Когда Шридхар услышал одну и ту же историю от двух разных людей в двух разных исследовательских лабораториях, он прозрел: в лабораторных экспериментах важен контекст. Контекст большинства экспериментов в фармацевтических лабораториях, конечно, очень сложен. Однако даже измерение некоторых основных переменных, таких как температура, влажность, давление воздуха, освещенность (или, в случае с мышами, уровень звука и вибрации), по мере проведения эксперимента помогает. Используя такие данные, исследователи могут в некоторой степени определить причины вариабельности результатов. Другими словами, не нужно отбрасывать все эксперименты, показавшие нестабильные результаты, принимая за единственную причину ошибочные научные гипотезы. Это может привести к существенному повышению производительности. Компания Шридхара, Elemental Machines, недавно объединила усилия с PerkinElmer, глобальной компанией в области биологических наук, с целью повышения производительности в исследовательских лабораториях за счет использования данных и связи между ними.
На рис. 4.3 показано, как сеть цепочки создания стоимости в фармацевтической лаборатории превращается в производственную экосистему для повышения операционной эффективности. Это происходит, когда массив различного лабораторного оборудования подключается с помощью датчиков и IoT. А в некоторых особых случаях помогает и искусственный интеллект.
Датчики в первой категории оборудования, например, в инкубаторах для выращивания клеточных культур, позволяют отслеживать условия, в которых происходит рост клеток для синтетической биологии. Интеллектуальные метки на колбах для ферментации клеток могут фиксировать условия окружающей среды, необходимые для их роста (температуру, влажность, содержание CO2 и т.д.), и предупреждать ученого о любых неожиданных отклонениях. Такие отклонения могут возникнуть, например, когда несколько ученых используют инкубатор в одной лаборатории. Количество открываний дверцы инкубатора за время выращивания в нем клеток может повлиять на результат эксперимента. Ситуация осложняется еще и тем, что рост клеток может длиться несколько дней, а для получения данных об успешном росте клеток может потребоваться несколько недель. Таким образом, своевременное оповещение позволяет избежать таких потерь драгоценного времени ученых. Эта идея применима и ко второй категории оборудования. Например, на показания специализированных весов, измеряемых в микрограммах, может повлиять открытие или закрытие дверцы прибора. (Ветрозащита предназначена для того, чтобы предотвратить изменение температуры и воздушного потока на чрезвычайно чувствительный весоизмерительный прибор).
Рисунок 4.3
Производственные экосистемы в исследовательских лабораториях.
Первая категория оборудования также должна работать без перебоев, чтобы обеспечить сохранность хранящихся в ней материалов. В случае непредвиденных перебоев датчики непосредственно оповещают заинтересованных ученых, чтобы они могли составить альтернативные планы проведения экспериментов.
Подключенное оборудование второй категории помогает координировать работу ученых в лаборатории. Использование центрифуги может зависеть от времени и требоваться именно после завершения определенного протокола эксперимента. Наличие данных о графике работы оборудования может помочь ученым соответствующим образом спланировать эксперименты и избежать неиспользованных протоколов и потерянного времени.
Третья категория оборудования уже производит данные в цифровой форме, но они ограничены основными функциями оборудования. Добавление датчиков к такому оборудованию позволяет более гибко интегрировать его функции с другим оборудованием. Например, данные, генерируемые спектрометром, обычно ограничиваются спектрометрическим анализом образцов. Такие данные не помогают координировать и планировать программу экспериментов ученого, а также не учитывают температуру воздуха в помещении в момент снятия показаний (что может повлиять на калибровку прибора). В этом может помочь оборудование третьей категории, оснащенное датчиками и подключенное к другим объектам с помощью IoT.
Перечисленные выше меры позволяют снизить вариабельность экспериментов и повысить эффективность использования лабораторных ресурсов. Таким образом, повышается операционная эффективность лаборатории. По словам Сридхара, экономия для типичной крупной фармацевтической компании исчисляется миллионами. "Учитывая миллиарды, которые фармацевтические компании тратят на исследовательские лаборатории, исторически сложилось так, что исследовательские лаборатории были аналоговыми, - говорит он. Все это может измениться благодаря современным цифровым технологиям, превращающим аналоговые цепочки создания стоимости в богатые производственные экосистемы".
