Формула. Универсальные законы успеха

Мануэль с командой разработал алгоритм[109] для систематического отделения популярности от потенциала. Чтобы продемонстрировать его в действии, они применили его для обнаружения «бриллиантов» в «грязи» MusicLab. Возьмем, например, великолепную песню «Went with the Count», которую контрольная группа поставила на вторую строчку рейтинга. Когда ее прослушал десяток испытуемых, она оказалась на двадцать пятом месте, что было довольно низко. Несмотря на низкий рейтинг, несколько участников эксперимента решили, что песня классная, а потому скачали ее. Благодаря этому композиция поднялась на несколько позиций в рейтинге. Немного позже, когда рейтинг изменился, следующий десяток испытуемых обнаружил на 25-м месте песню низкого качества. Участники эксперимента честно прослушали ее, но ни один из них ее не скачал. Алгоритм заметил разницу в количестве скачиваний и поднял потенциал песни «Went with the Count», одновременно снизив потенциал композиции-конкурента. Наблюдая за количеством испытуемых, решивших скачать песни с разных строчек рейтинга, алгоритм собирал все больше данных об истинном потенциале каждой из композиций.

Чтобы понять стадное чувство, Мануэль с командой могли использовать естественные перемещения каждой песни в списке вкупе с решениями каждого из испытуемых, анализируя следы, оставленные в данных. В конце концов их алгоритм выдавал для каждой композиции число, которым обозначался ее потенциал. Например, наименее скачиваемой песне он присвоил очень низкий коэффициент потенциала — 0,33. Коэффициент потенциала композиции «Went with the Count», которая заняла второе место в контрольной группе, составил 0,43. Для композиции «She Said», признанной всеобщим фаворитом, алгоритм выдал коэффициент 0,54. Иными словами, Мануэль смог выявить истинную конкурентоспособность каждой песни без учета переменчивого социального влияния.

Когда лучшие продукты определены, встает важный вопрос: как ранжировать песни, книги и любые другие продукты на своем сайте, чтобы люди находили именно то, что им хочется? Если все сделать правильно и поставить на видное место продукты, которые действительно интересуют потребителей, посетители сайта с большей вероятностью вытащат свои кредитные карты, чтобы что-нибудь купить. Стоит ли ранжировать продукты по популярности? Или лучше игнорировать социальное влияние и ранжировать песни по потенциалу? Ответ однозначен: показывайте лучшее! Когда песни расставили по популярности, испытуемые скачали их около пяти тысяч раз. Однако, когда их расставили по потенциалу, то же количество людей скачало их около семи тысяч раз. Количество скачиваний возросло на 40 процентов, и это наглядно демонстрирует, что мы доверяем качеству. Видя список, на который можно было ориентироваться, испытуемые скачивали композиции гораздо чаще, чем смотря на рейтинг популярности песен.

Наблюдая за поведением испытуемых в MusicLab, Мануэль с коллегами нашли способ обнаруживать «бриллианты» и определять, какие песни станут хитами. Позвольте мне повториться. Они смогли предсказывать хиты. Это невероятно, если вспомнить о множестве экспертов, которые, подобно Кейт Миллс, полагаются исключительно на «чутье», разбирая кипы рукописей у себя на столе и регулярно пропуская потенциальные блокбастеры. То же самое происходит и с нами, когда мы листаем бесконечный список рекомендаций на Amazon в надежде найти хорошую книгу. Может ли третий закон помочь нам с оценкой вариантов?

Помните студента Дашуня Вана, проект которого стал отправной точкой для исследования науки успеха в моей лаборатории? Получив докторскую степень, Дашунь устроился в IBM[110], где помог создать алгоритм, который отделял потенциал каждого продукта от стадного чувства, вступающего в дело при покупке книг. Ему пришлись кстати большие данные: он использовал более 28 миллионов оценок пользователей, накопленных за более чем семнадцать лет работы Amazon, и в реальном времени исследовал динамику, задаваемую третьим законом. Чтобы облечь результаты своих изысканий в знакомую форму, он перевел коэффициент потенциала каждого продукта в пятизвездочный рейтинг, который использует Amazon. Применив алгоритм, напоминающий алгоритм Мануэля, он выявил истинное количество звезд, которое имел бы каждый продукт, если бы социальное влияние не играло никакой роли. Сделав это, он проанализировал, как социальное влияние искажало оригинальный рейтинг продуктов.

Дашунь получил парадоксальные результаты. Чем больше было оценок у продукта, тем сильнее его итоговый рейтинг отличался от истинного потенциала. Странно, не так ли? Казалось бы, каждая следующая оценка продукта должна сглаживать категорически негативные и проплаченные позитивные отзывы, приближая рейтинг к честному «среднему».