скачать книгу бесплатно
Рост использования больших данных и анализа больших данных может принести четко выраженную экономическую эффективность в иных проявлениях. Например, возможно снижение издержек за счет оптимизации объемов складских запасов: достаточно «иметь необходимый объем запасов в нужном месте и в нужное время»
. Производители, дистрибьюторы и розничные торговцы могут использовать датчики (sensors) для отслеживания товаров и компонентов на всем протяжении цепи поставок, от производства до места продажи. Кроме того, онлайновые платформы способны высвободить экономические ресурсы на нескольких уровнях. Например, экономика совместного пользования (sharing economy) сулит повысить эффективность за счет большей прозрачности и устранения посредников. Появилась возможность немедленно получить выигрыш от недоиспользуемых в текущий момент активов – наших автомобилей, домов, электроинструментов и свободного времени. Чем большее число людей будет применять приложения для совместного использования транспортных средств, тем меньшему числу людей потребуется покупать автомобили. Сокращение числа автомобилей или личных поездок означает меньшие площади под гаражи и парковки. Пространство в центрах крупных городов (наподобие Сан-Франциско), где высока арендная плата, теперь может быть использовано для жилищного строительства и других плодотворных начинаний (productive endeavors).
Интернет-магазины сегодня уже используют сложные алгоритмы ценообразования, «которые учитывают такие факторы, как популярность той или иной позиции и текущих цен конкурентов» и «данные о вас – например, о том, где вы живете, когда делаете покупки, как часто посещали данный сайт и что приобретали раньше»
. Возможно, что эти цифровые операции с растущим участием машин создают более прозрачный рынок, на котором ресурсы размещаются эффективнее, а побеждает наилучший товар или услуга, причем по самой низкой цене. Новая рыночная среда предоставляет розничным продавцам способность лучше выявлять потребности клиентов и всё быстрее реагировать на рыночные изменения.
Ослабление власти продавца
Наконец, свойственные старому миру проблемы монополизации кажутся менее вероятными. Если онлайновые рынки увеличивают поток информации, прозрачность рынков, усиливают незатухающий (dynamic) инновационный процесс и в то же время снижают входные барьеры, то рыночная власть продавцов должна снизиться, а монополии должны встречаться все реже. Важно, что популярность поисковых машин, ССЦ и платформ интернет-торговли наподобие Amazon и eBay должны помешать поставщикам наживаться на плохо осведомленных потребителях с высокими информационными издержками
. «Наличие большого числа конкурирующих продавцов на едином сайте электронной коммерции усиливает конкуренцию, обеспечивая наилучшие предложения (offers) и цены. Оно также позволяет клиентам без труда сравнивать конкурирующие предложения по признакам торговой марки, качества, цены, быстроты доставки и по другим параметрам и выбирать те, которые больше всего соответствуют их потребностям»
, – отмечает компания Amazon.
Предположим, вас интересует покупка кофеварки конкретной торговой марки. Интернет-агрегатор способен показать вам цену этой кофеварки в различных онлайновых и офлайновых магазинах (внутримарочная конкуренция), а заодно и цены на продукцию других производителей кофеварок плюс соответствующие спецификации, особенности, гарантии и отзывы потребителей (межмарочная конкуренция). Рост как внутримарочной, так и межмарочной конкуренции способен дополнительно побудить производителей и розничных продавцов к снижению цен, повышению качества и улучшению обслуживания (например, предлагать бесплатный гарантийный ремонт). Гостиницы, туристические и страховые агентства, а также другие первичные поставщики конкурируют на прозрачных платформах: цена, обслуживание и другие параметры доступны для всех.
Рост использования интернет-агрегаторов на некоторых рынках действительно привел к снижению цен и, как следствие, к снижению нормы прибыли первичных продавцов
. Например, в одном эмпирическом экономическом исследовании обнаружилось, что в 1990-х гг. растущее использование сайтов сопоставления цен для страхования жизни снизило цены полисов на 8—15 % и увеличило потребительский излишек по меньшей мере на 115–215 млн долл. ежегодно
.
