом, приходиться на долю не только крупнейших продавцов, но и множества мелких торговцев с продуктами высокого качества и хорошим обслуживанием. А вот продавцы с более низким уровнем обслуживания и нежелательным деловым поведением начали терять его. Таким образом, покупателям стало легче находить качественные продукты, а бизнесу легче вести дела. Со временем поисковые результаты, все больше и больше зависящие от трафика коммерсантов, вытеснили результаты обычного поиска по категориям продуктов. Поисковая система значительно улучшила структуру и динамику торговой площадки в целом. Вместе с тем длительность процесса изменения ясно показывает сложность перехода на автоматизированное принятие решений.

Мобильные рекомендации Taobao: пять этапов автоматизации в действии

День холостяка 2016 г. стал днем рождения мобильной рекомендационной системы Alibaba. За 24 часа платформа сгенерировала с помощью машинного обучения триллионы смарт-рекомендаций для потребителей и вывела на экраны сотни миллиардов снимков продуктов. Индивидуализированные рекомендации обновлялись каждый час по мере просмотра пользователями выставленных на распродажу продуктов и специальных предложений. Рекомендационная система стимулировала продажи, обеспечивая доступ пользователей к разнообразным предложениям и повышая коэффициент привлечения покупателей. Ее работа в основном требовала минимального вмешательства персонала. Этот триумф смарт-бизнеса был повторен в 2017 г.

Taobao гордится созданием индивидуализированных магазинов и даже индивидуализированных торговых центров для своих пользователей. Однако, когда размер вашего торгового центра не выходит за рамки экрана смартфона, приходится быть креативным. История создания мобильной рекомендационной системы Taobao показывает, что использование интеллектуальной обработки данных требует ясного, целостного и нестандартного представления о бизнесе.

В интернет-индустрии мы рассматриваем все грани обслуживания пользователей через призму продукта. Сотни миллионов пользователей Taobao открывают одно и то же приложение в смартфонах, однако каждый из них просматривает свой набор услуг и контент. На Taobao все, от рекламных объявлений в верхней части экрана до статей об отраслях и услугах на ленте Taobao Headlines, пользовательских обзоров продуктов, прямых телетрансляций и автоматических рекомендаций, ориентировано на конкретного пользователя.

Многочисленные разделы приложения Taobao используют в настоящее время технологию рекомендаций, однако так было не всегда. В 2013 г. Alibaba полностью приспособила свои электронные торговые площадки к смартфонам. Первоначально контент и структура были скопированы с торговой площадки в интернете. Основными шлюзами для входа среднего потребителя на Taobao были товарная категория (например, мужская одежда, пищевые продукты и напитки или товары для детей), поисковая строка (например, «зеленый чай Longjing, собранный до периода весенних дождей» или «черные легинсы») или специальные события и распродажи, организованные командами товарных категорий на Taobao или Tmall. Окно браузера открывало потребителям простор для поиска. Для многих молодых людей в Китае блуждание (по-китайски гуан) среди огромного множества диковин на Taobao стало обычным занятием во второй половине дня.