Quando os dados criam vantagem competitiva

Resumo da ideia O pressuposto As empresas podem construir posições de vencedoras em todas as áreas coletando e analisando os dados dos clientes. Quanto mais clientes uma empresa tiver, mais dados ela poderá coletar e extrair; os insights resultantes permitem que ela ofereça um produto melhor que atraia ainda mais clientes, dos quais ela poderá coletar ainda mais dados. A realidade Mesmo quando os dados dos clientes conferem uma vantagem competitiva, eles dão origem a efeitos de rede apenas raramente. E essa vantagem pode não durar muito tempo. A solução Para entender a vantagem que o aprendizado habilitado por dados pode proporcionar, as empresas devem responder a sete perguntas, que examinam o valor dos dados; se seu valor marginal cai rapidamente; com que rapidez eles se tornam obsoletos; se são proprietários; se as melhorias obtidas com eles podem ser facilmente imitadas; se elas aprimoram o produto para os usuários atuais, para outros usuários ou para ambos; e com que rapidez os insights podem ser incorporados aos produtos. Muitos executivos e investidores presumem que é possível usar os recursos de dados dos clientes para obter uma vantagem competitiva imbatível. Quanto mais clientes o senhor tiver, mais dados poderá coletar, e esses dados, quando analisados com ferramentas de aprendizado de máquina, permitem que o senhor ofereça um produto melhor que atraia mais clientes. O senhor pode, então, coletar ainda mais dados e, eventualmente, marginalizar seus concorrentes da mesma forma que as empresas com efeitos de rede consideráveis. Ou, pelo menos, é o que se pensa. Na maioria das vezes, essa suposição está errada. Na maioria dos casos, as pessoas superestimam muito a vantagem que os dados conferem. Os ciclos virtuosos gerados pelo aprendizado viabilizado por dados podem parecer semelhantes aos efeitos de rede comuns, em que uma oferta - como uma plataforma de mídia social - torna-se mais valiosa à medida que mais pessoas a utilizam e, por fim, obtém uma massa crítica de usuários que exclui os concorrentes. Mas, na prática, os efeitos de rede regulares duram mais e tendem a ser mais poderosos. Para estabelecer a posição competitiva mais forte, o senhor precisa deles e do aprendizado habilitado por dados. Entretanto, poucas empresas são capazes de desenvolver ambos. No entanto, sob as condições certas, os dados gerados pelo cliente podem ajudar o senhor a criar defesas competitivas, mesmo que os efeitos de rede não estejam presentes. Neste artigo, vamos explicar ao senhor quais são essas condições e como avaliar se elas se aplicam à sua empresa. O que mudou? As empresas baseadas em dados já existem há muito tempo. Por exemplo, as agências de crédito e os agregadores de informações LexisNexis, Thomson Reuters e Bloomberg, só para citar alguns. Essas empresas são protegidas por barreiras significativas à entrada devido às economias de escala envolvidas na aquisição e estruturação de enormes quantidades de dados, mas seus modelos de negócios não envolvem a coleta de dados de clientes e sua mineração para entender como melhorar as ofertas. Coletar informações dos clientes e usá-las para criar produtos e serviços melhores é uma estratégia antiga, mas o processo costumava ser lento, limitado em seu escopo e difícil de ser ampliado. Para as montadoras de automóveis, empresas de bens de consumo embalados e muitos outros fabricantes tradicionais, era necessário processar os dados de vendas, realizar pesquisas com os clientes e organizar grupos de foco. No entanto, os dados de vendas geralmente não estavam vinculados a clientes individuais e, como as pesquisas e os grupos de discussão eram caros e demorados, apenas dados de um número relativamente pequeno de clientes eram coletados. Isso mudou drasticamente com o advento da nuvem e das novas tecnologias que permitem que as empresas processem e entendam rapidamente grandes quantidades de dados. Os produtos e serviços conectados à Internet agora podem coletar diretamente informações sobre os clientes, inclusive seus dados pessoais, comportamento de pesquisa, escolhas de conteúdo, comunicações, publicações em mídias sociais, localização por GPS e padrões de uso. Depois