Глава 4: Путешествие по Амазонии

«Amazon готовится приобрести сверхъестественные силы!»

По крайней мере, так считали верующие, черпая свою веру из истерической осанны газетных статей. Эти статьи появились летом 2014 года, когда этот интернет-книготорговец стал «магазином всего» и подал патентную заявку на новый процесс, который он назвал «упреждающей отправкой». Уже скоро Amazon узнает, что вы хотите купить ещё до того, как вы сами это узнаете. Когда вы разместите заказ на новый подростковый роман Джона Грина для немолодых взрослых, или на ещё одну банку солёных соевых бобов, или на вот эту скороварку Instant Pot Wonder, которая готовит свинину со скоростью света — посылка уже будет в пути.

Как отмечали журналисты — причём даже те, кто не был склонен заглатывать наживку преувеличений — то, что описывал этот патент, на деле было не так далеко от того, что Amazon уже делает. Это станет лишь незначительным расширением тех данных, которые компания уже собирает, и тех колоссальных разветвлённых щупалец логистических операций, которые она уже ведёт.

Amazon, заняв свои позиции на розничном рынке на плечах интернет-революции, стала крупнейшей технологической компанией, использующей плоды современных ИТ, чтобы распределять потребительские товары. Короче говоря, Amazon является искуснейшим планировщиком. Именно такие логистические и алгоритмические инновации и опровергают старинные аргументы фанатов свободного рынка, что даже если с помощью планирования можно делать большие вещи, такие, как сталелитейные комбинаты, железные дороги и системы здравоохранения, то оно споткнётся о первые же препятствия в планировании потребительских товаров. Тем более, Amazon предлагает такие методы производства и распределения, которые только и ждут, чтобы их захватили и перепрофилировали на пользу всего общества.

 

Что планирует Amazon?

Начав в конце 90-х как очередной стартап-дотком, торгующий исключительно книгами, Amazon развилась до того, чтобы поставлять большую часть товаров, потребляемых любыми домашними хозяйствами. В чём-то перекликаясь с горизонтальной интеграцией Walmart, компания даже начала включать производителей товаров, продаваемых ею, в свою дистрибьюторскую сеть, разместив своих собственных работников на фабриках и складах некоторых из своих ключевых поставщиков. В соответствии со своей программой Vendor Flex, например, количество пластырей, производимых Johnson & Johnson, может частично зависеть от потребностей Amazon. Это дает гиганту розничной торговли такую роль в управлении производством, которая далеко выходит за границы собственной компании.

Помимо простого распространения продуктов, Amazon, как и Walmart, «вытягивает» спрос. На самом деле, на заре своего существования компания Amazon переманила из Walmart стольких топ-менеджеров за их логистическую смекалку, что Уолтоны даже подали на неё в суд. Неисчислимые миллиарды гигабайт клиентских данных, которые Amazon собирает, и алгоритмы, которые она использует для анализа этих данных, дают ей невероятно подробную картину того, что люди хотят купить — и когда они это купят. В то же время интеграция операций с производителями гарантирует, что продукция будет приготовлена в достаточном количестве. И здесь, учитывая масштаб этой экономики, мы видим, как зарождается более интегрированная модель планирования производства и распределения, какой бы иерархической и подобострастной она ни была по отношению к своим боссам. Мы могли бы описать Джеффа Безоса как лысого и безусого Сталина от интернет-торговли.

Тем не менее, в глубине души Amazon остаётся (пока) гигантской сетью распределения потребительских товаров. Эпоха интернета дала взойти новой модели перемещения розничных товаров от производителей к потребителям, и Amazon воспользовалась ей лучше, чем любой её конкурент. Amazon сейчас контролирует почти половину объёма американской интернет-розницы. Поэтому, когда Amazon планирует, то планирует по-крупному.

Некоторые проблемы планирования Amazon остаются такими же, как у других крупных дистрибьюторских сетей, некоторые же проблемы — совершенно новые. Вкратце, история Amazon — это ещё одна история о правильной логистике, то есть о том, чтобы доставить вещи из пункта А в пункт Б как можно дешевле. Хотя эта задача и звучит достаточно просто, она требует планов на всё: от размещения склада и организации продукта до минимизации затрат на доставку посылок клиентов и сокращения маршрутов доставки. Журнал Wired описывает компанию как «огромную, сетевую, интеллектуальную машину по удовлетворению желаний покупателя».

