وقتی داده‌ها برتری رقابتی می‌سازند
و وقتی این‌گونه نیست
بسیاری از مدیران و سرمایهگذاران گمان می‌کنند که بهره‌گیری از داده‌های مشتریان، می‌تواند یک برتری رقابتی بی‌همتا رقم بزند. هرقدر مشتری بیشتری داشته باشید، امکان گردآوری داده‌های بیشتری خواهید داشت و تحلیل آن داده‌ها از طریق ابزارهای یادگیری ماشینی به شما اجازه می‌دهد که با خلق یک محصول بهتر، مشتریان بیشتری جذب کنید. در این صورت می‌توانید داده‌های بیشتری گردآوری کنید و رقبایتان را به حاشیه برانید، یعنی همان موفقیتی که کسب‌وکارهای بهره‌مند از اثرات شبکه‌ای گسترده کسب می‌کنند. حداقل چنین طرز فکری وجود دارد. اما در اکثر نمونهها، برآورد دست‌بالا و اغراق‌شده‌ای از مزایای داده‌ها صورت می‌گیرد.
شاید چرخه‌ی فضایل حاصل از آموزه‌های داده‌محور را همچون مزایای حاصل از اثرات شبکه‌ای معمولی قلمداد کنید که افزایش بهره‌برداری از یک محصول – نظیر یک پلتفرم رسانههای اجتماعی – ارزش آن را بیشتر خواهد کرد و نهایتاً آن‌قدر کاربر جذب می‌کند که تمام رقبا را کنار میزند. اما واقعیت امر این است که اثرات شبکه‌ای معمولی، عمر طولانیتر و قدرت بیشتری دارند. به‌منظور تثبیت قدرتمندترین موضع رقابتی، به آمیزه‌ای از اثرات شبکه‌ای و آموزه‌های داده‌محور نیاز دارید. کمپانی‌های اندکی هستند که بتوانند هر دو را توسعه دهند. اما تحت شرایط مناسب، داده‌های فراهمشده توسط مشتریان می‌توانند موجب برتری رقابتی شما شوند، حتی وقتی اثرات شبکه‌ای وجود نداشته باشند. در این مقاله، شرایط فوق و امکان صدق کردن آن‌ها را برای کسب‌وکارتان شرح خواهیم داد.
خلاصه‌ی ایده
فرض
کمپانی‌ها می‌توانند با گردآوری و تحلیل داده‌های مشتریان، موقعیتهای «برنده صاحب همه‌چیز» را رقم بزنند. با افزایش مشتریان، امکان گردآوری و استخراج داده‌های بیشتر نیز ایجاد خواهد شد؛ بینش‌های حاصل از این داده‌ها، به شرکت اجازه می‌دهند که با تولید یک محصول بهتر، مشتریان بیشتری جذب کند و متعاقباً داده‌های بیشتری گردآوری نماید.
واقعیت
حتی وقتی امکان کسب برتری رقابتی از داده‌های مشتریان وجود داشته باشد، باز هم این داده‌ها به‌ندرت موجب شکل‌گیری اثرات شبکه‌ای خواهند شد. و امکان عدم پایداری این برتری‌ها وجود دارد.
راهکار
به‌منظور درک مزایای حاصل از یادگیری داده‌بنیاد، کمپانی‌ها باید این هفت مسئله را بررسی کنند: ارزش داده؛ سرعت افت ارزش نهایی داده؛ سرعت منسوخ شدن داده؛ اختصاصی بودن داده؛ میزان تقلیدپذیری پیشرفت‌های حاصل از داده؛ نقش داده در ارتقای محصولات مورد استفادهی کاربران کنونی، کاربران آینده یا هر دوی این گروه‌ها؛ و سرعت تلفیق بینش‌های داده‌ای در محصولات.
چه چیزی تغییر کرده؟
مدت‌هاست که کمپانی‌های داده‌محور تاسیس شده‌اند. موسسات اعتبارپژوهی و مراکز جمع‌آوری اطلاعات نظیر لکسیس‌نکسیس، تامسون رویترز و بلومبرگ را در نظر بگیرید. به‌واسطه‌ی صرفه‌به‌مقیاس ناشی از اکتساب و سازمان‌دهی این حجم عظیم از داده‌ها، موانع بزرگی در پیرامون سازمانها شکل می‌گیرند که از آن‌ها حفاظت می‌کنند؛ اما گردآوری داده‌های مشتریان و پردازششان برای شناسایی شیوههای بهبود محصولات، هیچ جایگاهی در مدل کسب‌وکار آن‌ها ندارد.