Использование данных о продуктах и пользователях для повышения операционной эффективности
Данные, обеспечивающие повышение операционной эффективности, могут поступать не только от активов компании, таких как системы планирования ресурсов предприятия (ERP) или лабораторное оборудование. Они также могут поступать от продуктов и пользователей с помощью встроенных датчиков. Во введении к книге рассказывается о том, как автогрейдеры компании Caterpillar (машины, используемые на строительных площадках), оснащенные датчиками, генерируют интерактивные данные, позволяющие получить новые уникальные сведения. При проектировании автогрейдера компания Caterpillar предполагала, что клиенты будут использовать его для разравнивания грязи. Данные датчиков о фактическом использовании говорят о другом. Заказчики в основном использовали автогрейдеры для разравнивания гравия, более легкого материала. Это открытие помогло компании Caterpillar разработать новые ножи для автогрейдера, которые лучше разравнивают гравий. Это также помогло компании Caterpillar разработать машину, производство которой для этой задачи было менее затратным, что позволило установить более конкурентоспособную цену на продукцию и при этом повысить маржу. Другими словами, данные датчиков, полученные от клиентов, помогли компании Caterpillar сделать процессы НИОКР и разработки продукции более продуктивными. Если бы компания Caterpillar использовала традиционные методы сбора данных об использовании продукции, такие как опросы или фокус-группы, то на создание такой эффективной конструкции ушло бы гораздо больше времени и ресурсов.
Получение интерактивных данных от покупателей возможно, даже если трудно представить себе встраивание датчиков в продукцию. Такие компании, как P&G и Red Bull, используют датчики на базе Интернета с помощью креативных программ управления взаимоотношениями с клиентами (CRM) для получения интерактивных данных от своих покупателей. CRM-программы позволяют привлекать текущих и потенциальных клиентов на свои веб-сайты, предоставляя им интерактивные данные, которые они обычно не получают, когда их продукция продается через сторонних розничных продавцов.
Бренд детских подгузников Pampers компании P&G имеет CRM-программы, предлагающие молодым или будущим мамам советы по уходу за детьми. Аналогичным образом CRM-программы компании Red Bull предлагают видеоролики с дикими трюками, что привлекает их клиентов в соответствии с имиджем бренда "Red Bull дает вам крылья". Эти клиенты предлагают интерактивные данные, ставя лайки различным материалам, участвуя в программах лояльности или, как в случае с Pampers, задавая вопросы, связанные с материнством. Такие интерактивные данные помогают им осуществлять массовую настройку и микротаргетирование своих рекламных кампаний. Рекламные объявления, основанные на сообщениях, которые с наибольшей вероятностью будут интересны отдельным покупателям, размещаются на цифровых каналах, таких как Facebook или Google, таким образом, чтобы они наверняка привлекли внимание. Таким образом, P&G повышает эффективность своих рекламных расходов.
Операционная эффективность, достигаемая за счет данных о продуктах и пользователях, является более продвинутой, поскольку она выходит за рамки повышения эффективности использования активов и распространяется на более широкие процессы, такие как НИОКР, разработка продуктов, маркетинг и реклама. Использование таких передовых методов повышения операционной эффективности также создает дополнительные трудности для компаний, находящихся на более высоком уровне цифровой трансформации, поскольку получить сенсорные данные от продуктов и пользователей гораздо сложнее, чем от активов цепочки создания стоимости. Этот момент будет более подробно рассмотрен в главе 6 при обсуждении проблем, связанных с приобретением цифровых клиентов, или клиентов, предоставляющих интерактивные данные.
Множество способов повышения эффективности производства
Как видно из приведенных примеров, существует множество различных способов, с помощью которых унаследованные компании могут повысить свою операционную эффективность, используя производственные экосистемы. Независимо от отрасли, идеи, заложенные в этих примерах, актуальны, они могут быть применены в различных контекстах, и каждая компания может повысить свою операционную эффективность, используя производственные экосистемы. Все эти подходы невозможно охватить в данной книге. Достаточно сказать, что если компания определила область, в которой, по ее мнению, необходимо повысить операционную эффективность, то современные технологии могут предложить решение. Существует несколько сторонних компаний (например, noodle.ai и Elemental Machines, о которых говорилось ранее в этой главе), которые предлагают решения на базе IoT для подключения различных активов и организаций цепочки создания стоимости с целью повышения операционной эффективности. Унаследованные фирмы могут использовать такие ресурсы.
Повышение операционной эффективности, хотя и значительное, не является единственным преимуществом производственных экосистем. Наследственные компании могут использовать свои производственные экосистемы и для создания новых услуг, основанных на данных. Таким образом, производственные экосистемы могут помочь унаследованным компаниям не только снизить затраты, но и получить новые доходы, как это показано в примерах, приведенных в следующем разделе.
Новые сервисы на основе данных от производственных экосистем
Caterpillar Inc., о которой шла речь в предыдущих примерах, является одной из знаковых производственных компаний Америки. Слияние компаний Holt Manufacturing и L. Best Tractor в 1925 году положило ей начало. Сегодня это крупнейший в мире производитель строительной техники. Некоторые из ее продуктов, такие как погрузчики, экскаваторы и бульдозеры, с мгновенно узнаваемым желтым цветом и знакомым логотипом CAT, занимают видное место на большинстве строительных площадок. Вполне понятно, что компания Caterpillar глубоко укоренилась в культуре производства прочной машиностроительной продукции, предназначенной для работы в сложных погодных условиях и на труднопроходимой местности. Ее часто называют "большим железом". Однако в последние годы компания Caterpillar заявила о себе и в цифровом мире, предложив целый ряд новых, сложных услуг, основанных на данных.
