当数据创造竞争优势时
3553字
2020-07-22 08:11
70阅读
火星译客

假设

企业可以通过收集和分析客户数据来建立赢家通吃的局面。一个公司拥有的客户越多,它可以收集和挖掘的数据就越多;由此产生的洞察力使它能够提供一个更好的产品,吸引更多的客户,并从中收集更多的数据。

现实

即使客户数据确实带来了竞争优势,也很少会产生网络效应。这种优势可能不会持久。

解决方案

为了理解数据驱动学习所能提供的优势,公司应该回答七个问题,这些问题要考察数据的价值;它的边际价值是否会迅速下降;它过时的速度有多快;它是否是专有的;它的改进是否能很容易地被模仿;它们是否能为当前用户改进产品,其他用户,或两者兼而有之;以及如何快速将洞察力融入产品中。

许多管理人员和投资者都认为,利用客户数据功能获得无与伦比的竞争优势是可能的。你拥有的客户越多,你能收集到的数据就越多,而这些数据通过机器学习工具进行分析,可以让你提供更好的产品来吸引更多的客户。然后,你可以收集更多的数据,并最终将你的竞争对手边缘化,就像那些具有巨大网络效应的企业所做的那样。或者是这样想的。这种假设往往是错误的。在大多数情况下,人们严重高估了数据所赋予的优势。

由数据驱动的学习所产生的良性循环可能看起来类似于常规网络效应,即随着越来越多的人使用社交媒体平台,社交媒体平台这样的产品变得更有价值,并最终吸引了大量的用户,将竞争对手拒之门外。但实际上,常规的网络效应持续时间更长,而且往往更强大。要想在竞争中立于不败之地,你需要他们和数据支持的学习。然而,很少有公司能够同时开发两者。然而,在适当的条件下,客户生成的数据可以帮助您建立竞争防御,即使网络效应不存在。在本文中,我们将引导您了解这些条件是什么,并解释如何评估它们是否适用于您的业务。

发生了什么变化?

建立在数据基础上的公司已经存在很长时间了。以信用局和信息聚合商LexisNexis、汤森路透和彭博社为例。这些公司受到了巨大的进入壁垒的保护,因为获取和构建大量数据涉及规模经济,但它们的商业模式不涉及从客户收集数据并挖掘数据以了解如何改进产品。

收集客户信息并利用它来制造更好的产品和服务是一个古老的策略,但是这个过程过去很慢,范围有限,很难扩大规模。对于汽车制造商、消费品包装产品公司和许多其他传统制造商来说,这需要处理销售数据、进行客户调查并召集焦点小组。但销售数据往往与个人客户没有联系,而且由于调查和焦点小组的费用昂贵且耗时,因此只收集了相对较少的客户的数据。

随着云技术和新技术的出现,这种情况发生了巨大的变化,这些新技术使公司能够快速处理和理解大量数据。互联网连接的产品和服务现在可以直接收集客户的信息,包括他们的个人信息、搜索行为、内容选择、通信、社交媒体帖子、GPS位置和使用模式。在机器学习算法分析这种“数字废气”后,公司的产品可以自动调整以反映调查结果,甚至可以为个人量身定做。

这些发展使得基于数据的学习比过去公司产生的客户洞察更加强大。然而,它们并不保证可以防御的壁垒。

用数据支持学习构建护城河

为了确定数据驱动学习所提供的竞争优势在多大程度上是可持续的,公司应该回答七个问题:

1.与产品的独立价值相比,客户数据增加了多少价值?

附加值越高,创造持久优势的机会就越大。让我们看看一个客户数据价值非常高的企业:MobileEye,高级驾驶员辅助系统(ADAS)的领先提供商,该系统包括车辆的防撞和车道偏离警告。MobileEye主要向汽车制造商销售其系统,这些制造商在将其纳入产品之前对其进行了广泛的测试。系统的故障安全性至关重要,测试数据对提高系统的准确性至关重要。通过从几十个客户那里收集数据,Mobileye已经能够将其ADAS的准确率提高到99.99%。

虽然从数据中获得的见解很强大,但它们并不能保证存在可防御的障碍。

相反,对于智能电视制造商来说,向客户学习的价值相对较低。现在有些软件可以根据个人的观看习惯以及其他用户喜欢的内容为节目或电影提供个性化推荐。到目前为止,消费者并不太关心这个功能(亚马逊和Netflix等流媒体服务提供商也提供了这一功能)。在做出购买决定时,他们主要考虑电视尺寸、画面质量、易用性和耐用性。如果向客户学习是一个更大的因素,或许智能电视业务的竞争力会下降。

2.以数据为基础的学习的边际价值下降的速度有多快?

