Analiza danych w biznesie
Żyjemy w czasach, w których dane to źródło przewagi konkurencyjnej. Wielu menedżerów i inwestorów zakłada, że możliwe jest wykorzystanie danych o klientach w celu uzyskania istotnej przewagi konkurencyjnej. Im więcej masz klientów, tym więcej danych możesz zebrać, a dane, analizowane za pomocą uczenia maszynowego, pozwalają zaoferować lepszy produkt, który przyciągnie więcej klientów. Następnie można zebrać jeszcze więcej danych i ostatecznie zmarginalizować konkurencję w taki sam sposób, jak robią to firmy z duże. A przynajmniej tak się uważa. Najczęściej założenie to jest błędne. W większości przypadków managerowie przeceniają przewagę, jaką dają dane.
Dane, źródło przewagi konkurencyjnej
Cykle koniunkturalne generowane przez uczenie oparte na danych mogą wyglądać podobnie do zwykłych efektów sieciowych, w których oferta staje się bardziej wartościowa, ponieważ korzysta z niej więcej osób i ostatecznie gromadzi masę krytyczną użytkowników, która wyklucza konkurencję. Jednak w praktyce zwykłe efekty sieciowe trwają dłużej i są zwykle silniejsze. Aby ustanowić najsilniejszą pozycję konkurencyjną, potrzebujesz ich i uczenia opartego na danych. Jednak niewiele firm jest w stanie rozwinąć oba te elementy. Niemniej jednak w odpowiednich warunkach dane generowane przez klientów mogą pomóc w budowaniu przewagi konkurencyjnej, nawet jeśli efekty sieciowe nie są obecne.
Dane, źródło przewagi konkurencyjnej. Zmiany
Firmy oparte na danych istnieją już od dłuższego czasu. Spójrzmy na firmy analityczne, agregatory informacji Thomson Reuters i Bloomberg, by wymienić tylko kilka z nich. Firmy te są chronione znacznymi barierami wejścia na rynek ze względu na korzyści skali związane z pozyskiwaniem i strukturyzowaniem ogromnych ilości danych, ale ich modele biznesowe nie obejmują zbierania danych od klientów i analizy ich w celu zrozumienia, jak ulepszyć ofertę.
Gromadzenie informacji o klientach i wykorzystywanie ich do tworzenia lepszych produktów i usług to odwieczna strategia, ale proces ten był powolny, ograniczony w zakresie i trudny do skalowania. W przypadku producentów samochodów, firm zajmujących się leasingowych, brokerów ubezpieczeniowych i wielu innych tradycyjnych producentów wymagało to analizowania danych dotyczących sprzedaży, przeprowadzania ankiet wśród klientów i organizowania grup fokusowych. Jednak dane sprzedażowe często nie były powiązane z indywidualnymi klientami, a ponieważ ankiety i grupy fokusowe były drogie i czasochłonne, gromadzono tylko dane od stosunkowo niewielkiej liczby klientów.
Zmieniło się to diametralnie wraz z pojawieniem się chmury obliczeniowej i nowych technologii, które pozwalają firmom szybko przetwarzać i nadawać sens ogromnym ilościom danych. Produkty i usługi podłączone do Internetu mogą teraz bezpośrednio gromadzić informacje o klientach, w tym ich dane osobowe, zachowania związane z wyszukiwaniem, wybory treści, komunikację, posty w mediach społecznościowych, lokalizację GPS i wzorce użytkowania. Po tym, jak algorytmy uczenia maszynowego przeanalizują cyfrowe ślady, oferta firmy może zostać automatycznie dostosowana w celu odzwierciedlenia wyników, a nawet dostosowana do indywidualnych potrzeb.
Zmiany sprawiają, że uczenie oparte na danych jest znacznie potężniejsze niż opinie i spostrzeżenia klientów tworzone przez firmy w przeszłości. Nie gwarantują one jednak barier, które można obronić.
Dane, źródło przewagi konkurencyjnej. Budowanie
Aby określić, w jakim stopniu przewaga konkurencyjna zapewniana przez uczenie oparte na danych jest trwała, firmy powinny odpowiedzieć na kilka pytań:
Jaką wartość dodaną wnoszą dane klientów w stosunku do samodzielnej wartości oferty?
