Przewaga danych: czy własne dane staną się najcenniejszym aktywem firmy?

Algorytmy są coraz bardziej dostępne dla wszystkich. Dane nie. Ta prosta asymetria może zmienić to, gdzie znajdują się najlepsze inwestycje w AI.
Przez kilka lat rozmowę o AI zdominowały algorytmy: jaka architektura, jaki framework, które laboratorium badawcze opublikowało najnowszy przełom. A jednak im bardziej AI przechodzi z badań do biznesu, tym bardziej oczywiste staje się, że algorytm rzadko jest najrzadszym składnikiem.
Modele są udostępniane jako open source. Dostawcy chmury oferują wytrenowane usługi do obrazu, mowy i języka, które można kupić kartą kredytową. Talenty są drogie, ale mobilne. Tego, czego nie da się pobrać, to dwadzieścia lat danych o szkodach ubezpieczyciela, historia transakcji banku, zapisy serwisowe floty maszyn przemysłowych albo zachowania zakupowe milionów klientów sieci handlowej.
Dane jako prawdziwa fosa
Na tej logice zawarto już kilka transakcji. W 2018 roku Roche zapłacił około 1,9 mld dolarów za Flatiron Health, firmę, której głównym aktywem były ustrukturyzowane dane z rzeczywistej praktyki onkologicznej. John Deere kupił Blue River Technology, a w tym roku przejął Bear Flag Robotics, opierając się na wyjątkowo bogatej bazie danych z milionów akrów pól uprawnych. Ci nabywcy nie kupowali algorytmów. Kupowali surowiec do dekad algorytmicznych ulepszeń.
Dla private equity otwiera to ciekawą perspektywę. Zamiast konkurować o drogie start-upy AI, fundusz mógłby przejmować ugruntowane, często niemodne firmy, które siedzą na wartościowych zbiorach danych, a potem inwestować w zdolność do ich monetyzacji. Średniej wielkości operator logistyczny, regionalny ubezpieczyciel albo wyspecjalizowany dystrybutor mogą mieć dokładnie takie własne dane, jakich żaden start-up nie odtworzy.
Ale same dane nie wystarczą
Chcę być tu ostrożny, bo ten rok przyniósł też mocny kontrprzykład.
W listopadzie Zillow ogłosił zamknięcie Zillow Offers, swojego algorytmicznego biznesu skupu domów. Zillow miał prawdopodobnie jeden z najlepszych zbiorów danych o nieruchomościach w Stanach Zjednoczonych i znany model wyceny. A jednak kiedy użył tego modelu do kupowania domów na dużą skalę na zmiennym rynku, przepłacił, zgromadził zapasy, których nie mógł sprzedać z zyskiem, i ogłosił odpisy przekraczające pół miliarda dolarów oraz znaczące zwolnienia.
Lekcja nie brzmi, że dane są bezwartościowe. Lekcja brzmi, że dane tworzą wartość tylko w połączeniu z trzema innymi rzeczami: modelem biznesowym, który toleruje poziom błędu modelu, organizacją, która wie, kiedy nie ufać algorytmowi, i nadzorem, który monitoruje ryzyko w czasie rzeczywistym. Zillow miał dane. Zawiodło połączenie między predykcją a kapitałem narażonym na ryzyko.
Jak ocenić przewagę danych
Kiedy patrzę na firmę, która twierdzi, że jej dane są aktywem strategicznym, zadaję pięć pytań. Czy dane są naprawdę własne, czy konkurent mógłby kupić coś podobnego? Czy gromadzą się w czasie w sposób, który tworzy koło zamachowe: więcej klientów daje lepsze dane, lepsze dane dają lepszy produkt, lepszy produkt przyciąga więcej klientów? Czy można je legalnie wykorzystać do zamierzonego celu, biorąc pod uwagę RODO i regulacje sektorowe? Czy mają wystarczającą jakość, czy też będą wymagały lat czyszczenia, zanim staną się użyteczne? I czy zarząd ma zdolność operacyjną, by zamienić je w decyzje?
Z mojego doświadczenia menedżera wynika, że na ostatnie pytanie najczęściej odpowiada się z optymizmem, a najrzadziej z dowodami.
Przesunięcie tego, gdzie leży wartość AI
Jeśli ten pogląd jest słuszny, część najatrakcyjniejszych inwestycji w AI w nadchodzącej dekadzie może w ogóle nie wyglądać jak firmy AI. Będą wyglądać jak ubezpieczyciele, dystrybutorzy, operatorzy logistyczni i firmy usług przemysłowych, które odkryły wartość tego, co już posiadały, i znalazły menedżerów zdolnych ją uwolnić.
Pytanie inwestycyjne: Czy tradycyjne firmy z własnymi danymi mogą stać się cenniejszymi inwestycjami w AI niż start-upy technologiczne?
