Fast food, który zna swoich klientów. Jak McDonald’s wykorzystuje dane do poznawania konsumentów

 

 Są takie momenty, kiedy człowiek zaczyna się zastanawiać, czy naprawdę kupił hamburgera, czy może właśnie podpisał zgodę na stworzenie własnego cyfrowego dossier. Wchodzisz do McDonald’s, zamawiasz coś, co zamawiałeś już dziesiątki razy, skanujesz aplikację, odbierasz punkty, korzystasz z kuponu i wychodzisz. Cała sytuacja trwa kilka minut i nie ma w niej nic, co wyglądałoby na szczególnie istotne. Nie masz wrażenia, że wydarzyło się coś więcej niż zwykły zakup jedzenia. A jednak po drugiej stronie tego banalnego zdarzenia może pozostać znacznie więcej informacji, niż rozsądny człowiek intuicyjnie zakłada. Nie tylko to, co zjadłeś. Także gdzie to zrobiłeś, kiedy się pojawiłeś, ile wydałeś, jak często wracasz, z jakich promocji korzystasz, jakie produkty wybierasz, a przede wszystkim jak zachowujesz się w czasie. Z pojedynczego zakupu powstaje punkt w historii. Z setek takich punktów powstaje wzorzec. A ze wzorca można już próbować przewidywać człowieka.

I właśnie ten ostatni etap jest dla mnie znacznie bardziej niepokojący niż sama skala gromadzenia danych. Przyzwyczailiśmy się bowiem do myśli, że firmy wiedzą o nas dużo. Wiemy, że program lojalnościowy pamięta nasze zakupy. Wiemy, że aplikacja zna nasze preferencje. Wiemy, że reklama potrafi pojawić się chwilę po tym, jak wyszukaliśmy konkretny produkt. Wiemy nawet, że sklepy internetowe potrafią całkiem nieźle odgadnąć, czego możemy potrzebować. Wszystko to jednak wciąż mieści się w naszej codziennej, trochę zrezygnowanej definicji cyfrowej rzeczywistości. Problem zaczyna się wtedy, kiedy przestajemy mówić wyłącznie o pamiętaniu przeszłości, a zaczynamy mówić o przewidywaniu przyszłości. Bo czym innym jest wiedza, że wczoraj zamówiłem dużą colę i frytki, a czym innym informacja, że system wyliczył, kiedy prawdopodobnie pojawię się ponownie, ile pieniędzy zostawię przy kasie i jakie produkty powinienem wtedy wybrać.

Ta różnica jest fundamentalna, choć na pierwszy rzut oka wygląda jak techniczny szczegół. Firma, która pamięta moje zachowanie, posiada historię. Firma, która na podstawie tej historii przewiduje moje kolejne ruchy, zaczyna posiadać model mojego zachowania. To już nie jest zwykła baza danych w potocznym znaczeniu tego słowa. To próba matematycznego opisania pewnej części człowieka. Jego przyzwyczajeń, rytmu dnia, skłonności do powrotów, reakcji na promocje, preferencji zakupowych i podatności na określone bodźce. Najbardziej niepokojące jest przy tym to, że taki model może powstać bez jednego wielkiego sekretu. Nie trzeba znać naszych poglądów, rozmów, rodzinnych problemów czy największych życiowych lęków. Wystarczy wystarczająco długo obserwować rzeczy pozornie banalne.

Dobrym przykładem jest historia Reece’a Rogersa, dziennikarza WIRED, który postanowił sprawdzić, co właściwie wie o nim McDonald’s. Dzięki przepisom obowiązującym w Kalifornii zwrócił się do firmy o udostępnienie informacji zgromadzonych na jego temat. Odpowiedź nie przyszła w formie krótkiego zestawienia kilku ostatnich zamówień. Rogers otrzymał dokument liczący 515 stron. Sam rozmiar tego materiału robi wrażenie, ale jeszcze bardziej interesujące jest to, co się w nim znalazło. Była tam historia zakupów, informacje o wizytach, lokalizacjach, wydatkach, wykorzystanych ofertach i punktach programu lojalnościowego. Były dane dotyczące skanowanych kodów związanych z loterią Monopoly oraz zdobytych w ten sposób nagród. Wszystkie te informacje można by jeszcze uznać za rozbudowaną wersję historii konta klienta. Tyle że na tym dokument się nie kończył.

Najciekawsza, a zarazem najbardziej niewygodna część dotyczyła przyszłości. Systemy McDonald’s nie ograniczały się do odpowiedzi na pytanie, gdzie Rogers był i co kupował. Próbowały również określić, co wydarzy się później. Na podstawie wcześniejszych zachowań algorytm oszacował, ile razy dziennikarz odwiedzi restaurację w ciągu kolejnych sześciu tygodni, ile średnio wyda podczas jednej wizyty i jaka będzie suma jego przewidywanych wydatków. W przypadku Rogersa system prognozował 2,16 wizyty, średnią wartość zamówienia na poziomie 13,49 dolara i łączne wydatki wynoszące 29,15 dolara. Wyliczono także prawdopodobieństwo utraty klienta przez program lojalnościowy, które zostało określone jako zero. Pojawiła się wewnętrzna klasyfikacja „CV2”, której znaczenia firma nie wyjaśniła.

Samo zestawienie tych liczb może wydawać się absurdalnie precyzyjne. 2,16 wizyty. 13,49 dolara. 29,15 dolara. Człowiek czytający taki raport może odruchowo pomyśleć, że przecież nie jest to przepowiednia, tylko statystyka. I oczywiście właśnie tym jest. Algorytm nie zna przyszłości, nie potrafi zajrzeć do kalendarza Rogersa ani zagwarantować, że w określony wtorek rzeczywiście zamówi jedzenie. Problem polega na czymś innym. Statystyczne przewidywanie ludzkiego zachowania staje się coraz bardziej użyteczne właśnie dlatego, że ludzie są mniej przypadkowi, niż lubimy o sobie myśleć. Wracamy w podobne miejsca, kupujemy podobne produkty, reagujemy na podobne zachęty, odwiedzamy restauracje o podobnych porach i wydajemy pieniądze w sposób, który z perspektywy dużej bazy danych zaczyna wyglądać zaskakująco regularnie.

To jest moment, w którym zwykły konsument zderza się z czymś, czego na co dzień niemal nie zauważa. Człowiek doświadcza swojego życia jako ciągu decyzji podejmowanych osobno. W poniedziałek zachce mu się kawy, w środę przypomni sobie o promocji, w piątek wracając z pracy zatrzyma się po jedzenie. Każda z tych decyzji ma własny kontekst i własne uzasadnienie. Dla systemu analitycznego nie są jednak trzema niezależnymi historiami. Są kolejnymi obserwacjami tego samego obiektu. Po kilkudziesięciu, kilkuset czy kilku tysiącach takich obserwacji zaczynają pojawiać się regularności, których sam zainteresowany może nigdy nie dostrzec. To, co dla człowieka jest przypadkowym zachowaniem, dla modelu może stać się cechą charakterystyczną.

Rogers został przypisany między innymi do kategorii „Popołudniowa przekąska” oraz „Lunch na wynos, gdy się spieszysz”. McDonald’s wskazał również San Francisco i Santa Barbarę jako główny obszar jego aktywności restauracyjnej, odnotowując łącznie 61 wizyt. System potrafił też wskazać produkty szczególnie istotne dla tego konkretnego klienta. Na pierwszym miejscu znalazła się duża Diet Coke, a wśród kategorii menu dominowały wrapy z kurczakiem. Dalej pojawiały się między innymi Spicy Snack Wrap, duże frytki Grinch McShaker, Double Cheeseburger, Ramyeon McShaker Fries, Buffalo Ranch Snack Wrap, Hot Honey Snack Wrap, Quarter Pounder with Cheese, duże frytki oraz 20 McNuggets. Można się z tego śmiać. Można uznać, że trudno o bardziej banalny zestaw danych. Można nawet powiedzieć, że nie ma w nim nic szczególnie intymnego. I właśnie dlatego warto się przy nim zatrzymać.

Bo prywatność nie znika wyłącznie wtedy, kiedy ktoś zna nasz największy sekret. Prywatność może kurczyć się także wtedy, kiedy ktoś wie o nas bardzo dużo rzeczy, z których każda osobno wydaje się całkowicie niegroźna. Godzina zakupu nie jest tajemnicą. Lokalizacja restauracji nie jest tajemnicą. Produkt kupiony podczas wizyty nie jest tajemnicą. Kwota rachunku nie jest tajemnicą. Wykorzystany kupon nie jest tajemnicą. Liczba wizyt również nie jest tajemnicą. Ale połączenie tych informacji zaczyna tworzyć coś jakościowo innego. Nie zbiór faktów, lecz opis zachowania. A kiedy taki opis jest wystarczająco długi, zaczyna pozwalać na wnioskowanie.

W tym miejscu kończy się wygodna opowieść o „danych potrzebnych do programu lojalnościowego”. Program lojalnościowy rzeczywiście musi wiedzieć, komu przyznać punkty. Aplikacja rzeczywiście musi wiedzieć, gdzie zrealizowano zamówienie. Firma rzeczywiście ma powód, by pamiętać historię transakcji. Wszystko to można logicznie uzasadnić. Tyle że technologia nie zatrzymała się na konieczności obsługi transakcji. Współczesny biznes zainteresowany danymi chce wiedzieć nie tylko, co klient zrobił, lecz także co prawdopodobnie zrobi. Chce rozpoznać moment, w którym przestaje być aktywny. Chce ocenić jego wartość. Chce wiedzieć, jakie produkty są dla niego najbardziej prawdopodobne. Chce wiedzieć, jak reaguje na promocje. Chce odpowiednio wcześnie zareagować, zanim klient rzeczywiście podejmie decyzję.

I tutaj pojawia się pytanie, które moim zdaniem jest znacznie ważniejsze od tego, czy McDonald’s „śledzi” swoich klientów. Samo słowo śledzenie jest zresztą kuszące, bo natychmiast buduje określony obraz sytuacji, ale niewiele wyjaśnia. Istotniejsze jest to, co przedsiębiorstwo może zrobić z wiedzą, którą posiada. Informacja o tym, że klient kupił określony produkt, ma ograniczoną wartość. Informacja, że klient kupuje go regularnie w określonych okolicznościach, jest już znacznie cenniejsza. Informacja, że z dużym prawdopodobieństwem zrobi to ponownie, pozwala zaplanować komunikację. A informacja, że określona oferta zwiększa prawdopodobieństwo powrotu konkretnego klienta, zaczyna mieć bezpośrednią wartość biznesową.

To właśnie dlatego tak bardzo niepokoi mnie sposób, w jaki przyzwyczailiśmy się mówić o danych. Najczęściej traktujemy je jak coś statycznego, co leży sobie gdzieś na serwerze. Tymczasem dane są surowcem dla procesów decyzyjnych. Nie chodzi wyłącznie o to, co firma wie. Chodzi o to, co może wywnioskować, przewidzieć, sklasyfikować i zoptymalizować na podstawie tego, co wie. Ten etap jest dużo mniej widoczny dla konsumenta, ponieważ nie musi pojawić się na ekranie telefonu. Nie musi być komunikowany wprost. Nie musi nawet wymagać żadnej dodatkowej interakcji z użytkownikiem. Algorytm może wykonać swoją pracę w tle.