Добавьте к этому тот факт, что Amazon, как и любая интернет-компания, собирает невероятные объёмы данных о своих потребителях. Обычный физический магазин не знает, какие продукты вы смотрите, сколько времени вы проводите, глядя на них, какие из них вы положили в корзину, а затем положили обратно на полку перед прибытием на кассу, или даже какие из них вы «хотите», чтобы они у вас были. А вот Amazon знает. Это цунами из данных не только связано с информацией о потребителе, но и простирается по всей цепочке поставок, и компания использует эти данные в своих интересах везде, где это возможно. Её задачи планирования выходят за рамки того, с чем сталкивалась какая-либо крупная компания в доинтернетную эру. Это скорее оптимизация «больших данных» — наборов данных, которые производятся с такими огромными объёмами, разнообразием и скоростями, что традиционные методы обработки данных и программное обеспечение уже не справляется.

Масштабы Amazon — её стремление быть «магазином всего» — создает значительные проблемы для ИТ-систем. Одно дело — доставить даже тысячу продуктов в сто или тысячу розничных магазинов, как это делает традиционный продавец. Другое дело — поставлять миллионы продуктов миллионам клиентов. Проблемы, которые Amazon приходится решать, чтобы быть наиболее эффективным, могут быть очень сложными, даже если на первый взгляд они таковыми и не кажутся.

Складские и транспортные проблемы, упомянутые выше, являются особым классом математических задач, известных как «задачи оптимизации». В задаче оптимизации мы стремимся сделать что-то наилучшим образом, с учётом ряда ограничений на наши действия (т.н. «граничных условий»). Пусть, к примеру, вам даны три возможных маршрута через город, чтобы доставить пакет. Скажем, что будет быстрее, учитывая количество светофоров и улиц с односторонним движением? Или, что более реалистично для Amazon, в доставке некоторого ежедневного количества посылок компания ограничена графиком авиарейсов, скоростью самолётов, наличием развозных грузовиков и множеством других ограничений, вдобавок к городскому дорожному движению. Есть также случайные события (например, плохая погода), которые могут закрывать аэропорты, и, хотя их возникновение и является случайным процессом, они также более вероятны в определённых местах и в определённое время.

Каждый день, когда вы ездите на работу, вы решаете относительно простую задачу оптимизации. Но математика оптимизации очень сложна для проблем с большим числом ограничений. При достаточном числе переменных для оптимизации и достаточном числе ограничений даже самый мощный суперкомпьютер, который мы можем построить, вооруженный наилучшим алгоритмом, который мы можем разработать, был бы неспособен решить некоторые из этих задач в течение нашей жизни, а некоторые — даже в рамках жизни Вселенной. Многие из задач Amazon попадают прямо в такие категории.

Таким образом, в то время как патенты на доставку с помощью беспилотников привлекают всё внимание СМИ, истинные чудеса, на которых строится его работа — это эзотерические математические методы, которые помогают ему решать и и упрощать свои оптимизационные задачи. Например, вот эти ключевые патенты помогают Amazon планировать оптимальное перемещение товаров от складской полки до вручения покупателю. Часть решения этой задачи включает в себя «балансировку нагрузки»: и так же, как ваш компьютер перемещает задачи, чтобы Винда не зависла, Amazon решает, где построить свои огромные склады и как распределять продукты между ними, чтобы ни одна из частей их системы не перегружалась.

Для ясности отметим: методы планирования Amazon не являются полными и идеальными решениями задач оптимизации, решение которых запросто может отнять больше времени, чем время жизни Вселенной. Вместо этого они просто дают лучшие приближения, чтобы обойтись без взрывного увеличения математической сложности. Тем не менее, Amazon по-прежнему предпочитает планировать, а не оставлять оптимизацию на откуп ценовым сигналам с рынка. Инженеры Amazon разбивают задачи на более мелкие части, упрощая их или находя другие способы, позволяющие компьютеру решить их за секунды, а не за столетия. Amazon ставит себе цель сделать задачи разрешимыми, а не решить их с абсолютной точностью.

Опять же, возьмите задачу доставки заказов по самой низкой стоимости. Даже точный ответ на, казалось бы, простой вопрос о самом дешёвом способе доставки ежедневных заказов — и тот может быстро выйти из-под контроля. Нет единственно верного и самого лучшего способа отправить один заказ из тысяч или миллионов отправленных в данный день, потому что стоимость каждого заказа зависит от всех остальных. Будет ли заполнен самолет из центра UPS «Worldport» в Луисвилле (штат Кентукки), в город Феникс в Аризоне? Ещё один парень с вашей улицы заказал электрическую зубную щетку с экспресс-доставкой — или ее можно доставить вместе с вашей книгой на завтра? Сложность постепенно усиливается ещё больше, когда Amazon рассматривает не только всевозможные альтернативные маршруты, которые она контролирует, но и предусматривает возможность случайных событий (таких, как суровая погода) и пытается предсказать заказы на следующий день. Задача оптимизации распределения заказов имеет сотни миллионов переменных и не является простым решением. Проблема настолько сложна, что нет и приближений, которые могли бы принять во внимание каждый аспект проблемы.