que os algoritmos de aprendizado de máquina analisam esse "escape digital", as ofertas de uma empresa podem ser ajustadas automaticamente para refletir as descobertas e até mesmo personalizadas para os indivíduos. Esses desenvolvimentos tornam o aprendizado viabilizado por dados muito mais poderoso do que os insights sobre os clientes que as empresas produziam no passado. No entanto, eles não garantem barreiras defensáveis. Construindo fossos com o aprendizado viabilizado por dados Para determinar até que ponto uma vantagem competitiva proporcionada pela aprendizagem baseada em dados é sustentável, as empresas devem responder a sete perguntas: 1. Quanto valor é agregado pelos dados do cliente em relação ao valor autônomo da oferta? Quanto maior for o valor agregado, maior será a chance de criar uma vantagem duradoura. Vejamos uma empresa em que o valor dos dados dos clientes é muito alto: A Mobileye, principal fornecedora de sistemas avançados de assistência ao motorista (ADAS), que incluem prevenção de colisões e avisos de desvio de faixa para veículos. A Mobileye vende seus sistemas principalmente para fabricantes de automóveis, que os testam exaustivamente antes de incorporá-los a seus produtos. É fundamental que os sistemas sejam à prova de falhas, e os dados de teste são essenciais para melhorar sua precisão. Ao coletá-los de dezenas de seus clientes, a Mobileye conseguiu aumentar a precisão de seu ADAS para 99,99%. Embora as percepções dos dados sejam poderosas, elas não garantem barreiras defensáveis. Por outro lado, o valor de aprender com os clientes é relativamente baixo para os fabricantes de televisores inteligentes. Alguns já incluem software que pode fornecer recomendações personalizadas de programas ou filmes com base nos hábitos de visualização de um indivíduo, bem como no que é popular entre outros usuários. Até o momento, os consumidores não se importam muito com esse recurso (que também é oferecido por provedores de serviços de streaming, como Amazon e Netflix). Eles consideram principalmente o tamanho da TV, a qualidade da imagem, a facilidade de uso e a durabilidade ao tomar decisões de compra. Se o aprendizado com os clientes fosse um fator maior, talvez o negócio de smart TVs fosse menos competitivo. 2. Com que rapidez o valor marginal do aprendizado habilitado por dados cai? Em outras palavras, em quanto tempo a empresa chega a um ponto em que os dados adicionais dos clientes não aumentam mais o valor de uma oferta? Quanto mais lentamente o valor marginal diminui, mais forte é a barreira. Observe que, ao responder a essa pergunta, o senhor deve avaliar o valor do aprendizado pela disposição dos clientes em pagar e não por alguma outra medida específica do aplicativo, como a porcentagem de consultas ao chat-bot que puderam ser respondidas corretamente ou a fração de vezes em que uma recomendação de filme foi clicada. Digamos que o senhor tenha traçado um gráfico da precisão do ADAS da Mobileye em função do uso do cliente (total de milhas percorridas pelos fabricantes de automóveis que o testaram) e tenha descoberto que alguns fabricantes e um nível moderado de testes seriam suficientes para atingir, digamos, 90% de precisão, mas que seriam necessários muito mais testes com um conjunto maior de fabricantes de automóveis para chegar a 99%, quanto mais 99,99%. Interpretar isso como se o valor marginal dos dados do cliente estivesse diminuindo rapidamente seria, obviamente, incorreto: o valor da melhoria adicional de 9 pontos percentuais (ou mesmo de 0,99 ponto) na precisão continua extremamente alto, dadas as implicações de vida ou morte. Seria difícil para qualquer fabricante de automóveis - mesmo o maior deles - gerar a quantidade necessária de dados por conta própria ou para qualquer concorrente em potencial da Mobileye replicar os dados. É por isso que a Mobileye conseguiu conquistar uma posição dominante no mercado de ADAS, o que a tornou uma aquisição altamente atraente para a TI, que a comprou por US$ 15 bilhões em 2017. Quando o valor marginal de aprender com os dados do cliente permanece alto, mesmo após a aquisição de uma base de clientes muito grande, os produtos e serviços tendem a ter vantagens competitivas