Człowiek natomiast widzi aplikację. Widzi kupon. Widzi punkty. Widzi promocję. Widzi przycisk „zamów ponownie”. W najgorszym razie widzi spersonalizowaną ofertę i myśli, że system po prostu „dobrze go zna”. To sformułowanie brzmi niemal sympatycznie. Problem w tym, że „dobrze znać klienta” może oznaczać zupełnie różne rzeczy. Dla jednego przedsiębiorstwa będzie to zapamiętanie ulubionego produktu. Dla innego będzie to stworzenie wielowymiarowego modelu jego zachowania. Granica między jednym a drugim jest trudna do zauważenia właśnie dlatego, że użytkownik pozostaje na powierzchni całego procesu.

Jest w tym również coś psychologicznie przewrotnego. Ludzie bardzo często deklarują, że zależy im na prywatności, ale jednocześnie oddają dane za rzeczy o niemal zerowej wartości. Kilka punktów. Kupon na frytki. Darmowa kawa. Szybsze zamówienie. Wygodniejszy odbiór. Nie wynika to z głupoty. Wynika z tego, że koszt wydaje się odroczony, niewidoczny i abstrakcyjny, podczas gdy korzyść jest natychmiastowa i konkretna. Człowiek widzi oszczędność dwóch dolarów. Nie widzi modelu predykcyjnego, który będzie działał przez kolejne miesiące. Właśnie na tej asymetrii opiera się duża część współczesnej gospodarki danych.

Nie oznacza to oczywiście, że za każdym programem lojalnościowym stoi złowroga operacja profilowania, a każdy algorytm jest narzędziem podporządkowywania sobie konsumenta. Taka interpretacja byłaby równie łatwa, co intelektualnie leniwa. Personalizacja może być wygodna. Analiza historii zakupów może poprawiać działanie usług. Predykcja popytu może ograniczać marnowanie żywności. Dopasowane oferty mogą być dla klienta rzeczywiście użyteczne. Sam fakt, że McDonald’s analizuje zachowania klientów, nie jest dowodem na nadużycie. Firma ma prawo prowadzić działalność gospodarczą i wykorzystywać dane w granicach obowiązującego prawa. Problem zaczyna się tam, gdzie skala możliwości technologicznych rośnie szybciej niż społeczna świadomość tego, co właściwie oznacza zgoda na takie przetwarzanie.

W przypadku Stanów Zjednoczonych dochodzi do tego jeszcze szczególny kontekst prawny. Amerykański system ochrony prywatności jest skonstruowany inaczej niż europejski, a poziom ochrony konsumenta w zakresie danych osobowych jest bardziej rozproszony i w wielu obszarach mniej restrykcyjny niż w Unii Europejskiej. Kalifornijskie przepisy dają mieszkańcom określone prawa do informacji o tym, jakie dane są gromadzone i w jaki sposób mogą być wykorzystywane, ale nie oznacza to, że cała sytuacja jest odpowiednikiem europejskiego modelu ochrony danych. Porównywanie CCPA z RODO bez uwzględnienia różnic byłoby uproszczeniem. Jednocześnie właśnie dzięki temu przypadek Rogersa stał się tak interesujący. Konsument dostał możliwość zajrzenia za kurtynę i zobaczenia nie tylko tego, co firma wie, lecz także jak niezwykle szczegółowo może próbować opisać jego zachowanie.

To jest chyba najbardziej otrzeźwiająca część całej historii. Nie musimy sobie wyobrażać hipotetycznej przyszłości, w której wielkie korporacje będą tworzyć szczegółowe profile klientów. W pewnym zakresie ta przyszłość już nadeszła. Nie w formie filmowej inwigilacji, nie poprzez tajemnicze kamery i ludzi siedzących w ciemnych pomieszczeniach, lecz poprzez systemy, które wyglądają jak zwykła infrastruktura sprzedażowa. Aplikacja, kasa samoobsługowa, program lojalnościowy, kod QR, cyfrowy paragon, promocja, historia zamówień. Każdy element jest niewinny. Dopiero po połączeniu zaczynają tworzyć coś, co przestaje być niewinne w sensie psychologicznym.

Profesor Ari Ezra Waldman z University of California, Irvine, zwrócił uwagę na problem, który jest tutaj kluczowy. Pojedyncze informacje mogą być pozornie nieistotne, ale ich zestawienie oraz analiza mogą prowadzić do znacznie bardziej szczegółowych wniosków dotyczących zachowania człowieka. Ryan Calo z University of Washington również wskazywał na nierównowagę pomiędzy konsumentem a firmą dysponującą rozbudowaną infrastrukturą analityczną. To nierówność, o której rzadko myślimy przy kasie. Klient ma aplikację w telefonie i widzi kilka przycisków. Firma ma system, który widzi historię. Klient podejmuje jedną decyzję zakupową. Firma może analizować tysiące podobnych decyzji i porównywać je z zachowaniami innych ludzi. Klient zna własne motywacje. Firma zna statystyczne korelacje, których klient może nawet nie być świadomy.

W tym sensie określenie „komercyjny nadzór”, używane przez Jeffa Chestera z Center for Digital Democracy, nie jest wyłącznie efektownym hasłem. Jest próbą opisania zmiany, która zachodzi pod powierzchnią zwykłej sprzedaży. Nadzór nie musi już oznaczać obserwatora. Może oznaczać system pomiarowy. Nie musi polegać na tym, że ktoś siedzi i patrzy. Wystarczy, że infrastruktura automatycznie rejestruje zachowania, agreguje informacje, nadaje im znaczenie i wykorzystuje wynik do podejmowania kolejnych decyzji. Wtedy konsument nie jest już wyłącznie kupującym. Staje się źródłem ciągłego strumienia danych.

McDonald’s oczywiście przedstawia ten mechanizm z innej perspektywy i trudno odmówić tej argumentacji biznesowego sensu. Firma wskazuje, że wcześniejsze zakupy mogą służyć personalizowaniu doświadczenia klienta, dostarczaniu bardziej dopasowanych ofert, komunikatów i promocji, a dane są objęte zabezpieczeniami i możliwościami wyboru dotyczącymi prywatności. I właśnie tutaj zaczyna się jedna z najciekawszych sprzeczności całej historii. To samo narzędzie można bowiem opisać jako wygodną personalizację albo jako rozbudowany system profilowania. Oba opisy mogą być prawdziwe jednocześnie. Różnica tkwi w perspektywie.

Firma patrzy na dane jak na narzędzie poprawy doświadczenia klienta i efektywności biznesu. Konsument może patrzeć na nie jak na fragment własnego życia, który stopniowo trafia do infrastruktury należącej do prywatnej korporacji. Obie strony nie mają przy tym takiej samej wiedzy. Firma wie, jakie kategorie stosuje, jakie modele wykorzystuje, jakie zmienne bierze pod uwagę i jakie wyniki uzyskuje. Konsument najczęściej nie wie nawet, że został zaklasyfikowany. Może zobaczyć promocję, ale niekoniecznie zobaczy mechanizm, który zdecydował o jej wyświetleniu. Ta asymetria jest moim zdaniem znacznie ważniejsza niż sama liczba stron raportu.

515 stron brzmi spektakularnie, ale liczba stron jest w pewnym sensie najmniej interesującym elementem tej historii. Znacznie ważniejsze jest to, że z danych można stworzyć profil, którego człowiek sam nigdy świadomie nie sporządził. Nikt przecież nie usiadł przy biurku i nie zapisał: odwiedzam restauracje średnio tyle razy, najczęściej w takich okolicznościach, kupuję to, reaguję na tamto, a prawdopodobieństwo, że przestanę korzystać z programu, wynosi tyle. A jednak właśnie taki obraz może powstać. I co najbardziej paradoksalne, może być statystycznie trafniejszy niż obraz, który sami mamy o sobie.

To prowadzi do pytania, którego nie da się rozwiązać prostym „nie mam nic do ukrycia”. To zdanie jest jednym z najbardziej zdradliwych argumentów w dyskusji o prywatności, ponieważ zakłada, że prywatność służy wyłącznie do ukrywania rzeczy wstydliwych albo nielegalnych. Tymczasem prywatność jest również prawem do tego, aby nie być stale klasyfikowanym, przewidywanym i ocenianym przez systemy, których działania nie rozumiemy. Można nie mieć absolutnie nic kompromitującego w historii swoich zakupów i jednocześnie nie chcieć, aby ktoś tworzył na tej podstawie coraz dokładniejszy model naszego zachowania. To nie jest sprzeczność. To kwestia kontroli.

Jeszcze bardziej interesujące staje się to wtedy, gdy pomyślimy o skali. Rogers jest jednym klientem. Jego 515 stron jest interesujące dlatego, że pokazuje mechanizm na konkretnym przykładzie. Ale za nim stoją miliony innych użytkowników, z których każdy generuje podobne zdarzenia. Pojedynczy profil może być ciekawostką. Miliony profili stają się infrastrukturą biznesową. Wtedy nie chodzi już o jednego człowieka i jego dużą Diet Coke. Chodzi o system, który uczy się zachowań całych populacji klientów, wykrywa zależności, segmentuje użytkowników i wykorzystuje te informacje do przewidywania przyszłego popytu.

To właśnie tutaj porównania do służb specjalnych zaczynają być jednocześnie kuszące i niebezpieczne. Oczywiście McDonald’s nie jest agencją wywiadowczą, a korporacyjna analityka klientów nie jest tym samym co działalność państwowych służb. Cele, kompetencje, podstawy prawne i konsekwencje są zupełnie inne. Mimo to zestawienie to działa jako niewygodny eksperyment myślowy. Przez dziesięciolecia przyzwyczajaliśmy się do tego, że ogromne ilości informacji o obywatelach są domeną państwa, policji, wywiadu czy administracji. Tymczasem prywatne firmy stworzyły własne systemy gromadzenia danych o zachowaniach konsumentów, często znacznie bliższe codziennym decyzjom człowieka niż jakakolwiek instytucja publiczna.

I nie chodzi nawet o to, że korporacja „wie więcej” od państwa. Chodzi o to, że wie rzeczy innego rodzaju. Wie, co kupujemy, gdzie robimy zakupy, kiedy jesteśmy aktywni, na jakie oferty reagujemy, co powtarzamy i kiedy zaczynamy znikać. W świecie handlu takie informacje mają ogromną wartość, bo pozwalają przewidywać decyzje ekonomiczne. A decyzje ekonomiczne są częścią codziennego życia w stopniu, którego często nie zauważamy. Jedzenie, podróże, zakupy, rozrywka, transport, noclegi, płatności. Jeżeli te elementy zostają konsekwentnie zapisane i połączone, powstaje obraz człowieka znacznie bardziej szczegółowy niż pojedyncza historia transakcji.

