Текст книги "TikTok: Фабрика внимания. История взлета"

Прорыв случился в 2011 году, когда Google внедрил в рекомендательном блоке YouTube новую систему машинного обучения под названием Sibyl («Сивилла»).⁵¹ Результат не заставил себя ждать: инженеры Google обнаружили, что улучшенная рекомендательная технология сыграла роль ракеты-носителя для статистики просмотров. Машинное обучение великолепно справилось с задачей, и Sibyl стала быстро наращивать число пользователей, которые выбирали ролики для просмотра из раздела рекомендованных видео, а не из других источников – таких как интернет-поиск или рассылки по электронной почте.

Google продолжал оптимизировать свой рекомендательный блок, и позднее перешел с Sibyl на Google Brain – систему, разработанную в инновационной, позднее снискавшей широкую известность лаборатории Google X под руководством стэнфордского профессора Эндрю Ына. Результаты Sibyl были уже впечатляющими, но успех Google Brain без натяжки можно назвать сногсшибательным. Всего за три года – с 2014 по 2017 – совокупное время просмотра роликов на YouTube увеличилось в 20 раз.⁵² Одновременно пользователи соцсетей стали все чаще отмечать, что YouTube угадывает их интересы и предлагает соответствующие видео с пугающей точностью.

Мгновенный эффект от внедрения в рекомендательный блок системы машинного обучения Sibyl (2011 г.)⁵³

Благодаря быстрому прогрессу в области ИИ (Искусственный интеллект) – в том числе, очередному прорыву, названному «глубоким обучением», – этот метод распространения контента вскоре стал общепринятым с далеко идущими последствиями. Компаниям вроде ByteDance крупно повезло, что их основание совпало по времени с этими достижениями. Они родились на заре новой эры, когда эффективность и точность рекомендательных алгоритмов будет расти не по дням, а по часам. YouTube был одним из первых, кто смог извлечь из этих алгоритмов выгоду, но они, в итоге, дали новый толчок всем секторам интернет-индустрии – от рекомендации товаров на Amazon до рекомендации видео на TikTok.

Чтобы появился новый технологический гигант вроде ByteDance, требовалось, чтобы сошлись много факторов. Нужен продукт с потенциально огромным рынком. Нужен дальновидный руководитель – один или несколько, – у которых достаточно отваги и ума для создания команды победителей. Да и удача – далеко не последний фактор. Чтобы оседлать гигантскую волну перемен, ты должен оказаться в нужное время в нужном месте. Как сказал легендарный китайский бизнесмен, глава Xiaomi Лэй Цзюнь, размышляя об уроках своей долгой карьеры: «Поймать удачный момент – это гораздо, гораздо важнее любой другой тактики».⁵⁴

Многим ветеранам китайской индустрии стало понятно, что персонализированные рекомендации имеют огромный потенциал для развития мобильного интерфейса. Но Имин опередил всех – он не только поймал удачный шанс, но и проявил решительность. Определяющим фактором, приведшим ByteDance к успеху, была Иминова ясность видения, понимания, что нужно идти ва-банк, поставив все на рекомендательную систему, да и момент для этого выдался как нельзя лучше. Старт ByteDance совпал с двумя определившими эпоху тенденциями – распространением смартфонов и развитием ИИ.

Имин вспоминает, что потенциал рекомендаций открылся ему еще в конце 2000-х. Близился китайский Новый Год, и он – как и сотни других провинциалов, работающих в больших городах, – искал в интернет-сервисах билеты на поезд, чтобы съездить на праздники в родные места. Поиск дефицитных в эту пору билетов – задача изнурительная, порой просто руки опускаются. Приходится либо постоянно перегружать страницы турсайтов, проверяя, не появился ли билет, либо переплачивать спекулянтам.

Решив, что оба пути – не для него, Имин буквально на коленке, за один обеденный перерыв, написал программу, которая сама будет проверять соответствующие сайты и даст ему знать, когда что-нибудь найдется. Не прошло и получаса, как билет уже был у него.

«Это было откровение. Чтобы найти информацию, поисковой системе нужен человек. Здесь же мы по-прежнему используем поисковый движок, но нам достаточно указать условия, при которых произойдет искомое событие. Как только условия выполнены, информация доставляется человеку. Это смена ролей: не человек ищет информацию, а информация ищет человека», – рассказывал позднее Имин, размышляя о разнице между поиском и рекомендацией.