Компания Caterpillar продает и обслуживает широкий спектр продукции, такой как строительное и горнодобывающее оборудование, дизельные и газовые двигатели, промышленные газовые турбины, дизель-электрические локомотивы. Эта продукция используется в самых разных отраслях, включая строительство, горнодобывающую промышленность, разведку и добычу нефти и газа, производство электроэнергии, морской и железнодорожный транспорт и многие другие. Традиционно компания Caterpillar строит свою деятельность таким образом, чтобы каждый ее продукт эффективно отвечал уникальным потребностям отрасли, в которой он используется. В связи с этим в начале 1990-х годов Caterpillar организовала компанию в виде автономных бизнес-единиц. Каждое подразделение, например глобальное подразделение экскаваторов, стало отвечать за свои прибыли и убытки. Каждое подразделение решало, сколько производить, какие модели продукции внедрять, где производить, каких поставщиков привлекать и т.д.
Подобная структура была весьма распространена среди конгломератов в 1990-е годы. Бизнес-стратегии тогда в основном формировались под влиянием отраслевых особенностей, о чем говорилось в главе 3. Основной принцип заключался в том, что прибыльность зависит от продукции и от того, насколько эффективно продукция обеспечивает конкурентные преимущества в соответствующих отраслях.
Однако к середине следующего десятилетия цифровые технологии начали менять бизнес-ландшафт Caterpillar. На различные рынки Caterpillar стали выходить новые компании, не относящиеся к ее отрасли. Эти новые участники не конкурировали с продукцией, аналогичной продукции Caterpillar, а предлагали клиентам новые услуги на основе данных. Используя данные, они могли предлагать инновационные цифровые услуги, которые помогали пользователям строительной техники более эффективно управлять своими активами, независимо от того, продавались ли они компанией Caterpillar или ее преобладающими конкурентами, такими как Komatsu, Hitachi или Volvo.
Двумя примерами новых участников являются компании Trimble и Teletrac Navman. Обе компании имеют опыт работы в области GPS и сотовых технологий, а также возможности предоставления множества новых услуг, основанных на данных, пользователям строительной техники, независимо от марки используемого ими оборудования. С помощью этих сервисов владельцы строительной техники могли, например, в режиме реального времени отслеживать местоположение всего парка фронтальных погрузчиков, экскаваторов, бульдозеров и трелевочных тракторов на строительной площадке. Благодаря установке дополнительных датчиков эти компании также могут в режиме реального времени получать данные о состоянии зажигания, диагностике двигателя, активности автомобиля и расходе топлива каждого объекта, что позволяет оценить производительность парка.
Подобные цифровые возможности не были новинкой для Caterpillar. Более того, многие продукты компании для горнодобывающей промышленности уже были оснащены сложными датчиками и технологиями IoT и были рассчитаны на работу в качестве автономных транспортных средств для выполнения работ. Иными словами, приобретение современных цифровых технологий не было главной задачей Caterpillar. Напротив, задача заключалась в том, чтобы распространить внедрение технологий на все свои продукты. Компания Caterpillar имеет организационную структуру, ориентированную на бизнес-единицы, в которой не все руководители (независимых) бизнес-единиц одинаково остро воспринимают необходимость оснащения своей продукции современными цифровыми технологиями. Например, подразделение, отвечающее за производство небольших трелевочных тракторов, могло столкнуться с проблемой добавления датчиков с точки зрения дизайна продукции. Если подразделение не сможет убедить покупателей в выгодности дополнительных затрат, то цены на эту продукцию могут стать неконкурентоспособными.
Однако к 2010 г. руководство компании во главе с генеральным директором Дугом Оберхельманом было убеждено, что для удовлетворения растущих потребностей клиентов в новом цифровом мире Caterpillar необходимы серьезные внутренние культурные изменения. Культура "большого железа" в ее нынешнем виде была нежизнеспособна. При этом в Caterpillar также понимали, что при проведении серьезных изменений на сайте необходимо заручиться поддержкой ключевых бизнес-лидеров компании. Руководители подразделений, в конце концов, были важными заинтересованными сторонами. Их необходимо убедить, прежде чем внедрять подключенные продукты в качестве стратегического плана.
