Текст книги "ЦА. Как найти свою целевую аудиторию и стать для нее магнитом"

Условный рефлекс по отношению ко вкусам помогает нам любить или не любить сами вкусы. Как говорит Смолл, это дает нам преимущество – «мы приучаемся любить доступную пищу и избегать пищи определенных видов, а не целых классов питательных веществ». В юности она однажды попала на праздник в родном городке Виктория (в канадской провинции Британская Колумбия). Вместе с университетскими друзьями она выпила не один «Малибу» с «Севен-Ап» – а это на редкость приторная смесь сахара с кокосовым ромом и цитрусовой газировкой. «Прошло уже двадцать лет, – вспоминает она. – Я до сих пор не выношу даже намека на запах кокоса, даже в лосьоне для загара! У меня просто голова начинает кружиться».

С помощью сложной цепочки мозговой активности, рассказывает она, мы познаем «вкусовые объекты» – возникает «перцептивный гештальт» тактильных, вкусовых и обонятельных ощущений от всего, что мы едим. «Мне от этой пищи стало плохо? Эта пища придала мне сил? Вы усваиваете предпочтения на основании вкусового объекта в целом». Вкусовой объект сам по себе «создается» целой сетью нервной деятельности, описываемой как «распределенная цепь, включающая представления об обоняемых объектах на уровне нервов, а также однородные клетки вкусового восприятия, однородные оральные соматосенсорные клетки, сложные клетки и «связующий механизм». Вы не просто «пробуете» клубнику – она фактически начинает существовать в вашем воображении.

Кофе – реальное вещество – ничуть не менее горек и в сотый раз после того, как мы впервые его попробовали. Но что-то происходит. «Кофе превращается в «кофе», – говорит Смолл. – Мозг узнает, что кофе – это не сигнал потенциальной опасности». Многие, начиная пить кофе, добавляют в него то, что нам нравится: молоко и сахар. Эти вещества не только снижают горечь, но и помогают выстроить позитивные ассоциации с кофе. Связь здесь односторонняя, отмечает Джон Прескотт: мы не приучаем себя любить сахар, выпивая чашку кофе, мы приучаем себя любить кофе, добавляя в него сахар. Добавьте сюда внутренний сигнал после попадания в организм кофеина, и вот он, любимый напиток – любимый почти вопреки нашим собственным предпочтениям. Можно подумать, что получаемое от кофеина или от спирта удовольствие само по себе достаточно для объяснения, почему нам рефлекторно нравится кофе или виски. Но почему бы тогда просто не добавить эти вещества в то, что нам и так нравится? Почему то, что меньше всего нравится при первом знакомстве, становится тем, что люди любят больше всего?

Должен быть какой-то момент, когда наша антипатия перерастает в симпатию. Смолл попыталась вычислить его в системе неврологических координат. В одном из экспериментов она предлагала участникам исследования попробовать напитки с новыми вкусами, не содержавшие калорий. Через несколько недель она добавила к одному из вкусов калорийный, но безвкусный мальтодекстрин. Несмотря на то что определить присутствие мальтодекстрина испытуемые не могли, содержавшие его напитки нравились им больше. Как и в исследованиях Пелчат с чаем, «посторальный сигнал» из желудка, который с удовольствием извлекал глюкозу из мальтодекстрина, изменил предпочтения.

Нужно отметить, что в исследовании Смолл все напитки были оценены как «слегка нравящиеся». И это исследование не дает ответа на вопрос: как происходит переход от антипатии к симпатии? Может ли случиться, что вы попробуете пищу, которая вам совершенно не нравится, и вдруг как по мановению волшебной палочки проникнетесь страстным желанием есть ее? Нейропсихолог из университета штата Миннесота Кент Берридж именно это и продемонстрировал в эксперименте по выработке классического условного рефлекса у крыс. Сначала крысы получали «порции» вкусной сладкой водички; при этом раздавался звуковой сигнал. Крысы также получали крайне неприятный на вкус раствор морской соли (в три раза более концентрированный, чем морская вода), сопровождавшийся другим звуковым сигналом.

