你現在位於《商業周刊》全新推出的「管理頻道」,我們用最新的企業案例,帶你思考數位浪潮下該如何轉型、戰勝不景氣!
☛訂閱管理趨勢報,每週免費獲得管理頻道最新消息

人們都會期待「你給我什麼」?

有天晚上,我在瀏覽Netflix,看是不是有什麼東西可看,結果跳出來一部名叫《木馬贏家》(The Rocking Horse Winner)的電影(「因為您喜歡看《驚魂記》、《安妮霍爾》、《血風暴》」)。我點選了它,發現是一部1949年的片子,改編自勞倫斯的小說,講一個男孩,只要騎在玩具馬上,就能預測賽馬的贏家。這個故事和這部電影我都沒看過。

我在這件事所想的是,透過演算法來推薦,這套系統實在太厲害了:從歷史的垃圾桶裡,用一種看不到、超過我所能理解的方式,挑了一部沒人知道的電影。是什麼東西把《木馬贏家》跟伍迪艾倫的經典喜劇、希區考克的驚悚片和柯恩兄弟黑色幽默的西部片連在一起?我所做的評分動作是如何把這4部電影兜在一起?如果我喜歡希區考克,但是不喜歡《安妮霍爾》,這會給出其他的推薦電影嗎?

林登曾協助亞馬遜率先投入演算法的開發,他提醒我們,不要讓電腦太有能力去找出一些古怪的建議、「電腦只是在進行人類做的分析而已。」但是,創造這些電腦的人也承認,數學的宰制會越來越精巧複雜,變成像是電影《2001太空漫遊》裡頭的超級電腦一般的「黑盒子」,其行為不再能被決定或預測(這至少還是人類所獨有的特性)。

Netflix的推薦偶爾會惹毛我──一部亞當山德勒主演的電影?你在搞笑哦?

有這麼多影片可以看,這也就意味著要花更多的時間來決定要看什麼。於是,我已經慢慢可以接受,在一個常常感到困惑的時代,我已經沒時間去看過期的法國雜誌《電影筆記》(Cahiers du Cinéma),或是去翻唱片行外頭的特價花車了。我把一部分做決定和發現的過程交給電腦,或許也是有好處的。我們已經把記憶的誤差交由Google來負責了。

但是有一段時間,我還是很認真地研究我的Netflix演算法。每一部看過的電影,我都給評分,然後研究我會得到什麼推薦電影。我希望事情穩定下來,能掌握我的品味的曲折面貌。我想知道,我喜歡《屍變》(Evil Dead)並不表示我也喜歡其他的驚悚片。我想讓它不只是知道我喜歡什麼,而是我為什麼喜歡它。我想要的超過它所給的。

人們都喜歡「自我感覺良好」

Netflix手中握有關於人喜歡什麼、討厭什麼、對什麼按了讚、偏好是什麼的龐大資料,這種公司的出現提供了前所未有的機會,一窺那曾是難以理解的領域:判斷的行程、偏好的表達、品味的機制。

線上行為的範圍極為廣泛──被稱為電子口碑(electronic word of mouth)──在此,抽象、「無法言說」的品味概念遇上了具有協同式過濾演算法的網際網路規範,無序蔓延的數據集,還有那無窮無盡的活動紀錄。

基本上,任何一個按讚的回應都是無用的。這都可歸類為費斯曼(Ray Fisman)所說的「空口白話」問題。整體水平是透過數字,就可把雜訊過濾掉,脫離本體的部分可予以邊緣化,並達成統計上的共識。

葉林指出,「人們想要自我感覺良好。他們甚至可以幻想出自我形象──他們說他們喜歡哪種東西、他們會給某一部電影幾顆星、他們實際上看什麼電影。你可能會給《盧安達旅館》五顆星,給《美國隊長》兩顆星,「但你可能更喜歡看《美國隊長》。」