significativas. O senhor pode ver isso em sistemas projetados para prever doenças raras (como os oferecidos pela RDMD) e em mecanismos de busca on-line como o Baidu e o Google. Embora a Microsoft tenha investido muitos anos e bilhões de dólares no Bing, ela não conseguiu abalar o domínio do Google nas buscas. Os mecanismos de busca e os sistemas de previsão de doenças precisam de grandes quantidades de dados de usuários para fornecer resultados consistentemente confiáveis. Um contraexemplo de um negócio em que o valor marginal dos dados do usuário cai rapidamente são os termostatos inteligentes. Esses produtos precisam de apenas alguns dias para aprender as preferências de temperatura dos usuários ao longo do dia. Nesse contexto, o aprendizado baseado em dados não pode proporcionar muita vantagem competitiva. Embora tenha lançado os primeiros termostatos inteligentes que aprendem com o comportamento do cliente em 2011, a Nest (adquirida pelo Google em 2014) agora enfrenta uma concorrência significativa de empresas como a Ecobee e a Honeywell. 3. Com que rapidez a relevância dos dados do usuário se deprecia? Se os dados se tornarem obsoletos rapidamente, se todos os outros fatores forem iguais, será mais fácil para um rival entrar no mercado, pois ele não precisará se equiparar aos anos de aprendizado com os dados do operador estabelecido. Todos os dados que a Mobileye acumulou ao longo dos anos dos fabricantes de automóveis continuam valiosos nas versões atuais de seus produtos. O mesmo acontece com os dados sobre usuários de mecanismos de busca que o Google coletou durante décadas. Embora as pesquisas de alguns termos possam se tornar raras com o tempo, enquanto as pesquisas de novos termos podem começar a aparecer com mais frequência, ter anos de dados históricos de pesquisa é de valor inegável para atender aos usuários de hoje. A baixa taxa de depreciação de seus dados ajuda a explicar por que tanto a Mobileye quanto a Pesquisa Google provaram ser empresas muito resilientes. No entanto, com os jogos sociais casuais para computadores e dispositivos móveis, o valor do aprendizado com os dados do usuário tende a diminuir rapidamente. Em 2009, esse mercado decolou quando a Zynga lançou seu jogo de grande sucesso FarmVille. Embora a empresa fosse famosa por confiar muito na análise de dados do usuário para tomar decisões de design, descobriu-se que os insights aprendidos em um jogo não foram transferidos muito bem para o próximo: Os jogos sociais casuais estão sujeitos a modismos e as preferências dos usuários mudam rapidamente com o tempo, o que dificulta a criação de vantagens competitivas sustentáveis baseadas em dados. Depois de mais alguns sucessos, incluindo FarmVille 2 e CityVille, a Zynga parou de produzir novos sucessos e, em 2013, perdeu quase metade de sua base de usuários. A TI foi ultrapassada por fabricantes de jogos como a Supercell (Clash of Clans) e a Epic Games (Fortnite). Depois de atingir um pico de US$ 10,4 bilhões em 2012, o valor de mercado da Zynga ficou abaixo de US$ 4 bilhões durante a maior parte dos seis anos seguintes. 4. Os dados são proprietários, ou seja, não podem ser comprados de outras fontes, facilmente copiados ou submetidos a engenharia reversa? Ter dados exclusivos de clientes com poucos ou nenhum substituto é fundamental para criar uma barreira defensável. Considere a Adaviv, uma start-up da área de Boston em que investimos, que oferece um sistema de gerenciamento de culturas que permite que os produtores (agora principalmente de cannabis) monitorem continuamente as plantas individuais. O sistema se baseia em IA, software de visão computacional e uma técnica proprietária de anotação de dados para rastrear a biometria da planta não visível ao olho humano, como sinais precoces de doenças ou falta de nutrientes adequados. Em seguida, a TI traduz os dados em insights que os produtores podem usar para evitar surtos de doenças e melhorar a produtividade. Quanto mais produtores a Adaviv atender, mais ampla será a gama de variantes, condições agrícolas e outros fatores que ela poderá conhecer, e maior será a precisão de suas previsões para clientes novos e existentes. Compare sua situação com a dos provedores de filtros de