Помимо того, с ростом использования алгоритмов ценообразования нам практически не нужно беспокоиться насчет сговора – когда конкуренты в прокуренных гостиничных номерах договариваются зафиксировать цену, распределить между собой рынки и снизить выпуск. Если каждая компания использует собственный алгоритм ценообразования, позиции картелей могут стать менее устойчивыми. Действительно, прогресс алгоритмов ценообразования может в принципе привести к исчезновению картелей. Компьютеры не выказывают доверия, которое важно для успешности многих картелей
. И компьютеры не сговариваются между собой. «Сговор более вероятен, – отметило американское Министерство юстиции, – если конкуренты хорошо знают друг друга по личным знакомствам, отраслевым объединениям, законным деловым контактам и вследствие перехода сотрудников из одной компании в другую»
. Алгоритмы ценообразования, естественно, не «собираются группой в одном и том же здании или населенном пункте», и тем самым у них нет «легкой возможности экстренного общения»
. Напротив, зачастую предполагается, что алгоритмы, занимаясь холодными расчетами для максимизации прибыли, не договорятся с другими компьютерами и не доверятся им. Но даже если такое произойдет, они найдут способы не соблюдать никакие договоренности.
Ценовая дискриминация также должна стать менее вероятной. Накопление и сопоставление информации облегчает клиентам сравнение цен рекламируемых товаров, тем самым затрудняя выборочное повышение цен или ухудшение качества товаров для продавцов
. Потребители, вооруженные большим объемом информации, лучше ориентируются во всей линейке товаров-заменителей, наличие которых они могут учитывать, принимая решения о покупках
.
На пути к усилению конкуренции
В условиях роста онлайновых платформ (от поисковых систем до сайтов сопоставления цен) мы, казалось бы, движемся к усилению конкуренции. Цены должны неуклонно падать и приближаться к предельным издержкам. Полностью информированные продавцы и покупатели без труда выходят на рынок и покидают его; таковы водители компании Uber, которых привлекли возросшие тарифы, и они удовлетворяют пиковый спрос перевозками на личных автомобилях.
Итак, подъем цифровой экономики может быть благом. Мало кто жаждет предметов, модных в 1970-х гг. Зачем тогда тосковать по старой схеме конкуренции с ее картелями (включая урановые картели с поддержкой от государства) и монополиями наподобие Kodak и IBM? Если онлайновые рынки стимулируют рыночные силы, то ныне мы движемся к более здоровой конкуренции, при которой вхождение на рынок и уход с него становятся свободнее, покупатели и продавцы многочисленны и лучше информированы, цены приближаются к предельным издержкам, а компании осуществляют инновации, чтобы не остаться не у дел. Антимонопольная деятельность оказывается менее актуальной, так как монополии и картели становятся менее долговечными. Если говорить кратко, онлайновые рынки сулят нам свободу от монополий и контролеров доступа прежних времен, высвобождая колоссальные ресурсы по мере роста эффективности их использования.
2
Новая экономическая реальность: рост использования больших данных и анализа больших данных
Онлайновые рынки обладают многими привлекательными особенностями, которые сулят усилить конкуренцию и повысить качество нашей жизни. Что же приводит в движение эту новую экономическую реальность?
В данной главе мы рассматриваем, каким образом самообучающиеся алгоритмы и большие данные обеспечивают таким онлайновым платформам, как Amazon.com, конкурентное преимущество над офлайновыми тяжеловесами наподобие Wal-Mart Stores, Inc. (Walmart). Под действием напряженной конкуренции меняется розница. Реальность такова, что многим офлайновым торговым точкам нужно или приспосабливаться, или терпеть еще большие снижения продаж. По мере усиления «цифровой гонки» (data arms race) и активного перехода к алгоритмам ценообразования будет стираться граница между онлайновой и офлайновой розницей.