Do tego dochodzi jeszcze jeden aspekt, który szczególnie trudno zaakceptować. W przypadku wielu usług nie mamy świadomości, jak długo informacje o nas pozostają użyteczne. Dla człowieka stary zakup jest wydarzeniem zamkniętym. Dla systemu analitycznego może być kolejnym punktem danych, który nadal wpływa na przyszłą klasyfikację. Właśnie dlatego czas jest tutaj tak ważny. Nie chodzi wyłącznie o to, ile firma wie dzisiaj. Chodzi o to, co może wywnioskować po pięciu latach obserwacji. Dzisiejszy zakup może być mało znaczący. Dziesiątki podobnych zakupów rozciągniętych na lata zaczynają tworzyć wzorzec. A wzorzec można wykorzystać do przewidywania kolejnych decyzji.

Najbardziej ironiczne jest to, że sami pomagamy budować te systemy. Nie dlatego, że ktoś nas do tego zmusza, ale dlatego, że wygoda jest niezwykle skuteczną walutą. Chcemy szybciej zamówić jedzenie. Chcemy dostać rabat. Chcemy mieć wszystko w jednej aplikacji. Chcemy nie szukać portfela. Chcemy dostać punkty za coś, co i tak kupilibyśmy bez programu lojalnościowego. Każda z tych decyzji jest rozsądna. Problem pojawia się dopiero wtedy, gdy spojrzymy na nie razem. Wtedy okazuje się, że system, który miał jedynie ułatwiać zakupy, przez lata otrzymuje coraz dokładniejszy zapis naszych przyzwyczajeń.

Nie ma w tym nic szczególnie sensacyjnego z perspektywy samego rynku. Podobne mechanizmy istnieją w wielu programach lojalnościowych i dużych sieciach handlowych. McDonald’s nie jest tutaj wyjątkiem, który nagle odkrył tajemniczą technologię pozwalającą czytać w ludzkich umysłach. Jego przypadek jest po prostu wyjątkowo dobrym przykładem, ponieważ udostępniony raport pokazuje w sposób niemal brutalnie konkretny, jak daleko może sięgać profilowanie klienta. Zamiast abstrakcyjnego hasła o „personalizacji” dostajemy liczby, lokalizacje, produkty, kategorie zachowań i prognozy przyszłych wizyt. Nagle marketingowy slogan przestaje być sloganem. Staje się dokumentem.

I właśnie dokument jest tutaj najważniejszy. Nie reklama, nie aplikacja i nie kolejny ekran z promocją. Dokument. Kilkaset stron informacji, które razem tworzą opis konkretnej osoby. Kiedy widzi się taki materiał, trudno nadal myśleć o programie lojalnościowym wyłącznie jako o niewinnym zbieraniu punktów. Zaczyna być jasne, że współczesny klient pozostawia po sobie ślad nie tylko w historii zakupów. Pozostawia wzorzec zachowania, który może zostać poddany analizie, klasyfikacji i prognozowaniu.

Europa ma oczywiście inne mechanizmy ochrony danych i znacznie silniejszą kulturę regulacyjną niż Stany Zjednoczone. RODO nie sprawia jednak, że europejski konsument przestaje być źródłem danych. Firmy nadal mogą gromadzić i przetwarzać określone informacje, jeśli mają ku temu odpowiednią podstawę prawną. Co więcej, współczesna turystyka sprawia, że nasze dane przemieszczają się razem z nami znacznie łatwiej, niż jeszcze kilka lat temu. Korzystamy z aplikacji sieci działających w wielu państwach, zapisujemy karty płatnicze, korzystamy z programów lojalnościowych podczas podróży, zamawiamy jedzenie za granicą i logujemy się do usług, które działają ponad granicami. Profil klienta nie musi więc kończyć się tam, gdzie kończy się jego codzienna trasa do pracy.

I chyba właśnie dlatego ta historia jest ciekawsza niż kolejny tekst o tym, że „korporacje zbierają nasze dane”. To wiemy od dawna. Prawdziwie interesujące jest coś innego. Zaczynamy żyć w świecie, w którym coraz więcej firm nie chce już tylko wiedzieć, kim byliśmy jako klient. Chce wiedzieć, kim prawdopodobnie będziemy za tydzień, za miesiąc i przy następnym zamówieniu. A kiedy system potrafi z dużym prawdopodobieństwem przewidzieć nasze zachowanie, granica między obserwowaniem a modelowaniem człowieka zaczyna się niebezpiecznie zacierać.

McDonald’s nie musi wiedzieć wszystkiego. Nie musi znać naszych sekretów, żeby stworzyć użyteczny profil. Wystarczy, że zna wystarczająco dużo drobnych rzeczy, które robimy regularnie. To być może najbardziej niewygodna lekcja płynąca z całej historii Reece’a Rogersa. Nasza prywatność nie składa się wyłącznie z wielkich tajemnic. Składa się również z tysięcy małych faktów, które nigdy nie wydawały nam się warte ochrony. Dopiero połączone zaczynają mieć znaczenie. I właśnie dlatego 515 stron raportu nie powinno być traktowane jako osobliwa ciekawostka z amerykańskiego rynku. To raczej zajrzenie przez uchylone drzwi do świata, w którym zwykły zakup może być początkiem znacznie bardziej rozbudowanej historii o człowieku.

Najbardziej niewygodne pytanie brzmi więc nie „czy McDonald’s wie, co zamawiam?”, ponieważ odpowiedź jest oczywista. Pytanie brzmi: **co jeszcze można wywnioskować o człowieku, jeśli przez kilka lat konsekwentnie zapisywać wszystko to, co robi przy okazji pozornie banalnych zakupów?** I właśnie na tym poziomie zaczyna się historia znacznie większa niż jedna sieć restauracji, jedna aplikacja czy jeden 515-stronicowy dokument. Bo kiedy spojrzymy na dane nie jak na zbiór zakupów, lecz jak na zapis ludzkich nawyków, nagle okazuje się, że najcenniejszą informacją nie jest to, co kupiliśmy wczoraj. Najcenniejsza może być ta, która pozwala komuś z dużym prawdopodobieństwem przewidzieć, co zrobimy jutro.

 Być może najbardziej interesujące w tym wszystkim jest to, że człowiek sam dostarcza systemowi materiału, z którego później powstaje przewidywanie. Nie robi tego pod przymusem ani nawet ze świadomością, że uczestniczy w jakimś rozbudowanym procesie analitycznym. Robi to dlatego, że pewne zachowania stają się wygodne, automatyczne i znajome. Zamówienie zapisane w aplikacji oszczędza kilka sekund. Ulubiona restauracja pojawiająca się na pierwszym miejscu usuwa konieczność szukania. Kupon daje poczucie, że tym razem udało się kupić coś taniej. Punkty sprawiają, że zwykły zakup zaczyna wyglądać jak mały krok w stronę nagrody. W pewnym momencie człowiek przestaje podejmować decyzję o udostępnieniu danych, ponieważ dane stały się ubocznym produktem codziennego zachowania. To właśnie wtedy mechanizm robi się naprawdę skuteczny. Nie wymaga ciągłej zgody emocjonalnej, wystarczy przyzwyczajenie.

Przyzwyczajenie jest zresztą jednym z najcenniejszych zasobów, jakie można odkryć w zachowaniu klienta. Nie dlatego, że człowiek jest przewidywalny w każdej sytuacji, ale dlatego, że pod wpływem powtarzalności zaczyna działać według pewnych schematów. Wybiera tę samą restaurację, bo zna smak. Wraca o podobnej porze, bo wtedy zwykle ma przerwę. Zamawia podobny zestaw, bo nie chce zastanawiać się nad menu. Korzysta z tej samej promocji, ponieważ wcześniej przyniosła mu satysfakcję. Z zewnątrz wygląda to jak banalna rutyna. Z perspektywy systemu jest to materiał do budowania prawdopodobieństwa. Człowiek nie musi być całkowicie przewidywalny. Wystarczy, że jego zachowanie w dużej liczbie przypadków będzie odrobinę bardziej regularne, niż sam chciałby przyznać.

Właśnie dlatego szczególnie interesujące są nie same zakupy, lecz powroty. Powrót jest bowiem decyzją, która zawiera w sobie znacznie więcej informacji niż pojedyncza transakcja. Oznacza, że wcześniejsze doświadczenie nie było wystarczająco złe, aby zerwać relację. Czasami oznacza również coś zupełnie przeciwnego. Człowiek może narzekać na jakość jedzenia, na ceny, na obsługę, na aplikację, a mimo to kilka dni później znów znaleźć się w tej samej restauracji. Z punktu widzenia zdrowego rozsądku wygląda to jak sprzeczność. Z punktu widzenia psychologii jest czymś całkowicie normalnym. Ludzie bardzo często pozostają przy tym, co znają, nawet wtedy, gdy deklarują niezadowolenie. Znajomość obniża koszt decyzji. Nie trzeba eksperymentować. Nie trzeba ryzykować rozczarowania w nowym miejscu. Nie trzeba sprawdzać, czy gdzie indziej będzie lepiej. Znane może być przeciętne, ale przeciętność bywa zaskakująco wygodna.

To właśnie z takich pozornych sprzeczności rodzi się wartość predykcyjna danych. Człowiek może powiedzieć, że ma dość. Może narzekać, że ceny są za wysokie. Może nawet przez pewien czas nie pojawiać się w restauracji. Z zewnątrz można by uznać, że relacja z marką się kończy. Tymczasem historia wcześniejszych zachowań może sugerować coś innego. Jeżeli w podobnych sytuacjach klient wracał po dwóch tygodniach, po miesiącu albo wtedy, kiedy pojawiała się określona promocja, system nie musi interpretować jego chwilowego odejścia jako końca relacji. Może potraktować je jako kolejną fazę znanego wzorca. I właśnie tutaj pojawia się coś psychologicznie niepokojącego. Człowiek uważa swoją decyzję za aktualną i osobistą, podczas gdy model statystyczny może widzieć w niej wariant zachowania, które występowało już wielokrotnie.

Nie oznacza to, że algorytm zna człowieka lepiej niż on sam. Taki wniosek byłby przesadą. Człowiek ma dostęp do swoich motywacji, wspomnień, kontekstu i emocji, których żadna historia zakupów nie rejestruje w pełni. Jednocześnie człowiek ma również własne ślepe punkty. Nie zawsze pamięta, jak często robił coś wcześniej. Nie zawsze zauważa powtarzalność własnych zachowań. Czasami jest przekonany, że podjął spontaniczną decyzję, chociaż podobną decyzję podejmował już dziesiątki razy. Bywa też, że tworzy po fakcie racjonalne wyjaśnienie czegoś, co pierwotnie było zwykłym impulsem, przyzwyczajeniem albo wygodą. Dane nie rozumieją człowieka, ale mogą zauważać regularności, których człowiek nie dostrzega.

To szczególnie wyraźnie widać w sytuacjach związanych z emocjonalnym przywiązaniem. Brzmi to może zaskakująco w kontekście hamburgera, frytek i programu lojalnościowego, ale współczesny marketing bardzo często operuje nie tylko na potrzebie zakupu, lecz także na poczuciu znajomości. Człowiek nie kupuje wyłącznie produktu. Kupuje również doświadczenie, które już zna. Zna smak, wygląd opakowania, sposób składania zamówienia, układ aplikacji, nawet charakterystyczny moment, kiedy dostaje swoje jedzenie. W powtarzalności jest coś psychologicznie uspokajającego. Po całym dniu decyzji można podjąć jedną, której nie trzeba długo analizować. „Jak zwykle” jest jedną z najpotężniejszych kategorii konsumenckich, choć nie znajdziemy jej na żadnej półce sklepowej.

