|
Западные аналитики уже изучают механизм "коллаборативной фильтрации", применяемый в сети Интернет. В своих простейших формах коллаборативные фильтры, такие, как компании Firefly, сводят потребителей для обмена информацией об их предпочтениях. Предоставляя информацию о своих вкусах, новый потребитель входит в группу и заодно пополняет базу данных связанных предпочтений, т.е. помогая себе, помогает другим. Попросту говоря, коллаборативнын фильтр помогает найти новый товар, например, книги, которые имеют шанс понравиться. Разработанная технология применима для поиска потенциально "конгениальных" (подходящих, соответствующих) компакт-дисков, новостей, веб-сайтов, программного обеспечения, путешествий, финансовых услуг н ресторанов, а также подбирать группу по интересам. Все эти услуги уже имеются или вскоре появятся на Firefly. На всех современных узлах с рекомендательными системами производится опрос пользователей в явном виде составляется рейтинг(и) товаров и услуг, а затем выдается необходимая информация и рекомендация. Функция рекомендательных систем прогноз вкусов конкретного пользователя на основе анализа предпочтений сообщества пользователей. Поскольку наиболее сложная и интенсивная "обработка" выполняется людьми, а не машинами, и математические методы, лежащие в основе технологии коллаборативной фильтрации, являющейся ключевым компонентом рекомендательных систем, очень просты, то вычисления могут производиться в реальном времени. Это большое достоинство, поскольку индивидуализация информационного наполнения не влияет на прочие функции веб-узла. Рекомендательные системы применимы в коммерческой деятельности в Web для поиска потенциальных покупателей того или иного товара и определения целевой аудитории рекламных объявлений. Коллаборативная фильтрация займет достойное место в электронной коммерции. Данную технологию можно использовать и неявным образом, на основе анализа действий пользователя во время посещения узла (например, отслеживается "перекладывание" товара в корзину с последующим отказом от его приобретения). Коллаборативная фильтрация предоставляет примеры того, как информационные технологии изменяют методы функционирования потребительских рынков. А на следующем уровне коллаборативная фильтрация |
120 Неудивительно, что Интернет-магазин Amazon постарался избежать признания в том, что проводит ценовую дискриминацию среди своих покупателей, т.к. в CILIA ценовая дискриминация преследуется законом Клейтона, если она ограничивает конкуренцию. Насколько ограничили конкуренцию беспрецедентные действия Интернет-магазина вопрос спорный, и судебные заседания бы затянулись надолго. Главный же вывод, который можно сделать из этого случая, состоит в том, что совершенная ценовая дискриминация становится возможной даже на мировом рынке, и не исключено, что от повсеместного назначения индивидуальной цены нас отделяют считанные годы, если не месяцы. Западные аналитики уже изучают механизм "коллаборативной фильтрации", применяемый в сети Интернет. В своих простейших формах коллаборативные фильтры, такие, как компании Firefly, сводят потребителей для обмена информацией об их предпочтениях. Предоставляя информацию о своих вкусах, новый потребитель входит в группу и заодно пополняет базу данных связанных предпочтений, т.е. помогая себе, помогает другим. Попросту говоря, коллаборативный фильтр помогает найти новый товар, например, книги, которые имеют шанс понравиться. Разработанная технология применима для поиска потенциально "конгениальных" (подходящих, соответствующих) компакт-дисков, новостей, веб-сайтов, программного обеспечения, путешествий, финансовых услуг и ресторанов, а также подбирать группу по интересам. Все эти услуги уже имеются или вскоре появятся на Firefly. На всех современных узлах с рекомендательными системами производится опрос пользователей в явном виде составляется рейтинг(и) товаров и услуг, а затем выдается необходимая информация и рекомендация. Функция рекомендательных систем прогноз вкусов конкретного пользователя на основе анализа предпочтений сообщества пользователей. Поскольку наиболее сложная и интенсивная "обработка" выполняется людьми, а не машинами, и математические методы, лежащие в основе технологии коллаборативной фильтрации, являющейся ключевым компонентом рекомендательных систем, очень просты, то вычисления могут производиться в реальном времени. Это большое достоинство, поскольку индивидуализация информационного наполнения не влияет на прочие функции веб-узла. 121 Рекомендательные системы применимы в коммерческой деятельности в Web для поиска потенциальных покупателей того или иного товара и определения целевой аудитории рекламных объявлений. Коллаборативная фильтрация займет достойное место в электронной коммерции. Данную технологию можно использовать и неявным образом, на основе анализа действий пользователя во время посещения узла (например, отслеживается "перекладывание" товара в корзину с последующим отказом от его приобретения). Коллаборативная фильтрация предоставляет примеры того, как информационные технологии изменяют методы функционирования потребительских рынков. А на следующем уровне коллаборативная фильтрация может соединиться с "магазин-буксиром", т.е. системой, помогающей просмотреть цены различных продавцов интересующего товара и выбрать самые подходящие. Но самое любопытное может произойти, если данные об индивидуальных предпочтениях покупателей станут известны всем продавцам этого покупателя. Виртуальные витрины смогут подстроиться к вкусам конкретного потребителя к моменту его визита и максимально "опустошить" кошелек визитера. Как бы это ни происходило, процесс покупки не будет прежним. Как только магазины получат возможность участвовать в ценовой дискриминации, потребители, конечно, будут искать пути сопротивления этому. Один из путей анонимные покупки и наблюдение за тем, какие цены назначаются в случаях, когда не предоставляется информация о покупателе. Покупатели столкнутся с трудными максимизационными проблемами. Если будет отсутствовать ценовая дискриминация, и будет признано, что "прайвеси" (конфиденциальность данных о личности) является относительной ценностью, то для потребителя предельная стоимость такой информации о его поведении будет, вероятно, меньше, чем средняя стоимость для торговца каждой единицы информации в а1регированном профиле потребителя. Если рынки эффективны, тогда торговцы будут покупать такую информацию, что приведет к ситуации, когда в мире будет мало транзакционной конфиденциальности. Более того, потеря прайвеси не бесполезна: когда конкретный покупатель будет посещать виртуальную магазинную витрину, подогнанную к его предпочтениям, время поиска существенно уменьшится, и увеличится вероятность отыскать нужное. Это тем более эффективно, чем больше информации будет у торговца о покупателях.79 |