换言之,公司多久才能达到额外的客户数据不再提高产品价值的程度?边际价值下降越慢,壁垒越强。请注意,在回答这个问题时,您应该根据客户的付费意愿来判断学习的价值,而不是通过其他特定于应用程序的指标来判断学习的价值,例如可以正确回答的聊天机器人查询的百分比或点击电影推荐的次数。

假设你将MobileEye的ADAS的准确度与客户使用量(汽车制造商测试它的总里程数)的关系图,发现几个制造商和适当的测试水平就足以实现,比如,90%的准确率,但要达到99%,更不用说99.99%,需要更多的汽车制造商进行更多的测试。将其解释为客户数据的边际价值正在迅速下降,这当然是不正确的:考虑到生死存亡的影响,在准确性上额外提高9个百分点(甚至0.99个百分点)的价值仍然非常高。任何一家汽车制造商,甚至是最大的汽车制造商,都很难自己生成必要数量的数据,也很难让任何潜在的Mobileye竞争对手复制这些数据。这就是为什么MobileEye能够在ADAS市场占据主导地位,使之成为英特尔极具吸引力的收购案,英特尔在2017年以150亿美元收购了它。

当从客户数据中学习的边际价值仍然很高,即使在获得了非常大的客户群之后,产品和服务往往具有显著的竞争优势。你可以在设计用于预测罕见疾病的系统(如RDMD提供的那些)和在线搜索引擎(如百度和谷歌)中看到这一点。尽管微软在必应上投入了多年和数十亿美元,但它始终无法撼动谷歌在搜索领域的主导地位。搜索引擎和疾病预测系统都需要大量的用户数据来提供一致可靠的结果。

智能恒温器是用户数据边际价值迅速下降的一个反例。这些产品只需要几天时间就可以了解用户全天的温度偏好。在这种情况下,数据驱动的学习并不能提供太多的竞争优势。尽管Nest在2011年推出了首款学习客户行为的智能恒温器,但Nest(2014年被谷歌收购)目前面临着来自Ecobee和Honeywell等公司的激烈竞争。

3.用户数据的相关性降低的速度有多快?

如果数据很快就过时了,那么在其他条件相同的情况下,竞争对手就更容易进入市场,因为它不需要与在位者多年的数据学习相匹配。

多年来,Mobileye从汽车制造商那里积累的所有数据在当前版本的产品中仍然很有价值。谷歌几十年来收集的关于搜索引擎用户的数据也是如此。虽然随着时间的推移,对某些术语的搜索可能会变得越来越少,而搜索新词汇的频率可能会越来越高,但拥有多年的历史搜索数据对于服务今天的用户来说具有不可否认的价值。他们数据的低折旧率有助于解释为什么Mobileye和Google搜索都被证明是非常有弹性的业务。

然而,随着电脑和移动设备上的休闲社交游戏,从用户数据中学习的价值往往会迅速下降。2009年,当Zynga推出其非常成功的FarmVille游戏时,这个市场开始腾飞。虽然该公司非常依赖用户数据分析来做出设计决策,但事实证明,从一款游戏中学到的见解并没有很好地转移到下一款游戏上:休闲社交游戏很受时尚的影响,而且用户的偏好会随着时间的推移而迅速改变,难以建立可持续的数据驱动的竞争优势。继《FarmVille 2》和《CityVille》等几次成功之后,Zynga停止了新的点击率,2013年它失去了近一半的用户群。它被超级细胞(Clans of Clans)和Epic Games(Fortnite)等游戏制造商取代。在2012年达到104亿美元的峰值后,Zynga的市值在未来6年的大部分时间里都在40亿美元以下徘徊。

4.数据的专有性是否意味着它不能从其他来源购买、复制或逆向工程?