這並沒什麼稀奇。從韋伯倫(ThorsteinVeblen)開始,經濟學家就在談論我們「品味」的炫耀「記號」(不論是否誠實)。它們通常會往上流動:人們不會給《美國隊長》五顆星,給《盧安達旅館》兩顆星,然後偷偷看《盧安達旅館》。

我們都有這樣的時候,想要表現出自己心目中理想的自己。「我其實是個很不一樣的人,」劇作家何瓦特(Ödön von Horváth)如此寫道,「我只是從來沒機會去當他。」我想到伍迪艾倫的電影《呆頭鵝》(Play It Again, Sam)有一段,片中角色在約會之前,手忙腳亂地把咖啡桌上放滿很有氣質的書(「這些書如果你不讀的話,不能就這樣散在那裡,」他的朋友跟他抱怨,他的回答是「這會給人一個印象」)。

讓人好奇的是,Netflix的資料是隱私;沒有人會看到你選了什麼、對什麼有興趣。就像葉林說的,在此所牽涉的擬劇論指向一個人的自我。

這又牽涉到一個人類學家崔佛斯(Robert Trivers)和心理學家席柏爾提出的有趣問題:「自我欺騙是演給誰看?」高夫曼說人經常不得不去維持標準,「因為人相信有個看不見的人在看,如果未達標準,將會受到懲罰。」於是就有了「有罪惡感的歡愉」(guilty pleasure)的罪惡了,這個話題我們在後面還會探討。如果欺騙在演化上是個有用的策略,「在動物的溝通中是重要的」,那麼自我欺騙也變成「一個為了騙別人的防衛策略」。伍迪艾倫的劇中角色擺出這些書,讓自己感覺舒服些,也有助於說服自己是讀那種書的人,所以能幫他把約會搞定。

人們都有「收縮偏見」

這並不意味著,當照見自我欺騙的時候會是讓人愉快的。Netflix最常碰到的抱怨就是「你們為什麼要推薦那些只有兩、三顆星的電影給我?」換個說法,我不會喜歡的東西,你們為什麼要給我?但是Netflix並不是要把你變成影迷。它只是想讓你繼續看Netflix而已。這就像賭場經過精打細算,會設法讓你在賭博機器旁流連忘返。它想推薦你會看的電影,Netflix稱之為「契合」。

巫理柏說,「當有人給《辛德勒名單》評分的時候,通常給分會很高──相對於我看的《扭轉時光機》這種傻里傻氣的喜劇。」但如果你只給顧客四、五顆星的電影,「這不表示他們在辛苦工作了一整天的周三晚上會去看它。」

評分系統充滿了偏見。一般會避免最高和最低的一級──這叫做「收縮偏見」──所以2顆、4顆星的評分比1顆、5顆星的評論要多得多。阿瑪崔安指出,另一個統計的缺陷是,「我們知道評分的級距並不是線性的,一顆星跟兩顆星之間的差距,不同於兩顆星與三顆星之間的差距。」這中間平凡枯燥的地帶是相當泥濘不堪的。此外還有「整數偏見」,人傾向於給出整數的分數。

【書籍介紹】

品味選擇題:隱藏在Netflix、Spotify播放列表、亞馬遜評分中,推薦「你可能也喜歡」的思維演算祕密
You May Also Like: Taste in an Age of Endless Choice

· 作者: 湯姆‧范德比爾特
· 原文作者: Tom Vanderbilt
· 譯者: 吳家恆, 趙盛慈
· 出版社:大塊文化
· 出版日期:2017/08/30
· 語言:繁體中文

作者簡介

湯姆‧范德比爾特Tom Vanderbilt 

著有《馬路學》與《Survival City》(倖存城市)。為許多出版機構寫稿,擔任《連線》雜誌(英國)、Outside、Artforum雜誌特約編輯。並曾擔任紐約大學魯丁交通政策與管理中心客座研究員、加拿大建築中心研究員、公共空間設計信託基金研究員,獲得安迪沃荷基金會藝術寫作獎助。住在紐約布魯克林。

☛MBA明星講師開講、企業如何戰勝不景氣,都在《商業周刊》管理趨勢報