«Тогда я впервые задумался о рекомендательных системах и их применении». До оформленной концепции было еще далеко, но зерно уже упало в почву. Информация может быть не только объектом активного поиска со стороны пользователя, но и предлагаться ему в виде рекомендаций в соответствии с его индивидуальными интересами.

В конце 2013 года – ByteDance в то время существовала уже больше года – Имина пригласили выступить с презентацией на небольшой отраслевой конференции,⁵⁵ где он изложил свои идеи, которые к тому моменту успели продвинуться еще дальше.

«“Биографию” интернета можно разбить на периоды. Сначала порталы, потом – поисковые системы, за ними – микроблоги, затем – рекомендательные системы. Это – разные способы отправлять и получать информацию. Мы видим, что каждая поколенческая перемена в технологии играет важнейшую роль».

Имин подробно изложил[32]32
  * Теория, представленная на следующих нескольких страницах, является изложением и привязкой к контексту общих соображений, сформулированных Имином. (авт.)


[Закрыть] эволюцию методов, применявшихся для распространения информации в эпоху интернета. Самый первый метод – «интернет-порталы».

Методы распространения информации в интернете[33]33
  Указанная хронология учитывает не первые примеры использования, а время, когда метод становился общепринятым. В некоторых случаях этот подход может представляться спорным. (авт.)


[Закрыть]

Порталы – сродни бумажной прессе: это, как правило, крупные, централизованные сборники контента, который формирует и обновляет штат редакции. Ключевая характеристика порталов – решение о публикации или особом выделении того или иного контента выносит человек. Эта модель централизованного курирования контента уходит корнями в самые первые годы интернета, когда все основные сайты можно было поместить в единый, собранный вручную каталог.

Во второй половине 90-х годов главными китайскими интернет-порталами считались NetEase, Sina и Sohu, и все они имитировали исходную модель Yahoo!. Все три компании в первой половине 2000-х получили котировки на бирже Nasdaq и стали первым поколением китайских интернет-гигантов еще до возникновения Alibaba и Tencent. Портальная модель сохраняла феноменальную жизнеспособность, а ручной отбор и модерация контента по-прежнему преобладали у большинства предшественников Toutiao.

Ручную модерацию, пожалуй, нельзя считать подлинно «интернетным» методом распространения контента, это просто продолжение «доинтернетных» форм доставки информации – вроде газет или телевидения, – то есть, односторонняя трансляция с ограниченными возможностями для интерактива или персонализации.

К середине 90-х стало совершенно очевидно, что сеть слишком разрослась для ручного составления каталогов. Интернет взорвал сам принцип появления информации; вдруг оказалось, что любой человек может создать блог и публиковать свои материалы онлайн. Поисковые системы явились результатом эффективнейшего технологического решения насущной задачи – определить, где именно находится информация в децентрализованной сети невообразимых размеров.

Первыми популярными поисковиками были AltaVista и Yahoo!. Google с его более совершенной технологией появился позднее и вскоре занял доминирующие позиции. Поиск – чрезвычайно действенный способ наладить связь между пользователями и контентом, но у него есть одна серьезная слабость: надо точно знать, что ты хочешь найти. Пользователь должен напрячь мозги, чтобы понять, что ему нужно, ввести в поисковую строку релевантный запрос и выбрать в поисковой выдаче наиболее подходящий вариант. Это делает поиск неидеальным методом в категориях новостей и развлечений, где присутствует фактор неожиданности.

Поисковый бизнес оказался делом более чем прибыльным. Размещение рекламы в выдаче позволило Google и главному китайскому поисковику Baidu стать самыми дорогостоящими интернет-гигантами на своих рынках.

Для большинства людей электронная почта – это средство рабочей коммуникации. Однако еще в 90-х первое поколение специалистов по маркетингу на цифровых рынках разглядели в ней мощный канал для распространения рекламной информации и поддержки прямой связи с клиентскими базами. Вот уже два десятилетия кнопка «Подпишитесь на нашу рассылку» остается главным призывом к действию в сети, и рассылками этими все плотнее забиты ящики входящих сообщений.

