Как достичь эффекта снежного кома с помощью больших данных

Как достичь эффекта снежного кома с помощью больших данных
|18 марта 2020| Андрей Хагиу Джулиан Райт

Многие топ-менеджеры и инвесторы полагают, что за счет использования клиентских данных компания может обеспечить себе неоспоримое конкурентное преимущество. Чем больше у вас клиентов, тем больше данных вы можете собрать и проанализировать средствами искусственного интеллекта, чтобы улучшить свой продукт и привлечь новых клиентов. Затем можно получить еще больше данных — и в конце концов оттеснить конкурентов, аналогично тому, как другим компаниям это удается благодаря мощным сетевым эффектам. По крайней мере, многие рассуждают именно так. Однако чаще всего этот расчет оказывается ложным. В большинстве случаев люди сильно переоценивают преимущества, которые могут обеспечить данные.

Обучение на данных запускает цикл положительных эффектов, по принципу действия напоминающих сетевые эффекты: чем больше людей пользуется вашим продуктом (например, социальной сетью), тем выше его ценность; в ­какой-то момент накапливается критическая масса пользователей, которая позволяет вам выбить конкурентов из игры. Однако на практике обычные сетевые эффекты действуют дольше и сильнее. Чтобы получить надежное конкурентное преимущество, необходимы и сетевые эффекты, и обучение на данных. Увы, немногим компаниям по силам развиваться в обоих направлениях. Впрочем, при определенных условиях данные, генерируемые пользователями, помогут вам выстроить надежную защиту от конкурентов даже в отсутствие сетевых эффектов. В этой статье мы расскажем, какими должны быть эти условия и как определить, применимы ли они к вашему бизнесу.

ЧТО ИЗМЕНИЛОСЬ?

Компании, работа которых основывается на данных, существуют давно: вспомним хотя бы бюро кредитных историй и информационные агрегаторы вроде LexisNexis, Thomson Reuters и Bloomberg. Войти в их круг нелегко: все они используют огромные массивы накопленных и ­структурированных данных. При этом их бизнес-модель не предполагает сбора информации от клиентов и использования ее с целью улучшить коммерческое предложение.

Сбор и использование клиентских данных для совершенствования продуктов и услуг — старый прием, но раньше этот процесс носил ограниченный характер, был медленным и с трудом подвергался масштабированию. Производители автомобилей, потребительских товаров и прочей традиционной продукции анализировали данные о продажах, опрашивали клиентов и собирали фокус-группы. Но данные о продажах ничего не говорили о конкретных потребителях, а опросы и фокус-группы обходились дорого, отнимали много времени и при этом позволяли получить сведения лишь о небольшом числе клиентов.

Все коренным образом изменилось с появлением облачных и других новых технологий, позволяющих быстро обрабатывать и осмыслять гигантские массивы данных. Сегодня подключенные к интернету продукты и сервисы могут напрямую собирать информацию о пользователях, в том числе личные данные, поисковые запросы, предпочтения в выборе контента, модели общения, публикации в соцсетях, передвижения и особенности использования продуктов. Проанализировав этот «цифровой выхлоп» с помощью алгоритмов машинного обучения, компания может автоматически скорректировать или даже персонализировать предложение.

Благодаря этим технологиям обучение на данных оказывается намного эффективнее, чем традиционные способы получения знаний о клиентах. Однако все это не гарантирует вам победы над конкурентами.

КАК ОБУЧЕНИЕ НА ДАННЫХ ПОМОЖЕТ ЗАЩИТИТЬСЯ ОТ КОНКУРЕНТОВ

Чтобы определить, насколько надежное конкурентное преимущество может получить компания от обучения на данных, нужно ответить на семь вопросов.

Полная версия статьи доступна подписчикам
Выберите срок онлайн-подписки:

https://hbr-russia.ru/innovatsii/trendy/823710

2020-03-18T11:12:23.000+03:00

Wed, 18 Mar 2020 09:02:49 GMT

Как достичь эффекта снежного кома с помощью больших данных

Почему сетевой эффект дает преимущество не всегда и не всем

Инновации / Тренды

https://cdn.hbr-russia.ru/image/2020/1j/1er8x3/original-1ts5.jpg

Harvard Business Review РоссияHarvard Business Review Россия

Harvard Business Review РоссияHarvard Business Review Россия