Η τεχνολογία και το διαδίκτυο επιτρέπουν την ολοένα γρηγορότερη, ολοένα μεγαλύτερη συλλογή – αξιολόγηση των δεδομένων και τη στοχευόμενη εφαρμογή τους στο πλαίσιο των επιχειρηματικών μοντέλων.
Με τον παραπάνω τρόπο, η επιτυχία είναι προβλέψιμη! Μέσα από την ανάλυση της τεράστιας παραγόμενης μάζας πληροφοριών, επιτυγχάνεται αρχικώς η προτυποποίηση του μέλλοντος και ο μετέπειτα υπολογισμός του.
Κλασικά υποδείγματα αυτής είναι η μηχανή αναζήτησης της Google και η πλατφόρμα της Amazon. Η μεν Google προβλέπει ακριβέστερα τι εννοούμε, όταν εισαγάγουμε τις λέξεις-κλειδιά, ενώ η Amazon δίνει μια πρόβλεψη για τα προϊόντα που θέλει ο πελάτης να αγοράσει επιπλέον. Τα προγνωστικά επιχειρηματικά μοντέλα τους μπορούν να λειτουργήσουν σωστά μονάχα, όμως, με την ύπαρξη επαρκούς αριθμού δεδομένων (πελατών, περιεχομένου και προϊόντων).
Εξαιτίας των νέων τεχνολογιών και της μετατόπισης ολοένα και περισσοτέρων διαδικασιών αλλά και αγαθών στο ψηφιακό περιβάλλον, η συλλογή και η ανάλυση των «σωστών» δεδομένων γίνεται πιο εύκολη και ποιοτικότερη υπόθεση. Ενώ η σύμπτωση ελαχιστοποιείται. Καθώς ο όγκος των δεδομένων δε μας αποκαλύπτουν μονάχα τα του παρελθόντος, αλλά μπορούμε χάρις των ταχύτατων υπολογιστικών συστημάτων (βλέπε νόμο του Μουρ) να υπολογίσουμε δισεκατομμύρια σενάρια και να εφαρμόσουμε το πλέον αναμενόμενο.
Αυτός ο τρόπος προσέγγισης, λοιπόν, είναι εξαιρετικά ενδιαφέρων για την αναδιαμόρφωση των επιχειρηματικών μοντέλων. Καθώς η επέλευση ενός γεγονότος μπορεί άνετα να οριστεί, από τις συμπεριφορές των πελατών, τον υπολογισμό μεγεθών των αγορών ή ακόμα και την ιδεατή τιμή.
Για να δούμε, λοιπόν, μερικά παραδείγματα για αυτά:
1. Υπολογισμός των αγορών
Η γερμανική Natsu χρησιμοποιεί το λογισμικό Software-as-a-Service (SaaS) της blue yonder, για να προμηθεύσει επαρκώς τις αλυσίδες σούπερ μάρκετ με τα ευαίσθητα φρέσκα προϊόντα της (sushi, τοστ και σαλάτες) των οποίων η κατανάλωση θα πρέπει να γίνεται μέσα σε ελάχιστες μέρες. Η λύση της blue yonder, Forward Demand, ελαχιστοποιεί το στοκ αλλά και τις επιστροφές, ενώ βελτιώνει τον προγραμματισμό των πωλήσεων της. Η παραπάνω λύση λαμβάνει διάφορους παράγοντες υπόψη της, όπως το ιστορικό πωλήσεων, τις τιμές των προϊόντων, τις διαφημιστικές καμπάνιες, τον τρόπο παρουσίασης των αγαθών, το μέγεθος των καταστημάτων αλλά και τον καιρό, έτσι ώστε να εκτιμήσει την αξία των πωλήσεων της επόμενης μέρας, της επόμενης εβδομάδας ή του επόμενου μήνα.
2. Σχεδιασμός προϊόντων
Η αμερικανική Narrative Science προσφέρει αλγοριθμική δημοσιογραφία για τους B2B πελάτες της. Μέσω του αλγορίθμου της Narrative Science Quill™ και την εκμετάλλευση μαζικού όγκου δεδομένων, η παραπάνω εταιρεία μετατρέπει τα δεδομένα σε άρθρα. Έτσι γράφει αυτοματοποιημένες οικονομικές εκθέσεις για τη Fοrbes, αθλητικές ειδήσεις και πλήθος άλλων ειδήσεων, οι οποίες θεωρούνται σχετικές και αξιοποιήσιμες. Ενώ σύμφωνα με τον γενικό διευθυντή της, Robie Allen, ο αλγόριθμος της δημιούργησε το 2014 πάνω από 1 δισεκατομμύριο ειδήσεις.