Z tego samego powodu odejście od marki nie zawsze wygląda tak jednoznacznie, jak sugerowałaby logika ekonomiczna. Konsument może znaleźć tańszą restaurację, lepszą kawiarnię albo ciekawsze menu, a mimo to wracać do starego miejsca. W jego zachowaniu mieszają się przyzwyczajenie, nostalgia, wygoda, przewidywalność i czasami zwyczajna bezwładność. Firma nie musi rozumieć każdego z tych elementów osobno. Wystarczy, że nauczy się rozpoznawać ich konsekwencję. Jeżeli określony typ zachowania często kończy się powrotem, system może nauczyć się prawdopodobieństwa powrotu, nawet jeśli nigdy nie pozna prawdziwego powodu, dla którego człowiek wrócił.

To samo dotyczy pieniędzy. Kwota wydawana przy jednej wizycie może wydawać się informacją niemal banalną, dopóki nie zostanie zestawiona z częstotliwością wizyt, porą dnia, produktami i reakcją na promocje. Wtedy zaczyna pojawiać się obraz wartości klienta. Nie wartości człowieka, oczywiście, lecz jego wartości z perspektywy biznesu. To rozróżnienie jest ważne, bo język korporacyjny potrafi bardzo łatwo zamazać emocjonalny charakter takiej klasyfikacji. „Wartość klienta” brzmi neutralnie. W praktyce oznacza próbę odpowiedzi na pytanie, ile pieniędzy dana osoba prawdopodobnie przyniesie firmie w przyszłości. Człowiek, który w swoim życiu widzi dziesiątki niepowiązanych zakupów, w systemie może stać się przewidywanym strumieniem przychodu.

Trudno nie zauważyć, jak bardzo zmienia to perspektywę. Kiedy firma analizuje pojedynczą sprzedaż, relacja jest prosta. Klient ma potrzebę, przedsiębiorstwo ma produkt, dochodzi do wymiany. Kiedy jednak firma zaczyna analizować prawdopodobieństwo kolejnych wizyt, przestaje interesować ją wyłącznie to, co dzieje się przy kasie. Interesują ją przyszłe zachowania. Wtedy promocja przestaje być tylko rabatem. Może stać się bodźcem zaprojektowanym w celu zwiększenia prawdopodobieństwa powrotu określonego rodzaju klienta. Wiadomość w aplikacji przestaje być wyłącznie komunikatem. Może być próbą wpłynięcia na moment decyzji. Personalizacja przestaje być jedynie dostosowaniem usługi. Staje się częścią mechanizmu kształtowania zachowania.

Nie trzeba przy tym zakładać złej intencji. Właśnie to jest w tej sprawie najbardziej skomplikowane. Firmy nie muszą prowadzić cynicznej wojny z konsumentem, żeby korzystać z narzędzi, które zwiększają prawdopodobieństwo określonych decyzji. Wystarczy zwykła logika biznesowa. Jeżeli klient częściej wraca po otrzymaniu określonego rodzaju oferty, system może uznać tę ofertę za skuteczną. Jeżeli inny klient reaguje na promocje związane z konkretnym produktem, jego komunikacja może zostać dostosowana. Jeżeli jeszcze inny przestaje korzystać z programu, firma może próbować go odzyskać. Wszystko to można przedstawić jako poprawę doświadczenia klienta. Jednocześnie z punktu widzenia klienta jest to systematyczne testowanie tego, co skłania go do podjęcia określonej decyzji.

Tutaj pojawia się granica, której nie da się wyznaczyć jednym prostym słowem. Personalizacja może zwiększać wygodę, ale może też zwiększać skuteczność perswazji. Różnica pomiędzy jednym a drugim nie zawsze jest oczywista. Jeżeli aplikacja przypomina o produkcie, który klient rzeczywiście lubi, można uznać to za użyteczne. Jeżeli jednak system wie, że określona osoba jest szczególnie skłonna do zakupu pod wpływem promocji wyświetlanej w określonym momencie, mamy już do czynienia z bardziej złożoną relacją. Nie zmienia się produkt. Nie zmienia się nawet cena. Zmienia się wiedza firmy o tym, kiedy i jak najlepiej wpłynąć na decyzję.

Psychologia konsumenta od dawna opiera się na podobnych obserwacjach, lecz technologia pozwoliła przenieść je na zupełnie inny poziom szczegółowości. Dawniej sprzedawca mógł zapamiętać stałego klienta, wiedzieć, że przychodzi w piątki i zwykle zamawia to samo. Dzisiaj pamięć nie należy do pojedynczego pracownika. Została przeniesiona do infrastruktury, która może działać przez lata i na skalę nieporównywalną z ludzką pamięcią. To ważna zmiana jakościowa. Człowiek zapomina. System nie musi. Człowiek nie porówna jednocześnie zachowania tysięcy klientów. System może to robić automatycznie. Człowiek nie stworzy precyzyjnego modelu prawdopodobieństwa powrotu. System może próbować go wyliczyć.

Właśnie dlatego tak ciekawa jest kwestia „utraty klienta”. W języku biznesowym brzmi to niewinnie. Klient odchodzi, więc firma chce wiedzieć dlaczego i czy można go odzyskać. Ale psychologicznie jest to niezwykle interesująca kategoria. Oznacza bowiem, że relacja między konsumentem a marką została potraktowana jak coś, co może mieć fazy, kryzysy, powroty i ryzyko rozpadu. Człowiek może uważać, że po prostu przez kilka tygodni nie miał ochoty na daną restaurację. System może widzieć początek procesu odejścia. Jeden i drugi opis nie musi być fałszywy. Człowiek doświadcza własnego zachowania od wewnątrz. Model obserwuje je z zewnątrz.

W tym miejscu zaczyna się coś, co przypomina analizę relacji międzyludzkich, choć oczywiście nie można tych rzeczy utożsamiać. Kiedy ktoś przestaje odpisywać, druga osoba zaczyna interpretować zmianę zachowania. Czy to chwilowe zmęczenie, czy początek końca? Czy potrzebuje przestrzeni, czy już podjął decyzję? Czy wróci, czy definitywnie odszedł? Ludzie są niezwykle podatni na takie interpretacje, ponieważ próbują przewidywać przyszłość na podstawie wcześniejszych zachowań. W relacji z marką dzieje się coś podobnego, tylko druga strona ma do dyspozycji znacznie większą pamięć i znacznie więcej danych. System nie musi przeżywać emocji związanych z niepewnością. Może po prostu przeliczać prawdopodobieństwa.

Nie znaczy to, że marka ma uczucia albo że algorytm „tęskni” za klientem. Tego rodzaju język bywa użyteczny marketingowo, ale zaciemnia rzeczywistość. Za pojęciem lojalności klienta nie stoi przecież wzajemna więź w ludzkim sensie. Jest zachowanie, które ma określoną wartość ekonomiczną. Mimo to konsument może odczuwać tę relację emocjonalnie. Może mieć swoje ulubione miejsce, kojarzyć restaurację z okresem życia, wracać do niej z przyzwyczajenia, wspominać dawne podróże albo po prostu czuć się tam bezpiecznie, bo wszystko jest znajome. Firma może ten emocjonalny wymiar wykorzystywać, nawet jeśli sama go nie doświadcza.

To prowadzi do jeszcze bardziej niewygodnego paradoksu. Człowiek często sądzi, że jego przywiązanie do marki jest czymś osobistym i spontanicznym, podczas gdy marka inwestuje ogromne środki w to, aby owo przywiązanie było przewidywalne. Nie oznacza to, że emocja konsumenta jest fałszywa. Jest prawdziwa właśnie dlatego, że człowiek jej doświadcza. Ale jej istnienie nie wyklucza tego, że druga strona nauczyła się ją mierzyć. Można autentycznie lubić określone miejsce i jednocześnie być klientem, którego zachowanie zostało bardzo dokładnie opisane w systemie analitycznym. Te dwie rzeczy nie wykluczają się.

Najciekawsze są zresztą momenty, w których człowiek próbuje sam sobie udowodnić, że jest bardziej niezależny, niż jest w rzeczywistości. „Kupuję tam, bo mi smakuje” może być prawdą. „Nie zwracam uwagi na promocje” również może być prawdą z perspektywy świadomej intencji. A jednocześnie zachowanie może pokazywać, że promocje wpływają na częstotliwość zakupów. Człowiek nie musi kłamać. Może po prostu nie mieć pełnego dostępu do mechanizmu, który kieruje jego decyzjami. W psychologii jest wystarczająco dużo miejsca na rozdźwięk pomiędzy tym, co uważamy o własnym zachowaniu, a tym, co faktycznie robimy.

Dla systemu analitycznego ten rozdźwięk jest wręcz użyteczny. Deklaracja klienta nie ma większego znaczenia, jeśli jego zachowanie konsekwentnie wskazuje coś innego. Można mówić, że nie interesują nas punkty, a jednak regularnie je zbierać. Można twierdzić, że nie jesteśmy przywiązani do konkretnej marki, a mimo to wracać do niej przy każdej podróży. Można uważać się za osobę spontaniczną, a jednak zamawiać dokładnie ten sam produkt przy większości wizyt. Człowiek żyje własną narracją o sobie. Dane pokazują jego zachowanie. Pomiędzy jednym a drugim często istnieje szczelina.

Nie jest to jednak szczelina, którą należy automatycznie interpretować jako dowód samooszukiwania. Człowiek nie jest przecież arkuszem kalkulacyjnym. Może jednego dnia działać racjonalnie, drugiego emocjonalnie, a trzeciego pod wpływem zwykłego zmęczenia. Jego decyzje zależą od kontekstu, którego system może nie znać. To, że ktoś zamówił określone jedzenie pięć razy, nie oznacza, że zrobi to po raz szósty. Może zmienić pracę, przeprowadzić się, zachorować, zacząć oszczędzać, poznać inną restaurację albo zwyczajnie znudzić się dotychczasowym wyborem. Predykcja pozostaje prawdopodobieństwem, a nie wyrokiem. Niepokojące jest nie to, że algorytm zawsze ma rację. Niepokojące jest to, że wystarczająco często ma rację, aby taka wiedza była dla firmy ekonomicznie wartościowa.

Ta niedoskonałość czyni systemy predykcyjne bardziej interesującymi, a nie mniej. Gdyby algorytm potrafił przewidzieć zachowanie człowieka ze stuprocentową dokładnością, mielibyśmy do czynienia z czymś zupełnie innym. Tymczasem wystarczy skuteczność wystarczająca do poprawy decyzji biznesowych. Firma nie musi wiedzieć, czy klient przyjdzie w środę o 14:17. Wystarczy, że potrafi rozpoznać grupę klientów, którzy z większym prawdopodobieństwem wrócą po określonej promocji. Nie musi wiedzieć, czy konkretny człowiek wybierze konkretny burger. Wystarczy, że przewidywanie będzie lepsze niż przypadkowy wybór. W świecie wielkich liczb nawet niewielka przewaga statystyczna może mieć ogromną wartość.