Где-то в начале тысячелетия возник стандарт RSS (Rich Site Summary, «обогащенная сводка сайта»), позволявший напрямую с сайта получать по подписке ленту сообщений о новых публикациях и пролистывать ее с помощью специальных сервисов, таких, скажем, как популярный в то время Google Reader. Теперь пользователю не нужно было ежедневно просматривать десятки сайтов, – достаточно проверять обновления централизованно, в одном месте. Однако подобно Web 2.0 (еще одно давно забытое понятие из той же эпохи), RSS, пережив пик невероятной популярности, в какой-то момент увял – причем до такой степени, что сегодня этот термин для большинства людей уже необходимо пояснять. Хотя Стандарт RSS также используется в подкастах, и многие приложения для подкастов по-прежнему предпочитают эту модель подписки.

В отличие от поисковых систем, подписка как форма распространения информациине привела к появлению новых гигантов интернет-рынка[34]34
  Однакоподписка как форма оплаты содействовала подъему таких интернет-гигантов, как Netflix и Spotify. (авт.)


[Закрыть]. Отчасти потому, что она основана на использовании открытых форматов (по преимуществу, RSS и email), которые не контролируются какой-то определенной компанией. Другая причина – подписку быстро вытеснила другая форма распространения контента, которая, отталкиваясь от базовой концепции, дала ей новую формулировку: «А не создать ли возможность подписки на конкретных людей?»

Социальные сети в отдельном представлении не нуждаются. Они оказались не только невероятно популярным и эффективным средством связи между группами людей, но и мощным методом распространения информации. В соцсети вы, в сущности, подписываетесь на конкретного человека, который публикует контент. Это может быть и собственный контент («на фотке мы с папой сегодня»), и, с тем же успехом, контент из других источников, или репост («зацените статью»).

Такая форма распространения информации в высшей степени децентрализована. То, что видит пользователь у себя на экране, – результат отдельных действий всех участников сети. Лента каждого пользователя персонализирована: на свете нет двух людей, у которых содержимое лент в соцсетях полностью бы совпало.

Существует множество различных моделей распространения социального контента – от прокручивающихся новостных лент, как в Facebook или Twitter, до крупных групп, как в WhatsApp (это форма распространена на многих развивающихся рынках). Другим примером служат платформы типа Reddit или Digg, которые распространяют контент на основе голосования. Объединяет все эти модели то, что распространение контента на них диктуют сами пользователи, действующие в пределах, очерченных правилами платформы.

Рекомендации – новейшая из сформировавшихся моделей. Если ее освоить как следует, это весьма удобный инструмент, поскольку не требует от пользователя активно подписываться на каналы, добавлять друзей или ставить «лайки». У хорошей рекомендации – высокие технологические требования. Если, набирая запрос в поисковой строке, пользователь недвусмысленно указывает на свои намерения, то рекомендательная система никаких заявлений о намерениях не подразумевает, а выводит заключение о предпочтениях пользователя, основываясь исключительно на его предыдущем поведении.

Одним из пионеров среди рекомендательных систем была основанная в 2001 году StumbleUpon⁵⁶. Также многие помнят, как в 2009 году компания Netflix проводила конкурс и вручила миллион долларов победителю, чей алгоритм увеличил точность рекомендации фильмов на 10 %. Первой важность онлайновых рекомендаций оценила электронная коммерция, и сразу же внедрила подсказки вроде «Вместе с этим товаром купили…»⁵⁷

В целом, рекомендательные системы могут задействовать два ключевых процесса: «фильтрация на основе контента» и «коллаборативная фильтрация». В двух этих концепциях разобраться относительно легко. Система фильтрации на основе контента рекомендует людям контент, похожий на тот, который им уже нравится потреблять. Если пользователю нравится смотреть видео про собак, то он помечен тегом «любитель собак», и система предложит ему еще роликов про собак.

В основе коллаборативной фильтрации – определение групп пользователей, которым нравится схожий контент. Скажем, известно, что степень корреляции между интересами Джейн и Трейси довольно высока. Если Джейн многократно просматривает какой-то ролик от начала до конца – а это надежный индикатор интереса, – то система порекомендует его и Трейси.

Слева: Фильтрация на основе контента. Справа: коллаборативная фильтрация

Перечисленные методы не являются взаимоисключающими, их вполне можно применять в совокупности. Трудно встретить платформу, которая полагается на какой-то один подход к распространению информации – едва ли мы сможем припомнить сайт или приложение, где в том или ином виде не присутствовал бы поиск. Однако большинство платформ склонны выбирать в качестве первичного только какой-то один метод.

Платформы могут эволюционировать и в процессе развития переключаться с одного метода на другой. Превосходный пример – тот же YouTube, который на одной из стадий делал главные ставки на каналы и подписку, а потом уверенно перешел на рекомендации. Подписка на каналы остается популярной и доступной опцией YouTube, но знакомить пользователей с контентом платформа предпочитает с помощью рекомендаций.