Крысы возненавидели соль еще и потому, что она попадала им в рот с помощью вживленного катетера. И когда крысы впоследствии слышали соответствующие звуковые сигналы, они либо отворачивались, либо подбегали поближе к источнику пищи с соответствующим выражением на мордочках. Затем путем инъекций в крысиный мозг была запущена симуляция критической нехватки соли в крысином организме. На следующий же день, когда крысы вновь услышали звуковые сигналы, они немедленно побежали к кормушке с соляным раствором, активно гримасничая и облизываясь от «удовольствия» (эти гримасы похожи на гримасы детей), – еще до того момента, как смогли попробовать соляной раствор в своем новом, настроенном на «удовольствие» состоянии. Другими словами, они еще не знали, что он им понравится, но им неожиданно его захотелось.

Это может помочь объяснить не только аддиктивное поведение, но и повседневные симпатии. В одном из исследований Берридж с коллегами попросили студентов определить пол людей, показывая их фотографии на мониторе компьютера. Участникам исследования также тайком (примерно одну шестидесятую долю секунды) показывали счастливые или грустные лица. Затем участникам предложили фруктовый напиток, который, как им рассказали, сейчас проходит тестирование в одной из пищевых производственных компаний, и спросили, как он им понравился. Участники, которым показывали «счастливые» лица, оценивали напиток как «нравящийся» ровно вполовину чаще, чем те, кому показывали грустные лица. Счастливые лица «запускали мезолимбические цепочки «желания» в мозгу видевших их студентов и скрыто сохранялись в течение нескольких минут, пока студенты оценивали собственное настроение. Это «желание» выходило на поверхность лишь после того, как в поле зрения появлялся соответствующий целевой объект в форме гедонистически окрашенного сладкого раздражителя, который можно было попробовать и либо проглотить, либо выплюнуть по собственному выбору», – пишет Берридж. Как пелось в одной старой песне, «ищу себе пару где попало» – нашлось нечто, дающее повод выразить интерес.

Данные механизмы могут помочь объяснить, как неприязнь превращается в симпатию. «Вкусы» рождаются в мозгу, у самых истоков сознания. Даже дети, обладающие лишь мозговым стволом, «способны принимать решения по узнаванию и оценке». Но при этом, как заметил Берридж, у них не формируется «вкусовых объектов». Это происходит уже на более высокой ступени. В классическом эксперименте Ивана Араухо и его коллег людям давали понюхать смесь изовалериановой кислоты и сыра чеддер, рассказывая, что это сыр, – либо рассказывая, что это пот. Те, кто считал запах «потом», оценивали соединение ниже, чем те, кто считал его «сыром». Ничего удивительного. Но те, кто считал это сыром, продемонстрировали также повышенную активность в более широком диапазоне отделов головного мозга, что подтверждает известное открытие: симпатия и склонность запускают более обширную цепь мозговой активности, чем антипатия. Словно на то, чтобы понять, почему нам что-то нравится, нужно потратить больше энергии, чем чтобы понять, почему не нравится.

Пот и сыр по-разному считываются головным мозгом. И при первых шагах обработки в мозге «сигнал будет точно такой же. Но сигнал может быть модифицирован практически в самом начале пути посредством ожиданий и предвкушений. Долго ли этот сигнал останется без изменений к моменту попадания в различные отделы мозга?» – говорит Берридж. Эти ожидания и предвкушения так сильно накладываются друг на друга, что в исследовании Араухо даже те, кто нюхал «нейтральный запах», считая при этом, что нюхает сыр либо пот, демонстрировали аналогичную активность головного мозга. Они готовили себя к тому, что им будет нравиться или не нравиться запах, который так и не появился, – ощущая фантомное удовольствие или неудовольствие.

«Мы знаем, что получается в итоге, но не знаем, какой процесс приводит к этому итогу», – рассказал мне Берридж. В мозговой ствол поступает один и тот же сигнал горечи, но где-то на более высоком уровне восприятия возникает образ «кофе». Процесс обучения происходит во взаимодействии со вкусом, и в результате возникает удовольствие. «Получаемое удовольствие скорее всего происходит из тех же самых нейронных цепей удовольствия, в которых для сладости имеется особый вход», – говорит Берридж. Наш мозг делает наш кофе сладким!