گردآوری اطلاعات مشتریان و بهره‌گیری از آن‌ها برای ساخت محصولات و خدمات بهتر، یک استراتژی قدیمی است؛ اما فرایند مورد استفاده برای این استراتژی، یک پروسه‌ی کند و محدود بود که به‌سختی می‌شد آن را گسترش داد. خودروسازها، کمپانی‌های کالاهای مصرفی و خیلی از تولیدکنندگان سنتی دیگر، باید عملیاتی همچون تجزیه‌وتحلیل داده‌های فروش، نظرسنجی از مشتریان و گردآوری گروههای کانونی را انجام می‌دادند. اما عموماً امکان تفکیک داده‌های فروش مشتریان وجود نداشت و به‌واسطه‌ی هزینهی زمانی و مالی این نظرسنجی‌ها و گروههای کانونی، صرفاً داده‌های گروه نسبتاً کوچکی از مشتریان را گردآوری میکردند.
اما ظهور فضای ابری و فناوری‌های جدید بود که شرایط را تغییر داد، زیرا امکان پردازش سریع و درک حجم عظیمی از داده‌ها را به شرکتها می‌دهند. هم‌اکنون محصولات و خدمات متصل به اینترنت می‌توانند مستقیماً اطلاعات مشتریان ازجمله جزئیات شخصی، سابقه‌ی جستجو، محتواهای مدنظر، ارتباطات، پستهای رسانههای اجتماعی، موقعیت مکانی و الگوهای بهره‌برداری آن‌ها را گردآوری کنند. پس از تحلیل این «خروجی دیجیتال» توسط الگوریتم‌ها، امکان اصلاح خودکار محصولات بر اساس یافته‌های فوق و حتی شخصی‌سازی آن‌ها برای تک‌تک افراد وجود دارد.
همین پیشرفت‌ها باعث می‌شوند که آموزه‌های داده‌محور، بسیار قدرتمندتر از بینش‌های مشتریان باشند که پیش‌تر توسط کمپانی‌ها استخراج می‌شدند. بااین‌حال آن‌ها کماکان نمی‌توانند موانع تضمینی برای حفاظت از سازمان باشند
ساخت خاکریز با بهره‌گیری از یادگیری داده‌بنیاد
به‌منظور تعیین اینکه پایداری برتری رقابتی تا چه میزان از یادگیری داده‌بنیاد حاصل می‌شود، کمپانی‌ها باید هفت پرسش زیر را پاسخ دهند:
1. با در نظر گرفتن ارزش مستقل محصول، داده‌های مشتریان چه ارزشی به آن خواهد افزود؟
هرقدر ارزش بیشتری اضافه شود، احتمال پایداری برتری حاصل از آن نیز بیشتر خواهد بود. بیایید کسب‌وکاری را در نظر بگیریم که ارزش داده‌های مشتریان آن بسیار بالا است:
فناوری‌های جدید باعث می‌شوند که یادگیری داده‌بنیاد، بسیار قدرتمندتر از بینش‌های مشتریان باشند که پیش‌تر توسط کمپانی‌ها استخراج می‌شدند. بااین‌حال آن‌ها کماکان نمی‌توانند موانع تضمینی برای حفاظت از سازمان باشند.
به‌عنوان نمونه‌ای از کسب‌وکار که آموزه‌های حاصل از مشتریانش ارزش نسبتاً پایینی دارند، می‌توان تولیدکنندگان تلویزیونهای هوشمند را مثال زد. هم‌اکنون برخی از آن‌ها نرمافزارهایی را اضافه کردهاند که می‌توانند بر اساس سوابق مشاهدات فرد یا محبوب‌ترین برنامهها در نزد سایر کاربران، توصیههای شخصی‌سازی‌شده را در اختیار مشتریان بگذارند. تاکنون مصرف‌کنندگان اهمیت چندانی برای این ویژگی قائل نشدهاند (که توسط تامین‌کنندگان سرویس‌های استریم نظیر آمازون و نت‌فلیکس نیز ارائه می‌شود). آن‌ها برای خرید تلویزیون، عمدتاً فاکتورهایی نظیر سایز، وضوح تصویر، راحتی استفاده و عمر آن را در نظر می‌گیرند. در صورت افزایش نقش آموزه‌های حاصل از مشتریان در کسب‌وکار تلویزیونهای هوشمند، احتمالاً شدت رقابت‌های این صنعت کاهش می‌یافت.