Новые услуги, основанные на данных, с помощью интерактивных функций продукта
Компания Caterpillar разработала матрицу, которая помогла руководителям подразделений компании определить приоритеты, когда, где и как обосновать необходимость подключения своей продукции. Эта матрица позволила им визуализировать целый ряд новых услуг, основанных на данных, для своих клиентов с помощью интерактивных функций продукции. Такая визуализация также помогла найти пути ускорения внедрения подключенных продуктов. Сфера применения интерактивных функций и соответствующих услуг Caterpillar, основанных на данных, определяется четырьмя широкими категориями. Это управление оборудованием, производительность, безопасность и выбросы. Кроме того, каждая из функций, входящих в эти категории, может быть применена к отдельным активам, паркам активов или к предприятию, реализующему несколько проектов в разных точках мира (см. табл. 4.1).
Каждая ячейка в этой матрице представляет собой иллюстрацию интерактивной функции продукта. Например, информация о том, используется или простаивает актив в тот или иной момент времени, является интерактивной характеристикой продукта. Это позволяет как заказчикам, так и руководителям подразделений визуализировать и выбрать те функции, которые, по их мнению, целесообразно внедрить. Каждая из этих функций может быть представлена в качестве ценностного предложения для клиентов Caterpillar. При достаточной привлекательности каждая из них может быть также предложена в качестве услуги, основанной на данных и обеспечивающей, например, более детальный и актуальный анализ факторов, приводящих к простою или работе актива. Аналогичным образом, каждая из коробок представляет собой такую возможность. В качестве примера можно привести геймификацию, основанную на данных и стимулирующую безопасность оператора (в матрице, где парк - строка, а безопасность - столбец). Эта функция, основанная на отслеживании операторов, формирует оценку безопасности для каждого оператора; эта оценка используется для стимулирования операторов к получению подарочных карт, если их показатели лучше, чем у других операторов. Компания Caterpillar может предоставить заинтересованным владельцам автопарков такую услугу, основанную на данных.
Таблица 4.1
Интерактивные функции продуктов и сервисы, основанные на данных
Управление оборудованием
Производительность
Безопасность
Выбросы
Активы
Общее время работы двигателя на холостом ходу?
Тонны поднятого материала?
Безопасно ли эксплуатируется актив?
Эмиссия активов?
Флоты
Какая часть автопарка будет нуждаться в техническом обслуживании и когда?
Сколько активов необходимо для работы?
Игрофикация для стимулирования операторов к обеспечению безопасности
Как снизить выбросы автопарка?
Предприятие
Какой проект идет по графику или отстает от него?
Как распределить ресурсы между проектами?
Как поддерживать стандарты безопасности в разных регионах?
Какие проекты имеют высокие/низкие выбросы и почему?
Эта матрица помогла руководителям подразделений определить, как лучше внедрять подключенные продукты для своих предприятий и какие цифровые услуги предлагать. Менеджер может решить, что для небольших продуктов его подразделения, таких как бортовые самосвалы или экскаваторы, новые услуги, основанные на данных, могут иметь экономический смысл только для корпоративных клиентов. Кроме того, матрица помогает руководителю подразделения сконцентрироваться на том, на каком уровне имеет смысл предлагать услуги на основе данных. Например, для машины с бортовым поворотом не требуется непрерывная передача данных в режиме реального времени. Вместо этого полезной является базовая информация о местоположении и часах работы счетчика, предоставляемая один или два раза в день. Если предложить услугу, которая будет предоставлять именно такую информацию, то ее соотношение цены и качества станет более привлекательным для клиентов.
Компания Caterpillar приступила к реализации этих инициатив в 2012 году. На тот момент примерно две трети продукции компании выходило с завода в виде подключенных устройств. К 2015 году все продукты Caterpillar имели интерактивные функции в качестве стандартного предложения. Этому способствовало несколько факторов: датчики стали меньше и дешевле; компания Caterpillar создала группы специалистов по цифровым технологиям, в том числе централизованную "цифровую фабрику", чтобы помочь подразделениям, дистрибьюторам и клиентам понять ценность интегрированных датчиков машин и IoT (с одобрения подразделений); и - что очень важно - компания Caterpillar приступила к реализации этой инициативы, обеспечив поддержку со стороны ключевых заинтересованных сторон, таких как руководители различных подразделений, финансовые менеджеры, дилеры и клиенты.
В 2008 году компания Caterpillar также создала совместное предприятие с компанией Trimble (упоминавшейся ранее как один из новых цифровых игроков в строительном секторе). Trimble предложила Caterpillar проверенный опыт в области GPS и технологий управления информацией о зданиях (BIM). Технологии BIM используются для управления цифровыми представлениями физических и функциональных характеристик мест, например топографией строительных площадок. Кроме того, компания Trimble вошла в совместное предприятие, обладая опытом создания IoT-соединений в объектах и аналитики данных. "Навыки и опыт Trimble идеально дополнили сильные стороны Caterpillar в области строительного оборудования", - сказал Пракаш Айер, старший вице-президент по архитектуре программного обеспечения и стратегии Trimble, который играл ведущую роль в совместном предприятии. Trimble поставляет аппаратные средства управления машинами, которые устанавливаются на машины Caterpillar. Она также поставляла датчики и программное обеспечение, обеспечивающее генерацию и сбор данных. Сотрудничество с Trimble помогло компании Caterpillar ускорить реализацию многих стратегических цифровых инициатив.