Walmart против Amazon на поле битвы
Если бы несколько лет назад вы размышляли над властью рынка и покупателя, вы бы, вероятно, вспомнили одну розничную компанию – Walmart
. Многие крупные и мелкие торговые фирмы могли бы подтвердить «влиятельность» компании Walmart: ее снабженцы «способны одарить тебя и разорить тебя»
. Казалось, что там, где появляется Walmart, малый бизнес и рабочие места исчезают и Мейнстрит
умирает
. В одном из номеров журнала BusinessWeek за 2003 г. на обложку был вынесен заголовок – «Является ли компания Walmart слишком влиятельной?». В соответствующей статье говорилось: «Чем больше и могущественнее становится это “чудовище из Бентонвилла”
, тем сильнее та негативная реакция, которую он возбуждает у розничных конкурентов, поставщиков, профсоюзов, общественников и культурно-политических прогрессистов»
. Как отмечалось в этой статье, стратегию масштабного расширения деятельности компании Walmart в американских городах сдерживало «нарастающее противодействие снизу»
.
Перенесемся в январь 2016 г. Компания Walmart объявила о закрытии 269 своих магазинов по всему миру, из которых 154 находились в США
. Почему произошло такое сокращение? Не рядовые прогрессисты угрожали компании. Нет, причиной кризиса стала онлайн-торговля. Ее клиенты всё активнее «используют компьютеры, планшеты и смартфоны, чтобы совершать покупки в интернет-магазинах [компании Walmart] и [ее] конкурентов и чтобы сравнивать цены в процессе покупок»
. Многие из нас, отправляясь за покупками, берут с собой смартфоны, чтобы просматривать магазинные цены и сравнивать их с онлайновыми, читать в интернете отзывы и т. д.
В результате вероятность покупок в офлайновых магазинах, даже если мы в них находимся, падает.
Сейчас компания Walmart очень старается наверстать упущенное в процессе ускоряющегося перехода к онлайновым продажам. Цель Walmart – обеспечить себе возможность «победить, совместив цифровой и физический формат»
. На укрепление сектора электронной коммерции в 2015–2016 гг. планировалось израсходовать 2 млрд долл. – гораздо больше, чем 700 млн долл., потраченные компанией на эти цели в 2014 г.
Так кто же выигрывал, пока компания Walmart теряла позиции? Amazon. Как заметил в 2015 г. финансовый аналитик с Уолл-стрит, «с каждым годом Walmart становится всё труднее конкурировать с Amazon»
. Выручка Walmart в 2014 г. в пять раз превышала выручку Amazon (486 млрд и 89 млрд долл.). Но стоимость компании Amazon на фондовом рынке по состоянию на середину 2015 г. превысила капитализацию Walmart более чем на 70 млрд долл.
Кроме того, чистый объем продаж (net sales) компании Amazon стремительно рос год за годом: 34 млрд долл. в 2010 г., 48 млрд долл. в 2011 г., 61 млрд долл. в 2012 г., 74 млрд долл. в 2013 г., 88,9 млрд долл. в 2014 г. и 107 млрд долл. в 2015 г.
Компания Amazon достигла годового объема продаж в 100 млрд долл. быстрее, чем любая другая компания
.
Такое ощущение, что эффективная сбытовая логистика традиционных магазинов компании Walmart уступает динамическому ценообразованию и анализу больших данных онлайн-торговли. Чтобы показать значимость обсуждаемых механизмов и их влияние на конкуренцию, сравним методы работы компании Amazon и офлайновой розницы.
Во-первых, ассортимент и количество доступных к заказу товаров сайта Amazon.com гораздо богаче, чем у любой офлайновой точки продаж. Компания Amazon и сторонние поставщики продают через эту платформу миллионы наименований товаров в десятках товарных категорий
. В 2014 г. объем продаж Amazon составил свыше 2 млрд товаров
, а сегодня она реализует гораздо больше книг, чем любая розничная книготорговая компания. Ее власть на книжном рынке стала очевидной при рассмотрении антимонопольного дела против Apple: ведущие издатели жаловались на свою неспособность односторонне (или без «критической массы») противодействовать тактике ценообразования компании Amazon
. Кроме того, ожидается, что к 2017 г. Amazon станет крупнейшим розничным продавцом одежды. Так, даже вездесущий магазин Gap собирается начать продажу своей одежды на суперплатформе компании Amazon. Отказ рассматривать эту возможность, как сказал главный исполнительный директор (CEO) компании Gap, был бы «неадекватным»
.
