بخش اول: چطور با استفاده از دیتا برای کسب و کار مزیت رقابتی بسازیم؟

بسیاری از مدیرعاملان و سرمایه‌گذاران تصور می‌کنند که می‌توانند با امکاناتی که به‌واسطه‌ی گردآوریِ داده‌های مشتریان در اختیارشان قرار می‌گیرد گوی سبقت را از رقیبان‌شان بربایند. هر چه مشتریِ بیشتری داشته باشید، داده‌های بیشتری هم می‌توانید جمع کنید و این داده‌ها، وقتی که با ابزارهای یادگیریِ ماشین (machine-learning) تجزیه‌وتحلیل شوند، کمک‌تان می‌کنند که با ارائه‌ی محصول بهتر مشتریانِ بیشتری را به سمت خود بکشانید. آن‌وقت می‌توانید باز هم داده‌های بیشتری جمع کنید و سرانجام رقیبان‌تان را به حاشیه برانید، درست مثل کسب و کارهایی که از اثر شبکه‌ای (Network Effects) غول‌آسا برخوردارند.

دست‌کم، این تصوری‌ست که وجود دارد، اما اغلبِ اوقات نادرست از کار درمی‌آید. در بیشتر موارد، مردم به‌طرز فاحشی در تخمین مزایایی که از این داده‌ها برمی‌آید راهِ اغراق را در پیش می‌گیرند.

چرخه‌ها‌ی مطلوبی (virtuous cycles) که یادگیریِ داده‌بنیاد (data-enabled learning) ایجاد می‌کند ممکن است چیزی شبیه به همان چرخه‌هایی به‌نظر برسد که در اثر شبکه‌ای شاهدش هستیم، به‌گونه‌ای که یک محصول—مثل پلتفرم شبکه‌های اجتماعی—با افزایش کاربرانش ارزشمندتر می‌شود و درنهایت چنان حجم عظیمی از کاربران را جذب می‌کند که سایر رقبا از میدان به‌در می‌شوند. اما در عمل می‌بینیم که اثر شبکه‌ایِ عادی ماندگارتر و قوی‌تر است. برای دست‌یابی به رقابتی‌ترین وضعیتِ ممکن، باید هم از اثر شبکه‌ای و هم از استراتژی های داده محور در طراحی محصول بهره بگیرید. اما انگشت‌شمارند شرکت‌هایی که از هر دوی این ابزارها استفاده می‌کنند. با وجود این، داده‌های مشتریان تحت شرایط مناسب می‌توانند، حتی درصورت غایب‌بودنِ اثر شبکه‌ای، در میدان رقابت کمک کننده باشند. در این مقاله، خواهیم دید که این شرایط کدام‌اند و چه‌طور می‌توانید تشخیص دهید که آیا درباره‌ی کسب‌وکار شما هم صدق می‌کنند یا نه.

چه چیزی تغییر کرده است؟

شرکت‌هایی که بر مبنای داده‌ها سازمان یافته‌اند دیرزمانی‌ست که در دنیای تجارت مشغول‌به‌کارند. مراکز اعتبارسنجی (credit bureaus) و اطلاعات‌نگاری (information aggregators) مثل لِکسیس‌نِکسیس (LexisNexis)، تامسون رویترز (Thomson Reuters)، و بلومبرگ (Bloomberg) مُشتی‌اند نمونه‌ی این خروار. به‌خاطر برخورداریِ این شرکت‌ها از مزیت مقیاسی که از گردآوردن و سازمان‌دادنِ داده‌های عظیم برمی‌خیزد، موانعِ چشم‌گیری بر سر راه کسب‌وکارهای جدید برای ورود به این بازارها وجود دارد و همین خودش عاملی است که از جایگاه چنین شرکت‌هایی محافظت می‌کند، اما مدل کسب و کار (Business models) این شرکت‌ها بر مبنای جمع‌کردنِ داده‌ها از مشتریان و کاویدنِ این داده‌ها برای ارتقای محصولات‌شان طراحی نشده است.

گردآوری اطلاعاتِ مشتریان و به‌کاربردنش برای بهبود کالاها و خدمات جزو استراتژی‌های دیرینه‌ی دنیای تجارت به‌شمار می‌رود، اما قبلاً فرایندش کُند، قلمرویش محدود، و افزایش مقیاسش پُردردسر بود. خودروسازان، تولیدکنندگانِ اقلامِ پرمصرفِ خانوارها (consumer-packaged-goods companies)، و بسیاری از تولیدکنندگان سنّتیِ دیگر می‌‌بایست داده‌های فروش‌شان را زیر-و-رو می‌کردند، از مشتریان نظرسنجی می‌کردند، و جلسات هم‌اندیشی تدارک می‌دیدند. اما داده‌های فروش فرد فرد مشتریان در دسترس نبود و از آنجایی‌که برگزاریِ نظرسنجی‌ها و جلسات گروه تمرکز (focus groups) پُرهزینه و زمان‌بر بودند، فقط داده‌های شمارِ نسبتاً اندکی از مشتریان گردآوری می‌شد.