Μάλιστα η New York Times πρόσφατα δημοσίευσε ένα κουίζ χρησιμοποιώντας το λογισμικό της παραπάνω εταιρείας. Σε αυτό παρότρυνε τους αναγνώστες της να την αναφέρουν ποια κείμενα γράφτηκαν από ανθρώπινο χέρι ή από ρομπότ.
3. Πρόβλεψη συμπεριφορών
Η γερμανική Windeln.de, η οποία πουλάει τα πάντα για τα νεογέννητα και τα νήπια παιδιά, ανέπτυξε και λειτουργεί ένα ιδιόκτητο σύστημα ανάλυσης βάσης δεδομένων. Με αυτό μπορούν να προβλέψουν όχι μόνο τον τζίρο των επόμενων μηνών αλλά και το τι προϊόντα πρόκειται να παραγγείλουν τα νέα ζευγάρια μετά από μια δεδομένη χρονική περίοδο. Έτσι παραδείγματος χάρη, ξέρουν ότι μόλις το νεογέννητο γίνει 18 μηνών, το προϊόν που θα παραγγείλουν οι νέοι γονείς είναι τα τεστ εγκυμοσύνης!
Η αμερικανική εταιρεία παράδοσης ετοίμου φαγητού Sprig μπορεί και παραδίδει το έτοιμο μαγειρεμένο φαγητό, μέσα σε 15 λεπτά. Πιθανώς στο μέλλον η παράδοση να γίνεται ακόμα πιο γρήγορα. Καθώς τα οχήματα μεταφοράς του θα βρίσκονται καθ' οδόν, πριν από την παραγγελία. Και σε αυτήν την περίπτωση, η ανάλυση των δεδομένων μπορεί να προβλέψει την αγοραστική συμπεριφορά των καταναλωτών. Πρακτικά αυτό θα μπορούσε να λειτουργήσει ως εξής: Αυτή γνωρίζει μέσω των δεδομένων της ότι στη γειτονιά της κατά τις 22:00 παραγγέλνονται σχεδόν πάντα τα μενού Νο. 3, η Νο. 11 και η Νο. 13. Ως εκ τούτου, το όχημα παράδοσης βρίσκεται τη συγκεκριμένη ώρα στη συγκεκριμένη περιοχή, για να παραδώσει άμεσα και όχι σε 15 λεπτά, την πίτσα στους πελάτες της. Αυτό φυσικά θα έχει ως αποτέλεσμα, μια μοναδική βιωματική εμπειρία για τους πελάτες και αποδοτικότερη χρήση των οχημάτων παράδοσης.
4. Καθορισμός τιμών
Στο καθορισμό τιμών μέσω της δυναμικής τιμολόγησης είχα αναφερθεί στο παρελθόν εκτενέστερα σε άλλο άρθρο μου.
Ιδιαίτερο ενδιαφέρον έχει το γεγονός ότι η Amazοn πρόσφατα άνοιξε τις πύλες της, για να γνωστοποιήσει τις προγνωστικές αναλύσεις (Predictive Analytics) της και στους πελάτες της των Amazon Web Services υπηρεσιών της, έναντι φυσικά αμοιβής. Μέσω της νέας υπηρεσίας Amazon Machine Learning οι συγκεκριμένοι B2B πελάτες θα μπορούν να λαμβάνουν τις δικές τους προβλέψεις για τα δεδομένα τους, σε άμεσο χρόνο.
Παρόλα τα παραπάνω, τα προγνωστικά επιχειρηματικά μοντέλα δεν είναι ιδανικά για όλων των ειδών τα επιχειρηματικά σχέδια. Καθώς όποιος σκοπεύει να αναπτύξει ανατρεπτικές καινοτομίες, δεν μπορεί να βασιστεί κατ' ανάγκη στις αναλύσεις των δεδομένων αλλά στις ικανότητες των ιδίων των στελεχών του (βλέπε Apple και τα καινοτόμα προϊόντα της iPοde, iPhοne και iPad).
Ενώ αρκετές φορές είναι εξυπνότερο να παραιτούμαστε από τη χρήση των έξυπνων αλγορίθμων και πολύπλοκων εξισώσεων και να χρησιμοποιούμε την κοινή λογική των ανθρώπων και όχι αυτή των ρομπότ. Άλλωστε τα μεγαλύτερα κίνητρα στη ζωή μας προέρχονται από το γεγονός ότι δε γνωρίζουμε το μέλλον!
Σχόλια