Data-driven, czyli jak zarabiać na danych

Firmy chcące zarabiać na danych mają do wyboru kilka modeli biznesowych. W zależności od branży i profilu działalności, monetyzacja danych będzie mniejszym lub większym wyzwaniem. Przykłady rynkowe pokazują jednak, że warto zaryzykować i zainwestować w podejście data-driven – stać się organizacją „napędzaną przez dane”.

W zasadzie każda organizacja wykorzystuje dane w swoim biznesie. Większość ma dostęp do szeregu danych, które dotyczą łańcucha dostaw, działań operacyjnych, aktywności klientów i partnerów, a także konkurencji. Mimo to większość firm pozostawia pieniądze na stole. „Tylko jedna na dwanaście organizacji faktycznie monetyzuje dane i w pełni wykorzystuje ich potencjał” – zauważa Abhas Ricky, kierownik strategii i innowacji w Hortonworks, firmie która zajmuje się analityką danych i wdrażaniem sztucznej inteligencji w sektorze przemysłowym.

Dane mają dużą wartość i mogą być wykorzystywane na wiele sposobów. Można opierać na nich decyzje związane z segmentacją klientów i przeprowadzać skuteczniejsze kampanie marketingowe, albo przewidywać zachowania zakupowe i adekwatnie ustalać ceny produktów, czy też poddawać je obróbce i sprzedawać firmom trzecim, które wykorzystają je następnie w ramach wewnętrznych analiz.

Zobacz również:

  • Jak nowoczesny biznes zdobywa przewagę dzięki danym
  • IDC CIO Summit – potencjał drzemiący w algorytmach
  • iPhone z 2007 roku sprzedany na aukcji za rekordową kwotę

Data-driven. Zarabianie wewnętrzne

Istnieją dwa główne sposoby, dzięki którym firmy mogą monetyzować swoje dane. Pierwszy to redukcja kosztów, czyli wykorzystywanie danych do zwiększania produktywności lub zmniejszania zużycia i marnotrawstwa – surowców lub działań nieprzekładających się na zbyt dużą wartość dla firmy. Drugi to z kolei wzrost przychodów – zastosowanie analizy danych do poprawy wyników sprzedaży lub działań poprawiających utrzymanie dotychczasowych klientów.

Dla przykładu firmy z branży energetycznej, takie jak rafinerie, elektrownie wodne i inne zakłady wytwarzające energię, są w ostatnich latach przebudowywane, aby wyprzedzać konkurencję i zwiększać produktywność i rentowność. Starają się sprostać rosnącemu globalnemu zapotrzebowaniu na energię, a przy tym muszą sobie radzić z powiększającymi się kosztami produkcji i zmiennymi cenami. Chcąc zarabiać mogą w większym stopniu polegać na danych i analityce. I tak, korzystając z danych, mogą proaktywnie podejmować lepsze decyzje, ich maszyny i urządzenia mogą być monitorowane cyfrowo, a analitycy mogą wcześnie przewidywać i diagnozować problemy. Takie optymalizacje przekładają się finalnie na niższe koszty i wyższą produktywność.

Firmy, które reprezentują dziś świat cyfrowy, takie jak Amazon, Netflix czy Airbnb, a także organizacje, które pomyślnie przeszły cyfrową transformację, jak Capital One czy Disney, monetyzują dane wewnętrznie poprzez głębokie zrozumienie swoich klientów. Biorą pod uwagę np. dane demograficzne, specjalne potrzeby, historyczne zakupy i interakcje, zachowania zakupowe oraz ważne wydarzenia, oferując finalnie wysoce spersonalizowane produkty i usługi. Dzięki temu klienci są często zachwyceni z efektu, bo otrzymują produkt niejako szyty na miarę, co poprawia ich doświadczenie i odbiór marki.

Dane w takich firmach wykorzystywane są na każdym punkcie styku z klientem – od odkrywania nowych produktów i usług, przez zakup, po ponowne wzbudzenie zaangażowania i kolejne zakupy. Tego typu nastawienie na klienta umożliwia monetyzację danych wewnętrznych i pozwala budować przewagę konkurencyjną.

Ale organizacje mogą również wykorzystywać inną ścieżkę do monetyzacji – polegać na danych zewnętrznych. Jak wskazuje firma A.T. Kearney, specjalizująca się w przeprowadzaniu cyfrowych transformacji, można wyróżnić trzy modele monetyzowania danych zewnętrznych. To odpowiednio: Data as a Service (dane jako usługa), Insight as a Service (wgląd, np. w branżę, jako usługa), a także Analytics-enabled Platform as a Service (platformy zapewniające funkcje analityczne jako usługa). Każdy model ma inny potencjał generowania dochodów, wartości dla klientów, jak również wymagany poziom zaawansowania biznesowego w zakresie przetwarzania i obróbki danych.

Data-driven. Korzyści z zewnątrz

Zaletą model DaaS jest prostota. Dane są agregowane i anonimizowane przez firmę, a następnie sprzedawane podmiotom trzecim i kontrahentom, którzy wykorzystują je na potrzeby lepszego zrozumienia rynku czy zachowań klientów. Przykładowo, firmy telekomunikacyjne udostępniają lokalnym władzom zagregowane i zanimizowane dane geolokacyjne, przez co planiści miast mogą projektować skuteczniejsze systemy zarządzania ruchem, a urzędnicy – opracowywać lepsze rozwiązania technologiczne z dziedziny „smart city”.