Но, несмотря на такие проблемы, процесс планирования в Amazon не разваливается. Хотя Amazon выезжает не только на мощных алгоритмах, но и на ужасных условиях труда, низких налогах и низкой зарплате, она всё-таки функционирует. Проблемы планирования, с которыми сталкиваются отдельные корпорации в условиях капитализма, всё же имеют приблизительные, «достаточно хорошие» решения. Как утверждает эта книга снова и снова, планирование широко распространено внутри «чёрного ящика» этой корпорации, пусть оно и является «достаточно хорошим», а не совершенным.

И вся соль как раз в том, чтобы найти наилучшие возможные (хотя и не полные) приближения. Математики Amazon работают над тем, чтобы ужать до подъёмных размеров неразрешимо сложные задачи; чтобы строить планы, которые не растягиваются на бесконечное время, не реагируют на все возможные случайные события, которые могут произойти на каждом шаге — и при этом просто работают. То есть — подобраться как можно ближе к правильному планированию в реалистичные сроки и с использованием доступной вычислительной мощности. А когда для поиска наилучшего приближения исходной задачи не удаётся использовать «алгоритм алгоритмов» и рассчитать его математически точно, то в игру вступает творчество.

С ростом вычислительной мощности и развитием математической науки наши решения оптимизационных задач становятся лучше и лучше. Задача планирования заключается не в 100% точности, а в эффективном использовании доступных вычислительных ресурсов, чтобы добиться 80% (а то и 95%) на пути к идеалу. В конце концов, рынок тоже не на 100% точен, цены постоянно меняются, и экономика всё равно постоянно регулируется. Вопреки фантазиям об экономическом равновесии из курса «Экономикс», реальные рынки зачастую даже не приближаются к идеальной синхронизации между тем, что мы хотим, и тем, и что производится.

 

Структура среди хаоса

Описание Amazon как большой машины планирования не слишком соответствует её образу как иконы хаотической «новой экономики». Но ещё до того, как Кремниевая Долина стала центром глобального капитализма, планирование обычно хорошо скрывалось за фасадом конкуренции. Сегодня фасад стал только богаче: всё, что вы видите, это красивый веб-сайт, а затем посылку у вашего порога. Тем не менее, на первый взгляд за кулисами Amazon видно хаотическое метание самых разнообразных предметов, шныряющих взад и вперёд между складами, поставщиками и конечными пунктами назначения. По правде говоря, Amazon специализируется на высоко управляемом хаосе. Двумя лучшими примерами этого являются система «хаотичного хранения», которую Amazon использует на своих складах, и система рекомендаций, которая жужжит на фоне веб-сайта Amazon и рассказывает вам, какие книги или садовые материалы могут вас заинтересовать.

Система рекомендаций Amazon — важное подспорье для быстрого успеха компании. Эта система обычно даёт полезные подсказки (кстати, иногда получаются весьма смешные сочетания вроде «часто покупают вместе: бейсбольную бита + черная балаклава»), которые появляются в разделе «Клиенты, которые купили X, также купили Y» на их сайте. Система рекомендаций решает некоторые информационные проблемы, которые исторически были связаны с планированием. Это важнейшее новшество для всех для мечтателей о плановых экономиках, которым также удастся удовлетворить потребительские потребности, этот исторический бич старой сталинской экономики. Чем больше людей, тем сильнее хаос индивидуальных вкусов и мнений сгущается во что-то полезное. Вселенная самых разрозненных оценок и обзоров — всегда неполных и часто противоречивых — может, если разбирать их правильно, предоставить очень полезную и прибыльную информацию.

Amazon также использует систему, которую он называет «совместная фильтрация товаров». Компания совершила прорыв, разработав свой алгоритм рекомендаций, чтобы избежать подводных камней, на которые натыкались прежние рекомендационные системы. Система Amazon не ищет сходства между людьми: такие системы не только медленно работают, если нужно собрать досье на миллионы людей — но и врут о значительных совпадениях между людьми, чьи вкусы на самом деле очень разные (например, хипстеры и бэби-бумеры, которые покупают одни и те же бестселлеры). Amazon также не группирует людей в «сегменты» — это часто приводит к чрезмерному упрощению рекомендаций, игнорируя сложность индивидуальных вкусов. Наконец, рекомендации Amazon не основаны на простом сходстве (например, в случае книг, это будет сходство ключевых слов, авторов или жанров).

