Когда данные создают конкурентное преимущество

Всем привет. На днях нашел довольно интересную статью Harvard Business Review. Подумал, что она многим может показаться интересной, так что подготовил небольшой перевод.

Скажу сразу, я не профессиональный переводчик, так что в статье могут быть неточности или какие-либо ошибки. Заранее извиняюсь, если вдруг

Немного об авторе: Андрей Хагиу является профессором по информационным системам Boston University’s Questrom School of Business. Думаю, этого достаточно.

Ссылка на оригинал

Многие руководители и инвесторы полагают, что возможности работы с данными клиентов позволяют получить непревзойденное конкурентное преимущество.

Чем больше у вас клиентов, тем больше данных вы сможете собрать. Чем больше данных будет проанализированно с помощью инструментов для обучения, тем лучше вы сможете предложить продукт, который привлечет больше клиентов. Затем вы сможете собрать еще больше данных и в конечном итоге маргинализировать своих конкурентов так же, как это делают компании с большими сетевыми эффектами.

Или думают, что произойдет что-то подобное. Чаще всего эти предположения неверны. В большинстве случаев люди сильно переоценивают преимущества, которые дают данные.

Виртуальные циклы, порождаемые обучением с использованием данных, могут выглядеть так же, как и обычные сетевые эффекты, когда предложение, подобно платформе социальных сетей, становится более ценным, поскольку все больше людей пользуются ею и в конечном итоге получает критическую массу пользователей, которая исключает конкурентов. Но на практике сетевые эффекты длятся дольше и имеют тенденцию быть более мощными. Чтобы занять сильнейшую конкурентоспособную позицию, вам нужны и сетевые эффекты, и обучение с использованием данных. Однако лишь немногие компании способны развивать и то, и другое. Тем не менее, при правильных условиях данные, генерируемые пользователями, могут помочь вам построить конкурентноспособную систему защиты, даже если сетевых эффектов не наблюдается. В этой статье мы расскажем вам, что такое эти условия и объясним, как оценить, применимы ли они к вашему бизнесу.

Компании, построенные на данных, существуют уже давно. Возьмем кредитные бюро и агрегаторы информации LexisNexis, Thomson Reuters и Bloomberg, а это лишь некоторые из таких компаний. Эти компании защищены существенными барьерами для входа из-за экономии за счет эффекта масштаба, связанной с приобретением и структурированием огромных объемов данных, но их бизнес-модели не предполагают сбор данных от клиентов и их добычу, с целью понять, как улучшить предложение.

Сбор информации о клиентах и ее использование для создания более качественных продуктов и услуг является вековой стратегией, но раньше этот процесс был медленным, ограниченным по потенциалу и трудно масштабируемым. Для автопроизводителей, компаний, занимающихся упаковкой потребительских товаров, и многих других традиционных производителей эта стратегия требовала сжатия данных о продажах, проведения опросов клиентов и проведения фокус-групп. Но данные о продажах часто не были привязаны к отдельным покупателям, а поскольку опросы и фокус-группы были дорогими и отнимали много времени, собирались только данные от относительно небольшого числа покупателей.

Это резко изменилось с появлением облака и новых технологий, которые позволяют фирмам быстро обрабатывать и осмысливать огромные объемы данных. Продукты и услуги, подключенные к Интернету, теперь могут напрямую собирать информацию о клиентах, включая их личные данные, поведение при поиске, выбор контента, коммуникации, сообщения в социальных сетях, местоположение по GPS и модели использования. После того, как алгоритмы машинного обучения проанализируют эту "цифровую выхлопную трубу", предложения компании могут быть автоматически скорректированы в соответствии с полученными результатами и даже адаптированы к индивидуальным потребностям.

Эти разработки делают обучение, основанное на данных, гораздо более мощным, чем обучение, основанное на знаниях клиентов, полученных в прошлом. Однако они не гарантируют защитных барьеров.

Чтобы определить, в какой степени конкурентное преимущество, обеспечиваемое обучением с использованием данных, является устойчивым, компании должны ответить на семь вопросов:

Чем выше добавленная стоимость, тем выше вероятность того, что это создаст долговременный перелом.

Например, давайте посмотрим на бизнес, где ценность клиентских данных очень высока: Mobileye, ведущий поставщик передовых систем помощи водителю (ADAS), которые включают в себя системы предупреждения столкновений и отъезда с полосы движения транспортных средств. Mobileye продает свои системы в основном производителям автомобилей, которые их тщательно тестируют, прежде чем включать их в свою продукцию. Очень важно, чтобы системы были отказоустойчивыми, а данные испытаний необходимы для повышения их точности. Собрав десятки своих клиентов, компания Mobileye смогла повысить точность своей системы ADAS до 99,99%.