با روی‌ِکارآمدنِ فضای ابری (cloud storage) و فناوری‌های نوین که امکان پردازش و تفسیرِ سریعِ حجم انبوهی از داده‌ها را در اختیار بنگاه‌ها می‌گذاشت، این اوضاع دستخوش تغییرات شگرفی شد. ارائه‌دهندگانِ محصولات و خدمات وابسته به اینترنت اکنون می‌توانند مستقیماً اطلاعات مشتریان را جمع‌آوری کنند؛ از جمله اطلاعات شخصی، رفتارهای جست‌وجو، ترجیحات محتوایی، ارتباطات، پُست‌های شبکه‌های اجتماعی، موقعیت مکانی، و الگوی کاربری‌شان. وقتی الگوریتم‌های یادگیریِ ماشین این «ردّپای دیجیتالیِ» کاربران را تجزیه‌وتحلیل کنند، پیشنهادهای آن شرکت به‌طور خودکار تحت‌تأثیر یافته‌ها قرار می‌گیرد و حتی می‌تواند با تک‌تکِ افراد متناسب‌سازی شود.

چنین پیشرفت‌هایی یادگیریِ داده‌بنیاد را نسبت به ابزاری مثل بینش مشتری (customer insights)، که شرکت‌ها در گذشته از آن استفاده می‌کردند بسیار قوی‌تر کرده است. اما این مورد به تنهایی تضمین‌کننده‌ی ایجاد موانع تدافعی یک کسب و کار نیست.

داده محوری: خندقی برای جلوگیری از ورود رقیبان

شرکت‌ها باید برای تشخیص اینکه چقدر مزیت رقابتی‌ای که یادگیری داده محور برای کسب و کارشان پدید می‌آورد پایدار است باید به این ۷ پرسش پاسخ دهند:

۱. داده‌های مشتریان تا چه حد بر ارزش ذاتی محصول می‌افزاید؟

هر چه ارزش افزوده بیشتر باشد، احتمال این‌که اهرم پایدارتری از این طریق پدید آید نیز افزایش می‌یابد. بیایید کسب و کاری را در نظر بگیریم که در آن داده‌های مشتریان اهمیت زیادی دارد. Mobileye، شرکت پیشگام در عرصه‌ی سیستم‌های پیشرفته‌ی کمک‌راننده (ADAS)، که از جمله به هشدار تصادف و انحراف از خطوط مجهزند. Mobileye عمدتاً سیستم‌هایش را به خودروسازان می‌فروشد؛ آن‌ها هم قبل از تعبیه‌اش در تولیدات‌شان آزمایش‌های گسترده‌ای رویش انجام می‌دهند. خودایمن‌بودنِ این سیستم‌ها برایشان یک امر حیاتی محسوب می‌شود و داده‌هایی که از آزمایش‌ها به‌دست می‌آید برای ارتقای دقت‌شان ضروری است. Mobileye توانسته است با جمع‌آوریِ این داده‌ها از مشتریانِ متعددش، دقت سیستم کمک‌راننده‌اش را به 99.99 درصد برساند.

برعکس، ارزش یادگیری از داده‌های مشتریان در بازارِ تلویزیون‌های هوشمند نسبتاً پایین است. برخی از این شرکت‌ها نرم‌افزاری در تلویزیون‌های هوشمند خود کار گذاشته‌اند که می‌تواند بر اساس رفتار کاربریِ هر فرد و پُربازدیدترین محتواها نزد دیگر کاربران، برنامه‌ها و فیلم‌های اختصاصی پیشنهاد دهد. در حال حاضر، مصرف‌کنندگان به این قابلیت (که در سرویس‌هایی مثل آمازون و نِتفلیکس نیز وجود دارد) چندان اهمیت نمی‌دهند و هنگام خرید عمدتاً به اندازه‌ی تلویزیون، کیفیت تصویر، کاربریِ آسان، و دوام آن توجه می‌کنند. شاید اگر داده محور بودن در تولید تلویزیون هوشمند مهم‌تر از این بود، شاهد رقابت کمتری در این بازار می‌بودیم.

