数据一定可以创造竞争优势吗

安德烈·哈久 朱利安·赖特

许多高管和投资者理所当然地以为，利用客户数据，可以获得无与伦比的超强竞争优势。客户越多，能够收集到的数据就越多。公司运用机器学习工具分析数据，就可以提供更好的产品，继而吸引更多客户。如此一来，公司又可以收集更多数据，最终像拥有强大网络效应的大企业一样，将竞争对手边缘化。但事实往往并非如此，大部分情况下，人们都过度高估了数据带来的优势。

数据驱动的机器学习创造出的良性循环，乍看之下与一般的网络效应相似：用户越多，价值越高（如社交媒体平台），最终获得大量用户，令竞争对手望尘莫及。然而在现实中，一般网络效应持续时间更长，影响更大。要打造强大的竞争力，企业需要同时具备网络效应和数据驱动型学习，但能够同时发展这两项的公司少之又少。不过，即使没有网络效应，只要具备相应条件，公司也可以利用客户数据建立防御壁垒、应对竞争。本文介绍利用客户数据打造竞争力的条件，以及评估其是否适用于公司的方法。

一、有什么改变

以数据为基础的公司原本就有很多，并不是近年才兴起的，如信用机构及信息汇总公司律商联讯（LexisNexis）、汤森路透（Thomson Reuters）和彭博（Bloomberg）等。这些公司受到行业准入门槛保护，因为获取和整理大量数据需要规模经济才能实现，但这些公司的商业模式并不涉及从客户处收集信息并分析、了解如何提供更好的产品或服务。

收集客户信息加以利用，进而提供更好的产品和服务，也是一种由来已久的策略。但以前这个过程十分缓慢，范围有限，而且很难扩大规模。汽车制造商、包装消费品公司以及其他许多传统制造商，若想采用这一策略，就要研究销售数据，开展客户调研和焦點小组讨论。然而销售数据一般与顾客个人无关，调研和焦点小组则要花费大量时间和金钱，因此传统公司只收集到一小部分客户的数据。

云端技术和新科技的发展，让公司能够迅速处理和解读大量数据，以上的状况也随之发生了巨大的变化。现在的联网产品及服务，能够直接收集客户信息，包括个人详细资料、搜索行为、内容选择、交流、在社交媒体发布的内容、GPS定位以及使用习惯。用机器学习算法分析过这种“数字化排放”之后，公司提供的产品或服务可以根据用户情况自动调整，乃至实现自动定制化。

这样的科技发展，使得数据驱动型机器学习比以往公司的客户洞察更加强大，但不一定能帮助公司建立防御壁垒。

二、利用数据驱动型学习建立防御壁垒

要确定数据驱动型学习提供的竞争优势是否可持续，公司应当回答以下7个问题：

1.与产品或服务的独立价值相比，客户数据为其增加了多少价值？增加的价值越高，建立持久竞争优势的可能性就越高。我们来看一个客户数据带来极高价值的例子：先进驾驶辅助系统（ADAS）一流供应商Mobileye，为汽车提供防撞辅助系统和车道偏移警告系统。该公司主要向汽车制造商出售其辅助系统，制造商会在实际投入应用之前进行大量测试。辅助系统必须有失效保护，而测试数据对于产品改进必不可少。Mobileye从数十个客户处收集相关测试数据，将ADAS的准确率提升至99.99%。

智能电视则恰恰相反，学习客户数据获得的价值相对较低。现在一些智能电视装有相关软件，可以根据用户观看习惯和各个节目的人气，提供定制化的电视节目或电影推荐。目前消费者还不甚在意这个功能（亚马逊和网飞等网络流媒体供应商也提供这个功能）。消费者考虑购买时，主要考虑的是电视屏幕尺寸、画面质量、易用性和耐用性。学习客户数据无法为智能电视公司增加多少竞争力。

2.数据驱动型学习的边际价值下降有多快？换言之，对于公司而言，客户数据无法再增加价值的临界点在哪里？边际价值下降速度越慢，基于数据的学习带来的竞争力就越强。注意，回答这个问题的时候，不要根据其他应用程序的特定衡量标准（如自动应答机器人正确回答问题的比例、电影推荐获得点击的次数等）判断基于数据的学习的价值，要重点关注客户的购买意愿。

将Mobileye的ADAS准确度和客户使用率（汽车制造商测试ADAS的总里程数）制成函数，你会发现部分制造商和中等水平的测试就能够达到90%的准确度，但要想达到99%，就需要更多制造商的更多测试，99.99%就更不用说了。在这里认为客户数据的边际价值会迅速下跌，当然是不准确的：要在90%的准确度以上再增加9%（乃至0.99%），价值依然非常高，因为这是生死攸关的事。即使是最大的汽车制造商，仅凭一己之力也很难获得足够的数据，而Mobileye的潜在竞争对手也很难复制如此海量的测试数据。Mobileye能够在ADAS市场获得主导地位，吸引英特尔于2017年以150亿美元的价格将其收购，原因正在于此。