Dlatego liczby z raportu Rogersa robią takie wrażenie. Nie dlatego, że 2,16 wizyty jest magicznie precyzyjną przepowiednią. Jest interesujące dlatego, że pokazuje sposób myślenia systemu. Człowiek nie jest już wyłącznie osobą, która była w restauracji 61 razy. Staje się kimś, komu można przypisać prawdopodobieństwo kolejnych wizyt, przewidywaną wartość rachunku i ryzyko odejścia. To jest zupełnie inny język opisywania człowieka. Nie opisuje doświadczenia. Opisuje prawdopodobieństwo zachowania.

W tym języku może zniknąć wiele rzeczy, które dla samego człowieka są najważniejsze. Nie ma tam smaku konkretnego obiadu. Nie ma rozmowy prowadzonej przy stoliku. Nie ma powodu, dla którego ktoś wszedł do restauracji tego dnia. Nie ma informacji, czy był szczęśliwy, zmęczony, samotny, zdenerwowany albo zwyczajnie głodny. System może nie wiedzieć, że dana wizyta miała dla człowieka znaczenie. Widzi natomiast fakt wizyty i jej parametry. To ogromna różnica. Model może być bardzo dobry w przewidywaniu zachowania, nie rozumiejąc człowieka w żadnym głębszym sensie.

Ten paradoks warto zachować w pamięci, bo łatwo wpaść w pułapkę myślenia, że skoro system potrafi przewidzieć określone zachowanie, to musi „znać” człowieka. Nie musi. Może znać jego wzorzec. Może znać jego prawdopodobieństwa. Może rozpoznawać korelacje. Nie musi znać powodów. I być może właśnie dlatego ta technologia jest tak skuteczna. Nie potrzebuje odpowiedzi na pytanie „dlaczego człowiek to robi?”. W wielu przypadkach wystarczy jej odpowiedź na pytanie „co zwykle robi później?”.

W praktyce biznesowej jest to ogromna przewaga. Zrozumienie człowieka jest trudne. Przewidywanie jego zachowania może być łatwiejsze. Nie trzeba rozstrzygać, czy klient kupuje ze stresu, nudy, przyzwyczajenia czy głodu. Wystarczy wiedzieć, że w określonym kontekście prawdopodobieństwo zakupu rośnie. To może brzmieć chłodno, ale właśnie taka chłodna redukcja ludzkiego zachowania do wzorców jest jednym z fundamentów nowoczesnej analityki.

I tu pojawia się pytanie o kontrolę, które jest bardziej skomplikowane, niż sugerują standardowe dyskusje o zgodach i regulaminach. Człowiek może formalnie zgodzić się na przetwarzanie danych, a jednocześnie nie rozumieć, jakie wnioski będą z tych danych wyprowadzane. Może wiedzieć, że firma zapisuje historię zakupów, ale nie zdawać sobie sprawy, że historia może służyć do budowania prognoz. Może wiedzieć, że aplikacja pokazuje spersonalizowane oferty, ale nie wiedzieć, jakie cechy jego zachowania wpłynęły na ich wybór. Formalna zgoda i rzeczywiste zrozumienie konsekwencji to nie zawsze to samo.

Nie jest to wyłącznie problem technologiczny. To również problem psychologiczny. Człowiek bardzo łatwo przyzwyczaja się do systemu, który działa na jego korzyść. Jeżeli aplikacja pamięta zamówienie i przyspiesza proces, zaczynamy traktować ją jak wygodne narzędzie. Jeżeli dostajemy rabat na coś, co lubimy, system wydaje się wręcz przyjazny. Wtedy mniej interesuje nas, dlaczego dokładnie otrzymaliśmy tę ofertę. Korzyść jest widoczna, proces analityczny pozostaje niewidoczny. To jedna z najskuteczniejszych form asymetrii. Jedna strona widzi rezultat, druga widzi mechanizm.

Podobny mechanizm działa w relacjach międzyludzkich, choć oczywiście w zupełnie innym wymiarze. Kiedy ktoś zna nasze nawyki, potrafi przewidzieć, kiedy zwykle wracamy do domu, co poprawia nam humor albo jak reagujemy na określone słowa, możemy odbierać to jako dowód bliskości. Wiedza o nas może być oznaką troski. Ta sama wiedza może jednak stać się narzędziem kontroli, jeśli zostanie wykorzystana przeciwko nam. O różnicy decyduje nie sama ilość informacji, lecz cel i sposób jej wykorzystania. W relacji konsumenta z korporacją sytuacja jest jeszcze bardziej asymetryczna, bo trudno mówić o wzajemności. Firma zbiera dane o kliencie, ale klient nie ma analogicznego dostępu do wiedzy o tym, jak firma podejmuje decyzje dotyczące jego profilu.

To właśnie dlatego samo hasło „personalizacja” zaczyna mieć coraz więcej znaczeń. Może oznaczać zwykłe dostosowanie usługi. Może też oznaczać subtelne zarządzanie prawdopodobieństwem. Różnica nie zawsze jest widoczna dla użytkownika. Gdy pojawia się produkt, który lubimy, możemy czuć, że firma dobrze rozumie nasze potrzeby. Gdy otrzymujemy ofertę dokładnie w momencie, kiedy jesteśmy najbardziej skłonni do zakupu, możemy uznać ją za szczęśliwy zbieg okoliczności. Gdy aplikacja przewiduje nasze zamówienie, możemy zachwycić się wygodą. Wszystko to jest prawdą na poziomie doświadczenia. Na poziomie infrastruktury dzieje się jednak coś znacznie bardziej technicznego.

System nie musi wiedzieć, że jesteśmy głodni. Musi wiedzieć, że określone sygnały zwiększają prawdopodobieństwo zakupu. Nie musi rozumieć naszej tęsknoty za dawnym miejscem. Wystarczy mu informacja, że po określonym czasie bez wizyty rośnie prawdopodobieństwo powrotu. Nie musi znać naszego stosunku do pieniędzy. Wystarczy mu historia tego, jak reagowaliśmy na ceny i promocje. Właśnie w tej redukcji emocjonalnego doświadczenia do mierzalnych zachowań kryje się zarówno siła, jak i ograniczenie całego systemu.

Im dłużej o tym myślę, tym bardziej wydaje mi się, że największym problemem nie jest sama możliwość przewidywania człowieka. Ludzie od zawsze próbowali przewidywać innych. Rodzice przewidują reakcje dzieci, partnerzy przewidują zachowania swoich bliskich, sprzedawcy rozpoznają stałych klientów, a lekarze próbują przewidzieć rozwój choroby. Problem pojawia się wtedy, kiedy zdolność przewidywania zostaje połączona z masową skalą, automatyzacją i interesem ekonomicznym. Wtedy przewidywanie przestaje być prywatną obserwacją. Staje się elementem infrastruktury decyzyjnej.

A infrastruktura nie musi mieć jednej wielkiej intencji. Może składać się z setek drobnych decyzji optymalizacyjnych. Ten komunikat działa lepiej niż tamten. Ta oferta zwiększa częstotliwość wizyt. Ten produkt warto pokazać tej grupie. Tego klienta warto zachęcić do powrotu. Ten segment reaguje na określony typ promocji. Każda decyzja z osobna może wydawać się niewinna. Dopiero razem tworzą środowisko, w którym zachowanie konsumenta jest stale obserwowane i korygowane poprzez informacje, które dostaje.

W tym sensie granica między przewidywaniem a wpływaniem jest wyjątkowo cienka. Jeżeli wiem, co prawdopodobnie zrobisz, mogę się przygotować. Jeżeli mogę się przygotować, mogę również dobrać bodziec, który zwiększy szansę, że zrobisz właśnie to. To nie musi być manipulacja w sensie potocznym. Może być zwykłym marketingiem. Ale technologia pozwala dziś robić to znacznie bardziej indywidualnie niż dawniej. Nie chodzi już wyłącznie o reklamę dla „mężczyzn w wieku 25 do 34 lat”. Coraz bardziej chodzi o określenie, co może zadziałać na konkretnego klienta w konkretnym momencie.

W tym miejscu cała historia o McDonald’s zaczyna dotykać problemu większego niż restauracje. Jeżeli model potrafi przewidywać, kiedy ktoś wróci po jedzenie, podobne podejście może funkcjonować w innych obszarach życia konsumenckiego. Sklep może próbować przewidzieć, kiedy kupimy określony produkt. Platforma może oceniać prawdopodobieństwo naszego powrotu. Usługa może rozpoznawać moment, w którym jesteśmy blisko rezygnacji. Hotel może analizować nasze preferencje związane z podróżami. Aplikacja może pamiętać, z czego korzystaliśmy podczas wcześniejszego pobytu. Pojedyncze profile nie muszą nawet trafiać do jednej gigantycznej bazy, aby obraz był coraz dokładniejszy. Wystarczy, że podobne mechanizmy będą działać równolegle w wielu miejscach.

Turystyka dodatkowo komplikuje ten obraz, bo człowiek w podróży zostawia za sobą znacznie więcej cyfrowych śladów niż podczas zwykłego dnia. Rezerwacja, zameldowanie, płatność, aplikacja hotelowa, karta lojalnościowa, zamówienie jedzenia, wynajem samochodu, zakup biletu, korzystanie z restauracji. Podczas jednego wyjazdu można wygenerować dziesiątki interakcji z różnymi systemami. Każda z nich ma własny kontekst, ale dla osoby korzystającej z wielu usług tej samej marki może stać się kolejnym elementem historii. Człowiek jedzie na wakacje, a infrastruktura biznesowa dostaje kolejne fragmenty informacji o tym, jak podróżuje.

Nie chodzi nawet o to, że ktoś siedzi i analizuje pojedynczego turystę w czasie rzeczywistym. Taki obraz byłby zbyt prosty. Znacznie ciekawsze jest to, że dane mogą mieć wartość długo po zakończeniu konkretnej transakcji. Informacja o wcześniejszym zachowaniu może wpływać na przyszłą klasyfikację. Historia nie musi być aktywnie oglądana przez człowieka, aby pozostawała częścią modelu. Właśnie ta automatyzacja sprawia, że tradycyjne intuicje dotyczące prywatności przestają wystarczać. Nie musimy wiedzieć, kto dokładnie patrzy na nasze dane. Czasami wystarczy świadomość, że system może je wykorzystać w sposób, którego nie widzimy.

Jest w tym również pewien paradoks współczesnej wygody. Im lepiej działa system, tym mniej zastanawiamy się nad tym, jak działa. Gdy aplikacja pamięta nasze zamówienie, uznajemy to za dobrą funkcję. Gdy potrafi przewidzieć ulubiony produkt, jesteśmy zadowoleni. Gdy promocja pojawia się w odpowiednim momencie, czujemy, że ktoś przygotował ją specjalnie dla nas. Wygoda maskuje infrastrukturę. To chyba jedna z najbardziej skutecznych cech cyfrowych usług. Najlepszy system to często taki, którego działania prawie nie zauważamy.

Dopiero dokument taki jak ten otrzymany przez Rogersa burzy tę wygodę. Nagle niewidzialna infrastruktura dostaje materialną postać. Pojawiają się strony, pola, klasyfikacje, liczby i przewidywania. Coś, co wcześniej było abstrakcyjną „personalizacją”, zaczyna wyglądać jak zapis konkretnego człowieka. Wtedy łatwiej zrozumieć, dlaczego sama liczba danych nie jest najważniejszym problemem. Znacznie bardziej istotna jest możliwość ich interpretowania.