Задача отследить конкретный момент, когда антипатия превращается в симпатию, осложнена тем фактом, что области мозга, возбуждаемые симпатией, абсолютно те же, что и возбуждаемые антипатией. Например, миндалевидное тело, по всей видимости, равным образом реагирует на то, что нам нравится, и на то, что не нравится. Возможно, когда-нибудь ученые откроют какую-нибудь нейронную цепочку типа «ну да» – и это открытие покажет, что в глубине души мы питаем двойственные чувства по отношению ко всему на свете и что в одну или другую сторону мы склоняемся лишь при срабатывании определенных синапсов, или под воздействием приятеля, с которым мы сегодня обедали, или под влиянием того, что сегодня сказали по радио…

Поразительно, как твердо мы придерживаемся своих вкусов, особенно зная, насколько сильно подвержены они искажениям и доступны для манипуляций как со стороны мозга, так и извне. Возможно, мы инстинктивно чувствуем всю хрупкость и произвольность своих предпочтений, что и заставляет держаться за них еще крепче? Ясно лишь одно: именно в пище наблюдается самая тесная и интимная связь с нашим собственным вкусом – и буквально, и метафорически. Как сказал мне в «Монелле» Бошем, «самое важное решение, которое любой человек принимает ежедневно: а стоит ли мне класть это в рот?» Когда-то от этого решения зависела жизнь, а теперь это просто вопрос личного вкуса.

И данное решение, по всей видимости, необходимо для принятия других, гораздо более сложных решений, вносящих еще большую нестабильность в наш выбор. Когда мы сидели в китайском ресторане, Розин описал наши «аффективные» отношения с пищей как «основополагающие, базовые и частые. Не такие частые, как дыхание, но дыхание ко вкусу отношения не имеет». Он сделал паузу, чтобы собрать с тарелки остатки кисло-сладкого соуса, положил в рот последнюю креветку и добавил: «Хотя оно тоже через рот».

Глава II
Не в «звездочках» ошибка – в нас самих! Вкус в эпоху сетей

Но суждения вкуса сами по себе вовсе не обосновывают какого-либо интереса. Только в обществе обладание вкусом становится интересным.

Иммануил Кант. «Критика способности суждения»

1. Нравится не то, о чем рассказывают, – нравится то, что делают

Однажды вечером я искал на сайте Netflix, чего бы посмотреть, и мне попался фильм «Победитель на деревянной лошадке» (рекомендовано было так: «Потому что вам понравились «Психо», «Энни Холл» и «Фарго»). Я покликал по сайту и обнаружил снятую в 1949 году британскую экранизацию рассказа Д.Г. Лоуренса о мальчике, который мог предсказать победителей настоящих скачек, играя со своей игрушечной лошадкой. Рассказ, как и фильм, стал для меня новинкой.

Я подумал: вот она, гениальная система рекомендаций на основе алгоритмов! У меня в голове не укладывалось, что за тайная магия помогла мне выбрать этот малоизвестный фильм с какой-то пыльной кинополки. Что связывало «Победителя на деревянной лошадке» с комедией-буфф Вуди Аллена, ужастиком Хичкока и мрачной американской готикой братьев Коэнов? И что в моей собственной оценочной активности связало воедино эту великолепную кинематографическую четверку? Что, если Хичкок мне понравился, а «Энни Холл» – нет? Тогда бы мне посоветовали что-нибудь другое?

Грейг Линден, участвовавший в создании первых алгоритмов Amazon, говорит о том, что не нужно слишком доверять им и окутывать рекомендации таинственным и зловещим пророческим ореолом. «Компьютер всего лишь осуществляет анализ действий пользователей», – поясняет он. Но даже создатели алгоритмов признают, что в будущем математические системы обещают стать еще более сложными; в сущности, могут даже появиться «черные дыры» вроде суперкомпьютера HAL, поведение которых будет невозможно достоверно предсказать или определить (по крайней мере, в меру нашего человеческого понимания).

Я иногда злюсь на рекомендации Netflix – фильм Адама Сэндлера? Да вы шутите? Но оборотной стороной доступа к огромному количеству фильмов является увеличение времени выбора, чего бы посмотреть. И понемногу пришлось признать, что в эпоху выбора, иногда сбивающего с толку, когда у меня больше нет возможности внимательно штудировать старые номера «Искусства кино» или рыться по коробкам с дисками в музыкальных магазинах, мне может быть полезно передать часть своих проблем по принятию решений и поиску чего-нибудь нового компьютеру – ведь и хранение фактов мы в основной своей массе уже передали на аутсорсинг в «Гугл».