spam, que podem adquirir dados de usuários de forma relativamente barata. Isso ajuda a explicar a existência de dezenas desses provedores. É importante ter em mente que o progresso tecnológico pode minar uma posição baseada em dados exclusivos ou proprietários. Um exemplo disso é o software de reconhecimento de voz. Historicamente, os usuários precisavam treinar o software para entender suas vozes e padrões de fala individuais e, quanto mais uma pessoa o usava, mais preciso ele se tornava. Esse mercado foi dominado pelas soluções Dragon da Nuance por muitos anos. No entanto, na última década, houve um rápido aprimoramento dos sistemas de reconhecimento de fala independentes do locutor, que podem ser treinados com base em conjuntos de dados de fala disponíveis publicamente e levam pouco ou nenhum tempo para aprender a entender a voz de um novo locutor. Esses avanços permitiram que muitas empresas fornecessem novos aplicativos de reconhecimento de fala (atendimento automatizado ao cliente por telefone, serviços automatizados de transcrição de reuniões, assistentes virtuais) e estão pressionando cada vez mais a Nuance em seus principais mercados. 5. Qual é a dificuldade de imitar melhorias de produtos baseadas em dados de clientes? Mesmo quando os dados são exclusivos ou proprietários e produzem percepções valiosas, é difícil criar uma vantagem competitiva duradoura se os aprimoramentos resultantes puderem ser copiados pelos concorrentes que não dispõem de dados semelhantes. Alguns fatores afetam a capacidade das empresas de superar esse desafio. Um deles é se as melhorias estão ocultas ou profundamente incorporadas em um processo de produção complexo, o que as torna difíceis de replicar. Pandora, o serviço de streaming de música, se beneficia dessa barreira. Sua oferta aproveitou o Projeto Genoma Musical, de propriedade da empresa, que categorizou milhões de músicas com base em cerca de 450 atributos, permitindo que a Pandora personalizasse as estações de rádio de acordo com as preferências de cada usuário. Quanto mais um usuário ouvir suas estações e classificar as músicas para cima ou para baixo, melhor a Pandora poderá adaptar as seleções musicais a esse usuário. Essa personalização não pode ser facilmente imitada por nenhum rival porque está profundamente ligada ao Projeto Genoma Musical. Por outro lado, os aprimoramentos de design baseados no aprendizado com o uso pelo cliente de muitos produtos de software de produtividade para escritório - como o Calendly para coordenar calendários e o Doodle para pesquisar pessoas sobre horários de reuniões - podem ser facilmente observados e copiados. É por isso que dezenas de empresas oferecem softwares semelhantes. Keith Negley O segundo fator é a rapidez com que as percepções dos dados dos clientes mudam. Quanto mais rápido isso ocorrer, mais difícil será para os outros imitarem. Por exemplo, muitos recursos de design da interface do Google Maps podem ser facilmente copiados (e já foram, pelo Apple Maps, entre outros). Mas uma parte importante do valor do Google Maps é sua capacidade de prever o tráfego e recomendar rotas ideais, o que é muito mais difícil de copiar porque aproveita os dados do usuário em tempo real que se tornam obsoletos em minutos. Somente empresas com bases de usuários igualmente grandes (como a Apple nos Estados Unidos) podem esperar replicar esse recurso. O Apple Maps está diminuindo a diferença em relação ao Google Maps nos Estados Unidos, mas não em países onde a Apple tem uma base de usuários relativamente pequena. 6. Os dados de um usuário ajudam a melhorar o produto para o mesmo usuário ou para outros? O ideal é que o senhor faça as duas coisas, mas a diferença entre as duas coisas é importante. Quando os dados de um usuário melhoram o produto para essa pessoa, a empresa pode personalizá-lo individualmente, criando custos de mudança. Quando os dados de um usuário melhoram o produto para outros usuários, isso pode - mas não pode - criar efeitos de rede. Ambos os tipos de aprimoramentos ajudam a criar uma barreira à entrada, mas o primeiro torna os clientes existentes muito rígidos, enquanto o segundo oferece uma vantagem fundamental na concorrência por novos clientes. Por exemplo, a