وقتی داده‌ها برتری رقابتی می‌سازند

نویسندگان: آندری هاگیو, جولین رایت

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.

این مقاله در شماره ی زیر منتشر شده است:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *