Multipliez stratégiquement l'impact d'autres données

L'impact du produit de données sur l’empreinte du bâtiment peut sembler faible sans tenir compte de la façon dont Google a utilisé ces données pour accroître encore leur avantage. Bien qu'il soit derrière Bing Maps en imagerie haute résolution en 2012, Google Maps était clairement axé sur l'aide aux personnes à trouver leur chemin dans les villes. La concentration peut entraîner des problèmes clairs pour les utilisateurs.Par exemple, où dois-je aller lorsque je visite une ville ? La localisation des centres d'activité est une question simple que d'innombrables voyageurs ont posée à des amis, des concierges d'hôtel ou des gens au hasard sur le trottoir. En juillet 2016, alors qu'Apples Maps se dirigeait vers la création de produits de données dérivés, Google a ajouté un ombrage de carte « zone d'intérêt » « avec un processus algorithmique qui nous permet de mettre en évidence les zones avec la plus forte concentration de restaurants, bars et magasins ». Le produit « domaine d'intérêt » est intéressant car il est en fait dérivé du produit de l’empreinte du bâtiment, qui était déjà dérivé du produit de données satellitaires. Justin O’Beirne le détaille sur son blog avec de beaux exemples. Alors, quelle est la valeur des domaines d'intérêt ? Cela dépend de qui tu es. Comme l'a noté Laura Bliss dans City Lab: la fonctionnalité est sûrement utile pour les visiteurs qui cherchent à s'orienter vers les artères et les quartiers les plus fréquentés et les plus touristiques. Mais l'introduction de « domaines d'intérêt » – que vous ne pouvez pas désactiver, en passant – soulève une question importante: d'intérêt pour qui ? Notez les inégalités dans ce produit, que j'écrirai plus à l'avenir ( et pour une plongée plus profonde sur qui décide de ce qui sera cartographié, vérifiez ceci). Mais la vitesse et l'ampleur de la sortie sont impressionnantes, compte tenu de la complexité du concept. O’Beirne met en lumière le travail de Rachelle Annechino et Yo-Shang Cheng, qui ont étudié les modèles mentaux de San Francisco et montré comment les gens conceptualisent la ville avec des couloirs commerciaux. Comme l'explique O’Beirne: Annechino et Cheng ont passé des mois à rechercher une ville. Mais non seulement Google [algorithmically] capturer tous leurs couloirs commerciaux (et plusieurs autres), il est venu en quelque sorte avec eux pour des milliers de [other] Ce dernier point souligne la façon dont Google a tiré parti de ses efforts algorithmiques pour dessiner les empreintes des bâtiments afin de développer et d'étendre son nouveau produit de données – les domaines d'intérêt. Ils ont atteint ce résultat plus rapidement que s'ils étaient partis de zéro et ont développé un « fossé de données » avant qu'Apples Maps ne dessine des empreintes de construction. De plus, les zones d'intérêt ont créé une opportunité de monétisation beaucoup plus claire pour Google que la création d’empreintes: les zones d'intérêt pourraient inciter les entreprises à s'engager avec Google Maps pour générer du trafic alors que la construction d’empreintes pourrait ne pas l'être.Google a finalement vendu Skybox Imaging (rebaptisé Terra Berra) à Planet en 2017, y compris un accord pour continuer à autoriser les données. Ceci est un autre exemple du plateau de croissance des produits de données. Par exemple, à la fin de 2015, Planet avait des images haute résolution à source ouverte de toute la Californie à partir de sa flotte de nanosatellites. Au fur et à mesure que la technologie satellite devenait plus mature et que les données étaient plus largement disponibles, l'impact sur la cartographie de base a diminué, ce qui a obligé des entreprises comme Google à gravir la pyramide des produits de données pour offrir une nouvelle valeur et créer de nouveaux produits.

Défi de viabilité 2: croissance des produits de données en plateau.

Même si un produit fonctionne avec un cycle vertueux, où un algorithme s'améliore avec l'utilisation, des entrées supplémentaires créent des rendements décroissants. La précision se stabilise avec l'augmentation des données d'entraînement, les concurrents diluent la valeur des résultats et les nouveaux résultats ralentissent. Dans certains cas, la qualité se dégrade même avec le temps.

Multipliez stratégiquement l'impact d'autres données

Stratégie de viabilité 2: Créez de nouveaux produits de données par-dessus d’autres produits de données.

Google Maps a multiplié l'impact de leur source de données brutes d'origine⁠ – l'imagerie satellite⁠ – d'abord en ajoutant de la valeur initiale avec des sorties uniques, puis (au fur et à mesure que les concurrents se rattrapaient et que la croissance des empreintes des bâtiments atteignait un plateau) en tirant parti de leur avance précoce pour sauter dans « centres d'intérêt. » Cette transformation a créé un tout nouveau produit de données dérivées⁠ qui pourrait ne pas exister sans les données de l’empreinte.Les idées et les opportunités semblent évidentes avec le recul, mais nous devons également souligner l'importance de la vision ici. Pour bien exécuter cette stratégie, vous devez savoir où vous voulez aller. Alors peut-être stratégie de viabilité 1,5 est d'avoir une vision claire de l'avenir, comme un guide pour ce que vous voulez construire maintenant pour configurer votre produit pour le prochain saut. Google Maps aurait-il pu ignorer les contours du bâtiment pour créer des zones d'intérêt ? Probablement (ils auraient pu simplement dessiner des tampons autour de leurs données de localisation de points). Mais les zones d'intérêt basées sur les contours des bâtiments connus créent une carte très réaliste qui affiche des informations et guide l'utilisateur d'une manière impossible pour une image satellite ou un blob de tampon. Le résultat permet à un visualiseur de carte de trouver facilement des lieux dans une ville ayant une activité commerciale, ce qui renforce le cœur de métier de Google Maps.La viabilité du produit dépend de la consommation, de l'augmentation des revenus et du maintien de la croissance grâce à des avantages compétitifs. Comme expliqué par Kaego Rust: cela signifie que vous pouvez défendre votre part de marché contre la concurrence, ou vous pouvez attirer et maintenir des clients sur le nouveau marché.Il y a deux défis majeurs pour ce faire avec les produits de données: la duplication facile et les plateaux de valeur. la viabilité d'un produit de données dans le temps pourrait ressembler à ceci: trajectoire de croissance pour un produit de données hypothétique, qui comprend un plateau. Image de l'auteur Modifier cette trajectoire pourrait impliquer de changer la pente (croissance plus rapide) ou le plateau (croissance plus importante). Les produits de données qui augmentent la pente de la ligne dès le début et continuent de dépasser le plateau auront plus de chances d'être viables dans le temps.