Pandora foi a primeira grande empresa de streaming de música digital, mas depois ficou atrás do Spotify e da Apple Music, que ainda estão crescendo. Como observamos, o principal argumento de venda do Pandora é que ele pode personalizar as estações de acordo com o gosto de cada usuário. Mas o aprendizado entre os usuários é muito limitado: Os votos para cima ou para baixo de um usuário individual permitem que o Pandora identifique os atributos musicais de que o usuário gosta e, em seguida, ofereça a essa pessoa músicas que compartilham esses atributos. Em contraste, o Spotify concentrou-se muito mais em fornecer aos usuários recursos de compartilhamento e descoberta, como a capacidade de pesquisar e ouvir as estações de outras pessoas, criando assim efeitos diretos de rede e atraindo mais clientes. O serviço da Pandora continua disponível apenas nos Estados Unidos (onde tem uma base de usuários fiéis), enquanto o Spotify e a Apple Music se tornaram players globais. E embora a Pandora tenha sido adquirida pela Sirius XM por US$ 3,5 bilhões em fevereiro de 2019, o Spotify tornou-se uma empresa de capital aberto em abril de 2018 e, no início de novembro de 2019, valia US$ 26 bilhões. Claramente, a personalização baseada no aprendizado com os dados de um usuário individual ajuda a manter os clientes existentes, mas não leva ao tipo de crescimento exponencial que os efeitos de rede produzem. 7. Com que rapidez os insights dos dados do usuário podem ser incorporados aos produtos? Os ciclos rápidos de aprendizado dificultam o alcance dos concorrentes, especialmente se ocorrerem vários ciclos de aprimoramento de produtos durante o contrato do cliente médio. Mas quando são necessários anos ou sucessivas gerações de produtos para fazer melhorias com base nos dados, os concorrentes têm mais chances de inovar nesse ínterim e começar a coletar seus próprios dados de usuários. Portanto, a vantagem competitiva dos dados dos clientes é maior quando o aprendizado dos clientes atuais se traduz em melhorias mais frequentes do produto para esses mesmos clientes, e não apenas para os futuros clientes do produto ou serviço. Vários dos exemplos de produtos que já discutimos - mapas, mecanismos de busca e sistemas de gerenciamento de safras baseados em IA - podem ser rapidamente atualizados para incorporar o aprendizado dos clientes atuais. Um contraexemplo é oferecido por credores diretos on-line, como a LendUp e a LendingPoint, que aprendem a tomar melhores decisões de empréstimo examinando o histórico de pagamento dos usuários e como ele se correlaciona com vários aspectos dos perfis e do comportamento dos usuários. Aqui, o único aprendizado que é relevante para os mutuários atuais é o dos mutuários anteriores, que já está refletido nos contratos e nas taxas oferecidas aos mutuários atuais. Não há razão para que os tomadores de empréstimos se preocupem com qualquer aprendizado futuro do qual o credor possa se beneficiar, uma vez que seus contratos atuais não serão afetados. Por esse motivo, os clientes não se preocupam com o número de outros mutuários que se inscreverão ao decidir se querem tomar um empréstimo de um determinado credor. Os tomadores de empréstimos existentes podem preferir ficar com seus credores atuais, que os conhecem melhor do que outros credores, mas o mercado para novos tomadores de empréstimos continua muito competitivo. Os dados conferem efeitos de rede? As respostas às perguntas 6 e 7 dirão ao senhor se a aprendizagem baseada em dados criará verdadeiros efeitos de rede. Quando o aprendizado de um cliente se traduz em uma experiência melhor para outros clientes e quando esse aprendizado pode ser incorporado a um produto com rapidez suficiente para beneficiar seus usuários atuais, os clientes se importarão com quantas outras pessoas estão adotando o produto. O mecanismo em ação aqui é muito semelhante ao mecanismo subjacente aos efeitos de rede com plataformas on-line. A diferença é que os usuários da plataforma preferem participar de redes maiores porque querem interagir com mais pessoas, e não porque mais usuários geram mais percepções que melhoram os produtos. Vejamos novamente o Google Maps. Os motoristas o utilizam, em parte, porque esperam