2. ارزش نهایی حاصل از یادگیری داده‌بنیاد، با چه سرعتی افت خواهد کرد؟
به‌عبارت‌دیگر، کی کمپانی به نقطه‌ای میرسد که دیگر داده‌های مشتریان آن هیچ نقشی در ارتقای ارزش محصول آن نخواهند داشت؟ هرقدر سرعت افت ارزش نهایی کمتر باشد، مانع قدرتمندتری در پیرامون سازمان شکل خواهد گرفت. توجه کنید که در هنگام پاسخگویی به این پرسش، باید تمایل مشتریان به پرداخت را معیار قضاوتتان درخصوص ارزش آموزهها بدانید، نه اینکه برخی معیارهای منحصر به یک کاربرد خاص نظیر درصد پاسخگویی صحیح بات گفتگو به پرسش‌های کاربران یا نرخ کلیک کاربران روی فیلم‌های پیشنهادی را در نظر بگیرید.
فرضاً نمودار دقت سیستم کمکرانندهی موبایلای بر اساس میزان بهره‌برداری مشتریان (مجموع مسافت طی‌شده توسط خودروهای آزمایشی) را رسم کرده‌اید. حال متوجه شده‌اید که با به‌کارگیری چند تولیدکننده‌ی خودرو و برگزاری تعداد متوسطی از آزمون‌ها، می‌توان دقت 90 درصدی کسب کرد؛ اما برای دستیابی به دقت 99 درصد، باید حجم بسیار گستردهتری از آزمون‌ها با حضور تولیدکنندگان بیشتر صورت گیرند، چه رسد به اینکه دقت 99.99 را هدف قرار دهید. اگر این آزمون‌ها را ملاک افت سریع ارزش نهایی داده‌های مشتریان بدانید، طبعاً تفسیر نادرستی انجام دادهاید: با توجه به نقش این محصول در مرگ و زندگی مصرف‌کنندگان، ارزش آن 9 درصد دقت مضاعف داده‌ها (یا حتی همان 0.99 درصد) نیز بسیار بالا خواهد بود. یک تولیدکننده‌ی خودرو – حتی بزرگ‌ترینش – نمی‌تواند به‌تنهایی حجم داده‌های لازم برای تست محصول را فراهم کند، کمااینکه هیچ‌کدام از رقبای موبایلای هم چنین قابلیتی ندارند. همین امر را می‌توان علت جایگاه والای موبایلای در بازار ADAS و ترغیب اینتل برای خرید این کمپانی دانست که در سال 2017، مبلغ 15 میلیارد دلار بابت آن پرداخت.
وقتی کمپانی می‌تواند حتی پس از جذب یک پایگاه مشتریان بسیار گسترده نیز ارزش نهایی یادگیری داده‌بنیاد خود را حفظ کند، محصولات و خدمات آن برتری‌های رقابتی قابل توجهی کسب خواهند کرد. می‌توانید نمونه‌های این موضوع را در سیستم‌های طراحیشده برای پیش‌بینی بیماری‌های نادر (نظیر سیستم‌های ارائه‌شده توسط RDMD) و موتورهای جستجوی آنلاین نظیر بایدو و گوگل ببینید. علی‌رغم چندین سال سرمایه‌گذاری و صرف میلیاردها دلار بودجهی مایکروسافت بر روی بینگ، آن‌ها هنوز هم نتوانستهاند هیچ تزلزلی در جایگاه گوگل ایجاد کنند. موتورهای جستجو و سیستم‌های پیش‌بینی بیماری به حجم عظیمی از داده‌های کاربران نیاز دارند تا بتوانند نتایج قابل اعتمادی فراهم کنند.
در نقطه‌ی مقابل می‌توان به کسب‌وکار ترموستات هوشمند اشاره کرد که ارزش نهایی داده‌های کاربران آن به‌سرعت افت خواهد کرد. این محصولات تنها به چند روز زمان نیاز دارند تا دمای مدنظر کاربر در تمامی ساعات روز را شناسایی کنند. در این چارچوب، یادگیری داده‌بنیاد نمی‌توانند برتری رقابتی چندان زیادی رقم بزنند. اگرچه نست توانست اولین ترموستات هوشمند با قابلیت درک رفتار مشتری را در سال 2011 بسازد (و در سال 2014 توسط گوگل خریداری شد)، اما هم‌اکنون رقبای قدرتمندی نظیر اکوبی و هانی‌ول دارد.
