Одна из особенностей экспонент — их «фрактальность», то есть они выглядят как экспоненты независимо от масштаба. Математики называют это «самоподобием во множественном масштабе». Это также значит, что «длинный хвост» состоит из множества «мини-хвостов», каждый из которых находится в своем маленьком мирке.

Если внимательно рассмотреть данные, можно заметить, что, например, большая экспоненциальная кривая «музыки» — это совокупность экспоненциальных кривых каждого музыкального жанра. Музыка состоит из тысяч нишевых микрорынков, миниатюрных экосистем, которые, если их объединить, выглядят как «длинный хвост». Однако если посмотреть внимательнее, у каждой из них есть свои «голова» и «хвост».

Для примера я разбил «длинный хвост» музыки на Rhapsody по жанрам (на букву «а»), изобразив на графике средний рейтинг каждого жанра. Затем я более детально рассмотрел один из жанров, «афро-кубинский джаз», нарисовав кривую популярности композиций внутри жанра (рис. 18).

Видно, что средние данные по жанрам сами по себе образуют «длинный хвост», а внутри каждого жанра есть собственный «хвост», состоящий из треков. Это верно и для всего диапазона музыки, которая выглядит как одна кривая популярности, но в действительности состоит из множества кривых.

Такая ситуация верна и для других рынков, от книг до блогов. Питер Хиршберг (Peter Hirschberg), директор компании Technorati, занимающейся поиском по блогам, описывает возникновение «тематических длинных хвостов», которые компания отслеживала в таких категориях, как блоги о приготовлении пищи и воспитании детей. Он говорит: «Это похоже на разложение света при помощи призмы: в блогосфере существует целый спектр сообществ «длинного хвоста». Рейтинги имеют наибольший смысл внутри таких сообществ, а не в совокупности.

Почему это важно? Во-первых, это указывает, что зачастую фильтрация наиболее эффективна на уровне отдельных жанров. Во-вторых, объясняет явный парадокс «длинного хвоста». Характерное резкое падение экспоненциальной кривой популярности происходит в результате обратной связи, основанной на общении, которая усиливает предпочтения потребителей, улучшая уже существующую хорошую репутацию и относительно снижая репутацию всего остального. Успех приводит к успеху, и это явление — прекрасная машина по изготовлению хитов.

Сегодняшние фильтры делают обратную связь еще более влиятельной, измеряя столь многое на столь многих примерах и для огромного количества продуктов. Не должно ли падение экспоненты в таком случае стать более резким, увеличивая разницу между хитами и нишами, вместо разглаживания кривой?

Другими словами, почему влияние сетевых рекомендаций, ответственное за сдвиг спроса ниже по «хвосту», не приводит к противоположному эффекту — сдвигу вверх, усиливая неравенство хитов и ниш? Именно этого и следует ожидать, однако в реальности рынки «длинного хвоста» разглаживают кривую и сокращают разницу между хитами и нишами.

Оказывается, что фильтры и другие системы рекомендаций лучше всего работают на уровне ниш, внутри жанров и поджанров. На пересечении жанров их влияние невелико. Есть несколько хитов, которые занимают ведущие места внутри жанра, а потом поднимаются к началу кривой, на вершину общего хит-парада. Однако это — исключения. Чаще встречаются хиты, чья популярность в рамках своего жанра приводит их в середину общих хат-парадов, где они конкурируют с такими же хитами других жанров и, в целом, не поднимаются вверх.

Так, самый популярный музыкант в категории «эмбиент даб» может быть значительно популярнее остальных в той же категории, но это не значит, что он сможет «выбить» группу 5 °Cents из «горячей десятки». Анализ микроструктур показывает, что популярность бывает разного масштаба. Популярность в нише не обязательно приведет вас в каждый дом.