И наоборот, для производителей интеллектуальных телевизоров ценность обучения у клиентов относительно невелика. Некоторые из них теперь включают программное обеспечение, которое может предоставлять персонализированные рекомендации для сериалов или фильмов, основанные на привычках просмотра, а также на том, что популярно у других пользователей. До сих пор потребители не уделяли особого внимания этой функции (которая также предлагается поставщиками потоковых услуг, такими как Amazon и Netflix). Они в основном принимают во внимание размер телевизора, качество изображения, простоту использования и долговечность при принятии решения о покупке. Если бы обучение у клиентов было более важным фактором, то, возможно, производители смарт-ТВ имели бы в разы больше конкурентов.

Другими словами, как быстро компания достигает точки, когда дополнительные данные о клиентах больше не повышают ценность предложения? Чем медленнее снижается предельное значение, тем сильнее становится барьер. Обратите внимание, что при ответе на этот вопрос, вы должны судить о ценности обучения по готовности клиентов платить, а не по каким-то другим специфическим для приложений мерам, таким как процент запросов чата-бота, на которые можно было бы получить правильный ответ, или по тому, сколько раз кликали мышью по рекомендации фильма.

Предположим, что вы захватили точность ADAS Mobileye, как функция использования клиентами (общее количество миль, пройденных автопроизводителями, проверяющими его) и обнаружили, что несколько производителей и умеренный уровень тестирования будет достаточно для достижения, скажем, 90% точности - но что гораздо больше тестирования с большим набором автопроизводителей будет необходимо, чтобы получить до 99%, не говоря уже о 99,99%. Интерпретация, означающая, что предельное значение данных заказчика быстро снижается, конечно, была бы неверной: значение дополнительного 9-процентного (или даже 0,99 пункта) улучшения точности остается чрезвычайно высоким, учитывая последствия для жизни или смерти. Любому отдельному автопроизводителю, даже самому крупному, было бы трудно самостоятельно генерировать необходимый объем данных, а также любым потенциальным конкурентам Mobileye воспроизводить эти данные. Именно поэтому Mobileye удалось вырвать доминирующее положение на рынке ADAS, что сделало его весьма привлекательным приобретением для компании Intel, которая купила его за 15 миллиардов долларов в 2017 году.

Когда маржинальная ценность изучения клиентских данных остается высокой даже после приобретения очень большой клиентской базы, продукты и услуги, как правило, имеют значительные конкурентные преимущества. Это видно на примере систем, предназначенных для прогнозирования редких заболеваний (например, предлагаемых RDMD), и онлайн-поисковых систем, таких как Baidu и Google. Хотя Microsoft инвестировала много лет и миллиарды долларов в Bing, она не смогла поколебать доминирование Google в поисковых системах. Поисковые системы и системы прогнозирования заболеваний - все они нуждаются в огромных объемах пользовательских данных для обеспечения стабильно надежных результатов.

Контрпример бизнеса, где предельное значение пользовательских данных быстро падает - это умные термостаты. Этим продуктам требуется всего несколько дней, чтобы узнать температурные предпочтения пользователей в течение дня. В этом контексте обучение с использованием данных не может обеспечить значительного конкурентного преимущества. Несмотря на то, что в 2011 году компания выпустила первые интеллектуальные термостаты, которые изучают поведение потребителей, Nest (приобретенная Google в 2014 году) теперь сталкивается со значительной конкуренцией со стороны таких игроков, как Ecobee и Honeywell.

Если данные быстро устаревают, то при прочих равных условиях сопернику будет проще войти на рынок, так как он не должен соответствовать годам обучения на основе данных.

Все данные, накопленные за годы работы Mobileye от автопроизводителей, остаются ценными в текущих версиях его продукции. Так же, как и данные о пользователях поисковых систем, которые Google собирает десятилетиями. Несмотря на то, что поиск некоторых терминов может со временем стать редкостью, в то время как поиск новых терминов может стать более частым, наличие данных за годы поиска имеет неоспоримую ценность для сегодняшних пользователей. Низкий уровень износа их данных помогает объяснить, почему как Mobileye, так и Google Search оказались очень устойчивыми компаниями.