Во-вторых, по мере роста товарного ассортимента того или иного розничного продавца растет и практическое неудобство «ручной» корректировки цен. Сотрудникам пришлось бы обрабатывать огромные кипы данных для определения цены реализации. Кроме того, установление цен вручную (наподобие ручной простановки цен на консервах) могло бы занять месяцы, если не годы. Amazon использует компьютерные алгоритмы, которые массово собирают персональные данные и данные о состоянии рынка для постоянной корректировки цен на миллионы товаров. Алгоритмы ценообразования Amazon попали в газетные заголовки, когда привели к непреднамеренному повышению цены на книгу Питера Лоуренса «Изготовление мухи»
. В момент кульминации ее стоимость на сайте Amazon составляла 23 698 655,93 долл. (плюс 3,99 долл. за доставку)
. Невзирая на данное происшествие, Amazon «неустанно меняет цены, иногда пересматривая их чаще одного раза в день в ответ на действия других розничных продавцов»
. Алгоритмы компании способны быстро корректировать цены в зависимости от состояния рынка, в том числе от изменения цен у конкурентов. Например, стоимость аппарата для приготовления мороженого, согласно данным сайта CamelCamel-Camel.com (на нем отслеживаются цены компании Amazon), колеблется между 27,97 и 59,99 долл.
Некоторые цены меняются очень резко. Например, стоимость женских часов на сайте компании Amazon упала со 115 долл. до 57,50 долл. всего за несколько дней
.
В-третьих, по мере того как компания Amazon и другие онлайновые продавцы распространяют сферу действия своих алгоритмов ценообразования на другие торговые предложения, будет усиливаться давление конкуренции, побуждающее онлайновых и офлайновых розничных продавцов использовать актуальные алгоритмы ценообразования. Amazon олицетворяет эту нарастающую гонку алгоритмов ценообразования. Вот что отметили в одном венчурном фонде:
«В сегодняшнем мире, где для роста продаж такие компании, как Amazon, меняют цену и схему взаимодействия с потребителями в реальном времени, розничные продавцы не могут позволить себе пересматривать цены раз в неделю или месяц и надеяться на выживание, – сказал Скотт Джекобсон, управляющий директор фонда Madrona Venture Group. – Чтобы конкурировать, им нужны изощренные технологии, наподобие технологий компании Boomerang, которые позволяют производить мгновенные обновления в зависимости от изменений данных о состоянии рынка. Гуру
и его команда разработали технологию, которая позволяет уравнять правила игры, используя сотни миллионов элементов данных, чтобы помочь розничным продавцам автоматизировать и ускорить процесс принятия решений, что позволит добиться сочетания роста и прибылей (profitable growth)»
.
Как отметили в этом венчурном фонде, у компании Amazon есть достойные конкуренты. Boomerang Commerce, например, является лидером рынка в области компьютерной оптимизации цен. Алгоритмы ценообразования этой компании вносят изменения, ежеминутно проверяя более чем 100–150 элементов данных
. «Amazon при наличии сотен миллионов товаров может обновлять цены каждые 15 минут, – говорит основатель компании Boomerang. – Средний розничный продавец имеет гораздо меньше позиций, но корректирует цены лишь раз в 1–3 месяца»
. Конкуренция заставляет одного из клиентов Boomerang, компанию Staples, переходить на динамическое ценообразование: «У нас нет выбора. Цены меняются постоянно»
. Конкурентное давление вынуждает фирмы переходить на динамическое ценообразование и открывает новый фронт конкурентной борьбы между розничными продавцами. Алгоритмы ценообразования, оптимизируя цену в зависимости от имеющихся запасов и прогнозного спроса, уже преобладают при онлайн-продажах в сферах бронирования гостиничных услуг, туризма, розничной торговли, индустрии спорта и развлечений
.