que muitos outros também o utilizem, e quanto mais dados de tráfego o software reunir deles, melhores serão suas previsões sobre as condições das estradas e os tempos de viagem. A Pesquisa Google e o sistema de gerenciamento de safras baseado em IA da Adaviv também desfrutam de efeitos de rede habilitados por dados. Muitas vezes, as empresas podem nivelar o campo de atuação comprando dados de fontes alternativas. Assim como os efeitos de rede comuns, os efeitos habilitados por dados podem criar barreiras à entrada. Ambos os tipos de efeitos apresentam um enorme desafio de início a frio, ou seja, o desafio do ovo ou da galinha: as empresas que pretendem criar efeitos de rede regulares precisam atrair um número mínimo de usuários para iniciar os efeitos, e aquelas que pretendem obter efeitos de rede habilitados por dados precisam de uma quantidade inicial de dados para iniciar o ciclo virtuoso de aprendizado. Apesar dessas semelhanças, os efeitos de rede regulares e os efeitos de rede habilitados por dados têm diferenças importantes, que tendem a fortalecer as vantagens baseadas nos efeitos regulares. Em primeiro lugar, o problema da partida a frio geralmente é menos grave com os efeitos de rede habilitados por dados, porque comprar dados é mais fácil do que comprar clientes. Muitas vezes, fontes alternativas de dados, mesmo que não sejam perfeitas, podem nivelar significativamente o campo de atuação, eliminando a necessidade de uma grande base de clientes. Em segundo lugar, para produzir efeitos de rede duradouros e viabilizados por dados, a empresa precisa trabalhar constantemente para aprender com os dados dos clientes. Por outro lado, como o cofundador da Intuit, Scott Cook, costuma dizer, "os produtos que se beneficiam dos efeitos de rede [regulares] melhoram enquanto eu durmo". Com efeitos de rede regulares, as interações entre clientes (e possivelmente com fornecedores terceirizados de ofertas complementares) criam valor mesmo que a plataforma pare de inovar. Mesmo que uma nova rede social oferecesse aos usuários recursos objetivamente melhores do que os do Facebook (por exemplo, melhor proteção à privacidade), ela ainda teria de enfrentar os poderosos efeitos de rede do Facebook - os usuários querem estar na mesma plataforma social que a maioria dos outros usuários. Terceiro, em muitos casos, quase todos os benefícios de aprender com os dados dos clientes podem ser obtidos com um número relativamente baixo de clientes. E, em alguns aplicativos (como o reconhecimento de voz), melhorias drásticas na IA reduzirão a necessidade de dados do cliente a ponto de o valor do aprendizado habilitado por dados desaparecer completamente. Os efeitos de rede regulares, por outro lado, se estendem mais e são mais resistentes: Um cliente adicional ainda aumenta o valor para os clientes existentes (que podem interagir ou fazer transações com ele), mesmo quando o número de clientes existentes já é muito grande. CONCLUSÃO À medida que até mesmo os produtos de consumo mais comuns se tornam inteligentes e conectados - novos tipos de roupas, por exemplo, agora podem reagir às condições climáticas e monitorar a quilometragem e os sinais vitais -, o aprendizado habilitado por dados será usado para aprimorar e personalizar cada vez mais as ofertas. Entretanto, seus fornecedores não construirão posições competitivas sólidas, a menos que o valor agregado pelos dados do cliente seja alto e duradouro, que os dados sejam proprietários e levem a melhorias no produto que sejam difíceis de copiar, ou que o aprendizado habilitado por dados crie efeitos de rede. Nas próximas décadas, melhorar as ofertas com os dados dos clientes será um pré-requisito para permanecer no jogo, e isso pode dar às empresas estabelecidas uma vantagem sobre os novos entrantes. Mas, na maioria dos casos, isso não gerará uma dinâmica do tipo "o vencedor leva tudo". Em vez disso, os negócios mais valiosos e poderosos no futuro próximo serão aqueles que se baseiam em efeitos de rede regulares e são aprimorados pelo aprendizado habilitado por dados, como os mercados da Alibaba e da Amazon, a App Store da Apple e as redes sociais do Facebook.

Quando os dados criam vantagem competitiva

Resumo.

Partner Center