новинка, – он просто мой любимый.
Помогать людям найти любимые фильмы, фильмы, которые станут для них лучшими, было нашей настоящей целью в Netflix. С самого начала мы знали, что компания не может быть связана с одним продуктом или службой доставки, потому что, если это будет так, мы устареем в ту же секунду, как изменится технология. Если мы хотели иметь хоть какую-то возможность выживать долгое время, нам нужно было убедить заказчиков, что мы даем им нечто лучшее, чем онлайн-библиотека и быстрая доставка. Важна не технология или метод доставки. Что имело значение – соединить наших пользователей с фильмами, которые, как мы знали, они полюбят. Это было бы актуально, независимо от того, в каком направлении развивались бы технологии будущего.
Конечно, легче сказать, чем сделать.
Один из недостатков интернет-магазина – найти подходящий фильм на удивление трудно.
Если вы знаете, какое кино ищете, то можете просто набрать его название в поисковой строке. А если нет? Вы можете просматривать только одну страницу за раз, и на ней умещается только ограниченное количество фильмов. Вам нужно быстро сделать вывод, основываясь на обложке или кратком содержании. Конечно, проблема поиска и выбора была проблемой и настоящих магазинов из кирпича и бетона. Если верить Митчу, большая часть людей заходила в видеопрокат совершенно не зная, чего ищет и просто бродит от секции к секции. Но в настоящем магазине вы можете попросить помощи у служащего. Или, в крайнем случае, бродить по проходам и надеяться, что случайно наткнетесь на что-то многообещающее.
Мы хотели упростить поиск и еще связать пользователей с рекомендациями и обзорами. Так что мы с Кристиной и контент-командой разработали наполненные информацией страницы для разных жанров. Если вы искали триллер, у нас была целая страница, посвященная им: списки топ-10, обзоры свежих и классических триллеров, подборки из нашей библиотеки. Мы пытались создать электронный аналог участливого и знающего сотрудника видеопроката.
Проблема с индивидуальным подходом состояла в том, что было невероятно дорого, – не говоря уже о временных затратах, – делать это вручную.
Когда у нас было девятьсот наименований, создать соответствующий контент было еще реально. Но к концу 1999-го, наш склад вмещал почти пять тысяч фильмов, с которыми надо было работать.
Рид, в типичной для себя манере, настаивал на автоматизации. «Забудьте о посадочных страницах, – сказал он. – Мы в любом случае перепроектируем сайт. Вместо них, почему бы нам не создать для домашней страницы четыре фрейма[76]. В каждом из них будет представлен фильм: его обложка, длительность, дата выхода, небольшое краткое содержание. Мы сделаем список из пятидесяти фильмов, которые хотим там показать, и заставим сайт случайно выбирать четыре из них. Или, еще лучше, просто определите, по каким параметрам составить список – например, фильмы с меткой «триллер», – и позвольте системе случайно выбирать из всех фильмов, которые у нас есть, те, что подходят под поисковый запрос.
Если я правильно помню, я отреагировал на это предложение с ужасом. Я его ненавидел. Оно казалось холодным, компьютеризированным, случайным, – всем тем, чем мы старались не быть.
Но пользовались ли вы недавно Netflix? Концепция фреймов, предложенная Ридом, все еще актуальна. Однако выбор фильмов – это продукт сложного алгоритмического сервиса соответствий, который калибруется под ваши вкусы и потребности Netflix. Этот алгоритмический сервис соответствий можно отследить прямо до 2000-го и слотов Рида. Потому что он был прав, – пользователю нужен более эффективный и более легкий способ находить фильмы, которые могут ему понравиться. Что-то более интуитивное, чем посадочная страница, курируемая редактором.
Помещать DVD в слоты было началом. Теперь нам просто нужно было придумать способ подбирать их, не основываясь на случайном выборе. Когда пользователь усаживался за компьютер, чтобы решить, какое кино заказать в следующий раз, мы хотели, чтобы он видел список фильмов, который был бы адаптирован под его вкус и оптимизирован под нашу библиотеку.
Если бы мы могли показать пользователям фильмы, которые они хотели бы посмотреть, то были бы больше довольны сервисом. А если бы мы могли им показать и список наших предпочтений? Это был беспроигрышный вариант.
Проще говоря. Даже если бы мы заказывали в двадцать раз больше новых релизов, чем любой Blockbuster (чрезвычайно дорогая уловка), то не смогли бы удовлетворить все запросы. А новые релизы были недешевы. Чтобы держать заказчиков довольными, а наши расходы разумными, нам нужно было переправлять пользователей на менее востребованные фильмы, которые, как мы знали, им понравятся, – и, возможно, понравятся сильнее, чем новинки.
Например, я взял напрокат «Плезантвилль», один из лучших фильмов 1998-го, умную черную комедию о том, что случится, когда двое подростков из 90-х окажутся в черно-белом телешоу про маленький американский городок 50-х. Идеальный механизм рекомендаций должен быть способен отвлечь меня от других новинок и перенаправить на фильмы, похожие на «Плезантвилль», – фильмы вроде «Доктор Голливуд».
Это была трудная задача. Такие штуки, как вкус, – субъективны. А количество факторов, играющих роль при попытках найти сходство между фильмами, почти бесконечно. Надо ли вам группировать кино по актеру, режиссеру, сценаристу, жанру, дате выпуска, номинациям на награды? Как количественно измерить такую вещь, как настроение?
Мы с Ридом и программистами искали решение месяцами. Проблема состояла в том, чтобы придумать алгоритм, который бы осмысленно группировал фильмы. Поскольку он мог использовать только доступные ему данные, – такие как жанр, актеры, локации, год выпуска, язык и так далее, – алгоритм часто выдавал предложения, которые имели смысл для компьютера, но для человека не отражали никакого реального сходства. Или выдавал бесполезные предложения: «Вам нравится «Лучший стрелок»[77]? Предлагаем еще один фильм 1986 года!»
В конце концов, мы поняли, что лучший способ дать пользователям то, что они хотят, – устроить краудсорсинг[78]. Для начала мы сделали то же, что и Amazon. Используя процесс под названием «коллаборативная фильтрация[79]», Amazon предлагал клиентам продукты, основанные на общих шаблонах покупок. Они до сих пор так делают. Если вы, скажем, приобрели у них гаечный ключ, Amazon группирует вас с другими пользователями, купившими гаечные ключи, а потом предлагает купить другие товары из тех, что покупали они.
В нашем случае это работало так. Положим, я и Рид взяли в Netflix напрокат три фильма. Я взял «Армагеддон», «Мосты округа Мэдисон» и «Касабланку». А Рид взял «Армагеддон», «Мосты округа Мэдисон» и «Могучих утят». Коллаборативная фильтрация скажет, что, если мы оба взяли два одинаковых фильма, возможно, каждому из нас понравится третий фильм, который взял другой. Поэтому сайт может посоветовать