3. اعتبار داده‌های کاربران با چه سرعتی کاهش خواهد یافت؟
وقتی داده‌ها عمر کمتری داشته باشند، امکان ورود رقبا ساده‌تر خواهد بود، زیرا نیازی نیست که با سال‌ها دانش و دادهاندوزی کمپانی‌های جاافتادهی آن صنعت مقابله کنند.
تمامی داده‌های گردآوریشدهی موبایلای از تولیدکنندگان خودرو که طی سالیان متمادی صورت گرفته، برای نسخههای کنونی محصولاتش نیز معتبر خواهند بود. به همین ترتیب داده‌های گوگل که طی چند دهه از کاربران این موتور جستجو گردآوری شده‌اند، علی‌رغم تغییر جستجوهای متداول در گذر زمان، بهره‌گیری از آرشیو داده‌های سال‌ها جستجوی کاربران، ارزش غیرقابل انکاری برای خدمترسانی به کاربران امروز خواهد داشت. می‌توان نرخ افت ارزش پایین داده‌های جستجوی گوگل و موبایلای را علت انعطاف‌پذیری این کسب‌وکارها دانست.
اما با توجه به رواج بازی‌های گروهی برای کامپیوترها و گوشی‌های هوشمند، ارزش یادگیری از داده‌های کاربران نیز به‌سرعت کاهش می‌یابد. در سال 2009 و با معرفی بازی بسیار موفق فارمویل از سوی کمپانی زینگا بود که این بازار رونق گرفت. علی‌رغم شهرت فراوان این کمپانی در زمینه‌ی اتکای بسیار به تحلیل داده‌های کاربران و اتخاذ تصمیمات طراحی بر اساس این داده‌ها، مشخص شد که نمی‌توان بینش‌های حاصله از یک بازی را به‌طور کامل به بازی‌های دیگر منتقل کرد: کاربران بازی‌های اجتماعی به‌سرعت گسترش می‌‌یابند و با توجه به تغییرات مداوم ترجیحات این افراد، کسب برتری رقابتی پایدار با بهره‌گیری از این داده‌ها نیز دشوار خواهد بود. زینگا پس از چند موفقیت دیگر ازجمله فارمویل 2 و سیتی‌ویل، ساخت بازی‌های پرطرفدار را متوقف کرد و در سال 2013 بود که قریب به نیمی از پایگاه کاربرانش را از دست داد. بازی‌سازهایی نظیر سوپرسل (کلش آف کلنز ) و اپیک گیمز (فورت‌نایت)، جایگاه آن را گرفتند. پس از دستیابی به قله‌ی 10.4 میلیارد دلار در سال 2012، ارزش بازار زینگا طی شش سال آتی به زیر 4 میلیارد دلار رسید.
4. آیا داده‌ها اختصاصی هستند – یعنی امکان خرید آن‌ها از سایر منابع، کپی‌کاری یا مهندسی معکوسشان وجود ندارد؟
بهرهمندی از داده‌های منحصربه‌فرد مشتریان که فاقد جایگزین یا دارای جایگزینهای اندک هستند، یکی از المانهای حیاتی ساخت مانعی مناسب گرداگرد سازمان است. آداویو را در نظر بگیرید: یک استارتاپ واقع در بوستون که روی آن سرمایه‌گذاری کرده‌ایم و یک سیستم مدیریت محصول ارائه می‌دهد که پرورشدهندهها می‌توانند با بهره‌گیری از آن، دائماً مزارعشان را رصد کنند (هم‌اکنون عموماً پرورش‌دهندگان شاهدانه از آن بهره می‌گیرند). این سیستم از هوش مصنوعی، نرم‌افزار بینایی کامپیوتری و تکنیک حاشیه‌نویسی دادهی اختصاصی بهره می‌گیرد تا زیستسنجیهای غیرقابل مشاهده با چشم انسان نظیر رصد اولین نشانههای بیماری یا فقدان مواد مغذی کافی در گیاهان را انجام دهد. سپس این داده‌ها را تبدیل به اطلاعاتی می‌کند که پرورش‌دهندگان می‌توانند با بهره‌گیری از آن‌ها، مانع شکل‌گیری بیماری‌های همهگیر شوند و بازده محصولشان را افزایش دهند. هرقدر پرورش‌دهندگان بیشتری از آداویو بهره بگیرند، گونههای گیاهی و شرایط کشاورزی و فاکتورهای گستردهتری دخیل خواهند شد که نرم‌افزار از آن‌ها می‌آموزد و پیشبینیهای دقیق‌تری در اختیار مشتریان کنونی و جدید خود می‌گذارد. حال تضاد این موقعیت با سازندگان فیلتر اسپم را در نظر بگیرید که با هزینهی نسبتاً اندک، داده‌های کاربران را به دست می‌آوزند. به همین دلیل است که صدها سازندهی مختلف، برنامههای خود برای فیلتر کردن اسپمها را ارائه می‌دهند.