۲. چه‌قدر طول می‌کشد تا ارزش حاشیه‌ایِ یادگیریِ داده‌بنیاد از اثر بیافتد؟

به عبارتی دیگر، چه‌قدر زمان می‌برَد تا شرکت به جایی برسد که دیگر افزایش داده‌های مشتریان تأثیری در ارتقای ارزش محصول نداشته باشد؟ هر چه روند کاهش ارزش حاشیه‌ای کُندتر باشد، مانعی که مقابل رقیبان ایجاد می‌کند قوی‌تر خواهد بود. توجه کنید که هنگام پرداختن به این مسئله، باید ارزش را بر مبنای تمایل مشتریان برای هزینه کردن بسنجید نه با متریک های دیگر مختص اپلیکیشن ها، مثل درصد پاسخ‌های درستِ chat-bot ها به سؤالات یا مدت‌زمانی که طول می‌کشد تا کاربران روی فیلم پیشنهادی کلیک کنند.

فرض کنیم که شما دقت سیستم کمک‌راننده‌ی Mobileye را بر مبنای استفاده‌ی مشتریان می‌سنجید ( بر اساس کُل مسافتی که خودروسازان در آزمایش های خود می‌پیمایند) و درمی‌یابید که چند تولیدکننده با سطح متوسطی از آزمایش برای رسیدن به دقتِ، مثلاً، 90 درصدی کفایت خواهد کرد—اما به آزمایش‌های بسیار گسترده‌تر و خودروسازانِ بزرگ‌تری نیاز خواهید داشت اگر که بخواهید به دقت 99 درصدی دست یابید، چه برسد به 99/99 درصد. اشتباه است اگر نتیجه بگیرید که ارزش حاشیه‌ایِ داده‌های مشتریان در این حالت به‌سرعت رو به کاهش نهاده: بهبود 9 درصدی (یا حتی 0.99 درصدیِ) دقتِ این سیستم همچنان از ارزش بسیار بالایی برخوردار خواهد بود، چراکه بحث مرگ و زندگی در میان است. بازتولید چنین داده‌هایی توسط یک شرکتِ خودروسازِ واحد—ولو که بزرگ‌ترین شرکت هم باشد—چه برای خودش چه برای هر رقیب احتمالیِ Mobileye، بسیار دشوار خواهد بود. به همین خاطر است که Mobileye توانست چنین جایگاه برجسته‌ای را در بازارِ سیستم‌های پیشرفته‌ی کمک‌راننده برای خودش دست‌وپا کند و مالکیت (acquisition) آن برای شرکت اینتل (Intel) جذاب شود؛ تا جایی که در سال 2017 اینتل آن را به قیمت 15 میلیارد دلار خریداری کرد.

وقتی ارزش حاشیه‌ایِ یادگیری از داده‌های مشتریان حتی با گردآوریِ حجم انبوهی از داده‌ها همچنان بالا باقی می‌مانَد، کالاها و خدمات معمولاً از مزایای رقابتی قابل‌توجهی برخوردار می‌شوند. صحت این موضوع را می‌توان در سیستم‌هایی که به‌منظور پیش‌بینیِ بیماری‌های نادر طراحی شده‌اند (مثل چیزی که شرکت RDMD عرضه می‌کند) یا موتورهای جست‌وجوگر مثل بایدو (Baidu) و گوگل (Google) مشاهده کرد. اگرچه شرکت مایکروسافت (Microsoft) سال‌هاست که میلیاردها دلار پول صرف موتور جست‌وجوگرِ خودش یعنی بینگ (Bing) می‌کند، نتوانسته است تهدیدی برای سلطه‌ی گوگل در این حوزه باشد. موتورهای جست‌وجوگر و سیستم‌های پیش‌بینی‌کننده‌ی بیماری‌ها همگی به حجم عظیمی از داده‌های کاربران‌شان نیاز دارند تا بتوانند نتایج اتکاپذیرِ یکپارچه‌ای ارائه دهند.

یک مثال نقض از کسب و کاری که ارزش حاشیه‌ایِ داده‌های کاربران در آن نسبتاً سریع از اثر می‌افتد بازار ترموستاتِ هوشمند است. یک ترموستات هوشمند فقط چند روز زمان نیاز دارد تا رفتار استفاده کاربر را در طول روز یادبگیرد. در این شرایط، یادگیریِ داده‌بنیاد نمی‌تواند مزیت رقابتیِ قابل‌توجهی فراهم آورَد. شرکت نِست (Nest)—که در سال 2014 تحت مالکیت گوگل درآمد—اگرچه در سال 2011 از اولین ترموستات هوشمندی که قابلیت یادگیری از رفتار مشتریان را داشت رونمایی کرد، اکنون با شرکت‌هایی مثل ایکوبی (Ecobee) و هانیوِل (Honeywell) درگیر رقابتِ تنگاتنگی شده است.

ادامه دارد...

ترجمه مقاله When Data Creates Competitive Advantage از HBR

مترجم: محمد رسول علیزاده