拥有独特的客户数据而很少或根本没有替代品,对于建立一个防御屏障至关重要。以我们投资的波士顿地区初创企业Adaviv为例,该公司提供了一个作物管理系统,允许种植者(现在主要是da麻)持续监控单个植物。该系统依靠人工智能、计算机视觉软件和专有的数据注释技术来跟踪肉眼看不到的植物生物特征,如疾病的早期迹象或缺乏足够的营养素。然后,它将数据转化为种植者可以用来预防疾病爆发和提高产量的见解。Adaviv服务的种植者越多,它可以了解的变种、农业条件和其他因素的范围就越广,对新客户和现有客户的预测也就越准确。与垃圾邮件过滤器提供商的情况相比,后者可以相对便宜地获取用户数据。这有助于解释有几十家这样的供应商的存在。

重要的是要记住,技术进步会破坏基于独特或专有数据的地位。语音识别软件就是一个很好的例子。历史上,用户需要训练软件来理解他们个人的声音和语音模式,而且一个人使用得越多,它就越准确。多年来,这个市场一直被Dragon的解决方案所主宰。然而,在过去的十年里,独立于说话人的语音识别系统得到了迅速的改进,这种系统可以在公开的语音数据集上进行训练,并且只需要很少的时间或根本不用花时间就可以学会理解新说话人的声音。这些进步使得许多公司能够提供新的语音识别应用程序(电话自动客服、自动会议记录服务、虚拟助理),而且它们给核心市场的细微差别施加了越来越大的压力。

5.模仿基于客户数据的产品改进有多难?

即使数据是独特的或专有的,并且能够产生有价值的见解,如果竞争对手没有类似的数据就可以复制所产生的增强功能,也很难建立持久的竞争优势。

有几个因素影响公司克服这一挑战的能力。一个是改进是隐藏的还是深深地嵌入到复杂的生产过程中,使它们难以复制。音乐流媒体服务潘多拉(Pandora)从这一障碍中获益。它的产品利用了该公司的专利音乐基因组计划(Music Genome Project),该项目根据约450种属性对数百万首歌曲进行了分类,从而使潘多拉能够根据个人用户的喜好定制广播电台。用户越是收听他或她的电台,并对歌曲进行上下评价,Pandora就越能为该用户量身定制音乐选择。这种定制不能轻易被任何竞争对手模仿,因为它与音乐基因组计划有着紧密的联系。相比之下,基于向客户学习许多办公效率软件产品的设计改进,例如Calendly用于协调日历,Doodle用于查询人们会议时间,这些改进很容易被观察和复制。这就是为什么几十家公司提供类似的软件。

第二个因素是来自客户数据的洞察力变化有多快。他们做得越快,别人就越难模仿他们。例如,googlemaps界面的许多设计特性都可以很容易地被复制(苹果地图和其他一些公司也曾这样做过)。但googlemaps价值的一个关键部分是它能够预测流量并推荐最佳路线,这一点很难复制,因为它利用了在几分钟内就过时的实时用户数据。只有拥有同样庞大用户群的公司(如美国的苹果公司)才有望复制这一功能。在美国,苹果地图正在缩小与谷歌地图的差距,但在苹果用户基础相对较小的国家则没有。

6.一个用户的数据是否有助于同一用户或其他用户改进产品?

理想情况下,两者都可以,但两者之间的区别很重要。当来自一个用户的数据为该用户改进产品时,公司可以单独定制,从而产生转换成本。当来自一个用户的数据为其他用户改进产品时,这可能会但可能不会产生网络效果。这两种增强都有助于提供进入壁垒,但前者使现有客户变得非常棘手,而后者在竞争新客户方面提供了关键优势。

例如,潘多拉是数字音乐流媒体领域的第一个大玩家,但后来落后于仍在增长的Spotify和Apple music。正如我们所提到的,潘多拉的主要卖点是它可以根据每个用户的口味定制电台。但是用户之间的学习是非常有限的:单个用户的上下投票允许Pandora识别用户喜欢的音乐属性,然后为该用户提供共享这些属性的歌曲。相比之下,Spotify更注重为用户提供共享和发现功能,例如搜索和收听他人电台的功能,从而创造直接的网络效果并吸引更多的客户。潘多拉的服务只在美国(在美国有忠实的用户基础),而Spotify和苹果音乐已经成为全球玩家。尽管Pandora在2019年2月被Sirius XM以35亿美元收购,Spotify在2018年4月成为一家上市公司,截至2019年11月初,其价值为260亿美元。显然,基于学习单个用户数据的定制有助于保持现有客户的锁定,但它不会导致网络效应所产生的指数式增长。

7.从用户数据中获得的见解能以多快的速度融入到产品中?