Предиктивные услуги для технического обслуживания изделий
Вскоре компания Caterpillar поняла, что ее продукция, оснащенная датчиками и средствами подключения, может также предлагать более специализированные и прибыльные услуги, а именно обслуживание продукции на основе данных, обычно называемое предиктивным обслуживанием. Такие услуги основаны на анализе данных датчиков, прогнозировании отказов компонентов и выдаче предупреждений о необходимости внимания к оборудованию до его выхода из строя. Благодаря такому предиктивному обслуживанию клиенты Caterpillar могут получить выгоду от сокращения времени простоя машин. Простои оборудования представляют собой значительные расходы для строительных проектов. На всех строительных проектах различные машины работают в тандеме. Например, самосвал должен перевезти грунт, после чего в дело вступает каток, который разравнивает грунт. Если одна из этих машин выходит из строя, последовательность работ прерывается, что приводит к потере времени и денег.
Преобладающие подходы к снижению количества таких случаев предполагают составление графика регулярного технического обслуживания оборудования. Обычно такие графики составляются на основе количества часов работы. Историческая информация о среднем использовании машины и ее износе определяет оптимальное количество часов работы, после которого машину рекомендуется снять с производства для проведения технического обслуживания. Новая система технического обслуживания, основанная на данных, использует данные о работе каждой отдельной машины или ее компонента в режиме реального времени для прогнозирования времени вывода машины из эксплуатации для технического обслуживания. Это возможно благодаря наличию в машине сети датчиков, которые фиксируют всевозможные данные, связанные с износом машины. Некоторые из этих данных касаются условий работы машины, таких как характер местности, высота над уровнем моря, состав и твердость почвы, погодные условия. Кроме того, датчики фиксируют данные о состоянии различных компонентов машины в реальном времени, например, скорость и температуру турбокомпрессора или давление масла в двигателе. ИИ помогает осмыслить все эти данные и получить достоверные прогнозы.
С помощью таких данных пользователь получает гораздо более точную оценку того, когда следует выводить машину из эксплуатации для технического обслуживания. Кроме того, пользователь находит оптимальный баланс между обслуживанием машины до того, как она выйдет из строя, и отказом от вывода машины из эксплуатации, когда это не совсем оправдано. Все это позволяет сэкономить значительные средства. Для крупных проектов эта экономия может исчисляться миллионами долларов. В 2015 году компания Caterpillar в партнерстве с компанией Uptake, специализирующейся на промышленном искусственном интеллекте и программном обеспечении, начала предлагать своим клиентам услуги по предиктивному обслуживанию.
Для эффективной работы таких систем искусственного интеллекта, как Uptake, необходимы значительные объемы данных. Совместное предприятие Caterpillar с Trimble, созданное ранее, способствовало реализации инициативы по предиктивному обслуживанию, увеличив объем данных, доступных для алгоритмов искусственного интеллекта Uptake. Помимо сотрудничества с Caterpillar, Trimble является независимым поставщиком, который продает свое оборудование и программное обеспечение не только Caterpillar, но и всем производителям строительной техники, включая конкурентов Caterpillar, таких как Komatsu и Volvo. Поскольку продукция компании устанавливается на всех брендах, Trimble может способствовать получению большего объема данных о машинах, чем у Caterpillar, и усилить механизм и алгоритмы искусственного интеллекта Uptake. Компания Trimble не только располагала необходимым оборудованием и датчиками, установленными на большом количестве машин, работающих на различных строительных площадках, но и имела необходимые API для передачи данных с этих машин в Uptake. Разумеется, для доступа к этим данным Caterpillar и Trimble потребуется разрешение владельцев активов на различных строительных площадках. Что побудит этих владельцев поделиться данными? Большие массивы данных позволяют лучше прогнозировать, чтобы избежать простоев машин.
Пример компании Caterpillar связан с использованием прогнозирующих услуг для сокращения времени простоя продукции. Аналогичным образом страховые компании могут использовать предиктивные услуги для снижения рисков и неблагоприятных исходов. Например, с помощью датчиков в домах можно предсказать утечку воды и предпринять корректирующие действия, перекрыв водопроводные линии, чтобы избежать дорогостоящего ущерба и снизить риски для страховщиков по страхованию жилья.