به خاطر داشته باشید:
به‌عنوان نمونه می‌توان نرم‌افزار تشخیص صدا را مثال زد. پیش‌تر این کاربران بودند که به نرم‌افزار آموزش می‌دادند تا صداهای افراد و الگوهای گفتاری را تشخیص دهد و هرقدر افراد بیشتری از آن بهره میگرفتند، دقت آن نیز بیشتر از قبل می‌شد. سال‌ها این بازار در انحصار دراگون محصول کمپانی نوانس بود. اما طی دهه‌ی گذشته، پیشرفت‌های سریع‌السیری در سیستم‌های تشخیص-گفتار مستقل از گوینده صورت گرفته که با بهره‌گیری از مجموعه سخنرانی‌های موجود، تعلیم داده می‌شوند و در کمترین زمان ممکن، صدای یک سخنور جدید را تشخیص می‌دهند. این پیشرفت‌ها به بسیاری از کمپانی‌ها اجازه داده‌اند تا کاربردهای جدیدی از سیستم‌های تشخیص صدا بگیرند (سیستم پاسخگویی تلفنی خودکار به مشتریان، سرویس‌های نوت‌برداری خودکار از جلسات، دستیارهای مجازی) و همین برنامهها عامل فشار مضاعف به نوانس در بازارهای محوری آن هستند.
5. تقلید از پیشرفت‌های حاصل از داده‌های مشتریان، چقدر دشوار است؟
وقتی رقبا بتوانند موفقیت‌های شما را کپی کنند، حتی دسترسی به داده‌های انحصاری و اختصاصی و بهره‌گیری از بینش‌های ارزشمند آن‌ها نیز نمی‌تواند منجر به خلق یک برتری رقابتی ماندگار شود.
چند عامل تاثیرگذار هستند که موجب افزایش توانایی کمپانی‌ها برای غلبه بر این چالش می‌شوند. یکی از این عوامل، پنهان‌سازی پیشرفت‌ها یا جانمایی عمیق آن‌ها در دل یک پروسه‌ی تولید پیچیده است که تقلید از آن‌ها را دشوار می‌کند. پاندورا که یک سرویس استریم موسیقی است، از این مانع بهره می‌گیرد. محصول آن‌ها با بهره‌گیری از طرح اختصاصی این شرکت تحت عنوان «پروژه‌ی ژنوم موسیقی»، میلیونها آهنگ را بر اساس 450 ویژگی گوناگون دستهبندی می‌کند و می‌تواند با توجه به سلایق افراد، ایستگاه‌های رادیویی را شخصی‌سازی کند. هرقدر کاربران بیشتری به این ایستگاهها گوش کنند و نمرات مثبت یا منفی به آهنگها بدهند، پاندورا می‌تواند ایستگاه‌های موسیقی متناسب‌‌تر با هر کاربر را تنظیم کند. رقبا نمی‌توانند به‌سادگی از این قابلیت شخصی‌سازی تقلید کنند، زیرا پیوند عمیقی با «پروژه‌ی ژنوم موسیقی» دارد. در نقطه‌ی مقابل، می‌توان به بسیاری از محصولات نرمافزاری موجود برای افزایش بهره‌وری دفاتر اشاره کرد – نظیر کلندلی برای هماهنگسازی تقویم‌ها و دودل به منظور نظرسنجی درباره‌ی زمان برگزاری جلسه – که به‌راحتی می‌توان پیشرفت‌های طراحی حاصل از بهره‌گیری کاربرانشان را مشاهده و کپی کرد. به همین دلیل است که یک دوجین از کمپانی‌ها، محصولات مشابه ارائه می‌دهند.