Однако в случае с казуальными социальными играми для компьютеров и мобильных устройств ценность изучения пользовательских данных имеет тенденцию к быстрому снижению. В 2009 году этот рынок взлетел до небес, когда Zynga представила свою весьма успешную игру FarmVille. Хотя компания славилась тем, что при принятии дизайнерских решений в значительной степени полагалась на аналитику пользовательских данных, оказалось, что знания, полученные в одной игре, не очень хорошо передавались в другой: Случайные социальные игры подвержены фантазиям, а предпочтения пользователей со временем быстро меняются, что затрудняет создание устойчивых конкурентных преимуществ, основанных на данных. После еще нескольких успехов, в том числе FarmVille 2 и CityVille, Zynga перестала выпускать новые хиты, а в 2013 году потеряла почти половину своей базы пользователей. Его вытеснили такие производители игр, как Supercell (Clash of Clans) и Epic Games (Fortnite). Достигнув пика в 10,4 миллиардов долларов в 2012 году, Zynga на протяжении большей части следующих шести лет томилась на рынке ниже 4 миллиардов долларов.

Наличие уникальных клиентских данных с небольшим количеством замен или вообще без них имеет решающее значение для создания обороноспособного барьера. Рассмотрим "Адавив", бостонский стартап, в который мы инвестировали, и который предлагает систему управления посевами, позволяющую фермерам (в настоящее время в основном конопли) постоянно следить за отдельными растениями. Система опирается на ИИ, программное обеспечение компьютерного зрения и запатентованную технику нотации данных для отслеживания биометрических параметров растений, невидимых человеческому глазу, таких как ранние признаки болезни или недостаток необходимых питательных веществ. Затем эти данные преобразуются в данные, которые садоводы могут использовать для предотвращения вспышек заболеваний и повышения урожайности. Чем больше фермеров обслуживает Адавив, тем шире спектр вариантов, сельскохозяйственных условий и других факторов, о которых он может узнать и тем больше точность его прогнозов для новых и существующих клиентов. Контрастная ситуация с положением провайдеров спам-фильтров, которые могут получать пользовательские данные сравнительно дешево. Это помогает объяснить существование десятков таких провайдеров.

Важно помнить, что технологический прогресс может подорвать позиции, основанные на уникальных или запатентованных данных. Примером может служить программа распознавания речи. Исторически сложилось так, что пользователям нужно было обучать программу распознаванию речи, чтобы она понимала их индивидуальные голоса и речевые паттерны, и чем больше человек применял ее, тем точнее она становилась. В течение многих лет на этом рынке доминировали решения "Дракон" от Nuance. Однако, в последнее десятилетие мы стали свидетелями быстрых усовершенствований систем распознавания речи, не зависящих от говорящего, которые можно обучать по общедоступным наборам речевых данных и которые требуют минимального времени или вообще не требуют его для того, чтобы научиться понимать голос нового говорящего. Эти достижения позволили многим компаниям предоставить новые приложения для распознавания речи (автоматизированное обслуживание клиентов по телефону, автоматизированные услуги по расшифровке стенограмм совещаний, виртуальные помощники), и они оказывают все большее давление на Nuance на своих основных рынках.

Даже если данные уникальны или являются собственностью компании и дают ценную информацию, трудно создать долгосрочное конкурентное преимущество, если полученные в результате усовершенствования могут быть скопированы конкурентами без аналогичных данных.

Пара факторов влияет на способность компаний преодолевать эту проблему. Один из них заключается в том, являются ли улучшения скрытыми или глубоко укоренившимися в сложном производственном процессе, что делает их трудным для повторения. Pandora, служба потокового воспроизведения музыки, выигрывает от этого барьера. В предложении компании используется собственный проект Music Genome, в рамках которого миллионы песен были распределены по категориям на основе 450 атрибутов, что позволяет Pandora настраивать радиостанции в соответствии с индивидуальными предпочтениями пользователей. Чем больше пользователь слушает свои радиостанции и оценивает песни вверх или вниз, тем лучше Pandora может настроить музыкальный выбор в соответствии с предпочтениями этого пользователя. Такая настройка не может быть легко подражать любому конкуренту, потому что она глубоко связана с проектом "Музыкальный геном". Напротив, усовершенствование дизайна, основанное на обучении заказчика использованию многих офисно-производственных программных продуктов, таких как Calendlyars для согласования календарей и Doodle для опроса людей о времени встречи, может быть легко отслежено и скопировано. Вот почему десятки компаний предлагают похожие программы.