Im wyższa wartość dodana, tym większa szansa na stworzenie trwałej przewagi konkurencyjnej. Firma produkcyjna, która wartość danych klientów jest bardzo wysoka: dostawca zaawansowanych systemów wspomagania kierowcy, które obejmują zapobieganie kolizjom i ostrzeżenia o niezamierzonej zmianie pasa ruchu dla pojazdów. Firma produkcyjna sprzedaje swoje systemy wspomagania jazdy producentom samochodów, którzy intensywnie je testują przed włączeniem ich do swoich produktów. Niezwykle ważne jest, aby systemy te były odporne na awarie, a dane testowe są niezbędne do poprawy ich dokładności. Gromadząc je od dziesiątek swoich klientów, Firma produkcyjna była w stanie zwiększyć dokładność swoich systemów wspomagania jazdy do 99,99%.
Chociaż spostrzeżenia z danych są potężne, nie gwarantują obronnych barier.
I odwrotnie, wartość uczenia opartego na danych od klientów jest stosunkowo niska dla producentów inteligentnych telewizorów. Niektóre z nich zawierają obecnie oprogramowanie, które może dostarczać spersonalizowane rekomendacje programów lub filmów w oparciu o nawyki oglądania danej osoby, a także to, co jest popularne wśród innych użytkowników. Jak dotąd konsumenci nie przywiązują dużej wagi do tej funkcji (która jest również oferowana przez dostawców usług streamingowych). Przy podejmowaniu decyzji o zakupie w dużej mierze biorą pod uwagę rozmiar telewizora, jakość obrazu, łatwość obsługi i trwałość. Gdyby wiedza od klientów była ważniejszym czynnikiem, być może branża inteligentnych telewizorów byłaby mniej konkurencyjna.
Jak szybko spada krańcowa wartość uczenia opartego na danych?
Innymi słowy, jak szybko firma osiąga punkt, w którym dodatkowe dane o klientach nie zwiększają już przewagi konkurencyjnej oraz wartości oferty? Im wolniej spada wartość krańcowa, tym silniejsza jest bariera. Zauważ, że odpowiadając na to pytanie, powinieneś ocenić wartość nauki na podstawie gotowości klientów do zapłaty, a nie na podstawie innych miar specyficznych dla aplikacji, takich jak procent zapytań chat-bota, na które można odpowiedzieć poprawnie lub ułamek przypadków kliknięcia rekomendacji filmu.
Załóżmy, że wykres dokładności systemu wspomagania jazdy jako funkcji wykorzystania przez klientów (całkowita liczba kilometrów przejechanych przez producentów samochodów testujących system) wykazał, że kilku producentów i umiarkowany poziom testów wystarczyłby do osiągnięcia, powiedzmy, 90% dokładności - ale potrzeba znacznie więcej testów z większym zestawem producentów samochodów, aby osiągnąć 99%, nie mówiąc już o 99,99%. Interpretowanie tego jako oznaczającego, że krańcowa wartość danych klienta gwałtownie spada, byłoby oczywiście błędne: wartość dodatkowych 9 punktów procentowych (lub nawet 0,99 punktu procentowego) poprawy dokładności pozostaje niezwykle wysoka, biorąc pod uwagę implikacje dla życia lub śmierci. Każdemu producentowi samochodów - nawet największemu - trudno byłoby samodzielnie wygenerować niezbędną ilość danych lub potencjalnym konkurentom firmy produkującej zwiększyć dokładność swoich systemów wspomagania jazdy powielić te dane. Właśnie dlatego firma produkcyjna była w stanie zdobyć dominującą pozycję na rynku systemów wspomagania jazdy, co uczyniło ją bardzo atrakcyjnym nabytkiem dla firmy technologicznej, która kupiła ją za wiele miliardów dolarów.
Gdy krańcowa wartość uczenia na podstawie danych klientów pozostaje wysoka nawet po pozyskaniu bardzo dużej bazy klientów, produkty i usługi mają zwykle znaczną przewagę konkurencyjną. Można to zaobserwować w przypadku systemów zaprojektowanych do przewidywania rzadkich chorób oraz wyszukiwarek internetowych, takich jak Google. Chociaż Microsoft zainwestował wiele lat i miliardy dolarów w Bing, nie był w stanie wstrząsnąć dominacją Google na rynku wyszukiwarek. Wyszukiwarki internetowe i systemy przewidywania chorób potrzebują ogromnych ilości danych użytkowników, aby zapewnić niezmiennie wiarygodne wyniki.