عامل دوم، سرعت تحول بینش‌های حاصل از داده‌های مشتریان است. هرقدر سریع‌تر تغییر کنند، تقلید از آن‌ها هم دشوارتر خواهد شد. به‌عنوان نمونه، بسیاری از ویژگی‌های طراحی رابط کاربری گوگل مپس را می‌توان به‌راحتی کپی کرد (کمااینکه اپل مپس و خیلی‌های دیگر همین کار را انجام داده‌اند). اما یکی از اساسی‌ترین ارزش‌های گوگل مپس، قابلیت پیش‌بینی ترافیک و توصیهی بهینه‌ترین مسیرها است که کپی از آن دشوارتر خواهد بود، زیرا از داده‌های لحظه‌ای کاربران بهره می‌گیرد که تنها چند دقیقه اعتبار دارند. تنها کمپانی‌های بهره‌مند از یک پایگاه کاربران مشابه (نظیر اپل در آمریکا) می‌توانند امیدوار به تکرار این ویژگی باشند. اپل مپس در حال کاهش اختلاف خود و گوگل در کشور آمریکا است، اما نمی‌تواند این کار را در کشورهایی انجام دهد که پایگاه کاربران نسبتاً اندکی دارد.
6. آیا داده‌های یک کاربر موجب بهبود محصول برای همان فرد می‌شوند یا سایر کاربران منتفع خواهند شد؟
در شرایط ایده‌آل به نفع هر دو گروه تمام خواهد شد، اما باید تفاوت میان این دو دسته را درک کنید. وقتی داده‌های یک کاربر موجب بهبود محصولات برای همان شخص شوند، شرکت می‌تواند شخصی‌سازی را برای همان فرد انجام دهد که همین امر هزینههای تغییر را به وجود می‌آورد. وقتی داده‌های یک کاربر موجب بهبود محصولات برای سایر کاربران شوند، امکان شکل‌گیری اثرات شبکه‌ای وجود خواهد داشت. هرچند هر دو نوع این پیشرفت‌ها موانعی بر سر راه سازمان ایجاد می‌کنند، اما بهبودهای نوع اول موجب پایبندی مشتریان کنونی می‌شوند، درحالی‌که بهبودهای ثانویه یک برتری رقابتی برای جذب مشتریان جدید می‌سازند.
مثلاً پاندورا اولین نقش‌آفرین بزرگ در زمینه‌ی استریم موسیقی بود، اما بعدها از اسپاتیفای و اپل میوزیک عقب افتاد که هنوز هم رشد می‌کنند. همان‌طور که اشاره کردیم، اصلی‌ترین نقطه‌قوت پاندورا این است که می‌تواند ایستگاهها را بر اساس سلایق هر کاربر شخصی‌سازی کند. اما قابلیت یادگیری آن از مجموعه‌ی کاربران، بسیار محدود است: رأی مثبت یا منفی هر کاربر به پاندورا اجازه می‌دهد تا موسیقی‌های مدنظر آن شخص را شناسایی کند و سپس آهنگهایی به او ارائه می‌دهد که واجد آن ویژگیها هستند. اما اسپاتیفای تمرکز بسیار زیادی بر قابلیت کشف و اشتراک‌گذاری موسیقی توسط کاربران دارد، مثلاً کاربر می‌تواند ایستگاه‌های سایر افراد را جستجو کند و بشنود؛ بنابراین اثرات شبکه‌ای مستقیم ایجاد می‌شوند و کاربران بیشتری جلب خواهند شد. کماکان سرویس پاندورا صرفاً برای ایالات متحده در دسترس است (و پایگاهی از کاربران وفادار دارد)، درحالی‌که اسپاتیفای و اپل میوزیک در عرصه‌ی بین‌المللی فعالیت می‌کنند. و درحالی‌که برچسب قیمت 3.5 میلیارد دلار بر روی پاندورا الصاق شد و سیریوس ایکس‌ام آن را در فوریه‌ی 2019 خریداری کرد، در آوریل 2018 بود که اسپاتیفای تبدیل به یک کمپانی سهام عام شد و در اوایل نوامبر 2019، 26 میلیارد دلار ارزش داشت. مشخصاً شخصی‌سازی مبتنی بر داده‌های هر کاربر به کمپانی کمک می‌کند تا مشتریان کنونی خود را حفظ کند، اما نمی‌تواند رشد تصاعدی ناشی از اثرات شبکه‌ای را به همراه داشته باشد.
7. با چه سرعتی می‌توان بینش‌های برگرفته از داده‌های کاربران را در محصولات کمپانی تلفیق کرد؟
چرخه‌های یادگیری سریع مانع ارائه‌ی عملکرد همتراز از سوی کمپانی‌های رقیب هستند، علی‌الخصوص اگر چندین چرخه‌ی بهبود محصول در حین قرارداد یک مشتری عادی رخ دهند. اما وقتی پیشرفت‌های داده‌محور سازمان نیازمند چندین سال زمان یا چند نسل محصول موفق باشند، رقبا شانس بیشتری برای خلق نوآوری‌های اختصاصی و گردآوری داده‌های کاربران خود دارند. بنابراین وقتی برتری رقابتی قدرتمندتری حاصل خواهد شد که آموزه‌های حاصل از مشتریان فعلی، موجب پیشرفت‌های سریع‌تر شوند و به کار همان مشتریان بیایند، نه اینکه تجربه‌ی مشتریان آتی آن محصول یا سرویس را ارتقا دهند. چند نمونه‌ای که تا کنون به آن‌ها پرداخته‌ایم – نقشه، موتور جستجو و سیستم برداشت محصولِ متکی بر هوش مصنوعی – سریعاً بهروز می‌شوند تا آموزه‌های حاصل از مشتریان کنونی را در محصولشان تلفیق کنند.