Получение прибыли
Поскольку новые услуги, основанные на данных, обеспечивают преимущества для клиентов, вполне логично, что такие компании, как Caterpillar, захотят монетизировать эти ценностные предложения. Компания Caterpillar монетизирует свои ценностные предложения несколькими способами. Самый прямой способ - подписка на различные услуги. Для этого компания Caterpillar начала предлагать несколько интерфейсов, таких как CAT Connect, Minestar и Insight. С помощью этих интерфейсов клиенты компании Caterpillar могли выбирать из меню различных опций те услуги по подписке, которые им больше нравятся.
В некоторых отраслях, например, в горнодобывающей промышленности и на электростанциях, 80-90% пользователей подписываются на широкий спектр услуг, основанных на данных. В этих отраслях ценность удаленного мониторинга на основе данных более очевидна. Однако не во всех отраслях наблюдается столь высокий уровень внедрения, и не все они широко используют многие из предлагаемых сервисов. В целом около 70% клиентов компании Caterpillar используют те или иные формы удаленного мониторинга. Мониторинг может быть простым: владелец автопарка должен знать, все ли машины учтены в конце рабочего дня. Тридцать процентов клиентов Caterpillar не используют никаких функций, связанных с данными, даже тех, которые предлагаются бесплатно. Некоторые из них не находят времени для ежедневного анализа всех возможных данных. У других, возможно, больше работы, чем они могут выполнить, и они считают, что их текущая практика работает хорошо без добавления современных технологий. Таковы некоторые из проблем, с которыми сталкивается компания Caterpillar, стремящаяся увеличить свои доходы от услуг, основанных на данных, за счет подписки.
Однако подписка - не единственный способ получения новых доходов. Как выяснила компания Caterpillar, существуют и косвенные источники. Например, на сайте компания Caterpillar обнаружила, что клиенты, выбравшие услуги прогнозируемого технического обслуживания, также чаще покупают большее количество запасных частей. Причина? Клиенты, пользующиеся услугами прогнозируемого технического обслуживания, чаще пользуются и другими услугами, основанными на данных, такими как удаленный мониторинг машин с использованием данных в режиме реального времени. Такие услуги позволяют получать предупреждения, например, о том, что машина простаивает. Реагируя на такие предупреждения и стремясь сократить время простоя, заказчики могут использовать оборудование в течение более длительного времени. Это приводит к ускоренному износу оборудования и, следовательно, к увеличению спроса на запасные части. Однако в целом прогнозируемое техническое обслуживание позволяет снизить затраты клиентов Caterpillar. В основном за счет сокращения времени простоя машин и предотвращения катастрофических отказов. Сэкономленные при этом средства намного превышают те, которые клиенты могли бы потратить на приобретение дополнительных запасных частей.
Кроме того, Caterpillar обнаружила, что клиенты, использующие более дистанционный мониторинг своей техники на рабочих площадках, также приобретают больше техники. Если клиент находит данные, указывающие на то, что добавление нового колесного погрузчика на рабочую площадку может еще больше повысить производительность, он с большей вероятностью приобретет этот погрузчик. Другими словами, данные могут быть очень эффективным инструментом продаж и фактором увеличения доходов.
Это был переход компании Caterpillar в мир цифровых технологий. Обратимся к другому примеру, касающемуся другой грани услуг, основанных на данных, - массовой кастомизации.
Массовая персонализация
Некоторые интерактивные функции продуктов заставляют их работать или действовать по-разному для каждого отдельного покупателя или для каждого конкретного случая использования. В качестве примера можно привести компанию Sleep Number, которая разрабатывает и производит "умные" кровати. Компания Sleep Number давно осознала, что два человека спят одинаково. Начиная с 1980-х годов, компания Sleep Number внедрила инновации для улучшения качества сна отдельных людей и, особенно, супружеских пар с помощью технологии DualAir. Каждый человек имеет уникальную настройку Sleep Number, которая регулирует уровень упругости каждой стороны кровати. В кроватях Sleep Number используется сочетание запатентованной пены и регулируемой воздушной технологии для соответствия точкам давления тела каждого пользователя на матрас. Каждый спящий находит подходящую для себя настройку "Sleep Number" в зависимости от того, насколько мягкий или твердый матрас ему нравится и насколько хорошо кровать прилегает к его телу, что позволяет парам спать на разных уровнях упругости. Пользователи обычно пробуют различные варианты настроек, пока не найдут наиболее оптимальную, обеспечивающую максимальный уровень комфорта. Настройки могут быть изменены в любое время; компания поощряет корректировки для обеспечения оптимального комфорта.