Przykładem biznesu, w którym krańcowa wartość danych użytkownika szybko spada, są inteligentne termostaty. Produkty te potrzebują zaledwie kilku dni, aby nauczyć się preferencji temperaturowych użytkowników w ciągu dnia. W tym kontekście uczenie oparte na danych nie może zapewnić istotnej przewagi konkurencyjnej.
Jak szybko tracą na znaczeniu dane użytkowników?
Jeśli dane szybko się dezaktualizują, to rywalowi będzie łatwiej wejść na rynek, ponieważ nie będzie musiał dorównywać wieloletniemu doświadczeniu firmy, które dane już posiada.
Wszystkie dane, które firma produkująca system wspomagania jazdy zgromadziła przez lata od producentów samochodów, pozostają cenne w obecnych wersjach produktów. Podobnie jak dane o użytkownikach wyszukiwarek, które Google gromadził przez dziesięciolecia. Chociaż wyszukiwania niektórych terminów mogą z czasem stać się rzadsze, podczas gdy wyszukiwania nowych mogą zacząć pojawiać się częściej, posiadanie danych z minionych lat wyszukiwania ma istotną wartość w obsłudze obecnych użytkowników. Niski wskaźnik amortyzacji danych pomaga wyjaśnić, dlaczego zarówno firma produkująca system wspomagania jazdy, jak i Google okazały się bardzo prężnymi firmami.
Jednak w przypadku gier społecznościowych na urządzenia mobilne oraz komputery wartość uczenia na podstawie danych użytkowników ma tendencję do szybkiego spadku. W 2009 roku rynek ten wystartował, gdy Zynga wprowadziła swoją bardzo udaną grę FarmVille. Podczas gdy firma słynęła z polegania w dużej mierze na analizie danych użytkowników przy podejmowaniu decyzji projektowych, okazało się, że spostrzeżenia wyciągnięte z jednej gry nie przeniosły się zbyt dobrze na następną: gry społecznościowe podlegają modom, a preferencje użytkowników szybko zmieniają się w czasie, co utrudnia budowanie trwałej przewagi konkurencyjnej opartej na danych. Po kilku kolejnych sukcesach, w tym FarmVille 2 i CityVille, Zynga przestała produkować nowe hity, a w 2013 roku straciła prawie połowę swojej bazy użytkowników. Została zastąpiona przez takich producentów gier jak Supercell (Clash of Clans) i Epic Games (Fortnite). Po osiągnięciu szczytowego poziomu 10,4 miliarda dolarów w 2012 roku, wartość rynkowa Zyngi spadła.
Czy dane są zastrzeżone - co oznacza, że nie można ich kupić z innych źródeł, łatwo skopiować lub poddać inżynierii wstecznej?
Posiadanie unikalnych danych klientów z kilkoma lub bez substytutów ma kluczowe znaczenie dla stworzenia możliwej do obrony bariery. Firma oferuje system zarządzania uprawami, który umożliwia rolnikom monitorowanie roślin. System opiera się na sztucznej inteligencji, oprogramowaniu komputerowym i zastrzeżonej technice adnotacji danych w celu śledzenia biometrii roślin niewidocznych dla ludzkiego oka, takich jak wczesne oznaki choroby lub brak odpowiednich składników odżywczych. Firma przekłada dane na spostrzeżenia, które rolnicy mogą wykorzystać do zapobiegania epidemiom chorób i poprawy plonów. Im więcej rolników korzysta z aplikacji, tym szerszy jest zakres wariantów, warunków uprawy roślin i innych czynników, o których może się dowiedzieć, a także większa dokładność prognoz dla nowych i obecnych klientów. Porównajmy tę firmę z firmą oferującą filtr antyspamowy, która może pozyskiwać dane użytkowników stosunkowo tanio. Pomaga to wyjaśnić istnienie dziesiątek takich dostawców.
Ważne jest, aby pamiętać, że postęp technologiczny może podważyć pozycję opartą na unikalnych lub zastrzeżonych danych. Przykładem może być oprogramowanie do rozpoznawania mowy. W przeszłości użytkownicy musieli trenować oprogramowanie, aby rozumiało ich indywidualne głosy i wzorce mowy, a im częściej dana osoba z niego korzystała, tym dokładniejsze się stawało. Przez wiele lat rynek ten był zdominowany przez aplikację. Jednak w ciągu dekady nastąpił szybki rozwój systemów rozpoznawania mowy niezależnych od mówcy, które mogą być szkolone na ogólnie dostępnych zestawach danych mowy i potrzebują minimalnego czasu, aby nauczyć się rozumieć głos nowego mówcy. Postępy te umożliwiły wielu firmom dostarczanie nowych aplikacji do rozpoznawania mowy (zautomatyzowana obsługa klienta przez telefon, zautomatyzowane usługi transkrypcji spotkań, wirtualni asystenci) i wywierają coraz większą presję na istniejącą firmę.
