Текст книги "Взрывной рост: Почему экспоненциальные организации в десятки раз продуктивнее вашей (и что с этим делать)"

С мая 2007 года Крис Андерсон занимается развитием сообщества под названием DIY Drones («Дроны – Сделай сам»). Насчитывая на настоящий момент более 55 тысяч членов, это сообщество сумело создать беспилотник, очень похожий на беспилотник Predator, используемый армией США (на самом деле он имеет 98 % функциональности Predator).

Но есть одно существенное отличие: Predator стоит 4 млн долларов, тогда как беспилотник, созданный сообществом DIY Drones, – всего 300.

Учитывая, что 2 %-ная разница в функциональности относится к системам вооружения… как такое вообще стало возможным?

Это стало возможным благодаря тому, что Андерсон собрал большую группу увлеченных энтузиастов, готовых вкладывать свое время и знания в общее дело. «Когда вы создаете сообщество и ставите перед ним интересные задачи, – говорит он, – вам не нужно искать нужных людей – они сами находят вас».

На протяжении всей человеческой истории сообщества формировались на основе географического фактора (племена), затем идеологического (например, религия) и, наконец, гражданско-административного (монархии и национальные государства). Сегодня интернет дает возможность формировать сообщества на основе любого фактора, включая цели, убеждения, ресурсы, предпочтения, потребности, риски, интересы и другие характеристики, не зависящие от географической близости. Для организации ее «сообщество» состоит из членов основной команды, бывших членов команды, партнеров, поставщиков, клиентов, пользователей и фанатов. Это сообщество мы называем «основным». «Широкое сообщество» – это все те, кто находится за пределами этих основных кругов.

Важно отметить, что взаимодействие экспоненциальной организации со своим сообществом не носит чисто деловой, формальный характер. Настоящее сообщество формируется, когда люди добровольно и с удовольствием участвуют в его деятельности. Но в то же время чем более открытым является сообщество, тем более традиционной и эффективной должна быть его модель управления. Крис Андерсон утверждает: «Во главе такого сообщества должен стоять доброжелательный, авторитетный диктатор». Чтобы управлять сообществом добровольцев, требуется сильный лидер, поскольку члены сообщества, хотя и не являются сотрудниками, имеют определенные обязанности и должны отвечать за свою работу.

Создание сообщества вокруг ЭксО включает три основных шага:

• Наличие Значимой трансформативной цели, которая привлекает ранних последователей. Такая цель обладает мощной гравитационной силой, притягивая на свою орбиту заинтересованных людей. Tesla, Burning Man, TED, Github и Университет сингулярности – все сформировали вокруг себя сообщества, члены которых разделяют общие интересы.

• Целенаправленные усилия по развитию сообщества. Андерсон посвящает работе со своим сообществом DIY Drones по три часа каждое утро. Он говорит, что очень важно внимательно слушать людей и реагировать на их потребности. Например, чертежи дронов были выложены в открытый доступ с самого первого дня, однако оказалось, что члены сообщества также хотят получить возможность заказывать детали и наборы «Сделай сам» для создания собственных дронов. Андерсон предоставил им эту возможность. (Такой же спрос на наборы «Сделай сам» обнаружила в своем сообществе одна биотехнологическая компания.) Это был умный ход. «В отличие от цифрового маркетинга, где затраты начинают окупаться почти немедленно, сообщества требуют долгосрочных инвестиций, однако эти инвестиции носят значительно более стратегический характер, – говорит ведущий эксперт в области социального бизнеса Дион Хинчклифф. – Кроме того, сообщества, в работе которых активно участвуют первые лица компании, имеют гораздо больше шансов быть лучшими в своей области».

• Создание платформы для автоматизации коллективного участия и вовлечения. Например, GitHub предлагает своим членам возможность оценивать коды, написанные другими членами, и оставлять отзывы. Airbnb предлагает хозяевам и гостям возможность оценивать друг друга, заполняя специальную форму на сайте, то же самое делают такси-сервисы Uber, Lyft и Sidecar. Открытая новостная платформа Reddit поощряет пользователей голосовать за публикации. В 2013 году Reddit, которая насчитывала всего 51 сотрудника, большинство из которых занимаются управлением платформой, привлекла 731 млн уникальных посетителей, которые проголосовали 6,7 млрд раз за 41 млн публикаций. Впечатляющий успех, согласитесь… (Дальше мы поговорим об этом более подробно.)