به‌عنوان یک نمونه‌ی مغایر با محصولات فوق می‌توان به صندوق‌های وام آنلاین نظیر لندآپ و لندینگ‌پوینت اشاره کرد که با بررسی سابقه‌ی بازپرداخت کاربران و جنبه‌های گوناگون ارتباط آن با پروفایل و رفتار کاربر، درخصوص اعطای وام به او تصمیم می‌گیرند. در اینجا تنها آموزه‌ی معتبر برای وام‌گیرندگان کنونی، داده‌های حاصل از وام‌گیرندگان پیشین است که تاثیر خود را بر قرارداد و نرخ سود وام‌های کنونی گذاشته است. دلیلی ندارد که وامگیرندهها به آموزه‌های آتی صندوق اهمیتی بدهند، زیرا هیچ تاثیری بر قرارداد کنونی آن‌ها ندارد. به همین دلیل است که مشتری در حین تصمیم‌گیری برای دریافت وام از یک صندوق معین، هیچ اهمیتی به متقاضیان آینده‌ی آن نمی‌دهد. شاید وام‌گیرندگان کنونی ترجیح دهند که روابط خود با صندوق وام فعلی را حفظ کنند، زیرا آن‌ها را بهتر از سایرین می‌دانند، اما کماکان یک بازار بسیار رقابتی برای وام‌گیرندگان جدید وجود دارد.
آیا داده می‌تواند اثرات شبکه‌ای بسازد؟
پاسخگویی به پرسش‌های 6 و 7، نقش آموزه‌های داده‌محور را در خلق اثرات شبکه‌ای نشان خواهد داد. در صورت تاثیر آموزه‌های حاصل از یک مشتری بر خلق یک تجربه‌ی بهتر برای سایر مشتریان و تلفیق سریع مجموعه‌ی آموزهها با محصولات و بهره‌گیری کاربران کنونی از این پیشرفت‌ها، آنگاه برای مشتریان هم مهم خواهد بود که چند نفر از آن محصول بهره می‌گیرند. سازوکار آن هم خیلی شبیه به اثرات شبکه‌ای در سایر پلتفرمهای آنلاین است. تفاوت امر در این است که کاربران پلتفرم‌ها دوست دارند به شبکه‌های بزرگ‌تر بپیوندند، آن‌هم نه به خاطر نقش کاربران بیشتر در خلق بینش‌های مضاعف و بهبود متعاقب محصولات، بلکه آن‌ها خواهان تعامل با گسترهی متنوع‌تری از افراد هستند.
مجدداً نمونه‌ی گوگل مپس را در نظر می‌گیریم. بخشی از علت بهره‌برداری رانندهها از این ابزار، بهره‌گیری انبوهی از رانندههای دیگر از این پلتفرم است، زیرا این نرم‌افزار با افزایش داده‌های ترافیکی گردآوری‌شده، پیشبینیهای بهتری از شرایط جاده و زمان مسافرت خواهد داشت. بخش جستجوی گوگل و سیستم برداشت محصول آداویو نیز از همین اثرات شبکه‌ای داده‌محور بهره می‌گیرد.
همچون اثرات شبکه‌ای معمولی، این اثرات داده‌بنیاد هم موانعی در مسیر سازمانها ایجاد می‌کنند. هر دو نوع از این اثرات، چالش شروع سرد و مرغ یا تخم‌مرغ را دارند: کسب‌وکارهایی که خواهان بهره‌گیری از اثرات شبکه‌ای معمول هستند، باید یک میزان حداقلی کاربر جذب کنند تا شاهد شکل‌گیری این اثرات باشند و آنهایی که خواهان دستیابی به اثرات شبکه‌ای داده‌محور هستند، باید یک مقدار دادهی اولیه جذب کنند تا استارت این چرخه‌ی مثبت را بزنند.