Minimisez la duplication avec des données propriétaires, pas des modèles propriétaires.

Un objectif commun pour les produits de données est de créer un cycle vertueux qui ajoute de la valeur avec un nouvel engagement. Un exemple classique d'un volant de données est Discover Weekly de Spotify, un produit qui apprend des goûts de chaque utilisateur pour créer de nouvelles listes de lecture qu'une personne pourrait apprécier. Alors que Spotify a définitivement créé un modèle prédictif unique, les données sources propriétaires (des milliards de listes de lecture créées par des humains) distinguent ce produit, et non l'algorithme. Étant donné que les algorithmes peuvent être copiés, les données propriétaires⁠ – en particulier une longueur d'avance pour offrir une nouvelle valeur avec plus de données – peuvent aider à créer plus de croissance plus tôt que les alternatives.La croissance est supérieure aux alternatives pour un produit de données basé sur des données propriétaires, ce qui crée un fossé de données . Image de l'auteur. Que faites-vous si vous débutez et que vous ne disposez pas d'un tas de données propriétaires ? Si vous avez les ressources, vous pouvez sortir et en acquérir (comme Google Maps). Vous pouvez également tirer parti de petits ensembles de données publics pour démarrer le cycle de génération des vôtres. Un exemple de cela est Remix, qui a commencé par agréger des données publiques pour informer la planification urbaine. Maintenant, ils ajoutent de nouveaux produits dérivés pour prédire l'impact des changements de route sur le stationnement et le transport en commun (bien que l'on ne sache pas dans quelle mesure ces nouveaux produits dépendent de leurs propres données) .Même avec un petit ensemble de données brutes, vous pouvez créer un nouveau dérivé produit qui pourrait vous aider à collecter de nouvelles données propriétaires pour relancer votre volant de données. L'important est de commencer éventuellement à collecter des données propriétaires pour créer un fort avantage concurrentiel.

Surmontez les plateaux avec des données construites sur d’autres données, pas construites à partir de zéro.

Bien que des entrées uniques puissent initialement améliorer un produit de données, à un moment donné, il peut ne pas avoir d'importance si vous avez un million d'observations ou un milliard d'observations si les améliorations de données ou d'algorithmes supplémentaires ne prennent pas en charge la croissance. Bien que le calendrier de ce plateau changera en fonction d'un certain nombre de facteurs, il est important de s'y préparer. Et il est avantageux de ne pas repartir de zéro. Par exemple, tout comme Google Maps l'a fait ci-dessus, Uber utilise ses prévisions de temps de voyage comme entrée pour son produit Express Pool pour améliorer le covoiturage et l'expérience du cycliste. Google Maps a également adopté la même approche de croissance pour prévoir les retards dans les bus de transport en commun sur la base d'estimations dérivées du trafic automobile.La croissance est soutenue en tirant parti des premiers produits de données pour créer de nouveaux produits de données, ce qui maintient un fossé de données par rapport aux alternatives. Image par auteur.Comment reproduisez-vous cette stratégie avec votre propre produit de données ? Pensez au-delà de la valeur immédiate de vos données vers d'autres types de produits de données et votre vision à long terme. Si vous cédez ou vendez vos données propriétaires, vous réduisez votre capacité à innover à l'avenir. Quel avenir voulez-vous permettre ? Comment pouvez-vous tirer parti de vos produits de données existants pour atteindre cet avenir plus rapidement ? Cette stratégie de croissance n'est pas unique aux produits de données, mais le potentiel des produits de données pour soutenir la prochaine innovation est puissant. Même avec un produit de données de valeur relativement faible (comme la construction d’empreintes), une entreprise pourrait jeter les bases d'un futur produit de données entièrement nouveau et encore plus percutant. Le résultat est que vous pouvez multiplier l'impact de vos données d'origine et maintenir la croissance tout en allant encore plus loin que la concurrence.Les produits de données sont confrontés à des problèmes de viabilité car leurs résultats peuvent être dupliqués et leur croissance ralentit avec le temps. Dans l'espace de la cartographie numérique, ces défis sont apparus avec la volonté d'offrir des images améliorées, puis de meilleures cartes basées sur ces images. Les stratégies pour maximiser la viabilité comprennent l’utilisation ou collecte de données propriétaires et protégées sources, se concentrer sur une vision à long terme, et tirer parti des produits de données existants pour créer de nouveaux produits de données encore meilleurs.

Tags: , , , , , , , , , ,