Вдохновленный примером сообщества «Горящий человек» (Burning Man), Тони Шей, генеральный директор интернет-магазина Zappos, базирующегося в Лас-Вегасе, решил объединить два типа сообществ – реальное, физическое сообщество и сообщество по интересам – в рамках проекта «Деловой центр Лас-Вегаса». Цель проекта – создать идеальную физическую «среду обитания» для сообщества по интересам, подходящую для работы и отдыха, с жилыми домами, инфраструктурой, хакерспейсами, магазинами, кафе, театрами и т. д. Шей хочет превратить центр города в место, где собираются самые талантливые люди на планете, чтобы максимизировать возможности случайного обучения для всех, в том числе и для сотрудников Zappos. Таким образом, результатом этого проекта должно стать создание сообщества, члены которого не только объединены общими интересами, но и находятся в одном месте физически.

И еще одно замечание: во многих случаях начинающим компаниям проще присоединиться к уже существующим сообществам с похожими целями, чем формировать собственное. Например, движение «Измерь себя» (Quantified Self) объединяет стартапы, разрабатывающие различные технологии количественного измерения всех параметров человеческого организма. Среди членов этого сообщества такие создатели популярных сегодня носимых устройств, как Scanadu, Withings и Fitbit. Разумеется, когда стартап закрепится на рынке, он волен пойти собственным путем и сформировать собственное сообщество, особенно когда его база пользователей достигнет приличных размеров.

Как было сказано выше, широкое сообщество составляют все те, кто находится за пределами круга основного сообщества. Хотя его труднее достичь, оно гораздо более многочисленно и может насчитывать миллионы членов, что наделяет его огромным потенциалом.

Несмотря на сходство, между широким сообществом и персоналом по требованию существует ключевое различие. Персонал по требованию нанимают для конкретной задачи и, как правило, делают это через специальную онлайновую платформу наподобие Elance. Персоналом по требованию управляют – вы говорите людям, что именно они должны делать. Широкое сообщество можно только привлечь: вы ставите интересную задачу, предлагаете финансирование или денежный приз… и люди сами находят вас.

Экспоненциальные организации активно используют широкое сообщество для поиска креативных решений, инноваций, валидации и даже финансирования.

• Креативность и инновации: существующие сегодня инструменты и платформы позволяют перевести весь процесс генерации новых идей, их разработки и распространения на коллективную основу. Среди наиболее популярных платформ можно назвать IdeaScale, Eyeka, Spigit, InnoCentive, SolutionXchange, Crowdtap и Brightidea.

• Валидация: сегодня у вас есть возможность измерить, насколько ваш эксперимент, продукт или услуга удовлетворяют заранее определенным требованиям. Такие инструменты, как UserVoice, Unbounce и Google AdWords, позволяют это сделать.

• Краудфандинг: растущая тенденция, цель которой – обеспечить финансирование идей и проектов путем привлечения большого количества относительно мелких инвесторов через специальные онлайновые площадки. Краудфандинг хорош тем, что позволяет не только привлечь необходимый капитал для реализации идеи, но и оценить интерес к ней рынка. Две наиболее популярные площадки краудфандинга – Kickstarter и Indiegogo. Вот несколько цифр: в 2012 году объемы коллективного финансирования составили порядка 2,8 млрд долларов. К 2015 году эта цифра должна вырасти до 15 млрд, а к 2015-му, по прогнозам Всемирного банка, до колоссальных 93 млрд.

Краудфандинг не только помогает собирать огромные суммы для финансирования стартапов и новых идей, но и демократизирует доступ к оборотному капиталу для всех компаний. Например, производитель дизайнерских джинсов Gustin использует краудфандинг для всех новых моделей. Люди «голосуют деньгами» за понравившуюся им модель, и, когда набирается нужная сумма, компания запускает эту модель в производство и затем рассылает инвесторам. Таким образом, Gustin не несет никаких рисков, связанных с новыми продуктами, и никаких затрат на создание и хранение товарных запасов.