В-четвертых, онлайновые розничные компании не могут просто разместить товары на своих сайтах и ожидать взлета продаж. Ключ к успеху – цифровые данные и, что важно, масштаб накопленных данных. Компании-операторы, которые контролируют онлайновые платформы, способны собирать персональные данные большого объема и многообразия и значительной потенциальной ценности. Обладание этими данными и способность быстро их анализировать может обеспечить оператору платформы важное конкурентное преимущество. Действительно, изначально компания Amazon продавала книги для того, чтобы собирать персональные данные состоятельных и образованных покупателей
. Кроме того, алгоритмы обучаются методом проб и ошибок в процессе поиска закономерностей (patterns) в растущем объеме и разнообразии цифровых данных. Amazon накапливает гораздо больше данных о своих пользователях, чем могли бы собрать многие розничные продавцы. Но ее офлайновых конкурентов больше пугает иное: по мере того как Amazon аккумулирует больше данных о своих пользователях и в условиях, когда алгоритмы компании получают больше возможностей для экспериментов (таких как побуждающее к дальнейшим покупкам отображение дополнительных позиций), ее ценообразование, естественно, становится всё более динамичным и дифференцированным. В общем и целом цены будут меняться быстрее, торговые предложения будут всё точнее учитывать индивидуальные вкусы конкретных покупателей, и произойдет ценовая оптимизация.
В-пятых, в области ценовых решений алгоритмы компании Amazon будут всё активнее соперничать с алгоритмами других продавцов (а не с людьми). Например, Jet.com, сайт электронной коммерции, основанный на бизнес-модели подписки, собрал свыше 200 млн долл., чтобы «сразиться с Amazon с помощью своей модели динамического ценообразования», и «обещает предлагать цены, которые на 10–15 % ниже, чем у конкурентов, в том числе у компании Amazon»
. По мере того как использование алгоритмов в оптовой и розничной торговле будет расти, эти алгоритмы за счет обучения на опыте (learning by doing) смогут лучше просчитывать действия конкурирующих алгоритмов и эффективнее на них реагировать.
Чтобы лучше конкурировать с онлайновыми гигантами наподобие Amazon, в составе основного программного сервиса компания Boomerang предлагает своим розничным клиентам «Динамический ценовой оптимизатор». Этот оптимизатор «начинает работу с анализа ценовых данных клиента и его конкурентов. Однако уникальной особенностью оптимизатора являются собственные алгоритмы компании-разработчика, которые включают в себя изощренные модели теории игр и теории портфельного инвестирования, фильтрующие данные почти для всякой переменной или любого желательного результата»
.
В-шестых, некоторые недостатки онлайновых покупок в настоящее время сглаживаются. Кому-то из покупателей, например, нравится, выходя из магазина с товарами, испытывать сиюминутное удовольствие. Сейчас онлайновые продавцы наращивают скорость, с которой товары доставляются на дом. Например, покупатели, подписанные на сервис Prime компании Amazon, могут теперь получить любой из миллионов товаров у своей двери в течение пары дней, если не в тот же день
. За дополнительную плату некоторые товары могут быть доставлены в течение часа
. Сегодня этот онлайновый поставщик может похвастать доставкой молочной, охлажденной и замороженной продукции, и удовлетворить почти все потребности человека
. Некоторые онлайн-магазины не только предлагают быструю доставку или возможность самовывоза в кратчайшие сроки, но и инвестируют в офлайновые магазины для поддержки своих интернет-продаж.