В предыдущих моделях кроватей Sleep Number, просто в силу природы воздуха, настройки матраса могли меняться в течение ночи в зависимости от того, насколько сильно человек двигался, температуры тела, температуры в помещении и других факторов. Сегодня новейшие модели кроватей Sleep Number интеллектуально регулируют положение матраса, используя данные датчиков, чтобы обеспечить стабильность положения матраса в течение всей ночи и оптимальный комфорт. Биометрические датчики, встроенные в матрас, отслеживают дыхание, частоту сердечных сокращений, а также повороты и наклоны пользователя; датчики передают биометрические данные в облачную инфраструктуру, которые поступают в приложение. Алгоритм определяет для каждого пользователя персональный балл сна - SleepIQ score, отражающий качество и полноценность его сна, который пользователь может увидеть в приложении SleepIQ для смартфона.
Алгоритм SleepIQ динамически уточняет показатели сна на основе поступающих потоков данных с датчиков. Со временем, получая доступ ко все большему количеству данных, алгоритм узнает о режиме сна каждого человека. На основе более чем 13 млрд. биометрических точек данных о сне, собранных с помощью технологии SleepIQ, "умные" матрасы могут давать индивидуальные рекомендации по улучшению качества сна. Интеллектуальные матрасы предлагают пользователям персонализированную информацию о режиме сна и циркадных ритмах, а также предлагают изменения в образе жизни, которые могут улучшить их сон.
В перспективе Sleep Number рассчитывает на то, что сможет выявлять хронические проблемы со сном, такие как апноэ и синдром беспокойных ног, и в перспективе прогнозировать другие состояния здоровья, такие как сердечно-сосудистые заболевания и инсульты. В 2020 году компания заключила партнерство с клиникой Mayo Clinic для продолжения исследований в области науки о сне с акцентом на сердечно-сосудистую медицину и специальный фонд НИОКР для улучшения качества здоровья. Компания планирует расширить сферу своей деятельности от производителя матрасов до компании, предлагающей оздоровительные услуги.
Данные не только позволяют Sleep Number массово индивидуализировать свои матрасы, но и генерируют новые функции, основанные на данных, а также становятся важным ресурсом для дифференциации бренда и конкурентного преимущества.
Преодоление первых трех уровней цифровой трансформации с помощью производственных экосистем
Современные технологии могут обогатить сеть производственно-сбытовых цепочек унаследованной фирмы несколькими способами. Чем выше степень обогащения, тем более динамично развиваются производственные экосистемы компании. А при наличии динамично развивающейся производственной экосистемы унаследованная компания может извлечь выгоду из данных множеством различных способов. В этой главе рассматриваются два основных подхода к использованию данных: повышение операционной эффективности и создание новых услуг на основе данных. Повышение операционной эффективности позволяет снизить затраты, а новые услуги, основанные на данных, - получить новые доходы. Благодаря этим подходам производственные экосистемы помогают унаследованным компаниям подняться на первые три уровня цифровой трансформации, о которых говорилось во введении.
Уровень 1 является обязательным для компаний, поскольку большинство из них могут выиграть от повышения операционной эффективности. Неудивительно, что подавляющее большинство инициатив по цифровой трансформации относится именно к этому уровню. Этот уровень особенно актуален для компаний, в которых повышение операционной эффективности является одной из основных стратегических задач. Например, нефтегазовые компании эксплуатируют скважины, трубопроводы и нефтеперерабатывающие заводы, инвестиции в которые исчисляются несколькими миллиардами долларов. Неправильная оценка места и объема бурения, например, может обойтись в миллионы долларов. Используя IoT-устройства, искусственный интеллект и другие методы моделирования для повышения вероятности обнаружения запасов, компании могут сэкономить до 50-60% эксплуатационных расходов.
Некоторым предприятиям трудно выйти за пределы первого уровня, если получение интерактивных данных о продукте и пользователе является сложной задачей. В качестве примера можно привести сталелитейную промышленность, производство алюминия и кальцинированной соды. Ключевыми задачами на уровне 1 являются обеспечение широкого использования интерактивных данных при эксплуатации активов и устранение разрозненности в способах получения и обмена данными по активам. Устаревшие компании могут получить пользу от решения следующих стратегических вопросов:
- Исчерпали ли мы возможности получения интерактивных данных от наших активов?
- Внедрены ли у нас процессы оптимального обмена этими данными?
- Существуют ли креативные способы сбора и использования интерактивных данных о продукте и пользователе, позволяющие подняться на более высокие уровни?
Присутствие на втором уровне необходимо тем компаниям, продукты которых обладают потенциалом доступа к интерактивным данным пользователей. Этот потенциал, если он используется, обеспечивает компании дополнительные стратегические преимущества по сравнению с уровнем 1. Уровень 2 становится конечной остановкой на пути цифровой трансформации компании, если имеющиеся интерактивные данные о продукте и его пользователях не могут быть использованы для предоставления услуг, приносящих доход. В эту категорию попадают многие потребительские товары в упаковке. В основном интерактивные данные в таких компаниях используются для повышения эффективности рекламы или разработки продуктов.