Уже сегодня ЭксО передают основному и широкому сообществам многие из функций, которые традиционно осуществлялись силами самой организации, в том числе генерацию идей, финансирование, разработку, распространение, маркетинг и продажи. Этот радикальный сдвиг становится возможным благодаря феномену, который университетский профессор и гуру социальных медиа Клэй Ширки называет когнитивным излишком. «У человечества есть больше триллиона часов свободного времени в год, которое оно может посвятить реализации коллективных проектов», – сказал он в радиопрограмме TED. И это только на сегодняшний день. К 2020 году, когда к 2 млрд нынешних пользователей интернета присоединится еще 3 млрд пользователей недорогих смартфонов и планшетов, названная Ширки цифра утроится.

Как точно заметил известный предприниматель, легенда Кремниевой долины Билл Джой, «какой замечательной компанией вы бы ни были, большинство самых умных людей в мире все равно будут работать на кого-то другого». Благодаря ориентированности во внешний мир ЭксО превращают свое основное сообщество с его сотнями и даже тысячами членов, а также широкое сообщество, включающее миллионы и даже миллиарды человек, в продолжение своих организаций.

Использование персонала по требованию, а также активное вовлечение основного и широкого сообществ приводят к тому, что постоянный штат сотрудников ЭксО становится все меньше, а человеческий капитал все больше. Благодаря разнообразию и размеру доступных человеческих ресурсов организации становятся не только гораздо более гибкими, но и значительно повышают способность к обучению. Они также могут гораздо быстрее распространять свои идеи.

В 2002 году доходы компании Google составляли меньше 500 млн долларов в год. Десять лет спустя они выросли в 125 раз, и компания начала зарабатывать по 500 млн долларов каждые три дня. Центральную роль в этом головокружительном росте сыграл алгоритм PageRank, оценивающий популярность веб-страниц (разумеется, алгоритм не выбирает лучшие с человеческой точки зрения страницы, а ранжирует их по количеству сгенерированных кликов).

Google – не единственная компания, построившая бизнес на алгоритме. Сегодня очень многое в мире основано на алгоритмах – от антиблокировочной тормозной системы в автомобилях до системы рекомендаций на Amazon, от динамического ценообразования авиакомпаний до прогнозирования успеха будущих голливудских блокбастеров, от написания новостных постов до управления воздушным движением, от выявления случаев мошенничества с кредитными картами до определения того, какие 2 % публикаций будут отображены в ленте типичного пользователя Facebook. Короче говоря, алгоритмы присутствуют в нашей жизни повсюду. По оценкам компании McKinsey, из 700 сквозных банковских процессов (таких как открытие счета или получение кредита на покупку автомобиля) около половины могут быть полностью автоматизированы. Компьютеры начинают выполнять все более и более сложные задачи.

Существует даже специальная площадка под названием Algorithmia, где компании могут купить или заказать алгоритмы для анализа собираемых ими данных. Как и на GitHub (смотрите 7-ю главу), разработчики алгоритмов могут открыть код и предоставить другим возможность его улучшить.

Два типа алгоритмов находятся на переднем крае этого нового мира – алгоритмы машинного и глубинного обучения.

Под машинным обучением понимается способность машины выполнять новые, незнакомые задачи, опираясь на известные паттерны, идентифицированные в результате обучения или анализа прошлых данных, а также на основе прогнозирования. Hadoop и Cloudera – самые известные примеры алгоритмов машинного обучения с открытым кодом. Мы регулярно сталкиваемся с машинным обучением в нашей жизни, например, на популярном видеосервисе Netflix. В 2006 году компания Netflix решила улучшить точность системы рекомендации фильмов. Но вместо того, чтобы полагаться только на штатный персонал, она объявила открытый конкурс, предложив приз в размере 1 млн долларов тому, кто сможет улучшить ее алгоритм на 10 %. 51 тысяча конкурсантов из 186 стран мира получила набор данных, включающий 100 млн оценок фильмов, и пять лет на доработку алгоритма. Конкурс завершился досрочно в сентябре 2009 года, после того как в общей сложности было предложено 44 014 наборов предсказаний и одной из команд-участниц наконец-то удалось достичь поставленной цели.

