После тщательного анализа конкурентных преимуществ в платформенной экономике я пришел к довольно неудачному выводу: есть несколько факторов, которые препятствуют конкуренции, сбоям и способности новичков выходить на рынок. Более того, динамика, которую я представлю в этом блоге, поможет правительствам, правительственным учреждениям и нескольким крупнейшим компаниям мира и затруднит рост и даже выживание для других.
Троица платформенной экономики
Экономика платформы все больше и больше касается трех основных аспектов: 1) данных, 2) машинного обучения и 3) новой операционной модели, бизнес-модели платформы.
Почему эти события происходят сейчас? Есть некоторые движущие силы, которые в настоящее время смещают границы между фирмами и рынком. Платформы - это новый компромисс между ними. Я писал об этих драйверах в другом месте, но, что наиболее важно, платформы улучшаются в победном цикле, когда качество предложения платформы приводит к большему количеству пользователей и, следовательно, к большему количеству и более качественным данным. Эти данные позволяют повысить эффективность машинного обучения, которое, в свою очередь, можно использовать для улучшения предложения платформы.
Это действительно выигрышная модель: когда компания, занимающаяся платформой, может непрерывно, экспоненциально улучшать, персонализировать и позиционировать свои предложения с помощью машинного обучения, у конкурентов очень мало изменений, чтобы конкурировать.
Поэтому я пытаюсь ответить на вопрос «в чем источник этого несправедливого конкурентного преимущества?» Давайте рассмотрим каждую часть троицы платформенной экономики по отдельности.
Конкурентное преимущество от бизнес-моделей платформы
Я много писал о конкурентном преимуществе в платформенном бизнесе, но теперь хочу сосредоточиться исключительно на том, как получить конкурентное преимущество с помощью платформенной бизнес-модели. Другими словами, основное внимание уделяется не тому, чтобы быть конкурентоспособным в бизнес-модели платформы, а тому, как получить преимущество от бизнес-модели платформы). Кроме того, целью данного текста является не сравнение платформенных бизнес-моделей с традиционными бизнес-моделями (я делал это в другом месте), а сравнение двух разных компаний, которые применяют платформенные модели.
Как я уже отмечал в другом месте, конкурентное преимущество в бизнес-моделях проистекает из стратегического выбора, который делает компания. Эти выборы имеют либо гибкие результаты, такие как цена продукта, которую можно легко изменить, либо жесткие результаты, такие как фабрика, производящая продукт, которую нелегко изменить. Конкурентное преимущество в бизнес-моделях возникает только из-за жестких последствий, поскольку их нельзя мгновенно скопировать. Другими словами, жесткие последствия - это последствия, которые подразумевают отсрочку причинной связи между выбором и следствием.
Конкурентное преимущество в бизнес-моделях возникает только из-за жестких последствий, а платформенные бизнес-модели имеют менее жесткие последствия, чем традиционные бизнес-модели.
Примечательно, что платформенные бизнес-модели имеют менее жесткие последствия, чем традиционные бизнес-модели. Например, в случае глобального длительного запрета на поездки сеть отелей не могла избавиться от своих номеров в мгновение ока. AirBnB может это сделать. Конечно, не будут, потому что стоимость номеров в отелях для них переменная, а не фиксированная, как в случае с гостиничной сетью.
Поскольку существуют менее жесткие последствия, платформенную бизнес-модель всегда легче скопировать, чем традиционную бизнес-модель. На мировом рынке существует множество клонов AirBnB, Ebay и Amazon, некоторые из которых более успешны, чем другие. Тем не менее их успех явно не зависит от бизнес-модели, которую они могут полностью клонировать.
Платформенные бизнес-модели нельзя защитить с помощью уникальной бизнес-модели. Почему же тогда нет сотен успешных платформ, конкурирующих на каждом рынке?
Конкурентное преимущество машинного обучения
Первоначально Советы не узнали о Манхэттенском проекте (испытании ядерной бомбы США) через шпионов или утечек. Одаренный советский ученый-расщепитель заметил, что все публикации на высшем уровне о расщеплении в англоязычных научных журналах просто прекратились. Это побудило его доложить Сталину о том, что союзники создают бомбу деления. ("видео")
Компании, занимающиеся машинным обучением и искусственным интеллектом, обычно публикуют все свои результаты в научных журналах. Пока это продолжается, мы можем быть уверены, что невозможно получить значительное конкурентное преимущество с помощью уникальной технологии машинного обучения. Это неутешительная новость для многих небольших инновационных компаний и стартапов, но их вера в обратное им не поможет. Скорее, любые новые инновации в области машинного обучения, как правило, легко копировать даже без специальных знаний о технике, лежащей в основе этого прорыва.
Тем не менее, машинное обучение и искусственный интеллект являются ключевой частью конкурентного преимущества компаний, занимающихся платформами, даже если не сами алгоритмы машинного обучения обеспечивают конкурентное преимущество. Как пояснил Эндрю Нг (видео), существенная разница между предыдущими поколениями машинного обучения и нынешней парадигмой контролируемого глубокого обучения заключается в том, что чем больше данных есть, тем лучше становятся текущие модели.
Предыдущие технологии машинного обучения были недостаточно хороши, чтобы предоставлять постоянно улучшающиеся возможности тем компаниям, которые могут увеличивать объем своих данных. В наши дни, когда это изменилось, роль данных стала даже более важной, чем это было всего три или пять лет назад.
Конкурентное преимущество за счет данных
Таким образом, значение данных, как ни странно, только возросло с последними достижениями технологий машинного обучения. Ng отмечает, что сегодня многие платформенные компании запускают продукты только для сбора данных. Это не столько сырье - новая нефть, сколько источник конкурентного преимущества. Возможно, нефтяное месторождение было бы лучшим эквивалентом.
Эти данные используются для обучения алгоритмов машинного обучения. Это обеспечивает постоянное улучшение продуктов или услуг, предлагаемых на платформе, что, в свою очередь, увеличивает количество пользователей и, таким образом, также увеличивает объем данных.
Чем лучше у вас есть данные, тем больше возможностей для машинного обучения можно построить. Чем лучше возможности машинного обучения, тем быстрее можно будет создать совершенно несправедливое предложение на рынке, полностью разрушив конкуренцию. Цикл экспоненциальный: очень важно, с какого набора данных начать. Немногочисленные компании, обрабатывающие большие объемы данных, такие как Amazon, Baidu, Google, Mychat и Facebook с небольшими объемами данных государственных органов, таких как АНБ, налоговые органы и органы здравоохранения, могут воспользоваться этим преимуществом, если будут действовать быстро. Однако, если у человека нет данных, у него нет шансов.
Какие данные нужны? Обычно это больше данных, чем кто-либо может представить. Но это бесполезное правило большого пальца. Вот лучший вариант: наилучшие данные в любой отрасли или области рынка всегда выигрывают, если есть достаточные возможности машинного обучения и типичная бизнес-модель платформы.
