.png)
Слушая музыку на популярных платформах, мы вряд ли задумываемся, по какому принципу в потоке появляется следующий трек или подбираются рекомендации. Дело не только в наших вкусах: выпускник РЭШ 2025 г. Эдуард Айрапетян* в дипломной работе показал, как платформы могут управлять системой рекомендаций для извлечения большей выгоды.
Цифровизация креативного контента значительно увеличила влияние дистрибуторов как на его создателей, так и на потребителей. Платформы обычно обладают доминирующим положением на рынке, располагают мощной инфраструктурой для поддержания работы, а также имеют доступ к большим данным. С помощью этих данных они могут очень точно выявлять предпочтения потребителей и рекомендовать им то, что понравится именно им.
Благодаря этому платформы могут создавать весьма хитрые стратегии. Может ли рыночная власть платформ влиять на воспроизводство культурного продукта – музыки, фильмов, книг?
Для ответа на этот вопрос я в своей работе создал теоретическую модель для анализа того, как платформы – распространители контента могут управлять системой рекомендаций для извлечения большей выгоды. Как пример такой платформы можно рассматривать «Яндекс Музыку».
Обычно платформы взимают одинаковую фиксированную плату за подписку вне зависимости от того, как много музыки слушает пользователь и как много он действительно готов за нее заплатить. При этом за каждый прослушанный нами трек платформы платят определенную сумму его авторам. Такая асимметрия является движущей силой механизма, который лежит в основе моей модели.
Размеры роялти могут быть разными: звезды и начинающие исполнители обладают разной переговорной силой. Например, шведская платформа Spotify предлагает исполнителям от $0,003 до $0,005, иногда в договор может входить помощь в продвижении. Именно возможность предлагать исполнителям разные условия создает для платформ стимулы продвигать ту музыку, за которую надо платить меньше.
Делать это помогает система рекомендаций. Благодаря ей платформа обладает огромным влиянием на то, что в конечном счете транслируется пользователю. Более того, сами его вкусы могут меняться в зависимости от того, какую музыку он слушает каждый день благодаря рекомендациям платформы. Недавнее исследование плейлистов Spotify это подтвердило.
Вкусы любого человека в первом приближении можно разложить на две части. Одна зависит от «общего качества» трека: как правило, любители всех жанров музыки ценят гармоничность, качество записи, голос исполнителя. Другая часть связана исключительно с нашими персональными пристрастиями. Об этом можно думать, например, как о предпочтительном жанре.
Наше внимание – это ресурс, у которого есть цена. Ее можно выразить в секундах, которые мы тратим на поиск или выбор и прослушивание трека. Платформа за счет рекомендаций минимизирует наши затраты и благодаря этому может перенаправлять потоки прослушиваний, предлагая именно ту музыку, исполнители которой хотят меньше денег.
Особенность новых цифровых платформ – у них практически неограниченное количество единиц контента, который постоянно обновляется. Чтобы найти свои «идеальные» треки, человеку пришлось бы потратить на поиск слишком много времени, можно считать, что искать придется бесконечно долго. Однако теперь с алгоритмами рекомендаций, основанными на машинном обучении, реализация этой задачи стала для платформы буквально бесплатной. Благодаря этому платформа может брать исключительно тот набор контента, за который ей нужно платить наименьшее количество денег, и уже из него предлагать пользователю то, что доставит ему наибольшее удовольствие – максимум в первой составляющей, жертвуя второй – «общим качеством». Упоминавшееся исследование с ярким названием «Борьба за власть на платформе: Spotify против крупнейших студий» показало, что плейлисты, составленные Spotify, продвигали новые независимые (и более дешевые) песни активнее по сравнению с плейлистами от мейджор-лейблов и больше, чем требовалось для их успеха.
Моя модель учитывает сложную динамику рынка, представляя в качестве отдельных стратегических акторов каждую часть этого конфликта. В модели три стороны: пользователи, создатели контента и платформа. У каждого из них свои рычаги влияния.
Пользователь последовательно просматривает рекомендации и останавливается, когда трек кажется ему «достаточно хорошим» по его личной планке: пролистывание стоит времени и внимания, поэтому бесконечно искать невыгодно. Эта планка автоматически «подстраивается» под стоимость поиска и под долю действительно удачных треков в каталоге: чем дороже внимание, тем охотнее человек выбирает ранние предложения; чем больше хорошего контента, тем выше становятся требования.
Платформа управляет первым показом и схемой выплат: она может настроить вероятность того, что в первый слот попадет более качественная вещь, а также установить разницу в роялти между «качественным» и «бюджетным» контентом.
Создатели контента решают, вкладываться ли в качество, сравнивая дополнительную выплату от более частого попадания в рекомендации с ценой своих усилий. Отсюда появляется порог усилия: все, кому вложиться относительно дешево, переходят в высокое качество, другие остаются в базовом. В равновесии доля качества в каталоге определяется сама собой через распределение этих затрат и выбранную платформой политику.
Оптимизация платформы идет «назад»: зная, как пользователи ставят планку, а авторы – порог усилия, она выбирает комбинацию приоритета первого слота и роялти, максимизируя прибыль от подписок за вычетом выплат. Важный механизм здесь прост: так как роялти – это ее предельные расходы, у платформы есть стимул с помощью рекомендаций смещать внимание пользователя к тем позициям, где платеж ниже.
Отсюда вытекают проверяемые предсказания.
· Если повысить приоритет качества в первом слоте, доля качественного потребления растет, пользователи листают меньше, готовность платить за подписку повышается, а создатели чаще вкладываются в качество.
· Если увеличить разрыв роялти, уменьшив выплаты авторам более дешевого контента, алгоритм начинает активнее продвигать дешевые треки, и общая доля качества снижается.
· Рост цены внимания делает аудиторию менее разборчивой и усиливает «власть» первого слота.
Эти эффекты можно калибровать и проверять на данных: короткими экспериментами с перестановкой первых позиций, пилотами с изменением роялти для ограниченной группы исполнителей или A/B-тестами уровня порогов рекомендаций. Тогда модель позволяет заранее оценить последствия любой настройки – от «минимальной ставки» роялти до мягких ограничений на собственный контент платформы – и выбрать режим, который балансирует интересы слушателей, авторов и самой платформы.
*Мнение автора может не совпадать с мнением редакции