Глубинное обучение – это новый захватывающий раздел машинного обучения, основанный на технологии искусственных нейронных сетей. Технология глубинного обучения позволяет машинам выявлять новые паттерны без опоры на исторические или обучающие данные. Ведущими стартапами в этой области являются DeepMind, приобретенный Google за 500 млн долларов в начале 2014 года, когда в нем насчитывалось всего 13 сотрудников, и Vicarious, финансируемый из кармана Илона Маска, Джеффа Безоса и Марка Цукерберга. Twitter, Baidu, Microsoft и Facebook также инвестировали значительные средства в эту область. Алгоритмы глубинного обучения опираются на «открытие знаний» и самоиндексацию и действуют во многом так же, как ребенок, который учится произносить первые звуки, затем слова, предложения и наконец овладевает речью. Например, в июне 2012 года команда Google X создала нейронную сеть, состоящую из 16 000 компьютерных процессоров и насчитывающую миллиард соединений. После того как эта система в течение трех дней «просмотрела» 10 млн случайно выбранных видеороликов на YouTube, она научилась самостоятельно распознавать кошек, фактически не зная, что такое «кошка». Важно отметить, что это произошло без какого-либо вмешательства со стороны человека.

За истекшие два года возможности глубинного обучения значительно возросли. Сегодня алгоритмы глубинного обучения не только используются для совершенствования систем распознавания речи, создания более эффективной поисковой системы (Рэй Курцвейл работает над этим в Google) и распознавания отдельных объектов; они также способны находить конкретные эпизоды на видео и составлять их текстовое описание, причем без вмешательства человека. Эти алгоритмы даже могут играть в видеоигры, обучаясь правилам игры, а затем оптимизируя свои игровые стратегии и тактики.

Подумайте о последствиях такого революционного прорыва. Технологии сделают большинство продуктов и услуг более эффективными, персонализированными и дешевыми. Но одновременно это приведет к кардинальному изменению множества профессий и даже к исчезновению многих из них.

Например, на сегодняшний день американская транспортно-логистическая компания UPS владеет флотом из 55 тысяч грузовых автомобилей, которые совершают 16 млн доставок в день. При таких объемах перевозок неэффективная маршрутизация может вести к весьма значительным издержкам. Благодаря применению телематики и алгоритмов компания помогает водителям экономить 85 млн миль в год, что уже сохранило ей 2,55 млрд долларов. Похожие технологии начинают широко использовать в сфере здравоохранения, энергетики и финансовых услуг, что означает, что мы вступаем в мир алгоритмов.

Еще в 2005 году предприниматель и издатель Тим О'Райли заявил, что «данные – это новый Intel Inside». И это когда в мире насчитывалось всего полмиллиарда подключенных к интернету устройств. Как уже говорилось в 1-й главе, с приходом интернета вещей их количество возрастет до триллиона устройств.

Перед лицом такого взрывного роста потребность в алгоритмах встает как нельзя более остро. Только задумайтесь на минуту: за последние два года было создано в девять раз больше данных, чем за всю предыдущую историю человечества. По прогнозам Computer Science Corporation, к 2020 году мы создадим 73,5 зеттабайт данных – выражаясь словами Стивена Хокинга, это семьдесят три с двадцатью одним нулем.

Примечательно и зачастую печально, что большинство компаний сегодня по-прежнему полагаются почти исключительно на интуитивные догадки своих лидеров. Даже если они используют данные для анализа, они часто становятся жертвами длинного списка когнитивных ошибок при принятии решений – от ошибки невозвратных затрат до ошибки подтверждения (список наиболее типичных когнитивных ошибок смотрите ниже). Одна из причин успеха компании Google кроется в том, что она гораздо шире опирается на данные, чем большинство других компаний, вплоть до найма персонала.

Точно так же, как сегодня мы больше не можем справиться со сложностями управления воздушным движением или цепочками поставок без помощи алгоритмов, завтра почти все решения и оценки в бизнесе будут опираться на данные.

Анализ 17 исследований практик найма персонала, проведенный Американской психологической ассоциацией, показал, что простой алгоритм побеждает человеческую интуицию более чем на 25 % с точки зрения успешного найма сотрудников. Эксперт в области искусственного интеллекта Нил Якобстейн отмечает, что искусственный интеллект и алгоритмы позволяют уменьшить влияние или полностью исключить многие из следующих эвристических ошибок человеческого интеллекта:

• Ошибка якорения: Тенденция чрезмерно сосредотачиваться («якориться») на какой-либо определенной информации или одном факторе при принятии решений.

• Ошибка доступности: Тенденция переоценивать вероятность событий, которые более «доступны» в памяти из-за того, что произошли недавно или же являются более яркими, необычными или эмоционально окрашенными.