如果学习客户数据带来的边际价值在已经获得大量客户的情况下依然居高不下，产品及服务就会拥有显著的竞争优势。预测罕见病专用的系统（如RDMD提供的系统）和百度、谷歌等在线搜索引擎体现出了这一点。微软投入多年时间、数十亿美元开发搜索引擎必应，却无法撼动谷歌的地位。搜索引擎和疾病预测系统都需要大量用户数据，才能持续提供可靠的结果。

3.用户数据的“贬值率”如何？如果数据很快就会过时，那么在其他条件都相同的情况下，竞争对手进入这个市场会更加容易，不必忌惮在位企业积累的数据驱动型学习能力。

Mobileye多年以来从各汽车制造商处获得的大量数据，对于产品的当前版本依然有价值。谷歌数十年来积累的搜索引擎用户数据也一样。虽然对某些术语的搜索可能会逐渐减少，用户渐渐开始搜索新事物，但拥有多年历史搜索数据对于服务今天的用户有着不可否认的价值。Mobileye和谷歌搜索引擎的用户数据贬值率较低，是这两家公司基业长青的一大原因。

然而在电脑和手机休闲社交游戏领域，用户数据驱动型学习的价值会很快降低。2009年星佳（Zynga）推出的种田偷菜游戏FarmVille大获成功，休闲社交游戏行业由此开始迅速发展。星佳公司虽然以高度依赖用户数据分析进行设计而闻名，然而从一个游戏中获得的用户洞见难以运用到另一个游戏：休闲社交游戏只是风靡一时，用户偏好会迅速改变，因此公司很难依靠收集用户数据打造可持续的竞争优势。继FarmVille2和CityVille等作品之后，星佳无法再推出新的热门社交游戏，在2013年流失了近一半客户。它被其他游戏厂商如Supercell公司（代表作Clash of Clans）、Epic Games公司（代表作Fortnite）取代。星佳市值在2012年达到高峰（104亿美元），随后就低迷不振，至今6年的大部分时间里都不到40亿美元。

4.数据是否属于公司独有，无法从其他来源获取，无法轻易复制及破译？拥有无可替代的独家客户数据，对于打造竞争优势至关重要。例如我们投资的一家初创公司，波士顿地区的Adaviv。该公司提供的农作物管理系统，让种植者（目前主要是大麻种植商）可以持续监测所有植株的状态。这个系统依靠AI、计算机软件和独家的数据注释技术，检测人眼看不到的植物生物学指标，如疾病或营养不良的前兆，随后解读数据，为种植者提供预防疾病暴发、提高产量的建议。使用Adaviv系统的种植者数量越多，系统能够学习的性状差异、耕作环境等各种因素的范围就越广，预测的准确性随之提升。相比之下，垃圾邮件过滤器提供商可以更为轻松地获取用户数据，所以有了很多类似的提供商。

5.基于用户数据的产品改进是否难以模仿？即使数据难以复制，且能提供有价值的用户洞察，但如果借由数据驱动型学习实现的产品改进能被没有相关数据的竞争者轻易照搬，也很难打造持久的竞争优势。

公司要克服这一难题，主要受两个因素影响。其一，相应改进是否深藏于复杂的生产过程中难以复制。音乐流媒体服务潘多拉（Pandora）受益于此。潘多拉公司独家开展“音乐基因组项目”（Music Genome Project），根据约450个特征为几百万首歌曲分类；公司提供的服务利用该项目，为用户提供个性化的音乐电台。用户收听潘多拉上的音乐电台越多，为歌曲打的分越高或越低，潘多拉就越能更好地为用户定制曲目。竞争对手无法轻易复制这样的个性化服务，因为该服务与音乐基因组项目紧密结合。与之相比，通过学习用户使用多种办公效率软件产品（如日程软件Calendly和向众人征求意见确定会议时间的Doodle）的情况做出的设计改进，则很容易观察和模仿，因此提供类似软件的公司很多。

其二，通过用户数据获得的洞见是否会迅速变化。变化速度越快，模仿难度就越大。举例来说，谷歌地图界面的许多设计特点都很容易模仿（苹果地圖和很多其他地图软件都模仿了谷歌地图），但谷歌地图的核心价值是其预测交通状况、推荐最优路线的功能——这个功能利用了随时变化的实时用户数据，因此很难复制。只有用户基础能与谷歌比肩的竞争对手（如苹果在美国）才能复制这一功能。苹果地图在美国正在缩小与谷歌地图的差距，但在其他地区的用户基础不足，无法与谷歌匹敌。

6.来自一位用户的数据是否有助于为同一用户或其他用户改进产品？理想状态下，这两个方面都可以实现，但两者之间的差异很重要。倘若来自一位用户的数据能够让产品更加符合这位用户的需求，公司可以提供个人定制，提高用户的转移成本，借此留住用户。如果来自一位用户的数据能够促进产品实现更加符合其他用户需求的改进，就可能实现网络效应（但也可能实现不了）。这两种改进都有助于提高市场准入门槛，但前者是增强现有用户的黏性，后者则有利于争取新用户。