Jak trudno jest naśladować ulepszenia produktów oparte na danych klientów?
Nawet jeśli dane są unikalne lub zastrzeżone i dostarczają cennych informacji, trudno jest zbudować trwałą przewagę konkurencyjną, jeśli wynikające z nich ulepszenia mogą zostać skopiowane przez konkurentów nieposiadających podobnych danych.
Na zdolność firm do sprostania temu wyzwaniu wpływa kilka czynników. Jednym z nich jest to, czy ulepszenia są ukryte lub głęboko osadzone w złożonym procesie produkcyjnym, co utrudnia ich replikację. Firma oferująca strumieniowe przesyłania muzyki, korzysta z tej bariery. Jej oferta wykorzystuje zastrzeżony system, który kategoryzuje miliony utworów na podstawie prawie 500 atrybutów, umożliwiając firmie oferującej strumieniowe przesyłania muzyki dostosowanie stacji radiowych do indywidualnych preferencji użytkowników. Im więcej użytkownik słucha stacji i ocenia utwory w górę lub w dół, tym lepiej firma oferująca strumieniowe przesyłania muzyki może dostosować muzyczne wybory do tego użytkownika. Takie dostosowanie nie może być łatwo naśladowane przez żadnego konkurenta, ponieważ jest głęboko związane z kategoryzacją utworów. W przeciwieństwie do tego, ulepszenia projektowe oparte na uczeniu się od klientów korzystania z wielu produktów oprogramowania biurowego - takich jak kalendarz do koordynowania kalendarzy i aplikację do ankietowania ludzi o terminach spotkań - można łatwo zaobserwować i skopiować. Dlatego też dziesiątki firm oferują podobne oprogramowanie.
Tempo zmiany danych klientów
Drugim czynnikiem mających na naśladowanie aktualizacji danych w aplikacji jest to, jak szybko zmieniają się spostrzeżenia z danych klientów. Im szybciej to robią, tym trudniej jest je naśladować innym. Dla przykładu, wiele elementów interfejsu Google Maps można łatwo skopiować (i zostały one skopiowane m.in. przez Apple Maps). Jednak kluczową częścią wartości Google Maps jest ich zdolność do przewidywania ruchu drogowego i rekomendowania optymalnych tras, co jest znacznie trudniejsze do skopiowania, ponieważ wykorzystuje dane użytkowników w czasie rzeczywistym, które stają się nieaktualne w ciągu kilku minut. Tylko firmy z podobnie dużymi bazami użytkowników (takie jak Apple w Stanach Zjednoczonych) mogą mieć nadzieję na powielenie tej funkcji. Mapy Apple wypełniają lukę w stosunku do Map Google w Stanach Zjednoczonych, ale nie w krajach, w których Apple ma stosunkowo niewielką bazę użytkowników.
Czy dane od jednego użytkownika pomagają ulepszyć produkt dla tego samego użytkownika lub dla innych?
Idealnie byłoby, gdyby robiły obie te rzeczy, ale różnica między nimi jest ważna. Gdy dane od jednego użytkownika poprawiają produkt dla tej osoby, firma może je indywidualnie dostosować, ograniczając koszty zmiany. Gdy dane od jednego użytkownika ulepszają produkt dla innych użytkowników, może to - ale nie musi - powodować efekty sieciowe. Oba rodzaje ulepszeń pomagają zapewnić barierę wejścia na rynek, ale pierwszy z nich sprawia, że istniejący klienci są bardzo lojalni, podczas gdy drugi zapewnia kluczową przewagę w konkurowaniu o nowych klientów.
Dane, źródło przewagi konkurencyjnej. Przykład
Dla przykładu, Pandora była pierwszym dużym graczem w streamingu muzyki cyfrowej, ale potem została w tyle za Spotify i Apple Music, które wciąż się rozwijają. Główną zaletą Pandory jest to, że może ona dostosowywać stacje do gustów każdego użytkownika. Ale uczenie się od użytkowników jest bardzo ograniczone: Lajkowanie poszczególnych użytkowników pozwalają Pandorze zidentyfikować atrybuty muzyczne, które lubi użytkownik, a następnie zaserwować tej osobie utwory dzielące te atrybuty. W przeciwieństwie do tego, Spotify skupiło się bardziej na dostarczaniu użytkownikom funkcji udostępniania i odkrywania, takich jak możliwość wyszukiwania i słuchania stacji innych osób, tworząc w ten sposób bezpośrednie efekty sieciowe i przyciągając dodatkowych klientów.