خریداری داده آسان‌تر از خرید مشتری است. عموماً منابع جایگزین برای داده وجود دارند که می‌توانند با حذف نیاز به یک پایگاه مشتریان بزرگ، زمین رقابت میان جناحین را هموارتر کنند.
علی‌رغم این نقاط تشابه، چند تفاوت کلیدی میان اثرات شبکه‌ای معمولی و داده‌محور وجود دارد. به‌عنوان اولین مزیت می‌توان به مسئله‌ی شروع سرد اشاره کرد که عموماً شدت کمتری در اثرات شبکه‌ای داده‌محور دارد، زیرا خریداری داده آسان‌تر از خرید مشتری است. عموماً منابع جایگزین برای داده وجود دارند که حتی در صورت فاصله داشتن با شرایط ایده‌آل، کماکان می‌توانند با حذف نیاز به یک پایگاه مشتریان بزرگ، زمین رقابت میان جناحین را هموارتر کنند.
ثانیاً به‌منظور خلق اثرات داده‌محور ماندگار، شرکت باید دائماً تلاش کند تا داده‌های مشتریان را بفهمد و از آن‌ها یاد بگیرد. درحالی‌که به گفتهی اسکات کوک، بنیان‌گذار اینتوئیت، «محصولات بهره‌مند از اثرات شبکه‌ای [معمولی] مدام بهتر می‌شوند، حتی زمانی که خواب هستم». با برخورداری از اثرات شبکه‌ای معمولی، تک‌تک تعاملات میان مشتریان (و احتمالاً تعامل آن‌ها با تامینکنندههای ثالث و ارائهدهندهی محصولات مکمل) ارزش‌آفرینی خواهد کرد، حتی زمانی که آن پلتفرم هیچ‌گونه نوآوری نداشته باشد. حتی وقتی یک شبکهی اجتماعی جدید، ویژگی‌های واقعاً بهتر از فیس‌بوک در اختیار کاربرانش بگذارد (مثلاً حفاظت بهتر از حریم شخصی افراد)، کماکان باید با اثرات شبکه‌ای قدرتمند این پلتفرم مقابله کند – چون با افزایش کاربران یک پلتفرم اجتماعی، سایر کاربران هم تمایل دارند که از آن بهره بگیرند.
سوم اینکه
ازآنجایی‌که حتی محصولات مصرفی عادی هم هوشمند و متصل شده‌اند – مثلاً هم‌اکنون نوع جدیدی از پوشاک وجود دارد که وضعیت آب‌وهوا و مسافت پیموده‌شده و علائم حیاتی بدن، روی آن‌ها تاثیر می‌گذارد – پس می‌توان از آموزه‌های داده‌محور برای شخصی‌سازی و ارتقای این محصولات بهره گرفت. اما تامین‌کنندگان این محصولات تنها زمانی به یک موضع رقابتی قدرتمند می‌رسند که ارزش حاصل از داده‌های مشتریانشان برجسته و ماندگار باشد، از داده‌های اختصاصی بهره بگیرند و پیشرفتهایی حاصل گردند که کپی‌برداری از آن‌ها ساده نباشد یا بتوانند اثرات شبکه‌ای بسازند.
طی دهههای آتی، بهبود محصولات با بهره‌گیری از داده‌های مشتریان تبدیل به یکی از پیشنیازهای ماندگاری خواهد شد که موجب برتری نسبی شرکتهای جاافتاده نسبت به تازه‌واردها می‌شود. اما در اکثر نمونهها، یک شرایط «برنده صاحب همه چیز» را رقم نخواهد زد. بلکه ارزشمندترین و قدرتمندترین کسب‌وکارهای آینده‌ی نزدیک، آنهایی خواهند بود که بر اساس ارزش‌های شبکه‌ای معمولی بنا شوند و با آموزه‌های داده‌محور ارتقا بیابند. به‌عنوان نمونه می‌توان بازارهای علی‌بابا و آمازون، اپ‌استور اپل و شبکه‌های اجتماعی فیس‌بوک را نام برد.
آندری هاگیو دانشیار سیستم‌های اطلاعات در دانشکدهی کسب‌وکار کوئستروم از دانشگاه بوستون است. توییتر : @theplatformguy
جولین رایت استاد اقتصاد در دانشگاه ملی سنگاپور است.
آندری هاگیو دانشیار سیستم‌های اطلاعات در دانشکدهی کسب‌وکار کوئستروم از دانشگاه بوستون است.
جولین رایت استاد اقتصاد در دانشگاه ملی سنگاپور است.
نظرات شما