Какое-то время я потратил на серьезную отработку своего алгоритма в Netflix. Я выставлял оценки всем просмотренным фильмам и дотошно, словно иудей Талмуд, изучал прогнозы всего, что мне может понравиться. Я хотел провести тонкую настройку этой штуки, чтобы она могла работать с моим изменчивым вкусовым профилем. Я хотел, чтобы она знала – если мне понравились «Зловещие мертвецы», это не значит, что мне понравится большинство остальных фильмов ужасов. Я хотел, чтобы система знала не только что понравилось, но и почему понравилось. Я хотел от нее большего, чем она могла мне предложить!

Так что, когда я приехал в город Лос-Гатос, штат Калифорния, в штаб-квартиру Netflix, расположенную в здании с красной черепичной крышей – оно напоминало то ли старый Голливуд, то ли гостиницу «Ла-Квинта», – в голове у меня были только звездочки. Это стало почти навязчивой идеей. Вы не поверите, сколько времени я провел, размышляя, стоит ли смотреть фильм, если его прогнозируемый рейтинг составляет 2,9 (а дистанция от 2,9 до 3,0 – ну совсем ведь маленькая!). Посмотреть фильм, рейтинг которого «единица», казалось чуть не преступлением. А когда мне удавалось обнаружить фильм, которого я не видел, но его прогнозируемый рейтинг был 4,7, я чуть не под облака взмывал от радости!

Я знал, что я не один такой: компания в рамках своего знаменитого проекта «Оптимизация алгоритма» предложила приз в миллион долларов ученым-программистам, которые смогут дать десятипроцентное улучшение для прогнозируемых рейтингов Netflix. Множество умных людей посвятили множество часов, размышляя о так называемой «проблеме «Наполеона Динамита», или что делать с фильмами, которые делят зрителей на два противоположных вкусовых лагеря и реакция на которые крайне слабо прогнозируема. Я подумал, что здесь, в Лос-Гатосе, я увижу доброжелательную «Штази» вкусов, в которой знают все о том, как люди смотрят кино, где хранится громадный массив данных о человеческих предпочтениях. Я хотел знать то, что является очень личным и что, как я думал, они мне не расскажут: насколько чувствителен этот алгоритм к оценкам – если я поставил 2,7 фильму, для которого Netflix предсказал мою оценку как 3,2, как быстро такое отклонение повлияет на мое собственное рейтинговое поле? Какой фильм обладает самым широким спектром крайне негативных и крайне позитивных оценок?

Вот почему я уже практически слышал, как скрипит мое перо по бумаге, когда уселся напротив вице-президента по новым разработкам Тода Елина в переговорной «Лучший стрелок» (все офисные помещения Netflix носят названия фильмов или телешоу) и он начал свой рассказ: «Моя первая должность в компании – директор по персонализации продукта. Я возглавил работы по получению оценок, по улучшению прогнозов на основании этих оценок; мы придумывали, где именно в пользовательском интерфейсе их надо размещать». Что ж, полет нормальный. Затем он сказал: «Со временем, при расширении области персонализации, мы стали придавать прогнозируемым оценкам гораздо меньшее значение».

Потребовалось некоторое время, чтобы до меня дошло. Меньшее значение?! Видимо, в тот момент я выглядел слегка пришибленным. Думаю, Елин почувствовал мое разочарование. Я приехал, чтобы узнать о самом сложном в мире техническом средстве прогнозирования вкусовых предпочтений в кино, а мне говорят, что вопросам вкуса – по крайней мере выраженным с помощью рейтингов – здесь придают «меньшее значение»! «Нигде во Вселенной не жмут так много на «звездочки» фильмов и телешоу, как у нас! – рассказал Елин. – И мы разработали множество алгоритмов для повышения точности этих предсказаний». Но, как он сказал, это было «последним писком» году этак в 2005-м или в 2006-м. И мои смешные вопросы о «звездочках» тут же стали ужасно отдавать стариной. Значит, вложив такую бездну времени и усилий в постройку совершенной системы рекомендаций на базе оценок, Netflix от нее отказалась?