快速的学习周期使竞争对手很难赶上,尤其是在一般客户合同期间出现多个产品改进周期的情况下。但当需要数年或连续几代产品才能基于这些数据进行改进时,竞争对手就有更多的机会在过渡期间进行创新,并开始收集自己的用户数据。因此,当从今天的客户身上学到的知识转化为更频繁的产品改进,而不仅仅是针对未来的产品或服务客户时,客户数据带来的竞争优势就更强了。我们已经讨论过的一些产品示例地图、搜索引擎和基于人工智能的作物管理系统可以快速更新,以吸收当前客户的学习。

例如LendUp和LendingPoint等直接在线贷款人提供了一个反例,他们学习如何通过检查用户的还款历史以及它如何与用户的个人资料和行为的各个方面相关联来做出更好的贷款决策。在这里,唯一与当前借款人相关的信息是从以前的借款人那里得到的,这已经反映在当前借款人提供的合同和利率中。因为他们现有的合同不会受到影响,所以借款人没有理由关心贷款人将来可能从中受益的任何信息。因此,客户在决定是否从某个特定贷款人处贷款时,不必担心有多少其他借款人会签约。现有的借款人可能更倾向于坚持目前的贷款人,后者比其他贷款人更了解他们,但新借款人的市场竞争仍然非常激烈。

数据是否具有网络效应?

问题6和问题7的答案将告诉你数据驱动学习是否会产生真正的网络效应。当从一个客户那里学习可以为其他客户带来更好的体验,当这种学习能够很快地融入到产品中以使其当前用户受益时,客户会关心有多少其他人正在采用该产品。这里的机制与网络平台的潜在网络效应非常相似。不同的是,平台用户更喜欢加入更大的网络,因为他们希望有更多的人与之互动,而不是因为更多的用户能产生更多的见解来改进产品。

我们再来看看谷歌地图。驾驶员使用它的部分原因是他们希望其他人也能使用它,而且软件从他们那里收集的交通数据越多,它对道路状况和行驶时间的预测就越好。谷歌搜索和Adaviv基于人工智能的作物管理系统也享受到了数据支持的网络效果。

通常,公司可以通过从其他来源购买数据来平衡竞争环境。

像常规的网络效果一样,启用数据的效果会造成进入壁垒。这两种类型的效果都是一个巨大的“冷启动”或“鸡或蛋”的挑战:旨在建立常规网络效果的企业需要吸引一些最小数量的用户来启动效果,而那些旨在实现数据启用的网络效果的企业需要一些初始数据量来启动学习的良性循环。

尽管有这些相似之处,但常规网络效应和数据启用网络效应有着关键的区别,它们往往使基于常规网络效应的优势更强。首先,由于购买数据比购买客户更容易,因此冷启动问题在数据启用的网络效应下通常不那么严重。通常,替代数据源,即使不是完美的,也可以通过消除对大客户群的需要来显著地平衡竞争环境。

二是使企业从网络中不断学习数据,产生持久的效果。相比之下,Intuit的联合创始人斯科特·库克(Scott Cook)经常说,“受益于[常规]网络效果的产品在我睡觉时会变得更好。”有了常规的网络效果,即使平台停止创新,客户(也可能与补充产品的第三方提供商)之间的互动也会创造价值。即使一个新的社交网络在客观上为用户提供了比Facebook更好的功能(例如,更好的隐私保护),它仍然必须应对Facebook强大的网络效应,用户希望与大多数其他用户在同一个社交平台上。

第三,在许多情况下,从客户数据中学习的几乎所有好处都可以通过相对较少的客户实现。在某些应用中(如语音识别),人工智能的巨大改进将减少对客户数据的需求,从而使数据学习的价值可能完全消失。另一方面,常规的网络效应会进一步延伸,并且更具弹性:即使现有客户的数量已经非常庞大,额外的客户通常仍会提高现有客户(可以与其交互或交易)的价值。

结论

即使是普通的消费品也变得智能化和相互关联,例如,新型服装现在可以对天气状况做出反应,跟踪里程和生命体征,数据支持的学习将用于增强和个性化越来越多的产品。然而,他们的供应商不会建立强有力的竞争地位,除非客户数据的附加值高且持久,数据是专有的,并导致难以复制的产品改进,或者数据驱动的学习创造了网络效应。

在未来的几十年里,利用客户数据改进产品将是留在游戏中的先决条件,而且这可能会使现有公司比新进入者更具优势。但在大多数情况下,它不会产生赢家通吃的动力。相反,在可预见的未来,最有价值和最强大的企业将是那些既建立在常规网络效应基础上,又通过数据学习增强的企业,比如阿里巴巴和亚马逊的marketplaces、苹果的App Store和Facebook的社交网络。

本文的一个版本刊登在《哈佛商业评论》(Harvard Business Review)2020年1月至2月号上。

0 条评论
评论不能为空