Вторым фактором является то, как быстро меняются знания, получаемые от данных клиентов. Чем быстрее они это делают, тем труднее подражать другим. Например, многие конструктивные особенности интерфейса "Карты Google" можно легко скопировать (и они были скопированы, в частности, в "Картах Apple"). Но ключевой частью ценности Google Maps является его способность предсказывать трафик и рекомендовать оптимальные маршруты, что гораздо сложнее скопировать, так как он использует пользовательские данные в реальном времени, которые устаревают за считанные минуты. Только компании с аналогичными большими базами пользователей (такие как Apple в США) могут надеяться на воспроизведение этой функции. Карты Apple Maps сокращают разрыв с Google Maps в США, но не в странах, где у Apple относительно небольшая база пользователей.

В идеале - и то, и другое, но разница между ними важна. Когда данные от одного пользователя улучшают продукт для этого человека, фирма может индивидуально настроить его, создавая затраты на переключение. Когда данные от одного пользователя улучшают продукт для других пользователей, это может стать возможностью для создания сетевых эффектов. Оба вида усовершенствований помогают создать барьер для входа, но первое делает существующих клиентов очень липкими, в то время как второе обеспечивает ключевое преимущество в конкурентной борьбе за новых клиентов.

Например, Pandora была первым крупным проигрывателем потоковой цифровой музыки, но затем отстала от Spotify и Apple Music, которые продолжают расти. Как мы уже отмечали, главный плюс Pandora заключается в том, что она может адаптировать станции под вкусы каждого пользователя. Но обучение пользователей очень ограничено: Голосование каждого пользователя вверх или вниз позволяет Pandora определять музыкальные атрибуты, которые нравятся пользователю, а затем обслуживать песни этого человека, разделяющие эти атрибуты. В отличие от этого, Spotify сосредоточилась на предоставлении пользователям функций обмена и обнаружения, таких как возможность поиска и прослушивания чужой станции, создавая тем самым прямые сетевые эффекты и привлекая дополнительных клиентов. Услуга Pandora остается доступной только в Соединенных Штатах (где у нее есть база постоянных пользователей), в то время как Spotify и Apple Music стали глобальными игроками. И хотя Pandora была приобретена компанией Sirius XM за 3,5 миллиарда долларов в феврале 2019 года, Spotify стала публичной компанией в апреле 2018 года и на начало ноября 2019 года стоила 26 миллиардов долларов. Очевидно, что кастомизация, основанная на изучении данных отдельного пользователя, помогает держать существующих клиентов под замком, но это не приводит к тому типу экспоненциального роста, который производит сетевой эффект.

Быстрые циклы обучения затрудняют наверстывание упущенного конкурентами, особенно если во время контракта со средним заказчиком происходит несколько циклов усовершенствования продукции.

Но когда требуются годы или последовательные поколения продуктов на использование полученных данных, у конкурентов появляется больше шансов внедрить новшества и начать сбор собственных пользовательских данных.

Таким образом, конкурентное преимущество, получаемое от данных клиентов, становится сильнее, когда знания, полученные от сегодняшних клиентов, приводят к более частым усовершенствованиям продукта для тех же клиентов, а не только для будущих клиентов продукта или услуги. Некоторые из рассмотренных нами примеров продуктов - карты, поисковые системы и системы управления посевами на основе ИИ - могут быть быстро обновлены, чтобы учесть опыт текущих клиентов.

Контрпример предлагается прямыми онлайн-кредиторов, таких как LendUp и LendingPoint, которые учатся принимать лучшие кредитные решения, изучая историю погашения кредитов пользователей и как это коррелирует с различными аспектами профилей пользователей и их поведения.Здесь, единственное обучение, которое имеет отношение к текущим заемщикам - это обучение от предыдущих заемщиков, что уже отражено в договорах и ставках, которые предлагаются текущим заемщикам.У заемщиков нет причин заботиться о любом будущем обучении, которое может принести пользу кредитору, так как их существующие контракты не будут затронуты. По этой причине клиенты не беспокоятся о том, сколько других заемщиков подпишут контракт у их кредитора. По этой причине существующие заемщики, возможно, предпочтут остаться со своими нынешними кредиторами, которые знают их лучше, чем другие кредиторы. Но рынок для новых заемщиков остается очень конкурентным.

Ответы на вопросы 6 и 7 подскажут вам, создаст ли обучение с использованием данных настоящие сетевые эффекты. Когда обучение от одного клиента превращается в лучший опыт для других клиентов, и когда это обучение может быть включено в продукт достаточно быстро, чтобы принести пользу его текущим пользователям, клиенты будут заботиться о том, сколько других людей перенимают продукт.