Bo dane same w sobie niewiele mówią. To model nadaje im znaczenie. Ten sam zakup może oznaczać coś innego w zależności od kontekstu. Pięć wizyt może oznaczać przywiązanie, wygodę, przypadek albo po prostu mieszkanie w pobliżu restauracji. Algorytm nie musi znać prawdziwej historii, żeby wykonać obliczenie. Musi jedynie znaleźć korelacje, które w wystarczającej liczbie przypadków okazują się użyteczne. To może prowadzić do trafnych przewidywań, ale także do uproszczeń. Człowiek może zostać sprowadzony do kategorii, która jest użyteczna biznesowo, choć nigdy nie opisuje go w pełni.

Właśnie tutaj pojawia się kwestia, która będzie coraz ważniejsza wraz z rozwojem analityki predykcyjnej. Co dzieje się wtedy, kiedy model się myli? Nie chodzi wyłącznie o to, że klient dostanie nietrafioną promocję. To najmniej istotna konsekwencja. Ważniejsze jest to, że klasyfikacje mogą wpływać na sposób, w jaki firma traktuje daną osobę. Im więcej decyzji biznesowych zaczyna opierać się na prawdopodobieństwach, tym bardziej istotne staje się pytanie, czy człowiek ma świadomość, że został zaklasyfikowany w określony sposób i czy może zakwestionować tę klasyfikację. W przypadku zwykłego programu lojalnościowego może to wydawać się przesadnie poważnym pytaniem. Ale rozwój technologii sprawia, że takich pytań będzie pojawiać się coraz więcej.

Najbardziej interesujące jest przy tym to, że klient może nigdy nie dowiedzieć się, jakie przypisano mu kategorie. Może widzieć tylko efekt końcowy. Jedna osoba dostanie kupon na produkt, który kupuje regularnie. Druga dostanie ofertę zachęcającą do powrotu. Trzecia nie dostanie nic. Każda może uznać to za przypadek albo zwykłą różnicę w promocjach. Tymczasem za kulisami mogą istnieć różne modele wartości, aktywności i prawdopodobieństwa. Nie trzeba nawet zakładać żadnej teorii spiskowej. Wystarczy przyjąć do wiadomości, że firmy mają ekonomiczny powód, aby różnicować komunikację wobec klientów.

To wszystko prowadzi do dość niewygodnego pytania o to, czym właściwie jest lojalność. Czy klient jest lojalny dlatego, że naprawdę preferuje daną markę, czy dlatego, że system przez lata nauczył się, jak podtrzymywać jego powtarzalne zachowanie? Odpowiedź nie musi być jednoznaczna. Być może prawdziwe są oba wyjaśnienia. Człowiek rzeczywiście może lubić produkt, a firma rzeczywiście może doskonale wiedzieć, jak często do niego wraca. Przywiązanie nie staje się mniej realne tylko dlatego, że można je zmierzyć. Zmienia się jednak jego status. To, co wcześniej było wyłącznie doświadczeniem klienta, staje się również zmienną w systemie analitycznym.

Mam wrażenie, że właśnie tego aspektu często nie doceniamy. Dane nie tylko opisują nasze zachowanie. Z czasem mogą zacząć wpływać na sposób, w jaki firmy na to zachowanie odpowiadają. A odpowiedź firmy może z kolei wpłynąć na kolejne zachowanie klienta. Powstaje pętla. Klient coś robi, system to rejestruje, model przewiduje kolejną decyzję, firma reaguje, klient otrzymuje bodziec, podejmuje kolejną decyzję, a nowa informacja wraca do systemu. Każdy obrót tej pętli dostarcza następnych danych. Nie trzeba w niej żadnego złego człowieka. Wystarczy dobrze działający mechanizm.

To chyba najbardziej dojrzały sposób patrzenia na problem danych konsumenckich. Nie jako na historię o wielkiej korporacji, która potajemnie wie wszystko, lecz jako na historię o systemie, który stopniowo uczy się zachowania ludzi, a następnie wykorzystuje tę wiedzę do podejmowania kolejnych decyzji. W takim systemie intencje pojedynczych osób schodzą na dalszy plan. Liczy się efektywność. Jeżeli określone rozwiązanie zwiększa prawdopodobieństwo powrotu, zostaje uznane za skuteczne. Jeżeli inne rozwiązanie nie działa, zostaje zmienione. Człowiek znajduje się w środku procesu, który został zaprojektowany nie po to, aby go zrozumieć w ludzkim sensie, lecz aby lepiej przewidywać jego zachowanie.

Być może właśnie dlatego historia 515 stron jest bardziej niepokojąca niż najbardziej efektowny film o szpiegach. W filmie inwigilacja ma twarz, nazwisko i konkretny cel. Wiadomo, kto obserwuje i dlaczego. Tutaj obserwacja jest rozproszona, zautomatyzowana i banalna. Nikt nie musi siedzieć nad jednym klientem. System może obsługiwać miliony. Nikt nie musi pamiętać, że ktoś pięć lat temu kupił określony produkt. Baza danych pamięta. Nikt nie musi zastanawiać się, czy klient wróci. Model może wyliczyć prawdopodobieństwo. To nie jest bardziej dramatyczne dlatego, że jest bardziej tajemnicze. Jest bardziej znaczące dlatego, że stało się zwyczajne.

Zwyczajność jest w tym wszystkim najbardziej zdradliwa. Gdyby ktoś przy kasie powiedział, że każde zamówienie zostanie zapisane, przeanalizowane, porównane z wcześniejszymi zachowaniami i wykorzystane do prognozowania przyszłych wizyt, część osób prawdopodobnie poczułaby dyskomfort. Tymczasem dokładnie ten sam proces może być rozłożony na wiele małych interakcji, z których żadna nie wydaje się szczególnie ważna. Kliknięcie, skanowanie, płatność, punkt, kupon, zamówienie. Każdy krok jest banalny. Całość jest czymś znacznie większym.

Nie mam problemu z samą ideą, że przedsiębiorstwo chce znać swoich klientów. Trudno prowadzić biznes bez jakiejkolwiek wiedzy o tym, czego ludzie chcą. Niepokoi mnie natomiast moment, w którym skala tej wiedzy zaczyna przekraczać intuicyjne wyobrażenie konsumenta o relacji, w której uczestniczy. Człowiek przychodzi po jedzenie. Firma może otrzymywać znacznie więcej niż informację o sprzedaży. Człowiek chce rabatu. Firma dostaje sygnał o jego reakcji na cenę. Człowiek korzysta z aplikacji dla wygody. Firma otrzymuje kolejne dane o jego zachowaniu. Wymiana przestaje więc dotyczyć wyłącznie produktu i pieniędzy. Jej trzecią walutą staje się informacja.

A informacja ma tę nieprzyjemną właściwość, że trudno ją odzyskać. Pieniądze wydane przy kasie znikają z konta. Jedzenie zostaje zjedzone. Wizyta się kończy. Dane mogą pozostać. Mogą być przechowywane, przetwarzane, agregowane i wykorzystywane w kolejnych procesach zgodnie z obowiązującymi zasadami. Dla człowieka zdarzenie się skończyło. Dla systemu może nadal być częścią historii.

W tym sensie nasze codzienne życie zaczyna przypominać coś, czego sami nie doświadczamy jako historii, ale co z perspektywy danych jest nią bardzo dokładnie. Pojedyncze decyzje układają się w ciąg. Ciąg pozwala wykryć rytm. Rytm pozwala tworzyć prognozy. Prognozy pozwalają reagować. Reakcje generują nowe zachowania. Nowe zachowania zasilają kolejne prognozy. Im dłużej to trwa, tym bardziej szczegółowy staje się obraz. Nie dlatego, że ktoś jednego dnia odkrył o nas coś przełomowego, lecz dlatego, że przez lata dokładaliśmy kolejne drobne elementy.

I właśnie dlatego najbardziej interesujące pytanie nie dotyczy tego, ile stron liczył dokument Rogersa. Bardziej interesujące jest to, ile jeszcze stron mogłoby powstać, gdyby podobny proces obserwacji trwał przez kolejne lata i obejmował coraz więcej usług, marek i miejsc. Nie wiadomo, jak dokładne byłyby takie profile, nie wiadomo też, które dane rzeczywiście są ze sobą łączone i w jakim zakresie. Pewne jest natomiast coś znacznie prostszego. Każda kolejna interakcja może dostarczyć kolejnego sygnału, a wartość tych sygnałów rośnie wraz z kontekstem.

Być może dlatego tak łatwo przesadzamy zarówno w jedną, jak i w drugą stronę. Jedni widzą w takich systemach niemal wszechwiedzącą machinę, która zna każdą myśl człowieka. To oczywiście nieprawda. Inni wzruszają ramionami i mówią, że skoro chodzi tylko o hamburgery i kupony, nie ma o czym rozmawiać. To również jest zbyt łatwe. Rzeczywistość leży gdzieś pomiędzy. Algorytm nie zna człowieka całego, ale może bardzo dobrze znać pewien fragment jego zachowania. Ten fragment może wydawać się błahy, dopóki nie zostanie zebrany przez lata i połączony z innymi fragmentami.

Właśnie na tym poziomie historia McDonald’s zaczyna dotykać problemu, którego nie da się zamknąć w jednym pytaniu o prywatność. Chodzi również o to, jak bardzo jesteśmy gotowi zaakceptować sytuację, w której systemy komercyjne potrafią tworzyć modele naszych przyszłych zachowań. Nie dlatego, że są nieomylne. Nie dlatego, że wiedzą o nas wszystko. Tylko dlatego, że wiedzą wystarczająco dużo, aby przewidywanie stało się opłacalne.

A kiedy przewidywanie staje się opłacalne, pojawia się naturalna pokusa, żeby robić je coraz dokładniej. Kolejne dane zwiększają możliwości modelu. Lepszy model zwiększa wartość personalizacji. Skuteczniejsza personalizacja poprawia wyniki biznesowe. Lepsze wyniki uzasadniają dalsze inwestycje w dane. W ten sposób powstaje mechanizm, który nie potrzebuje żadnego spektakularnego przełomu, aby rosnąć. Wystarczy, że każda kolejna iteracja będzie trochę skuteczniejsza od poprzedniej.

To właśnie w tym miejscu zwykła restauracja przestaje być tylko restauracją. Nie dlatego, że nagle staje się tajną agencją, lecz dlatego, że współczesny handel coraz bardziej opiera się na zdolności do obserwowania, klasyfikowania i przewidywania zachowań. Burger jest produktem. Aplikacja jest narzędziem sprzedaży. Program lojalnościowy jest mechanizmem utrzymania klienta. Dane są paliwem dla całej konstrukcji. Dopiero kiedy te elementy zostaną połączone, widać pełny obraz.