Usługa Pandora jest dostępna tylko w Stanach Zjednoczonych (gdzie ma bazę lojalnych użytkowników), podczas gdy Spotify i Apple Music stały się globalnymi graczami. I choć Pandora została przejęta przez Sirius XM za 3,5 miliarda dolarów w lutym 2019 roku, Spotify stało się spółką publiczną w kwietniu 2018 roku i na początku listopada 2019 roku było warte 26 miliardów dolarów. Oczywiście personalizacja oparta na uczeniu się na podstawie danych indywidualnego użytkownika pomaga utrzymać obecnych klientów, ale nie prowadzi do wykładniczego wzrostu, jaki wywołują efekty sieciowe.
Jak szybko można włączyć do produktów spostrzeżenia z danych użytkowników?
Szybkie cykle uczenia i wdrażania zmian utrudniają konkurentom nadrobienie zaległości, zwłaszcza jeśli w trakcie okresu korzystania przez klienta z usług występuje wiele cykli ulepszania produktu. Jeśli jednak wprowadzenie ulepszeń w oparciu o dane zajmuje lata lub kolejne generacje produktów, konkurenci mają większą szansę na wprowadzenie innowacji i rozpoczęcie gromadzenia własnych danych o użytkownikach. Przewaga konkurencyjna wynikająca bazująca na danych klientów jest silniejsza, gdy nauka od dzisiejszych klientów przekłada się na częstsze ulepszanie produktu dla tych samych klientów, a nie tylko dla przyszłych klientów produktu lub usługi. Kilka przykładów produktów - mapy, wyszukiwarki i systemy zarządzania uprawami oparte na sztucznej inteligencji - można szybko zaktualizować, aby uwzględnić wiedzę od obecnych klientów.
Kontr-przykładem są bezpośredni pożyczkodawcy online, którzy uczą się, jak podejmować lepsze decyzje kredytowe, badając historię spłat użytkowników i ich korelację z różnymi aspektami profili i zachowań użytkowników. W tym przypadku jedyną nauką, która jest istotna dla obecnych pożyczkobiorców, jest ta od poprzednich pożyczkobiorców, która jest już odzwierciedlona w umowach i stawkach, które są oferowane obecnym pożyczkobiorcom. Nie ma powodu, aby pożyczkobiorcy przejmowali się jakąkolwiek przyszłą wiedzą, z której pożyczkodawca może skorzystać, ponieważ nie wpłynie to na ich istniejące umowy. Z tego powodu klienci nie martwią się o to, ilu innych pożyczkobiorców zarejestruje się przy podejmowaniu decyzji o zaciągnięciu pożyczki od konkretnego pożyczkodawcy. Obecni pożyczkobiorcy mogą woleć pozostać przy swoich obecnych pożyczkodawcach, którzy znają ich lepiej niż inni pożyczkodawcy, ale rynek nowych pożyczkobiorców pozostaje bardzo konkurencyjny.
Czy dane wywołują efekty sieciowe?
Uczenie oparte na danych tworzy efekty sieciowe. Kiedy uczenie oparte na danych od jednego klienta przekłada się na lepsze doświadczenia dla innych klientów i kiedy to uczenie oparte na danych może zostać włączone do produktu wystarczająco szybko, aby przynieść korzyści jego obecnym użytkownikom, klienci będą dbać o to, ile innych osób przyjmuje produkt. Działający tutaj mechanizm jest bardzo podobny do tego, który leży u podstaw efektów sieciowych w przypadku platform internetowych. Różnica polega na tym, że użytkownicy platform wolą dołączać do większych sieci, ponieważ chcą mieć więcej osób do interakcji, a nie dlatego, że więcej użytkowników generuje więcej spostrzeżeń, które ulepszają produkty.
Przypadek Mapy Google. Kierowcy korzystają z aplikacji po części dlatego, że oczekują, że wiele innych osób również będzie z niej korzystać, a im więcej danych o ruchu drogowym zbiera od nich oprogramowanie, tym lepsze są jego prognozy dotyczące warunków drogowych i czasu podróży. Wyszukiwarka Google i oparty na sztucznej inteligencji system zarządzania uprawami również korzystają z efektów sieciowych opartych na danych.