Не совсем. «Люди по-прежнему выставляют оценки, мы считаем эту информацию полезной. Просто она – второстепенная», – говорит Елин. Случилось сразу две вещи, которые затмили пользу «звездочек». Первая, как рассказал Ксавье Аматриайн, руководитель по системе рекомендаций, – компания вплотную приблизилась к некоей конечной скорости прогнозирования вкусов. «Как часто бывает при работе с алгоритмами, – рассказал он, – 20 % времени уходит на достижение 90-процентной точности; а затем уже 80 % времени уйдет на обеспечение оставшихся 10 % точности». Было совершенно непонятно, стоит ли инвестировать в работу над этими оставшимися 10 %, что привело бы к еще большему усложнению рекомендательной системы, в которой и без того уже работала и «Ограниченная машина Больтцмана», имелись и «Случайные леса», и «Латентные размещения Дрихле», – будет ли это оправданно?

Поменялось и еще кое-что. С тех пор как Netflix объявила состязание программистов с крупным призом, компания вместо услуг проката DVD по почте стала заниматься предоставлением онлайн-услуг потокового видео. «Люди, которые давали свои оценки, отражали таким образом свой мыслительный процесс. Вы добавляете что-то в очередь просмотра, а просматриваете пару дней спустя. А затем выражаете мнение, которое возымеет эффект в долгосрочной перспективе. При потоковой передаче данных концепция совершенно меняется. Вам не нравится? Ну и ладно – переключаем и смотрим что-нибудь другое. Затрат на переключение у вас практически нет», – рассказал Аматриайн.

При оказании потоковых онлайн-услуг Netflix получает меньше формально выраженных оценок, зато имеет место косвенная информация – это поведение пользователей. «У нас появилась возможность получения данных по просмотрам в реальном времени, а это гораздо более ценная информация, чем то, что говорят сами пользователи о своих предпочтениях», – объясняет Елин. В Netflix бесконечно больше знают о том, что и как вы смотрите: когда вы смотрите, где вы смотрите, в какой момент прекращаете смотреть, что смотрите потом, пересматриваете ли. Что вы ищете – это еще один сигнал вашего вкуса. Елин заинтересованно, почти страстно мне об этом рассказывает. Он слегка тараторит, у него немного угловатый, напряженный взгляд, он лысоват – и всем своим видом напоминает гиперинформированного консультанта из магазина видеокассет ушедшей эпохи. Но только это консультант всемогущий, он знает, что крутит на своих «видаках» вся страна – и в какие моменты нажимает на «перемотку». Пусть это и выглядит как вмешательство в личную жизнь, но главный момент здесь такой: от своего вкуса не спрячешься!

Появление компаний вроде Netflix, обладающих петабайтами данных о людских симпатиях и антипатиях в виде всех этих «лайков» и «избранных», позволило бросить взгляд в до этого всегда казавшуюся непроницаемой область: как формируются оценки, как выражаются предпочтения, каковы механизмы формирования вкуса? Обширное поле сетевой активности – сетевое «сарафанное радио». Вот где абстрактные, «непостижимые» вкусы попадают в эмпирически формируемую упорядоченность Интернета, с его алгоритмами совместной фильтрации, пространными наборами данных, бесконечными отчетами по произведенным действиям. Любая отдельно взятая рецензия или отдельный «лайк» совершенно бесполезны. Тут же возникает проблема «слово не деньги», как ее обозначил Рей Фишман. И лишь на агрегированном уровне с помощью чистой математики можно отфильтровать шум, отбросить аномальные значения и достичь статистической согласованности данных.

Социологи вроде Пьера Бурдьё, посвятившие размышлениям о вкусе огромное количество времени (мы еще вспомним о нем позже), всегда сталкивались с проблемой «рассказчика»: спросить людей о том, что им нравится, совсем не то, что наблюдать за их действиями. Интернет прекрасен в том плане, что вне зависимости от того, что люди рассказывают, можно наблюдать со все возрастающей достоверностью за их реальным поведением. Практически любой из интересовавших Бурдьё аспектов человеческого вкуса ежедневно каталогизируется онлайн, причем в объемах, превосходящих любые мечты социологов. Какая музыка нравится? Посмотрите на Spotify, Pandora. Как выглядит идеальное человеческое лицо? Посмотрите OKCupid, Match.com. Какие фото нравятся больше всего? Посмотрите Flickr и Instagram.

