وقتی میپرسیم از کجا میشود فهمید که دادهها برای کسبوکارمان مزیتی رقابتی ایجاد میکنند، درواقع داریم یک قدم از بدیهیانگاریِ ارزشِ دادهها عقب میرویم، این پیشداوری را زیر ذرهبین قرار میدهیم، و، به این ترتیب، یک قدم به مدیریتِ درستتر و کارآمدترِ منابع نزدیکتر میشویم. در بخش دومِ این مقاله، به عواملِ دیگری میپردازیم که بنیانگذاران و سرمایهگذاران میباید برای سنجش ارزش واقعیِ دادهها در کسبوکارشان بررسی کنند.
لینک بخش های اول و دوم در پایان همین مقاله آمده است.
چرخههای پُرشتابِ یادگیری باعث میشوند که رقیبانتان سختتر بتوانند پابهپای شما پیش آیند، مخصوصاً اگر در جریان عمدهی قراردادهای مشتریان چرخههای چندگانهای برای ارتقای محصولات وجود داشته باشد. اما اگر قرار باشد استفاده از دادهها سالها زمان ببرد یا صرفاً در نسلهای پیاپیِ محصول اِعمال گردد، رقیبان در این حین میتوانند دست به نوآوری بزنند و خودشان به جمعآوریِ دادهها روی آورند. بنابراین، مزیت رقابتیِ دادههای مشتریان زمانی مؤثرتر است که بتوان یادگیری از مشتریانِ امروز را در ارتقاهای مکررترِ محصول، نه فقط برای مشتریانِ آینده، بلکه برای همان مشتریان نیز بهکار گرفت. بسیاری از محصولاتی را که ذکر کردیم—نقشهها، موتورهای جستوجوگر، و سیستمهای مدیریتِ محصولات کشاورزیِ مبتنی بر هوش مصنوعی—میتوان سریعاً بهروز کرد تا از دادههای جدید کاربرانِ کنونی بهرهمند شوند.
یک مثال نقض وامدهندگان اینترنتیِ بیواسطه، مثل LendUp و LendingPoint، اند که بر اساس تاریخچهی بازپرداختِ کاربران و ارتباطش با جنبههای دیگرِ هویتی و رفتاریشان یاد میگیرند که تصمیمهای وامدهندگیِ بهتری اتخاذ کنند. اینجا، یگانه یادگیریای که با وامگیرندگانِ کنونی سنخیت دارد از وامگیرندگانِ پیشین به دست میآید، که در قراردادها و درصد سودی که به وامگیرندگان پیشنهاد میشود منعکس میشود. وامگیرندگان هیچ دلیلی نمیبینند که به یادگیریهای آیندهای که ممکن است به کارِ وامدهندگان آید اهمیتی بدهند، زیرا روی قراردادهای کنونیشان تأثیری نخواهد گذاشت. به همین خاطر، وقتی وامگیرندگان میخواهند از شخص خاصی وام بگیرند، نگران این نیستند که چه تعداد وامگیرندهی دیگری هم درخواستِ وام خواهند داد. وامگیرندگانِ کنونی ممکن است ترجیح بدهند که با همان وامدهندگانِ فعلیشان، که آنها را بهتر از وامدهندگانِ دیگر میشناسند، همکاری کنند، اما بازار وامگیرندگانِ جدید همچنان رقابتی باقی خواهند ماند.
پاسخی که به پرسشهای 6 و 7 میدهید مشخص میکند که آیا یادگیریِ دادهبنیاد واقعاً به اثر شبکهای میانجامد یا نه. وقتی یادگیری از یک مشتری منجر به تجربهی بهتری برای دیگر مشتریان شود و نیز وقتی بتوان این یادگیری را با سرعتی در محصولات پیاده کرد که مشتریانِ کنونی را هم بهرهمند کند، آنوقت برای مشتریان مهم میشود که چه تعداد افراد دیگری از آن محصول استفاده میکنند. سازوکاری که اینجا شاهدش هستیم شباهت بسیاری دارد به آن چیزی که در اثر شبکهایِ پلتفرمهای آنلاین میبینیم. تفاوتشان این است که کاربرانِ پلتفرمها پیوستن به شبکههای بزرگتر را ترجیح میدهند چون میخواهند با افراد بیشتری برای تعامل دسترسی داشته باشند، نه به این دلیل که کاربرانِ بیشتر بینشهایی را فراهم میآورند که محصولات را ارتقا میدهد.
بیایید یک بار دیگر نگاهی به نقشهی گوگل بیندازیم. دلیل استفادهی رانندگان از این برنامه تا حدّی برمیگردد به اینکه انتظار دارند افراد بسیار دیگری هم از آن استفاده میکنند و هر چه دادههای ترافیکیِ بیشتری از کاربرانش جمع کند، پیشبینیهای دقیقتری از وضعیت مسیرها و مدتزمانِ رسیدن به مقصد ارائه میدهد. موتور جستوجویِ گوگل و سیستم مدیریت محصولات کشاورزیِ مبتنی بر هوش مصنوعیِ Adaviv نیز از اثر شبکهایِ دادهبنیاد سود میبرند.