Рост использования больших данных и аналитики больших данных
Как показывает рассмотренный пример компании Amazon, сегодня наш мир онлайновой торговли во всевозрастающей степени зависит от больших данных и аналитики больших данных. Существуют различные определения понятия больших данных. Многие из них являются широкими и полными
. Хотя цифровые данные могут быть разными, здесь мы главным образом сосредоточиваем внимание на персональных данных, которые обычно означают «любую информацию, относящуюся к определенному или потенциально устанавливаемому лицу (субъекту данных)»
. Большие данные обычно характеризуют четырьмя свойствами: объемом цифровых данных; скоростью их сбора, использования и распространения; многообразием собранной информации; наконец, ценностью этих данных
.
Использование больших данных и их ценность возросли с ростом использования аналитики больших данных – способности разрабатывать алгоритмы, которые могут получать доступ к огромному количеству информации и анализировать ее. Кроме того, внедрение машинного обучения дополнительно стимулировало активность в данной области.
В недавние годы имели место прорывные исследования и грандиозный прогресс в деле разработки и развития умных самообучающихся алгоритмов, помогающих в принятии ценовых решений, планировании, торговле и логистике. Эта область привлекла значительные инвестиции в технологии глубокого обучения со стороны ведущих игроков рынка
.
В 2011 г. созданный компанией International Business Machines (IBM) компьютер Watson, победивший в телевизионной игре Jeopardy!
, продемонстрировал возможности подхода глубокого обучения, которые позволили ему оптимизировать свою стратегию методом проб и ошибок
. С тех пор IBM осуществляла инвестиции в расширение мощности и функциональности данной технологии. Цель компании – создать «эквивалент вычислительной операционной системы для перспективного класса приложений искусственного интеллекта, работающих за счет больших данных»
.
Недавний запуск компанией Google сети Deep Q показал достоинства усовершенствованной способности к самообучению. Компьютер настроили для прохождения старых игр компании Atari. Важно, что он не был запрограммирован, как реагировать на все возможные действия в игре. Лучше сказать, что он опирался на модели, которые позволяли ему «изучать» положения игры методом проб и ошибок, с течением времени улучшая свои результаты. Эта технология имитирует обучение человека за счет «изменения силы моделируемых нейронных связей на основе жизненного опыта. Сеть Google Brain, включающая 1 млн моделируемых нейронов и 1 млрд моделируемых нейронных связей, была в десять раз больше, чем любая прежняя глубокая нейронная сеть»
.
Методы глубокого обучения были также задействованы в технологиях, связанных с повседневной жизнью. Умные алгоритмы всё активнее используются для осуществления автоматической поддержки клиентов, электронной коммерции, онлайнового общения и для создания интерактивного контента для интернет-пользователей. Уже в 2015 г. Европейская инспекция по защите данных (European Data Protection Supervisor) отметила, что «алгоритмы способны понимать и переводить языки, распознавать образы, писать новостные заметки и анализировать медицинские данные»
. Например, компания Microsoft использовала данную технологию в своей операционной системе Windows Phone и в голосовом поиске Bing
; Google, Toyota, Apple, Audi и Jaguar – при разработке «беспилотных» автомобилей
; их также применяют при анализе фондовых рынков и в других операциях
.
Большие данные повышают роль аналитики больших данных, и наоборот. Ценность больших данных была бы ниже, если бы компании не могли быстро анализировать цифровые данные и принимать соответствующие решения. Машинное обучение, в свою очередь, основано на доступе к большим наборам данных. Как отметила Европейская инспекция по защите данных, «компьютеры, использующие глубокое обучение, учатся выполнять задачи, перерабатывая большие наборы данных с использованием (в числе прочего) нейронных сетей, которые имитируют биологические нейронные сети мозга»
. Способность алгоритмов к обучению увеличивается по мере того, как они обрабатывают большие количества релевантных данных. Считается, что простые алгоритмы, обрабатывающие большие массивы данных
, в итоге должны превосходить по эффективности сложные алгоритмы с малым объемом данных
. Это происходит, с одной стороны, благодаря способности алгоритмов обучаться методом проб и ошибок. Другой действующий фактор – выявление корреляций на основе наборов больших данных.