I wtedy pytanie o to, czy McDonald’s „wie, kiedy przyjdziemy”, zaczyna brzmieć mniej jak sensacyjny nagłówek, a bardziej jak pytanie o kierunek, w którym poszła współczesna gospodarka. Nie chodzi już tylko o to, czy firma potrafi przewidzieć następną wizytę. Chodzi o to, jak wiele obszarów codziennego życia można opisać za pomocą podobnych prawdopodobieństw, zanim człowiek zacznie być dla systemu przede wszystkim zbiorem wzorców zachowania. I chyba właśnie tutaj historia robi się naprawdę niewygodna, ponieważ problem nie kończy się na tym, co firma już o nas wie. Znacznie ciekawsze jest to, co może jeszcze wywnioskować z rzeczy, które dopiero zrobimy.

 

Najbardziej niepokojące w tym wszystkim nie jest zresztą to, że system potrafi przewidzieć kolejną wizytę. Sama prognoza, nawet zaskakująco trafna, pozostaje przecież tylko prognozą. Znacznie ciekawszy jest moment, w którym człowiek zaczyna funkcjonować w takim systemie nie jako osoba podejmująca nieprzewidywalne decyzje, lecz jako zestaw prawdopodobieństw. Wtedy pojedyncza wizyta przestaje być pojedynczą wizytą. Staje się kolejnym punktem na wykresie, kolejną obserwacją, która koryguje wcześniejsze założenia i wpływa na następne przewidywanie. To drobna różnica w sposobie opisywania rzeczywistości, ale z perspektywy prywatności ma ogromne znaczenie. Człowiek nadal uważa, że po prostu wszedł do restauracji, zamówił jedzenie i wyszedł. System widzi natomiast zachowanie, które ma swoje miejsce w historii, określony kontekst, określone prawdopodobieństwo powtórzenia i określoną wartość dla przyszłych działań firmy.

Właśnie tutaj zaczyna się coś znacznie bardziej interesującego niż zwykła analiza zakupów. Tradycyjny program lojalnościowy można było jeszcze stosunkowo łatwo zrozumieć. Kupujesz, zbierasz punkty, dostajesz rabat. Relacja wydawała się niemal mechaniczna i uczciwa w swojej prostocie. Współczesny model jest bardziej subtelny, ponieważ nie ogranicza się do tego, co już zrobiłeś. Interesuje go również to, co prawdopodobnie zrobisz. Ta różnica zmienia charakter całej relacji. Firma nie tylko przechowuje ślad po twoich decyzjach, ale próbuje z tych śladów zbudować model przyszłego zachowania. A kiedy model staje się wystarczająco rozbudowany, granica pomiędzy obserwowaniem a przewidywaniem zaczyna być coraz mniej wyraźna.

Nie oznacza to oczywiście, że algorytm rzeczywiście „zna” człowieka w psychologicznym sensie tego słowa. Nie wie, co ktoś czuje, kiedy wchodzi do restauracji. Nie zna jego wspomnień, rozczarowań, sytuacji rodzinnej ani powodów, dla których akurat tego dnia wybiera jeden produkt zamiast innego. Nie ma dostępu do całej historii, która znajduje się poza ekranem telefonu i rachunkiem. A jednak właśnie ograniczoność takiego modelu czyni go interesującym. System nie potrzebuje przecież rozumieć człowieka w całości. Wystarczy mu wiedzieć wystarczająco dużo o jego zachowaniu, żeby skutecznie przewidywać jego kolejne ruchy. To różnica, której konsumenci często nie dostrzegają, ponieważ intuicyjnie utożsamiamy wiedzę o człowieku z wiedzą o jego wnętrzu. Tymczasem do przewidywania zachowania nie trzeba rozumieć wszystkich jego powodów.

Można przecież nie wiedzieć, dlaczego ktoś regularnie odwiedza określoną restaurację, a mimo to zauważyć, że robi to w określone dni tygodnia, o podobnych godzinach i z podobnym poziomem wydatków. Nie trzeba wiedzieć, czy jest zmęczony, zabiegany, samotny, przyzwyczajony czy po prostu lubi konkretny produkt. Z punktu widzenia systemu wystarczy, że wzorzec się powtarza. To właśnie jedna z najbardziej charakterystycznych cech cyfrowego profilowania. Człowiek może być dla siebie pełen sprzeczności, podczas gdy dla modelu predykcyjnego jego zachowanie może okazać się zaskakująco regularne.

Ta regularność jest zresztą jednym z powodów, dla których tak łatwo lekceważymy znaczenie pojedynczych danych. Godzina zakupu nie wydaje się czymś szczególnie intymnym. Lokalizacja restauracji także nie brzmi jak informacja, która mogłaby kogokolwiek zainteresować. Produkty kupowane podczas lunchu wyglądają banalnie. Kupon wykorzystany w aplikacji jest zwyczajnym elementem promocji. Pojedynczo rzeczywiście niewiele znaczą. Problem pojawia się dopiero wtedy, gdy przestają występować pojedynczo. Kiedy zaczynają tworzyć ciąg, z którego można odczytać rytm codzienności, preferencje, przyzwyczajenia, miejsca aktywności i zmiany w zachowaniu, ich charakter zaczyna się zmieniać.

To jest chyba najbardziej niedoceniany aspekt całej sprawy. Prywatność nie zawsze zostaje naruszona przez jedną spektakularną informację. Częściej kurczy się po trochu, przez dziesiątki drobnych faktów, których osobno nikt nie uznałby za istotne. Człowiek oddaje je bez większego oporu, ponieważ za każdym razem ma wrażenie, że przekazuje coś nieznaczącego. Numer telefonu przy zakładaniu konta. Lokalizację potrzebną do znalezienia restauracji. Historię zakupów potrzebną do naliczenia punktów. Zgodę na powiadomienia, żeby dostać kupon. Informację o urządzeniu, z którego korzysta. Kolejne wizyty. Kolejne zamówienia. Kolejne promocje. Każdy element jest mały, a suma przestaje być mała.

Jeszcze bardziej interesujące staje się to w kontekście podróży i przemieszczania się ludzi. Współczesny konsument bardzo często nie korzysta już z jednej sieci wyłącznie w miejscu zamieszkania. Aplikacje, programy lojalnościowe i cyfrowe konta podróżują razem z nim. Ten sam profil może więc towarzyszyć człowiekowi w różnych miastach, a czasem również w różnych krajach. Zmienia się otoczenie, zmienia się restauracja, zmienia się język na ekranie telefonu, ale identyfikator klienta pozostaje ten sam. Dla użytkownika jest to wygoda. Dla systemu jest to ciągłość danych.

W tym miejscu bardzo łatwo popaść w przesadę i wyobrażać sobie, że każda duża firma posiada niemal kompletną teczkę każdego człowieka. Rzeczywistość jest bardziej przyziemna i właśnie dlatego bardziej interesująca. Nie chodzi o wszechwiedzę. Chodzi o ogromną liczbę fragmentów informacji, które można ze sobą zestawiać w ramach konkretnych celów biznesowych. To nie jest tajny pokój pełen agentów analizujących nasze życie. To infrastruktura, która działa znacznie bardziej banalnie. Dane trafiają do systemów, są porządkowane, łączone, oceniane i wykorzystywane przez modele, które nie mają żadnego emocjonalnego stosunku do człowieka znajdującego się po drugiej stronie ekranu. Ta bezosobowość może być bardziej niepokojąca niż najbardziej sensacyjna wizja inwigilacji.

Bo przecież algorytm nie musi nas lubić ani nie lubić. Nie musi mieć żadnej opinii. Nie musi nawet wiedzieć, kim jesteśmy w potocznym znaczeniu tego słowa. Wystarczy, że potrafi przypisać nam określone prawdopodobieństwa. To właśnie sprawia, że określenie „profil klienta” brzmi znacznie łagodniej, niż powinno. Profil sugeruje opis. Tymczasem coraz częściej chodzi o coś więcej. O próbę przewidzenia przyszłości na podstawie przeszłości. O określenie, kiedy ktoś może wrócić, co może kupić, jak dużo może wydać i jak prawdopodobne jest, że przestanie korzystać z usługi. Człowiek zostaje więc nie tylko opisany, ale także umieszczony w pewnym scenariuszu przyszłych zachowań.

A przecież ludzie mają szczególną skłonność do przeceniania własnej nieprzewidywalności. Lubimy myśleć, że nasze decyzje są wyjątkowe, spontaniczne i osobiste. W wielu sytuacjach rzeczywiście takie są. Jednocześnie ogromna część codzienności składa się z powtarzalności, której sami nie zauważamy. Wracamy do tych samych miejsc, kupujemy podobne rzeczy, wybieramy podobne godziny, reagujemy na podobne bodźce. Czasem robimy to z wygody, czasem z przyzwyczajenia, czasem dlatego, że w zabieganym życiu nie mamy ochoty poświęcać energii na każdą drobną decyzję. Właśnie ta rutyna, która dla nas jest niemal niewidzialna, dla systemu może być bardzo wartościowa.

Paradoks polega na tym, że wygoda i przewidywalność są ze sobą mocno związane. Im bardziej chcemy, żeby technologia pamiętała za nas, tym więcej rzeczy musi o nas wiedzieć. A im więcej pamięta, tym łatwiej może przewidywać. Kiedy aplikacja proponuje coś, co rzeczywiście odpowiada naszym preferencjom, zwykle odbieramy to jako udogodnienie. Kiedy promocja pojawia się w odpowiednim momencie, możemy nawet uznać ją za dowód, że system „dobrze nas zna”. Granica pomiędzy użytecznością a poczuciem bycia obserwowanym nie jest więc stała. Potrafi przesuwać się zależnie od tego, czy przewidywanie jest dla nas korzystne.

To również tłumaczy, dlaczego tak wiele osób reaguje obojętnością na informacje o profilowaniu. Prywatność często przegrywa nie dlatego, że ludzie jej nie cenią, lecz dlatego, że konkretna korzyść pojawia się natychmiast, a koszt jest odroczony i abstrakcyjny. Darmowy produkt, szybsza płatność, spersonalizowany kupon czy wygodniejsza aplikacja mają bardzo konkretny kształt. Potencjalna konsekwencja wieloletniego gromadzenia danych jest znacznie trudniejsza do zobaczenia. Nie pojawia się przy kasie. Nie jest doliczana do rachunku. Nie ma swojej ceny wyświetlonej na ekranie.

Być może właśnie dlatego największe napięcie nie znajduje się pomiędzy klientem a firmą, lecz pomiędzy dwiema wersjami samego klienta. Jedna mówi, że nie ma nic przeciwko personalizacji, ponieważ przecież niczego szczególnie ważnego nie robi. Druga, znacznie bardziej ostrożna, zaczyna się zastanawiać, co właściwie oznacza sytuacja, w której ktoś potrafi przewidzieć jej zachowanie lepiej, niż ona sama potrafiłaby je opisać. Obie postawy mogą istnieć jednocześnie. Nie ma w tym sprzeczności. Człowiek może cenić wygodę i jednocześnie nie lubić świadomości, że jego przyzwyczajenia zostały zamienione w dane. Może korzystać z programu lojalnościowego i równocześnie czuć dyskomfort, kiedy dowiaduje się, jak szczegółowy obraz jego zachowania powstał po drugiej stronie.