اثر شبکهایِ دادهبنیاد، مثل اثر شبکهایِ عادی، میتواند موانعی برای ورود رقیبان به بازار ایجاد کند. هر دو نوعِ اثر شبکهایْ شرکتها را با یک چالشِ آغازینِ بزرگ، یا معمایی از جنس «اول مرغ یا تخممرغ،» روبهرو میکنند: کسبوکارهایی که خواهان ایجاد اثر شبکهایِ عادیاند باید ابتدا حداقلی از کاربران را جذب کنند تا بتوانند این اثر شبکهای را راه بیندازند، و آن شرکتهایی هم که میخواهند از اثر شبکهایِ دادهبنیاد بهرهمند شوند باید به دادههای اولیهای برای راهاندازیِ چرخهی مطلوبِ یادگیری دسترسی داشته باشند.
بهرغم این شباهتها، اثر شبکهایِ عادی و دادهبنیاد تفاوتهای مهمی دارند، تفاوتهایی که باعث میشود مزیتهای اثر شبکهایِ عادی برجستهتر باشد. اول اینکه، دشواریِ آغازینی که ذکرش رفت معمولاً در اثر شبکهایِ دادهبنیاد وخامت کمتری دارد چون خرید دادهها از خرید مشتریان آسانتر است. اغلب، منابع جایگیزنی از دادهها، حتی اگر بینقص نباشند، پیدا میشوند که میتوانند شرکتها را بهطرز چشمگیری بالا بکشانند و نیازشان را به پایگاههای بزرگ مشتریان رفع کنند.
دوم اینکه، برای تولید اثر شبکهایِ دادهبنیادِ ماندگار، شرکت باید دائماً روی یادگیری از دادههای مشتریانش کار کند. در مقابل، به قول اسکات کوک (Scott Cook)، یکی از مؤسسان شرکت اینتوئیت (Intuit)، «محصولاتی که از اثر شبکهای ]عادی[ سود میبرند وقتی که خواب هم باشی بهتر میشوند.» در اثر شبکهایِ عادی، تعاملِ میانِ مشتریان (و احتمالاً با ارائهدهندگانِ شخص ثالثی که محصولات مکمل عرضه میکنند) منجر به تولید ارزش میشود حتی اگر پلتفرم دست از نوآوری بکشد. حتی اگر یک شبکهی مجازیِ جدید قابلیتهای واقعاً بهتری از فیسبوک ارائه دهد (مثل حفاظتِ امنیتیِ بهتر)، همچنان باید با اثر شبکهایِ قدرتمندِ فیسبوک دستوپنجه نرم کند—کاربران میخواهند در آن شبکههای اجتماعیای حضور داشته باشند که بیشترین کاربر را دارند.
سوم، در بسیاری موارد تقریباً همهی فواید یادگیری از دادههای مشتریان را میتوان با تعداد کمی از مشتریان نیز بهدست آورد. و در برخی برنامهها (مثل تشخیص گفتار)، پیشرفتهای جهشی در هوش مصنوعی باعث کمشدن نیاز به این دادهها میشود تا جایی که ممکن است ارزش یادگیریِ دادهبنیاد بهکلّی رنگ ببازد. اما اثر شبکهایِ عادی گسترهی وسیعتری دارد و استوارتر است: یک مشتریِ جدید در حالت عادی همچنان بر ارزش دریافتیِ مشتریانِ کنونی (که میتوانند با او تعامل یا معامله کنند) میافزاید، حتی اگر تعداد مشتریان بسیار زیاد باشد.
با هوشمندشدن و یکپارچهشدنِ حتی ابتداییترین محصولات مصرفی—مثلاً لباسهای جدیدی وارد بازار شدهاند که میتوانند به وضعیت آبوهوا واکنش نشان دهند و مسافت طیشده و همچنین علایم حیاتیِ فرد را اندازه بگیرند—یادگیریِ دادهبنیاد برای ارتقا و شخصیسازیِ محصولاتِ بیشتر و بیشتری بهکار گرفته خواهد شد. هرچند، تا زمانی که ارزش افزودهی دادههای مشتری بالا و ماندگار نباشد، انحصاری نباشد و به ارتقاهایی منجر نشود که کپیکردنشان دشوار است، یا به اثر شبکهای نینجامد، ارائهدهندگان نمیتوانند جایگاه رقابتیِ قدرتمندی برای خود فراهم آورند.
در دهههای پیشِ رو، ارتقای محصولات با دادههای مشتریان جزو پیشنیازهای حضور در گردونهی رقابت خواهد بود و ممکن است امتیازی به شرکتهای قدیمیتر در مقابل کسبوکارهای نوپا اعطا کند. اما در بیشتر موارد موجب ایجاد سازوکار «برنده همهچیز را ازان خود کند» نخواهد شد. در عوض، پیشبینی میشود که پُرارزشترین و قدرتمندترین کسبوکارهای آینده آنهاییاند که بر مبنای اثر شبکهایِ عادی بنا شدهاند و همزمان یادگیریِ دادهبنیاد را برای ارتقای عملکردشان بهکار میگیرند، مثل بازارگاههای علیبابا (Alibaba) و آمازون (Amazon)، اپاستورِ اپل، و شبکههای اجتماعیِ فیسبوک.
لینک بخش اول مقاله: بخش اول: چطور با استفاده از دیتا برای کسب و کار مزیت رقابتی بسازیم؟
لینک بخش دوم مقاله: بخش دوم: چطور با استفاده از دیتا برای کسب و کار مزیت رقابتی بسازیم؟
ترجمه مقاله When Data Creates Competitive Advantage از HBR
مترجم: محمد رسول علیزاده