Человек с сильной потребностью в информации – интеллектуал или журналист – чаще отдает предпочтение подписке и поиску. Эти методы дают самую высокую степень корректности и контроля. Они также требуют от пользователя большей активности и вовлеченности: он составляет поисковые фразы и список источников. Люди, чья потребность в информации не столь высока, выберут, скорее, соцсети и рекомендации. Эти методы несложны и легко применимы в сфере новостей и развлечений.

Активные методы (подписка и поиск) хороши для устройств с большим экраном, за которыми пользователь работает или учится, – здесь сессии на сайте продолжительнее, а клавиатура позволяет набирать текст быстро и без ошибок. Пассивные методы распространения контента лучше подходят для фрагментированного времени и небольших телефонных экранов.

К моменту создания ByteDance Имин накопил большой практический опыт с самыми разными методами распространения контента: туристическая поисковая система Kuxun (2006–2008), твиттероподобная соцсеть Fanfou (2008–2009) и портал по недвижимости 99Fang, который сочетал в себе поиск и элементы рекомендаций. В одном из интервью Имин упомянул глубину и широту своего опыта:

«Эффективность информационного потока – главная тема всей моей предпринимательской деятельности. Думаю, передача информации сильно влияет на человеческое общество – в плане получения материальных благ, общения и приобретения знаний. Я очень внимательно отношусь к информации. Ведь и ключевые слова в поисковых системах, и социальная сеть, где пользователи служат узлами переплетения, и система, вычисляющая интересы людей, – все это основано на информации».⁵⁸

В 2013 году Google объявил о закрытии сервиса Google Reader, который просуществовал около десяти лет. Это решение вызвало бурную критику в сети, а читатели RSS-лент были в ярости.⁵⁹ Разгневанные поклонники сервиса оформили онлайн-петицию с требованиями сохранить Google Reader, и она в считаные часы собрала свыше 50 тысяч подписей.

Имин и сам пользовался этим сервисом с самого начала его существования, но не испытывал оптимизма по поводу его будущего. Выкроив время в своем рабочем расписании, Имин принялся за статью, где одобрил решение Google. Несмотря на протесты против закрытия сервиса, – говорил он, – Google Reader никогда не входил в число ведущих продуктов. Большинство его приверженцев работают в СМИ или интернет-индустрии, где предполагается постоянное потребление информации. От этих пользователей требуются не только самодисциплина, но и исключительные навыки управления данными.

«Для пользователя подписка – слишком ресурсоемкая модель. Он должен четко представлять, что хочет получить, и на что подписывается в реальности. Кроме того, пользователь порой сталкивается с ресурсом, предлагающим смесь из интересных и неинтересных материалов, и тогда ему приходится тратить время на сомнения и раздумья».⁶⁰ Для массового пользователя, – продолжал Имин, – более удачное решение – примененный в Toutiao алгоритм для рекомендации контента на основе анализа поведения пользователя. По мере того, как экраны уменьшаются, время становится фрагментированным, «вес» контента крошечным, а доступная информация почти безграничной, меняется и пользовательское поведение.

Google аргументировал свое решение теми же факторами. «В культурном смысле мы живем в мире, где потребление новостей стало практически непрерывным процессом, – отметил Ричард Гинграс, директор Отдела новостей и социальных продуктов. – Владельцы смартфонов и планшетов узнают новости в течение всего дня, а не так, как раньше – утренние новости за завтраком и телевизор на досуге».⁶¹ Google ищет «более масштабные инструменты, позволяющие распределять новости по нашим продуктам, дабы удовлетворить интересы каждого пользователя, предоставляя ему нужную информацию в нужное время и используя для этого наиболее подходящие средства».

Toutiao – вполне в духе новых идей Google – применила возможности машинного обучения, дабы предугадывать вкусы пользователя и давать ему то, что он хочет получить, и тогда, когда он этого хочет. Вместо интенсивного потока новостей, Toutiao предложила более облегченный вариант для чтения на досуге. Информация подавалась в виде бесконечной стрим-ленты без акцента на источнике, но с учетом интересов читателя.

Если взглянуть на мировой рынок распространения информации в те времена, когда ByteDance только начинала работать, то выяснится, что тогда же увлекся идеей рекомендаций и Facebook.