Szczególnie osobliwa jest sytuacja, w której firma potrafi powiedzieć o kliencie rzeczy, których on sam nigdy nie próbował świadomie sformułować. Nie chodzi nawet o to, czy każda taka klasyfikacja jest trafna. Być może niektóre są banalne, inne przypadkowe, a jeszcze inne oparte na błędnych założeniach. Istotny pozostaje sam fakt przypisania człowieka do kategorii. Gdzieś w systemie istnieje bowiem reprezentacja jego zachowania, której nigdy nie widział i której znaczenia może nawet nie znać. To trochę inny rodzaj asymetrii niż zwykła wiedza przedsiębiorcy o kliencie. Firma może posiadać informacje, których klient nie widzi, oraz modele, których klient nie potrafi odtworzyć.

W takich warunkach słowo „zgoda” zaczyna brzmieć bardziej skomplikowanie. Formalna zgoda może być udzielona jednym kliknięciem, natomiast rzeczywiste zrozumienie konsekwencji tej decyzji wymagałoby wiedzy o architekturze systemu, sposobie łączenia danych, czasie ich przechowywania, modelach predykcyjnych i sposobach wykorzystywania wyników. Oczywiście nie każda firma robi wszystko, co teoretycznie mogłaby zrobić. Nie każda informacja prowadzi do poważnych konsekwencji. Nie każda personalizacja jest nadużyciem. Problem polega raczej na tym, że konsumentowi trudno zobaczyć całą konstrukcję, w której jego pozornie banalne decyzje zaczynają funkcjonować jako element większego mechanizmu.

Europa ma pod tym względem inną tradycję prawną niż Stany Zjednoczone, a przepisy dotyczące ochrony danych osobowych stawiają przedsiębiorcom istotne ograniczenia. To jednak nie oznacza, że cyfrowy profil przestaje istnieć. Różnica między prawem a technologiczną możliwością jest zresztą jednym z najbardziej interesujących napięć całej historii. Regulacje mogą określać, co firma może zbierać, jak długo może przechowywać dane i w jakim celu może je wykorzystywać. Nie zmienia to faktu, że współczesny biznes nauczył się budować niezwykle szczegółowe systemy analityczne, a apetyt na dane nie powstał przecież razem z jedną konkretną ustawą.

Właśnie dlatego sprowadzanie tej historii wyłącznie do McDonald's byłoby zbyt łatwe. McDonald's jest tutaj wyjątkowo dobrym przykładem, ponieważ skala marki, częstotliwość wizyt i cyfryzacja zakupów tworzą bardzo podatne środowisko do analizy zachowań. Ale mechanizm jest szerszy. Dotyczy sklepów, banków, platform streamingowych, aplikacji transportowych, hoteli, linii lotniczych, serwisów zakupowych i dziesiątek innych miejsc, w których człowiek zostawia po sobie cyfrowy ślad. Różnią się nazwy, interfejsy i regulaminy. Pod spodem często pozostaje podobne pytanie o to, jak wiele można wywnioskować z codziennych czynności, zanim użytkownik zacznie traktować własny profil jako coś więcej niż techniczny dodatek do konta.

W pewnym sensie najbardziej przewrotne jest to, że konsument sam współtworzy ten profil, często z pełną świadomością, choć bez pełnego obrazu jego konsekwencji. Wpisuje dane, korzysta z aplikacji, skanuje kod, zbiera punkty, wykorzystuje kupon, wybiera konkretną restaurację, wraca o podobnej porze. Żadna pojedyncza czynność nie wygląda jak przekazanie szczególnie wrażliwej informacji. Dopiero po latach może się okazać, że z pozornie banalnych zachowań powstał zapis zaskakująco dokładny. To nie jest historia o jednym wielkim momencie utraty prywatności. Raczej o setkach małych decyzji, których znaczenie rośnie dopiero po połączeniu.

I może właśnie dlatego tak trudno wskazać moment, w którym człowiek powinien poczuć niepokój. Nie ma alarmu, który uruchamia się po przekroczeniu pewnej liczby danych. Nie pojawia się komunikat mówiący, że od tej chwili system zna już nasze zwyczaje na tyle dobrze, aby przewidywać kolejną wizytę. Wszystko odbywa się spokojnie, często nawet przyjemnie. Aplikacja coś podpowiada, kasa działa szybciej, oferta jest dopasowana, punkty się naliczają. Technologia nie musi wyglądać groźnie, żeby była potężna.

W tym sensie sprawa opisana przez Reece'a Rogersa jest ciekawa nie dlatego, że pokazuje jakiś wyjątkowy przypadek rodem z dystopijnego serialu. Przeciwnie, jej siła polega na banalności. Człowiek zrobił to, co robi wielu użytkowników, tylko postanowił zobaczyć, co właściwie znajduje się po drugiej stronie. Zamiast domyślać się, jak dużo firma może wiedzieć, otrzymał dokument, w którym jego codzienność została przedstawiona językiem korporacyjnej analityki. Nie jako wspomnienie wizyty, lecz jako materiał do prognozy. Nie jako zbiór przypadkowych zakupów, lecz jako zachowanie, które można sklasyfikować, zmierzyć i wykorzystać do przewidywania kolejnych decyzji.

To chyba ten moment najbardziej zmienia sposób patrzenia na zwykłą wizytę w restauracji. Nie dlatego, że nagle przestaje być zwykła dla samego klienta. Nadal może nią być. Ktoś nadal może wejść, zamówić frytki, wypić napój, sprawdzić telefon i wrócić do swoich spraw. Różnica polega na tym, że ta sama chwila może mieć drugie życie w systemach, których klient nigdy nie zobaczy. Tam nie jest już tylko wspomnieniem posiłku. Jest rekordem, sygnałem, zmienną, fragmentem historii zachowania.

I być może najbardziej osobliwy jest fakt, że ten drugi obraz człowieka może być dla firmy w pewnych sytuacjach bardziej użyteczny niż jego własna opowieść o sobie. Człowiek może uważać, że odwiedza restaurację sporadycznie, podczas gdy dane pokazują określony rytm. Może sądzić, że jego zakupy są przypadkowe, choć analiza wykazuje powtarzalne wybory. Może twierdzić, że żadna promocja nie wpływa na jego decyzje, a jednocześnie regularnie korzystać z określonego rodzaju ofert. Nie musi kłamać. Może po prostu nie obserwować siebie z taką dokładnością, z jaką obserwuje go system.

To prowadzi do pytania, które jest znacznie trudniejsze niż proste „czy firma zbiera za dużo danych?”. Ciekawsze jest pytanie o to, co dzieje się z naszym poczuciem własnej autonomii, kiedy inni potrafią modelować nasze zachowanie na podstawie wzorców, których sami nie zauważamy. Nie chodzi o fantazję, w której algorytm przejmuje kontrolę nad człowiekiem. Chodzi o znacznie bardziej przyziemną sytuację, w której środowisko konsumpcyjne coraz lepiej rozpoznaje nasze nawyki i dostosowuje się do nich, zanim zdążymy zastanowić się, czy rzeczywiście chcieliśmy podjąć daną decyzję.

Wtedy nawet pojęcie spontaniczności zaczyna mieć ciekawy status. Być może nadal jesteśmy spontaniczni. Być może nadal możemy zmienić zdanie, wybrać coś zupełnie innego, pojechać do innej restauracji i wydać inną kwotę. Model predykcyjny nie jest przecież wyrokiem. Ale im lepiej system rozpoznaje prawdopodobieństwo naszych zachowań, tym bardziej interesująca staje się różnica pomiędzy tym, co możemy zrobić, a tym, co najprawdopodobniej zrobimy. Dla człowieka ta różnica jest niemal niezauważalna. Dla biznesu może mieć bardzo konkretną wartość.

Niepokój związany z tym mechanizmem nie musi więc wynikać z przekonania, że każda firma jest zainteresowana kontrolowaniem swoich klientów. Takie uproszczenie byłoby zbyt wygodne i niewiele wyjaśniało. Znacznie ciekawsze jest to, że system może działać bez złej intencji, a mimo to prowadzić do sytuacji, która z perspektywy jednostki staje się trudna do zaakceptowania. Firma chce zwiększać sprzedaż, poprawiać doświadczenie użytkownika, ograniczać odpływ klientów i skuteczniej dobierać promocje. Cele są typowo biznesowe. Problem zaczyna się wtedy, gdy do ich realizacji potrzebny jest coraz dokładniejszy obraz człowieka.

Nie ma w tym żadnego wielkiego sekretu. Właśnie to jest najbardziej trzeźwiące. Za ogromną ilością danych nie musi stać żaden ukryty plan. Czasem wystarczy zwykła logika rynku, w której każda informacja może mieć potencjalną wartość, a systemy są budowane po to, żeby tę wartość wydobywać. Im tańsze staje się przechowywanie danych, im łatwiej je analizować i im lepsze są modele przewidywania zachowań, tym bardziej naturalne staje się pytanie nie o to, czy dane będą wykorzystywane, lecz jak daleko może sięgnąć ich użyteczność.

Dlatego historia jednego 515 stronicowego raportu pozostawia po sobie dziwnie trwałe wrażenie. Nie dlatego, że każdy powinien oczekiwać podobnego dokumentu. Nie dlatego, że każda strona musi zawierać coś szokującego. Najbardziej znaczące jest coś innego. Zwykły konsument, który przez lata wykonywał zwykłe czynności, mógł zostać opisany w sposób znacznie bardziej szczegółowy, niż prawdopodobnie kiedykolwiek opisałby sam siebie w rozmowie z obcą firmą. To zestawienie jest trudne do zignorowania.

Być może za jakiś czas podobne historie przestaną kogokolwiek dziwić. Być może staną się zwyczajnym elementem funkcjonowania gospodarki cyfrowej, tak samo oczywistym jak karta płatnicza czy aplikacja na telefonie. Możliwe też, że wraz ze wzrostem świadomości prywatności zmieni się nasze podejście do tego rodzaju profilowania i zaczniemy inaczej oceniać różnicę między wygodą a ceną, którą płaci się za jej osiągnięcie. Na razie jednak żyjemy w osobliwym momencie przejściowym. Technologia potrafi wyciągać z codziennych zachowań znacznie więcej informacji, niż większość ludzi intuicyjnie zakłada, podczas gdy nasze społeczne przyzwyczajenia wciąż każą traktować wiele tych danych jako coś banalnego.

I dlatego następnym razem, gdy na ekranie pojawi się oferta podejrzanie dobrze dopasowana do naszych upodobań, trudno będzie całkowicie wrócić do dawnego odruchu i uznać ją po prostu za przypadek. Nie dlatego, że za każdym takim komunikatem stoi niezwykle precyzyjna analiza konkretnej osoby. Czasem może to być zwykła kampania skierowana do szerokiej grupy. Chodzi raczej o świadomość, że po drugiej stronie coraz częściej istnieje możliwość rozpoznawania wzorców, których sami nie widzimy. A kiedy człowiek zaczyna dostrzegać, że jego codzienne decyzje mogą być dla systemu materiałem do prognozowania kolejnych decyzji, zwykły zakup przestaje być wyłącznie zakupem. Nadal nim jest, oczywiście. Tyle że gdzieś poza naszym wzrokiem może mieć jeszcze swoje drugie znaczenie, zapisane w liczbach, kategoriach i prawdopodobieństwach, które powiedzą o nas coś, czego sami być może nigdy nie próbowaliśmy policzyć.