Inny przykład: amerykański detalista spożywczy Kroger rejestruje dane generowane przez karty lojalnościowe klientów, a następnie sprzedaje je firmom tworzącym towary konsumpcyjne, które chcą lepiej zrozumieć zwyczaje zakupowe oraz zmieniające się gusta i preferencje konsumentów. Jeśli więc mamy w firmie dane, które mogą być wykorzystane przez inne podmioty, warto rozważyć model oferowania ich w ramach odpłatnej usługi.

IaaS to z kolei model, gdzie firmy mogą łączyć wewnętrzne i zewnętrzne źródła danych, wykorzystując przy tym zaawansowaną analitykę w celu dostarczania przydatnych informacji. Amazon, przejmując w 2017 r. sieć supermarketów Whole Foods za niespełna 14 mld dol., wdrożył w niej rozwiązania data-driven, aby poprawić innowacyjność i rozwój produktów. Obecnie Whole Foods, jako sieć wykorzystująca dane, jest w stanie zrozumieć, jak konsumenci kupują artykuły spożywcze i jak wchodzą w interakcje ze sklepem. Dane dostarczają informacji o tym, czy zachodzi potrzeba wprowadzania zmian, czy warto obniżyć lub podnieść ceny, czy też jak realizować prace logistyczne, aby zwiększyć produktywność przy zachowaniu tych samych kosztów.

Model APaaS to najbardziej złożona z wymienionych koncepcji. Chodzi w niej o wykorzystywanie zaawansowanych i często autorskich algorytmów do generowania danych wzbogaconych, dalece przekształconych i dostosowujących się do potrzeb klientów w czasie rzeczywistym. A wszystko to dostarczane jest za pomocą zautomatyzowanych platform chmurowych.

Firmy stosujące model APaaS często zyskują dostęp do nowych rynków, a czasami budują całkowicie nową odnogę biznesu. Przykładem jest GE, która stworzyła platformę Predix IIoT (Industrial Internet of Things – przemysłowy internet rzeczy). Firma dostarcza zintegrowane, technologiczne systemy zarządzania energią klientom przemysłowym, komercyjnym i komunalnym na terenie San Diego czy Kalifornii, które łączą możliwości energooszczędnych diod LED, nowoczesnych czujników, oprogramowania działającego w chmurze i zaawansowanych modeli analitycznych. Z kolei platforma Predix udostępnia klientom analizy predykcyjne i normatywne, dotyczące zużycia energii, konserwacji i innych danych. Ci mogą dzięki temu wprowadzać lepsze procesy energetyczne i obniżać koszty, prowadząc do automatyzacji i wyższej wydajności.

Data-driven. Własna fabryka danych

Firmy, które chcą zmaksymalizować potencjał związany z monetyzacją danych, powinny utworzyć własną „fabrykę danych”. Chodzi o stworzenie systemu, który automatyzowałby proces gromadzenia, wzbogacania, przekształcania i czerpania wiedzy z danych. Nie jest to łatwe zadanie, ponieważ składa się z wielu elementów i wymaga szerokich kompetencji – trzeba przykładowo dobrać odpowiednie technologie, które będą ze sobą współdziałać i pozwolą na analizowanie, syntezę, modelowanie i interakcje z danymi, w dodatku na poziomie wizualnym (interfejs graficzny). Celem powinno być stworzenie jednej platformy, która będzie przechowywać, harmonizować i przetwarzać wszystkie dane (patrz: ramka „Typy fabryk danych”).

Fabryka powinna być samoobsługowa dla klientów, co oznacza, że trzeba zatroszczyć się o odpowiednie interfejsy użytkownika i wizualizację danych. Tutaj możemy wzorować się np. na rozwiązaniu Nielsen Connected Partner Program. Firma Nielsen nie tylko udostępniła wiele swoich danych partnerom i klientom, ale też stworzyła specjalną platformę z opcją wizualizacji danych, pozwalając przez to na otwartą współpracę w całym ekosystemie. To przełożyło się na uzyskiwanie bardziej dokładnych analiz i większą wydajność dla wszystkich uczestników platformy.

Poza samą platformą trzeba również przyjąć odpowiedni model lub modele operacyjne. Tutaj nie da się wskazać jednego podejścia, które będzie skuteczne dla wszystkich. Trzeba jedynie pamiętać, aby modele operacyjne uwzględniały pełen zakres działań dotyczących monetyzacji danych, począwszy od technologii, infrastruktury i analityki, po kadrę zarządzającą systemem, struktury organizacyjne, wskaźniki KPI i zysk. Opracowanie skutecznych modeli to po prostu kolejna niezbędna inwestycja czasu i pieniędzy, z jaką należy się liczyć.

Kiedy już wdrożymy platformę i opracujemy strategię, trzeba przygotować zespół specjalistów, którzy będą zarządzać całym systemem. Należy stworzyć odpowiednie standardy, wytyczne i zasady postępowania dla poszczególnych pracowników. Ponadto konieczne będzie stworzenie procedur i polityk, gdy okaże się, że trzeba wprowadzić zmiany w całym systemie ze względu na regulacje rządowe lub wymogi partnerów zewnętrznych. Tu przydatna może okazać się wiedza nie tylko informatyczna, ale też prawna.

Na koniec zostaje zapewnienie bezpieczeństwa w ramach polityki cybersecurity, a także prywatności danych. Jeśli chcemy zarabiać na danych, cyberbezpieczeństwo powinno być priorytetowe. Wszystkie dane muszą być odpowiednio chronione i spełniać wymagania partnerów, zwłaszcza jeśli wykorzystujemy zewnętrzny model monetyzacji, czyli np. sprzedajemy dane firmom trzecim.

W celu komercyjnej reprodukcji treści Computerworld należy zakupić licencję. Skontaktuj się z naszym partnerem, YGS Group, pod adresem [email protected]

TOP 200