Безономика. Как Аmazon меняет мировой бизнес. Правила игры Джеффа Безоса - читать онлайн книгу. Автор: Брайан Дюмейн cтр.№ 21

Что касается догмата «быть по-настоящему ориентированным на долгосрочную перспективу», Безос знал, что создание и поддержание маховика — это долгий и тяжкий труд. Многие компании пытаются изобрести свой собственный маховик, но через несколько лет он им надоедает, они отказываются от него в пользу чего-то нового, переключаются на новую стратегию или следуют новой тактике. Это приводит к беспорядку, потерям времени и убыткам. Безос понимал, что на создание маховика уходят годы, а не месяцы, и не собирался сдаваться. Он смог убедить [137] Уолл-стрит не прекращать поддержку Amazon, когда с 2001 г. до середины 2010-х гг. компания терпела убытки или сообщала о невысокой прибыли, инвестируя при этом значительные суммы в инновации, которые понравились бы ее клиентам. Все основные новшества Amazon [138] — от Kindle до AWS и Echo — создавались многие годы. Даже после неудач, как в случае с посредственным Fire Phone, слишком поздно вышедшим на рынок, компания продолжала внедрять инновации, потому что Безос был глубоко убежден, что независимо от текущего результата эти усилия окупятся в долгосрочной перспективе. Так, кое-что из опыта неудавшегося Fire Phone было впоследствии учтено в имевшей успех умной колонке Echo.

Безос и в личной жизни применяет концепцию маховика. В Amazon он преподает курс лидерства для высших менеджеров. Учитывая постоянные сверхурочные и высококонкурентную рабочую среду в компании, генеральному директору часто задают вопрос о поиске баланса между работой и личной жизнью. Он, однако, не считает, что вопрос сформулирован верно, и предпочитает говорить о «гармонии между работой и личной жизнью». По мнению Безоса, не столь важно, сколько часов в неделю человек работает. Весь вопрос в том, заряжает ли работа энергией или истощает ее. «Я знаю, что если работа питает меня энергией [139], если я там счастлив, вношу свой вклад, ощущаю себя частью команды, то и дома я становлюсь гораздо счастливее, — утверждает он. — Точно так же, если я счастлив дома, я эффективнее работаю и лучше справляюсь со своими обязанностями босса… Некоторые люди приходят на совещание, и энергии вокруг становится больше. Приходят другие, и все вокруг просто сдуваются. Вам надо решить, каким человеком будете вы. Это маховик, круг, а вовсе не весы. Вот почему эта аналогия так опасна, она подразумевает неукоснительно соблюдаемый компромисс. Вы можете остаться без работы и все время посвящать своей семье, но на самом деле ситуация будет вас тяготить, да и семья не захочет постоянно находиться рядом с вами».

Концепция маховика довольно широко известна в деловых кругах с тех пор, как Джим Коллинз описал ее в книге «От хорошего к великому». Но то, чего добился с этой идеей Безос, поистине революционно. За последнее десятилетие он вывел ее на совершенно новый уровень. Для своего маховика он использует большие данные, искусственный интеллект и машинное обучение, причем с беспрецедентной скоростью, чтобы заставить его вращаться еще быстрее и уже самостоятельно. В своем письме акционерам в 2016 г. Безос объяснил мощь моделей машинного обучения: «Машинное обучение служит драйвером наших алгоритмов прогнозирования спроса, ранжирования в поиске товаров, системы рекомендаций, размещения товаров для их продвижения, выявления мошеннических действий, языкового перевода и многого другого». Умные алгоритмы каждый день, каждый час, каждую секунду учатся угождать клиентам Amazon, выясняя способы снизить цены или ускорить доставку, предлагая подходящие песни или фильмы или добиваясь того, чтобы Alexa правильно ответила на вопрос за несколько миллисекунд. Представьте себе эту новую итерацию концепции как маховик ИИ.