Так что, если раньше Netflix полагался на слова людей о том, что им нравится – на этом для того времени новом основании базировались все системы рекомендаций[85]85
  Джон Ридл, возглавлявший исследовательскую группу в Университете штата Миннесота и создавший одну из ранних систем, помогавшую ориентироваться в огромном потоке статей по рейтингам USENET, рассказал журналу «Нью-Йоркер»: «То, что вы рассказываете нам о своих предпочтениях, годится для предсказаний того, что вам понравится в будущем, больше любой другой информации, которую мы пробовали анализировать… Пусть это и глупо прозвучит, но вы иногда рассказываете это маркетологам, а они в ответ выглядят озадаченными». Сам Ридл чувствовал ограниченность систем на базе рейтингов, включая и ограничения по поводу того, как люди оценивают предметы. «Некоторые исследователи предлагали системы компенсаций для поощрения пользователей за оценки. Экономические последствия такого решения были бы интересны, но возникает вопрос: необходимы ли компенсации, если рейтинги можно собирать без каких-либо усилий со стороны пользователей? Мы верим в то, что оптимальным решением стало бы улучшение пользовательского интерфейса в целях выявления скрытых рейтингов путем наблюдения за поведением пользователей. Скрытые рейтинги включают меру интереса, например помогают узнать, прочитал ли пользователь статью, и если да, то сколько времени он на нее потратил. Наши исходные исследования показали, что мы можем получить гораздо более обширные данные рейтингов путем использования скрытых рейтингов, и прогнозы, сделанные на базе времени чтения, практически столь же точны, как и прогнозы на базе математики». См.: Джозеф А. Констан и др. Группы: применение коллаборативной фильтрации для статей USENET / «Сообщения АСМ». Т. 40, 1997. С. 77–87.


[Закрыть], – теперь компания стала фокусировать внимание на том, что люди реально смотрят. «В таком подходе заключена масса преимуществ. Одно из них в том, как именно люди выставляют оценки: это делается в духе мотивации – они оценивают, что и как им бы хотелось смотреть», – говорит Аматриайн. Как рассказал Карлос Гомес-Юриб, директор по новым продуктам Netflix, «относительно высокий процент людей рассказывают, что они часто смотрят иностранные или документальные фильмы. На самом деле это не так».

В Netflix всегда подозревали об этом расхождении между людскими стремлениями и реальным поведением. Можно привести один пример: компания обладала данными по длительности нахождения прокатного DVD дома у пользователя, то есть сколько времени проходило с момента получения диска до реального просмотра. «Неудобная правда» Альберта Гора лежала без движения, кажется, бесконечно! «Этот фильм дольше всех находился по домам в ожидании просмотра», – рассказал Елин, и все остальные за столом согласно закивали. Но теперь критическое рассмотрение данных идет практически в реальном времени, чуть ли не на уровне людского подсознания: вы только что выключили фильм Бергмана и включили «Вышибалу»? Так и запишем в базу данных.

Люди, говорит Елин, «хотят о себе думать исключительно хорошо. Они могут заблуждаться по поводу собственного образа: что им, с их слов, нравится, как много «звездочек» они выставляют конкретному фильму и что они на самом деле смотрят». Вы можете поставить пять «звездочек» «Отелю «Руанда»» и две «звездочки» «Капитану Америке», но скорее всего, вы будете смотреть «Капитана Америку», говорит Елин.

Здесь нет ничего особенно нового. Еще со времен Торстейна Веблена экономисты рассуждали о видимых «сигналах» вкуса вне зависимости от того, истинные они или ложные. Они всегда стремятся выше: люди не ставят «Капитану Америке» пять звездочек, «Отелю «Руанда» – две, чтобы потом втайне пересматривать «Отель». Социолог Ирвинг Гофман дал широко известное описание нашего представления о себе в духе «драматического» действия: «Обычно продвижение вверх требует представления себя соответствующими действиями, исполнением определенных партий, а усилия продвинуться, так же как и усилия, помогающие не скатиться вниз, выражаются в жертвах, на которые вы пошли ради поддержания своего представительского переднего плана».

Всем нам когда-нибудь хотелось представляться другими, идеальными личностями. «На самом деле я – совсем другой человек, просто никак не могу собраться им стать», – писал в одной из своих пьес Эден фон Хорват. Вспомните, как в фильме «Сыграй еще раз, Сэм!» герой Вуди Аллена выкладывает дома перед свиданием на кофейный столик «умные» книги («Зачем разбрасывать книги, если ты их все равно не читаешь?» – спрашивает друг, а он отвечает: «Так создается образ!»). Данные Netflix хороши тем, что они очень личные и тайные – никто не видит, какой у вас плохой вкус или что интересненького стоит у вас в очереди на просмотр. Как сказал Елин, весь театр тут – для самого актера.

