Когда Безос доложил об этом своему шефу, тот не очень-то заинтересовался. В информационную эпоху книжная отрасль казалась отсталой. Но Безос никак не мог забыть об этом. Не имея ограничений на число книг на складе, он мог выставлять на витрину в сотни, тысячи раз больше наименований, чем отраслевые гиганты вроде Borders или Barnes & Noble, и при этом обеспечить клиенту более душевные впечатления от покупки, чем крупные сети.
Он решил: Amazon должен усовершенствовать процесс открытия. Задачей персонализированного магазина было помогать читателям находить книги и представлять им новинки. Но как?
Безос начал думать, как научить этому компьютеры. Над этой серьезной проблемой бились немало инженеров и ученых в исследовательских учреждениях вроде MIT и Калифорнийского университета в Беркли начиная с 50-х. Эта область изысканий называлась «кибернетикой»[57]. Слово было позаимствовано у Платона, который обозначал им саморегулирующуюся систему, например демократию. Для первых специалистов в этой области самым захватывающим занятием было создавать системы, способные подстраивать самих себя на основе обратной связи. За несколько десятилетий они заложили математические и теоретические основания, обеспечившие Amazon значительную часть его роста.
В 1990 году группа ученых в исследовательском центре Xerox в Пало-Альто (PARC) применила кибернетический подход к новой проблеме. PARC известен своими идеями, которые затем подхватывали и коммерциализировали другие компании — достаточно вспомнить графический пользовательский интерфейс и компьютерную мышь[58].
Исследователи из PARC, как и многие продвинутые компьютерные специалисты в то время, оказались в числе первых профессиональных пользователей электронной почты: они отправляли и получали сотни сообщений. Электронная почта оказалась прекрасным изобретением, но ее минусы тоже стали быстро очевидны. Когда послать сообщение любому количеству людей ничего не стоит, вы быстро тонете в потоке бесполезной информации.
Чтобы уследить за этим потоком, команда PARC принялась изобретать процесс, который они назвали «коллаборативной фильтрацией»[59] и воплотили в программе Tapestry[60]. Она отслеживала, как люди реагируют на получаемые электронные письма: какие сообщения открывают, на какие отвечают, какие удаляют, — и затем использовала эту информацию, чтобы более удобно организовывать входящие сообщения. Письма подобные тем, на которые люди реагируют активно, должны были перемещаться вверх списка, а такие, которые получатели часто удаляют или не открывают, сползали вниз. В сущности, это был инструмент экономии времени: вместо того чтобы процеживать кучу сообщений лично, вы могли положиться на помощь других в предварительной обработке полученных писем.
Естественно, эта система работала не только с электронной почтой. Tapestry, по словам ее создателей, была «разработана для управления любым потоком входящих электронных документов. Электронная почта лишь один из примеров такого потока; другие примеры — ленты информагентств и статьи онлайн-форумов»[61].
Tapestry представила миру коллаборативную фильтрацию, но в 1990 году такая услуга была не очень интересна. Интернет насчитывал всего несколько миллионов пользователей; он оставался маленькой экосистемой, и информации, подлежащей сортировке, было не так уж много, а пропускная способность каналов — не столь велика. Так что много лет коллаборативная фильтрация оставалась уделом компьютерных исследователей и скучающих студентов. Если бы в 1994 году вы отправили на адрес ringo@media.mit.edu список альбомов, которые вам нравятся, то получили бы в ответ письмо с рекомендациями новой музыки и рецензиями. На сайте сообщалось, что «один раз в час сервер обрабатывает все входящие сообщения и отправляет ответы»[62]. Это был ранний предшественник Pandora[63] — персонализированный музыкальный сервис для эпохи, когда широкополосного Интернета еще не существовало.
Но когда в 1995 году стартовал Amazon, все изменилось. С самого начала этот сайт представлял собой книжный магазин со встроенной персонализацией. Изучая, какие книги люди покупают, и используя методы коллаборативной фильтрации, изобретенные в PARC, Amazon мог выдавать рекомендации мгновенно. (О, вы берете «Руководство для чайников по фехтованию»? Может, возьмете еще «Очнулся слепым: судебные иски в связи с травмой глаза»?) И, отслеживая покупки, через какое-то время Amazon мог выделять пользователей с похожими предпочтениями. («Другие люди, которым нравится то же, что и вам, приобрели новинку этой недели—"Ангард!"») Чем больше книг люди покупали на Amazon, тем точнее была персонализация.