Основные методы распространения информации на американских платформах в 2013 году.

«Мы хотим дать всем людям на земле лучшую в мире персонализированную газету»,⁶² – сказал в 2013 году Марк Цукерберг, объявляя о серьезных изменениях, внесенных в ленту Facebook. То есть, Facebook, этот американский гигант, понял, что машинное обучение – ключ к сохранению конкурентоспособности.

В формировании ленты Facebook уже начинали применяться технологии, рекомендующие оптимальный микс между друзьями/родственниками, новостными ресурсами, рекламой и брендированным контентом. В 2014 году популярная в Instagram вкладка «Explore» («Интересное») была строго персонализирована под каждого конкретного пользователя. А YouTube уже в 2011 году вплотную занялся лентой предлагаемых видео, поставив ее оптимизацию на первое место как наиболее эффективную стратегию повышения пользовательской вовлеченности.

Если по тому же принципу проанализировать конкурентную динамику на китайском рынке вскоре после появления ByteDance, то можно увидеть, что Toutiao по своему позиционированию радикально отличалась от других крупных платформ.

В стационарном и мобильном секторах китайского поискового рынка абсолютным лидером была Baidu – невероятно узнаваемый бренд, защищенный мощными технологиями. Мы говорим «погуглить», а китайцы используют такой же глагол, только с корнем «байду». Позиции Baidu на доходнейшем поисковом рынке остаются незыблемыми.

Роль главного монстра китайского мобильного интернета играло «суперприложение» WeChat, в котором тогда применялись два метода распространения медиа-контента – официальные аккаунты (модель подписки) и лента под названием «Моменты».

Эта лента во многом воплощала философию создателя WeChat Аллена Чжана. Его тогдашнее отношение к рекомендательным алгоритмам можно в лучшем случае назвать «настороженным», а в худшем – «пренебрежительным»[35]35
  Позднее он существенно смягчит свою позицию. Сегодня в WeChat есть несколько рекомендательных каналов. (авт.)


[Закрыть]. Он считал, что «Моменты» – идеальное место, самой природой предназначенное для аутентичного человеческого общения. Лента представляла собой посты людей из контактов пользователя, организованные в обратном хронологическом порядке, там даже не было опции включения фильтра на фотографии.

Основные методы распространения информации на китайских платформах в 2013 году.

Другой монстр китайского мобильного интернета Sina Weibo, был, в отличие от WeChat, медиа-ориентированной компанией. Он заработал себе «хлебные» позиции в секторе микроблогов вместе с титулом «китайского Twitter» отнюдь не благодаря лучшим технологиям или удачному пользовательскому интерфейсу, а тем, что сумел нарастить критическую массу привлеченных на платформу знаменитостей и медиаплощадок.

Weibo назначал пользователям теги в соответствии с теми аккаунтами, на которые пользователь подписан, и использовал эти теги как индикатор интересов и руководство для рекомендаций по контенту. Но Weibo не считал развитие этой примитивной рекомендательной модели важной задачей для бизнеса. Основные свои усилия он направлял на привлечение инфлюенсеров и расширение бизнеса за счет огромного числа потенциальных пользователей из китайских городов «второго эшелона» – абсолютно нового рынка с высокими темпами роста. Инвестиции в развитие рекомендательной системы стояли где-то в конце списка приоритетов.

Большинство платформ, лидирующих на рынке новостной агрегации, продолжали полагаться на редакционный штат, который решал, какой именно контент достоин продвижения. В то время основная часть мобильных новостных приложений были клонами их стационарных собратьев. Подписка на отсортированный по интересам контент (финансы, образ жизни, спорт и т. д.) была практически пределом доступных опций в смысле персонализации.

В этой сверхконкурентной макросреде зияла брешь, белое пространство, освоением которого предстояло заняться Toutiao. Как и венчурные инвесторы, отказавшие Имину в поддержке перед раундом B, ни одна крупная платформа не восприняла всерьез тему рекомендаций. В это трудно поверить, но даже WeChat, самый крупный игрок в мобильном пространстве, отнесся к новой технологии с недоверием.

Тогда общее мнение в индустрии было таково, что даже если рекомендательные системы и впрямь окажутся чем-то выдающимся, то никогда не поздно их скопировать. Не вполне эффективный подход к завоеванию долгосрочной, ощутимой доли на насыщенном, высоко-конкурентном рынке.

И ByteDance вскоре докажет им, как они ошиблись.