Что наталкивает на интересный вопрос, поставленный антропологом Робертом Трайверсом и его коллегой-психологом Уильямом фон Гиппелем: «Кто является аудиторией при самообмане?» Гофман писал, что люди часто пытаются соответствовать стандартам «из-за расхожей веры в то, что существует некая невидимая аудитория, которая накажет за отклонение от стандартов». Вот откуда берется чувство вины за «греховные удовольствия» – мы еще вернемся к этому вопросу позже. Если сам по себе обман является полезной в эволюционном плане стратегией, «фундаментальной во взаимодействии животных», то самообман тоже становится «наступательной стратегией, направленной на обман других особей». При демонстрации «умных» книг герой Вуди Аллена чувствует себя лучше и убеждает самого себя, будто он – та самая личность, которая читает эти книги, что, в свою очередь, поможет ему убедить в этом свою потенциальную партнершу.

Это не означает, что при взгляде на самого себя в зеркало в ситуации самообмана человек не испытывает диссонанса. Достаточно часто в Netflix раздается жалоба: «Ну почему вы мне рекомендуете все эти двух– и трехзвездочные фильмы?» Другими словами, почему вы предлагаете мне то, что мне не понравится? Но бизнес Netflix не ставит перед собой задачу превратить вас в кинематографиста. Им нужно, чтобы вы и дальше пользовались их услугами. Они работают, как казино, используя хитрую математику, чтобы вы продолжали у них играть. Они рекомендуют то, что вы будете смотреть[86]86
  В документе, написанном перед тем, как устроиться в Netflix, Аматриайн отметил, что «моделирование предпочтений пользователей на базе явного отклика обладает существенным ограничением: существует подспудное предположение, будто суммарное время, которое пользователи потратили на данный контент, прямо пропорционально тому, насколько он им понравился». См.: Ксавье Аматриайн и др. Мне понравилось, мне не понравилось: оценка ошибок оценки пользователей в системах рекомендаций / «Материалы XVII международной конференции UMAP по моделированию, адаптации и персонализации пользовательского поведения», 2009. С. 247–258.


[Закрыть]. У них это называется «обещание». «Когда кто-нибудь ставит оценку фильму вроде «Списка Шиндлера», оценка обычно бывает довольно высокой, в отличие от оценок, выставляемых каким-нибудь глупым комедиям вроде «Машины времени в джакузи», – рассказывает Юриб. – Но если предлагать людям лишь фильмы с пятью «звездочками», «вовсе не факт, что пользователю захочется смотреть это кино в четверг вечером после тяжелого рабочего дня».

Система «звездочек» предвзята по самой своей сути. Люди избегают крайних рейтинговых значений – это называется «тенденция к сжатию». Поэтому существует большое количество оценок в две и четыре «звездочки», а единиц и пятерок – мало. Еще одно статистическое отклонение, как говорит Аматриайн, – «мы знаем, что шкала рейтинга нелинейна, расстояние от одной до двух «звездочек» не то же самое, что расстояние от двух до трех». Средняя зона, обычное «ну да», при рассмотрении в аспекте «смотрибельности» имеет довольно расплывчатые границы. Наблюдается и «целочисленная тенденция», когда люди склонны выставлять оценки исключительно целыми, а не дробными значениями.

Присвоение «звездочек» продуктам культуры само по себе странное – и даже спорное – занятие. Началось все с книг: точнее, с первого тома антологии «Лучшие рассказы 1915 года», составленной редактором Эдвардом О’Брайеном. Как он написал в предисловии, отобранные им рассказы «естественным образом разделились на четыре группы» (курсив мой. – Т. В.). Для деления была введена система «звездочек» – чем больше, тем лучше, от одной до трех (для рассказов, заслуживающих «постоянного места в нашей литературе»). Он объявил с позиции незаинтересованного критика: «На мою оценку сознательным образом не влияли никакие мои личные предпочтения или предрассудки, ни за, ни против». Система «звездочек» О’Брайена[87]87
  Сама книга О’Брайена получила на Goodreads.com 3,75 из 5 возможных «звездочек».