举例来说，潘多拉是数字音乐流媒体领域出现的第一个巨头，但随后就被Spotify和苹果音乐超赶，而且这两家公司仍在继续成长。如前所述，潘多拉的主要卖点是根据用户喜好定制的个人音乐电台，但这个方向的数据驱动型学习仅限为一位用户提供更好的服务，在不同用户间并不通用：一位用户的评分让潘多拉了解该用户喜欢的音乐特征，进而为该用户提供具备这一特征的其他歌曲。与之相比，Spotify更加重视分享与发现功能，比如让用户搜索和收听其他用户的音乐电台，以此实现直接的网络效应，吸引更多用户。潘多拉的服务至今依然仅限于美国（美国有潘多拉的忠实用户群体），而Spotify和苹果音乐已经走向全球。潘多拉于2019年2月以35亿美元的价格被SiriusXM收购，而Spotify于2018年4月上市，截至2019年11月初的市值是260亿美元。很明显，通过用户数据驱动型学习实现的定制化可以留住已有用户，但无法实现网络效应带来的指数级增长。

7.从用户数据中获得的洞见应用于产品的速度有多快？学习周期够快，可以将竞争对手甩在身后，平均用户体验中有多项产品改进同时进行时尤其如此。但如果基于数据的改进需要几年时间或连续几代产品才能实现，那么竞争对手在此期间自行收集用户数据实现创新的可能性就会提升。因此，积极利用从当前用户处获取的数据，加速为当前用户实现产品改进，获得的竞争优势会比关注未来用户更强。前文提到的地图、搜索引擎、AI农作物管理系统等例子都可以迅速升级，将当前的数据驱动型学习成果应用于实践，为当前用户提供更好的服务。

这方面的一个反例是LendUp、LendingPoint等网络贷款提供商。这些公司考查用户的还款记录，以及还款记录与用户资料、行为等多个方面的关联性，以此做出更好的贷款决策。这里，与当前借款者有关的唯一数据洞察是来自以前的借款者，而这部分信息体现在当前借款者的贷款合同和利息上。借款者没有理由关心让提供商未来会从中获益的任何洞察，因为目前的贷款合同不会受到任何影响。因此客户在考虑寻求贷款时，并不关心还有多少人会向特定提供商贷款。于是借款者会倾向于一直与原本的提供商合作，因为该提供商比其他提供商更加了解自己的需求，而争夺新客户的竞争依然十分激烈。

三、数据能否带来网络效应

对最后两个问题的回答，会告诉你数据驱动型学习能否实现真正的网络效应。如果基于一位客户数据的学习有助于为其他客户提供更好的体验，而且可以迅速协助改进产品，立刻为现有客户提供价值，那么客户就会关注还有多少人选用该产品。这个原理与在线平台的网络效应十分相似，区别在于，平台用户倾向于加入更大网络的原因是想与更多人互动，而非更多用户可以提供更多洞见、协助产品改进。

我们再来看看谷歌地图的例子。驾驶者使用谷歌地图，部分原因是希望其他更多的人使用。谷歌地图通过用户收集到的交通数据越多，对路况和所需时间的预测就越准确。谷歌搜索和Adaviv的AI作物管理系统也一样，通过收集数据实现网络效应。

数据网络效应跟一般的网络效应一样可以提高行业准入门槛。这两种网络效应都会让潜在竞争对手遇到“先有蛋还是先有鸡”的冷启动问题：想实现一般网络效应的公司需要先吸引一定数量的用户才能启动网络效应，想实现数据驱动型网络效应的公司则需要先获得一定数量的数据才能启动数据驱动型学习的良性循环。

然而，一般网络效应与数据驱动型网络效应还有关键区别，这些区别使得前者的优势更强。其一，数据驱动型网络效应的冷启动问题通常不如一般网络效应那么难解决，因为购买数据比购买客户简单。新的竞争对手要实现数据驱动型网络效应，不需要庞大的用户基础，只需要找到数据来源，即使不完美，也足以与在位企业匹敌。

其二，要想实现可持续的数据驱动型网络效应，公司必须不断努力发掘客户数据。而一般网络效应，用Intuit创始人斯科特·库克（ScottCook）的话来说，“拥有（一般）网络效应的产品在我睡觉的时候自己就能越变越好。”有了一般网络效应，哪怕平台停止创新，用户之间（可能还有提供配套产品和服务的第三方）的互动也能创造价值。现在即使出现一个新的社交网络，向用户提供客观上比Facebook更好的服务（比如隐私保护更完善），也还是很难胜过Facebook强大的网络效应——用户只想留在其他大多数用户都在用的社交平台上。

其三，在许多情况下，通过学习客户数据实现的几乎所有优势，对客户数量的要求都相对比较低。在一些应用（如语音识别）中，AI的迅速发展会降低对客户数据的需求，甚至让数据驱动型学习带来的优势彻底消失。而一般网络效应则更加稳固，影响范围也更广：在已有众多用户的情况下，新增一名用户依然能为已有用户提供价值（已有用户可以跟新用户交流或交易）。