Wyrównanie szans, kup dane z alternatywnych źródeł.
Podobnie jak zwykłe efekty sieciowe, te oparte na danych mogą tworzyć bariery wejścia na rynek. Oba rodzaje efektów stanowią ogromne wyzwanie związane z zimnym startem: firmy dążące do zbudowania zwykłych efektów sieciowych muszą przyciągnąć pewną minimalną liczbę użytkowników, aby rozpocząć efekty, a ci, którzy chcą osiągnąć efekty sieciowe oparte na danych, potrzebują początkowej ilości danych, aby rozpocząć cykl uczenia się.
- Pomimo tych podobieństw, zwykłe efekty sieciowe i efekty sieciowe oparte na danych mają kluczowe różnice, które sprawiają, że korzyści oparte na zwykłych efektach są silniejsze. Po pierwsze, problem startu jest zwykle mniej dotkliwy w przypadku efektów sieciowych opartych na danych, ponieważ kupowanie danych jest łatwiejsze niż kupowanie klientów. Często alternatywne źródła danych, nawet jeśli nie są doskonałe, mogą znacznie wyrównać szanse, eliminując potrzebę posiadania dużej bazy klientów.
- Po drugie, aby uzyskać trwałe efekty sieciowe oparte na danych, firma musi stale pracować, aby uczyć się na podstawie danych klientów. W przeciwieństwie do tego, produkty, które korzystają z efektów sieciowych, stają się lepsze nieustannie, również wtedy, gdy firma nie pracuje, ponieważ dane firma pozyskuje cały czas . Przy regularnych efektach sieciowych interakcje między klientami (i ewentualnie z zewnętrznymi dostawcami komplementarnych ofert) tworzą wartość, nawet jeśli platforma przestaje wprowadzać innowacje. Nawet gdyby nowa sieć społecznościowa oferowała użytkownikom obiektywnie lepsze funkcje niż portal społecznościowy (na przykład lepszą ochronę prywatności), nadal musiałaby zmagać się z potężnymi efektami sieciowymi - użytkownicy chcą być na tej samej platformie społecznościowej, co większość innych użytkowników, ich znajomych.
- Po trzecie, w wielu przypadkach prawie wszystkie korzyści płynące z uczenia na podstawie danych klientów można osiągnąć przy stosunkowo niewielkiej liczbie klientów. A w niektórych zastosowaniach (takich jak rozpoznawanie mowy) radykalne ulepszenia sztucznej inteligencji zmniejszą zapotrzebowanie na dane klientów do punktu, w którym wartość uczenia opartego na danych może całkowicie zniknąć. Z drugiej strony, regularne efekty sieciowe sięgają dalej i są bardziej odporne: Dodatkowy klient nadal zazwyczaj zwiększa wartość dla istniejących klientów (którzy mogą z nim wchodzić w interakcje lub dokonywać transakcji), nawet jeśli liczba istniejących klientów jest już bardzo duża.
Dane, źródło przewagi konkurencyjnej
W miarę jak nawet proste produkty konsumenckie stają się inteligentne i usieciowione - na przykład nowe rodzaje odzieży mogą reagować na warunki pogodowe i śledzić przebieg oraz parametry życiowe - uczenie oparte na danych będzie wykorzystywane do ulepszania i personalizowania coraz większej liczby ofert. Jednak ich dostawcy nie zbudują silnej pozycji konkurencyjnej, chyba że wartość dodana przez dane klientów jest wysoka i trwała, dane są zastrzeżone i prowadzą do ulepszeń produktów, które są trudne do skopiowania, lub uczenie oparte na danych tworzy efekty sieciowe.
Uzyskanie przewagi konkurencyjnej za pomocą danych klientów będzie warunkiem wstępnym pozostania konkurencyjnym i może dać operatorom zasiedziałym przewagę nad nowymi firmami. Jednak w większości przypadków nie będzie to generować dynamiki typu zwycięzca bierze wszystko. Rynki internetowe są skrajnie monopolistyczne. W dającej się przewidzieć przyszłości najcenniejszymi i najpotężniejszymi firmami będą te, które są zarówno zbudowane na zwykłych efektach sieciowych, jak i wzmocnione przez uczenie oparte na danych.