[Закрыть] – и, разумеется, сам факт отбора «лучших» рассказов за год – подвергалась постепенно шедшей на убыль критике. Рецензируя «Лучшие рассказы 1925 года», критик из «Нью-Йорк таймс», упрекая О’Брайена в «догматичности» системы оценок, заявлял: «Огромное количество людей готово поверить во что угодно, если им об этом расскажут с изрядной долей позитива». Затем история со «звездочками» на время ушла в тень, но в итоге вновь появилась в кино, в опубликованном 31 июля 1928 года в «Нью-Йорк дейли ньюс» обзоре Ирен Сайрер, где было сказано: «С этих пор мы на постоянной основе будем выставлять фильмам оценки в виде звездочек», – что говорило о наличии этой системы, – после чего фильм «Порт пропавших девушек» был удостоен одной звезды[88]88
  Время к этому фильму оказалось благосклонным; на IMDB.com у него рейтинг 6,9 из возможных 10.


[Закрыть].

С того времени люди и начали игру в «звездочки». Очевидной проблемой, возникшей в силу разницы вкусов, является то, что «трехзвездочный», по чьему-либо мнению, фильм для вас лично может стать «пятизвездочным» хитом. Вот почему Netflix четко разделяет общее количество «звездочек» и параметр «Лучшее для вас по нашему мнению». При этом во главу угла ставится вкус: этот фильм понравился вам на 0,7 больше других. И хотя можно предположить, что это точно отражает ваш вкус, дело осложняется тем, что, как и во всех рекомендательных системах, числовое значение здесь вычисляется с учетом действий других людей[89]89
  Приведем пример: китайские сетевые обзоры кино. Кажется, что они более позитивны и более равномерны, чем их американские эквиваленты. Возможно, что, как утверждают, это происходит в силу того, что в Китае традиция велит искать консенсус и подавлять выражение симпатий и антипатий. См.: Нуй Шан Ко и Эрик К. Клемонс. Отражают ли сетевые отзывы реальное качество продукции? Исследование по сетевым обзорам кино в разных культурных традициях / «Прикладные исследования в области электронной коммерции», Т. 9, № 5, сентябрь-октябрь 2010. С. 374–384. Авторы отмечают: «Западные обзоры по прошествии времени демонстрируют тенденцию к крайностям, а китайские обзоры имеют тенденцию к распределению в форме колокола, и новые обзоры скорее склоняются к середине, нежели к крайним значениям».


[Закрыть]. Еще одной проблемой является то, что вы можете по-другому выставлять оценки – у вас может быть склонность к занижению или к завышению – вне зависимости от того, что вы в действительности думаете о фильме. «Некоторые мои знакомые очень щепетильно относятся к выставлению высоких оценок. Так что две или три «звездочки» в их случае – это совсем не плохо», – рассказал Аматриайн.

И это заставляет обратить внимание на нечто интересное в Netflix и его рейтингах. Подчиняясь традиции, появившейся в те времена, когда наше мнение формировали в основном рецензенты, имеющие собственную систему оценок, мы можем принять рейтинг и «звездочки» за твердое мерило качества – по крайней мере для нашего вкуса. Но и на индивидуальном, и на агрегированном уровне система «звездочек» Netflix вовсе не является постоянной величиной. Оценки тут напоминают скорее свободный рынок: в их мире тоже случаются поправки, «пузыри», эффект хеджирования, инфляция и иные формы статистических «шумов».

В начале 2004 года, например, в Netflix произошло «внезапное повышение среднего кинорейтинга». Неужели голливудские фильмы внезапно улучшились? Нет, улучшилась система рекомендаций. «Пользователи стали ставить больше оценок фильмам, которые отвечали их вкусам», – писал Иегуда Корень, исследователь, участвовавший в конкурсе Netflix по улучшению алгоритмов. Другими словами, фильмы стали оцениваться выше, потому что их стало выбирать больше людей, которые считали, что это хорошие фильмы. В зависимости от точки зрения можно расценивать это как нечто вроде ошибки выборки – люди, которым с большей вероятностью понравится данный фильм, ставили более высокие оценки. Либо это было достижение рыночного равновесия в области вкусов: люди получили возможность более точно выбирать фильмы (т. е. появилось предложение), которые им с большей вероятностью придутся по вкусу (т. е. на них появился спрос).