Механизм, работающий здесь, очень похож на тот, который лежит в основе сетевых эффектов при работе с онлайн-платформами. Разница заключается в том, что пользователи платформ предпочитают присоединяться к большим сетям, потому что они хотят, чтобы больше людей взаимодействовало с ними, а не потому, что больше пользователей генерируют больше знаний, которые улучшают продукты.

Давайте еще раз посмотрим на Карты Google. Водители используют ее отчасти потому, что ожидают, что ее будут использовать и многие другие, и чем больше данных о трафике программа собирает у них, тем лучше прогнозируются дорожные условия и время в пути. Google Search и система управления кадрами на основе ИИ в Адавиве также используют сетевые эффекты с поддержкой данных.

Обычные сетевые эффекты, включенные в сеть, могут создавать барьеры для входа как и эффект данных.

Оба типа эффектов имеют огромную проблему:

• предприятия, стремящиеся к созданию обычных сетевых эффектов, должны привлечь минимальное количество пользователей, чтобы получить эффект
• предприятия, стремящиеся к созданию сетевых эффектов с поддержкой данных, должны получить начальный объем данных, чтобы начать добродетельный цикл обучения.

Несмотря на эти сходства, обычные сетевые эффекты и сетевые эффекты, основанные на данных, имеют ключевые отличия. Эти отличия, как правило, делают преимущества, основанные на обычном эффекте, сильнее.

Во-первых, проблема холодного старта обычно менее серьезно с сетевыми эффектами с поддержкой данных, потому что покупать данные легче, чем покупать клиентов. Часто альтернативные источники данных, даже если они не идеальны, могут значительно выровнять игровое поле, устранив необходимость в большой клиентской базе.

Во-вторых, для получения долговременных сетевых эффектов, основанных на данных, фирма должна постоянно работать над тем, чтобы учиться на данных клиентов. В отличие от этого, как часто говорил соучредитель Intuit Скотт Кук (Scott Cook), "продукты, которые выигрывают от [обычных] сетевых эффектов, становятся лучше, пока я сплю". Благодаря регулярным сетевым эффектам, взаимодействие между клиентами (и, возможно, со сторонними провайдерами дополнительных предложений) создает ценность, даже если платформа перестает внедрять инновации. Даже если новая социальная сеть предлагает пользователям объективно лучшие функции, чем у Facebook (например, лучшая защита конфиденциальности), ей все равно придется бороться с мощными сетевыми эффектами Facebook - пользователи хотят быть на той же социальной платформе, что и большинство других пользователей.

В-третьих, во многих случаях почти все преимущества изучения данных о клиентах могут быть достигнуты при относительно небольшом количестве клиентов. А в некоторых приложениях (например, в системе распознавания речи) значительное улучшение ИИ позволит снизить потребность в данных о клиентах до такой степени, что ценность обучения с использованием данных может полностью исчезнуть. Регулярные сетевые эффекты, с другой стороны, расширяются и становятся более устойчивыми: Дополнительный клиент, как правило, повышает ценность для существующих клиентов (которые могут взаимодействовать или заключать сделки с ним), даже если количество существующих клиентов уже очень велико.

По мере того, как даже обыденные потребительские товары становятся умными и связанными между собой. Например, новые виды одежды, теперь могут реагировать на погодные условия и отслеживать пробег и жизненные показатели. Обучение с использованием данных будет использоваться для расширения и персонализации все большего количества предложений. Однако их провайдеры не смогут занять прочные конкурентные позиции, если не получат высокую и долговременную отдачу от данных клиентов, если данные не будут являться собственностью компании и не приведут к усовершенствованию продукции, которую трудно копировать, или если обучение с использованием данных не создаст сетевых эффектов.

В ближайшие десятилетия улучшение предложений с использованием данных о клиентах станет предпосылкой для того, чтобы оставаться в игре, и это может дать сотрудникам преимущество перед новыми участниками. Но в большинстве случаев это не будет генерировать динамику "победитель получает все". Вместо этого, наиболее ценным и мощным бизнесом в обозримом будущем будут те, которые построены на обычных сетевых эффектах и усовершенствованы с помощью обучения с использованием данных. Примеры компаний, которые придерживаются такой политики уже сейчас: Alibaba и Amazon, App Store от Apple и социальные сети Facebook.

P. S. Я веду Telegram-канал, где публикую переводы статей про маркетинг и создание контента, а также иногда пишу про личный опыт и моменты, которые мне кажутся интересными. Я не так давно начал вести канал. Заходите, мне крайне нужна ваша поддержка.