Вместо этого алгоритм рекомендаций Amazon находит связи между товарами на по активности людей. Например, руководство по ремонту велосипедов могут регулярно покупать вместе с определенным набором ключей Allen, хорошо подходящих для велосипеда, даже если этот набор изначально и не позиционировался как велосипедный. Связь между этими двумя предметами может быть не слишком явной, но для Amazon достаточно, чтобы некоторые люди покупали или просматривали их вместе. Собирая воедино миллионы взаимодействий людей и вещей, алгоритм Amazon создаёт виртуальную карту своего каталога, которая очень хорошо адаптируется к новой информации, даже экономя драгоценную вычислительную мощность по сравнению с альтернативами — более неуклюжими системами рекомендаций, которые пытаются соответствовать похожим пользователям или найти абстрактные сходства.

Вот как исследователи в лабораториях IBM описывают рекомендации Amazon: «Когда они учитывают поведение других пользователей, совместная фильтрация использует групповые знания, чтобы формировать рекомендации на основе похожих пользователей».

Такая фильтрация — ответ на одну из претензий Хайека, выдвинутых к его социалистическим противникам в расчётной дискуссии 1930-х: что только рынки могут собирать и применять информацию, разбросанную по всему обществу. Эпоха больших данных доказывает, что Хайек ошибается. Сегодняшние целенаправленно спланированные ИТ-системы начинают извлекать «групповые знания» (коллективный разум или общая информация, которая возникает только в результате взаимодействия внутри или между группами людей) из наших индивидуальных потребностей и желаний. И Amazon не просто отслеживает рыночные транзакции. Помимо того, что вы покупаете, компания собирает данные о том, что вы просматриваете; о путях, которые вы проходите между между предметами; о том, как долго вы остаётесь на странице каждого товара; что вы размещаете в своей корзине только для того, чтобы удалить его позже — и обо многом другом.

Хайек не мог и представить себе тех титанических объёмов данных, которые сегодня можно хранить, чтобы манипулировать ими вне рыночных взаимодействий (и, честно говоря, даже многие марксисты предполагали, что бесчисленные капризные переменные, связанные, в частности, с подверженными моде потребительскими товарами, никогда не дадут их социализировать). Хотя Хайек, безусловно, и восхищался бы капиталистами вроде Джеффа Безоса, которые владеют этими данными и используют их для того, чтобы сколотить из них свои непристойно большие состояния. Сладкая ирония здесь в том, что большие данные, которые создают и открывают столь много новых знаний, могут однажды облегчить и то, на что, по мнению Хайека, способны только рынки.

На самом деле, от системы рекомендаций до патента Amazon на «упреждающую доставку» осталось не так уж и далеко. И это не очередная инфоцыганская лапша в духе TED Talks. Причина, по которой это невероятное, казалось бы, сверхъестественное явление распределения действительно может сработать — не результат психологического обмана или подсознательного рекламного внушения, а строится на обычной оценке спроса. Благодаря огромным наборам данных, которые измеряют отношения между продуктами и людьми, Amazon уже очень успешно определяет спрос на конкретные продукты, вплоть до невообразимого ранее уровня детализации.

Остаётся главный вопрос для сторонников равенства: чей спрос учитывать и насколько? При капитализме один доллар значит один голос. У кого толще кошельки, те и будут диктовать обществу, что производить — просто за счёт своей гораздо большей, чем у простолюдинов, покупательной способности. Так мы получаем несколько супер-яхт у олигархов вместо массового жилья для всех — и мы можем сказать то же самое о любых товарах, когда дело доходит до того, каким потребительским товарам отдать приоритет производства и распределения. Увы, в нашей абсурдной системе конечной целью всех рекомендаций по продуктам является увеличение продаж и прибылей для Amazon…

Учёные по анализу данных также обнаружили, что не отзывы клиентов, как бы много их ни было, а именно рекомендации действительно повышают продажи Amazon. Рекомендации помогают продавать не только непопулярные нишевые предметы — когда трудно накопать информацию о товаре, даже одной рекомендации может хватить, чтобы на нас повлиять — но и бестселлеры, которые постоянно всплывают у нас перед глазами, когда мы сидим в интернете.

Система рекомендаций, выведенная за рамки корпоративных интересов Amazon — это способ управления и интеграции большого социального труда. Многие из нас бесплатно, не ожидая никакой награды, тратят время и силы на написание отзывов и раздачу звёзд продуктам — или просто бездумно просматривая Amazon и другие технологические платформы. Это работа, от которой выигрываем и мы, и остальные. Даже в течение одного дня мы можем неоднократно заниматься неоплачиваемым трудом, чтобы оценить всё: от относительно безобидных вещей, как качество звонков в Skype, до более серьезных, как сообщения, комментарии и ссылки на Facebook и Twitter. Или до вопросов, сильно влияющих на жизнь отдельных людей, таких, как «качество» водителя Uber. Но только при капитализме социальный труд многих превращается в прибыль для горсточки элитариев: фильтрация может быть сколь угодно «совместной» и «коллаборативной», но вот интересы, которые она служит, являются конкурентными — и очень частными.