Десятки тысяч инженеров, специалистов по обработке данных и программистов, нанятых Безосом, превратили маховик ИИ в самообучающую машину, кибернетическое устройство с собственным интеллектом, которое анализирует в мельчайших деталях данные, собираемые Amazon о 300 млн своих клиентов. Машина решает, какие товары закупать, какие цены установить и где их хранить. Программное обеспечение на основе ИИ может анализировать огромные массивы данных, включая информацию о прошлых покупках клиентов, о товарах, добавленных в корзины, сохраненных в списке пожеланий, и даже о движении курсора мыши по экрану у покупателей, чтобы предсказать потенциальные заказы. Представим, что наступает лето и в Мертл-Бич любители пляжного отдыха начинают искать новый зонтик или солнцезащитный лосьон. Машина будет знать, что к этому времени нужно запасти побольше таких товаров на складах в Южной Каролине, чтобы клиентам Amazon не пришлось беспокоиться об их отсутствии или о несвоевременной доставке. И маховик продолжает вращаться.

Поначалу мне было трудно поверить в эту концепцию. Могут ли машины быть настолько умными, чтобы принимать бизнес-решения практически в режиме реального времени для сотен миллионов товаров, продаваемых Amazon по всему миру? Я знал, что ИИ становится все умнее и затраты на обработку огромных объемов данных снижаются, но рассказы об этих технологиях содержали слишком много беззастенчивой рекламы. Неужели машины так преуспели? Чтобы выяснить это, во время моего пребывания в Сиэтле я поговорил с Джеффом Уилки, главой Worldwide Consumer. Уилки начал работать в Amazon в 1999 г. и помог превратить компанию в логистического гиганта, а сейчас курирует всю глобальную электронную коммерцию, включая маркетинг, операционную деятельность, традиционную розницу, Amazon Prime, магазины Whole Foods и многое другое.

На первый взгляд Уилки — типичный руководитель технологической копании из Сиэтла: рубашка с расстегнутым воротником, широкие брюки и располагающие манеры. Под этой дружелюбной внешностью скрывается блестящий ум прекрасного логиста. Уилки, получивший диплом с отличием в Принстоне, диплом MBA и степень магистра в области химической технологии в Массачусетском технологическом институте, руководил фармацевтическим бизнесом AlliedSignal, прежде чем в возрасте 32 лет присоединиться к Amazon. В то время Amazon пыталась справиться с растущим количеством заказов, и Безос попросил Уилки реорганизовать складскую систему компании. Тогда со складов обычно отгружали небольшое число крупных заказов — например, ящики с сотней коробок кукурузных хлопьев, — но при этом не занимались обработкой миллионов мелких заказов, в чем нуждалась Amazon. Поэтому вместо того, чтобы нанять [140] обычных менеджеров склада, Уилки пригласил на работу исследователей операций и специалистов по обработке данных для создания системы, которая в результате выросла в очень гибкую складскую систему Amazon.

Летним днем я встретился с Уилки в его угловом кабинете с большими окнами, выходящими на центр Сиэтла. Когда я спросил, правда ли, что теперь маховик Amazon приводится в движение искусственным интеллектом, его глаза загорелись. «Я уже давно думаю об этой модели, — поделился он. — В прежние времена мы использовали данные, чтобы помочь в принятии решений, но окончательное слово было за людьми. То, что мы сегодня делаем с машинным обучением, позволяет в некоторых наиболее повторяющихся интеллектуальных процессах обойтись без человека».

Зададим, к примеру, вопрос, почему клиенты Amazon почти всегда могут найти на торговых площадках компании то, что они хотят, и своевременно получить заказ, независимо от того, в какой точке мира живут. До появления машинного обучения Уилки проводил еженедельные совещания по результатам розничных продаж, в которых участвовало до 60 менеджеров — по аналогии со знаменитыми утренними субботними совещаниями в Walmart. Все, кто так или иначе отвечал за спрос и предложение, сидели за столом — некоторые звонили из других регионов — и обсуждали, что закупать, сколько и какие склады в каком количестве товара нуждаются. Компьютерные системы компании предоставляли массу полезных данных о тенденциях продаж, на основании которых можно было принимать решения, но в любом случае это делали люди. Сегодня Amazon учитывает наиболее часто обсуждавшиеся за этим столом нюансы, например частоту ошибок при доставке, сдвиги в потребительском спросе, изменения срока доставки товара с завода на склад, и создает алгоритмы для принятия решений, основанных на этих факторах. «Мы смогли, — говорит Уилки, — замкнуть контур управления, чтобы людям больше не приходилось принимать решения. Мы автоматически размещаем заказы на закупку миллионов товаров».