• Ошибка подтверждения: Тенденция искать и вспоминать такую информацию, а также интерпретировать информацию таким образом, чтобы подтвердить существующие убеждения.

• Эффект обрамления: Тенденция делать разные выводы на основе одной и той же информации в зависимости от того, кем и как представлена эта информация.

• Ошибка оптимизма: Склонность быть чрезмерно оптимистичным, переоценивать вероятность благоприятных событий и исходов.

• Ошибка при планировании: Тенденция переоценивать выгоды и недооценивать затраты и время, необходимое для выполнения задачи.

• Ошибка невозвратных затрат или отвращение к потере: Негативные эмоции, которые люди испытывают при потере чего-либо, намного превосходят положительные эмоции, которые они испытывают при приобретении того же размера[5]5
  Полный список когнитивных ошибок смотрите на сайте: https://en.wikipedia.org/wiki/List_of_cognitive_biases.


[Закрыть].

Как любит подчеркивать Якобстейн, кора головного мозга не подвергалась серьезной модернизации 50 тысяч лет. По размеру, форме и толщине она сравнима с бумажной салфеткой. «Что если бы мы могли создать аналог коры размером со скатерть? Или с Калифорнию?» – задает он вопрос.

Существует интересное расхождение во мнениях относительно того, как много данных следует использовать в зависимости от характера рынка, на котором работает организация. Традиционная мудрость говорит, что нужно собирать как можно больше данных (отсюда и термин «большие данные»), но психолог Герд Гигеренцер предупреждает, что на рынках с высокой степенью неопределенности лучше использовать более простой, эвристический подход и опираться на меньше переменных. В то же время на стабильных и предсказуемых рынках он рекомендует организациям усложнять анализ и использовать алгоритмы с большим количеством переменных.

Одним из лидеров в области извлечения ценой информации из массивов данных является компания Palantir, основанная в 2004 году. Она занимается разработкой программных решений для государственного, коммерческого и медицинского секторов, помогая организациям извлекать пользу из разрозненных сырых данных. Беря на себя решение технических проблем, Palantir позволяет клиентам сосредоточиться на решении человеческих проблем. Венчурные инвесторы предсказывают Palantir большое будущее – компания уже получила ошеломительные 900 млн долларов финансирования и оценивается в 10 раз дороже.

Майкл Чуй отмечает, что сегодня многие успешные компании встраивают большие данные в свои ДНК. Мы считаем, что это только начало и в ближайшие годы появится еще больше ЭксО с бизнес-моделями на основе алгоритмов, которые в полной мере задействуют то, что Юри ван Геест называет «Пятью П больших данных»: производительность, профилактика, партиципация, персонализация и прогнозирование.

Бизнес-модель на основе алгоритмов включает четыре основных шага:

1. Сбор: Аналитический процесс начинается с получения данных, которые могут собираться через систему датчиков или людей или импортироваться из открытых наборов данных.

2. Обработка: Следующим шагом необходимо организовать данные и подготовить их для анализа при помощи процесса, известного как ETL-процесс (извлечение, преобразование и загрузка).

3. Анализ: После того как данные подготовлены, к ним необходимо применить инструменты машинного обучения, такие как Hadoop и Pivotal, или даже алгоритмы глубинного обучения (с открытым кодом), такие как DeepMind, Vicarious или SkyMind, чтобы извлечь их них полезные знания, выявить тенденции и настроить новые алгоритмы.

4. Открытие данных: Последний шаг – выложить данные в открытый доступ. Использование открытой платформы с открытыми данными и интерфейсами прикладного программирования позволяет сообществу ЭксО разрабатывать новые ценные услуги, новые функциональные возможности и инновационные продукты поверх платформы ЭксО, смешивая данные ЭксО с собственными данными. Именно так поступают такие известные компании, как Ford, Uber, Rabobank, порт Роттердам, IBM Watson, Wolfram Alpha, Twitter и Facebook.

Стоит ли говорить, что грядущий взрывной рост объемов данных, генерируемых миллиардами и триллионами датчиков, в скором времени сделает алгоритмы одним из важнейших компонентов любого будущего бизнеса. А благодаря тому, что они являются гораздо более объективными, масштабируемыми и гибкими, чем человеческие существа, алгоритмы – это ключ не только к будущему бизнеса в целом, но и к успеху любой организации, которая хочет встать на путь экспоненциального роста.