Создание цифровых клиентов, или клиентов, предоставляющих интерактивные данные, является ключевой задачей второго уровня. Задача компании P&G в ее бизнесе по производству подгузников, о которой говорилось выше, заключается в создании на своих сайтах контента, вызывающего интерес у существующих и потенциальных клиентов и побуждающего их к активному взаимодействию. С этим связана задача организации процессов интеллектуального анализа данных для интерпретации больших объемов интерактивных данных и их использования для повышения эффективности рекламы. Компаниям могут быть полезны следующие стратегические вопросы:
- Как найти цифровых клиентов?
- Как мы можем оснастить наши продукты датчиками? Если оснащение продуктов датчиками не представляется возможным, какими другими способами мы можем получать интерактивные данные от клиентов?
- Как расширить возможности интеллектуального анализа данных?
- Как можно творчески подойти к расширению использования интерактивных данных для получения доходов от услуг, чтобы подняться на новый уровень?
Присутствие на третьем уровне необходимо для предприятий, где возможно генерирование услуг на основе данных из продуктов и цепочек создания стоимости. Такие компании должны обогатить свои производственные экосистемы, чтобы расширить стратегические преимущества от обеспечения операционной эффективности до создания новых услуг, основанных на данных. Достигнув третьего уровня, компании преодолевают важный барьер между использованием данных для повышения операционной эффективности и их использованием для получения прибыли. Однако многие компании не могут преодолеть следующий барьер - между генерированием услуг на основе данных в цепочках создания стоимости и использованием цифровых платформ. Одной из причин этого может быть недостаточное развитие экосистем потребления, о чем подробнее будет сказано в главе 5. В качестве примера можно привести компании, производящие бытовую технику. Например, посудомоечные машины, оснащенные датчиками, могут предлагать услуги, основанные на данных, из своих цепочек создания стоимости. Они могут предсказывать поломки компонентов еще до их возникновения и предлагать услуги по подписке на предиктивное обслуживание. Однако посудомоечные машины сложно связать с другими объектами, дополняющими их, с помощью цифровых технологий. Они не могут легко работать в качестве цифровых платформ.
При этом многие компании также упускают возможности для распространения своих продуктов на платформы, сворачивая свои цифровые инициативы до третьего уровня. Они не учитывают экосистемы потребления своих продуктов или считают, что риски перевешивают выгоды при распространении своих продуктов на цифровые платформы. Peloton и NordicTrack распространили свои продукты на цифровые платформы. Многие из их конкурентов в сфере тренажеров этого не сделали.
Для создания конкурентоспособных услуг, основанных на данных, требуются значительные объемы информации. Алгоритмы, на которых основаны многие из этих услуг, становятся все умнее с увеличением объема данных. Например, "умные" зубные щетки с увеличением объема данных повышают точность своих отчетов о качестве чистки зубов. Компания Caterpillar лучше прогнозирует время простоя оборудования, имея больше данных. Таким образом, компании, привлекающие больше цифровых клиентов, могут предоставлять более качественные услуги, основанные на данных, благодаря сетевым эффектам. Однако для привлечения цифровых клиентов важно обеспечить превосходство услуг, которое, в свою очередь, достигается только после привлечения критической массы цифровых клиентов. Поэтому создание преимущества сетевого эффекта за счет услуг, основанных на данных, является ключевой задачей третьего уровня. Не менее сложной задачей является и создание новых услуг на основе данных, поскольку это влечет за собой значительные изменения в бизнес-моделях, которые долгое время были ориентированы на производство и продажу продукции. Унаследованным фирмам может быть полезно ответить на следующие стратегические вопросы:
- Как мы создаем сетевые эффекты для наших услуг, основанных на данных?
- Как следует устанавливать цены на продукты, оснащенные датчиками, чтобы привлечь больше цифровых клиентов?
- Как мы можем подняться на следующий уровень, распространив наши услуги, основанные на данных, с цепочек создания стоимости на цифровые платформы?
Производственные экосистемы и операционная эффективность: Новые решения для решения старых проблем
Использование производственных экосистем для повышения операционной эффективности сродни применению новых решений для старых проблем. Повышение эффективности закупок, сокращение невыполненных заказов, повышение производительности НИОКР - примеры, приведенные в этой главе, - давно являются задачами руководителей. Современные цифровые технологии позволяют найти новые решения этих старых проблем. Например, компания Stanley Black & Decker, производитель промышленных инструментов и бытовой техники, с помощью современных цифровых технологий сократила количество ошибок при маркировке продукции на 16%. Компания Sub-Zero, производитель бытовой техники, связывает сокращение времени вывода новых продуктов на рынок на 20% с подключенными заводами. Автоматизированная система контроля лакокрасочного покрытия автомобилей компании Ford на основе технического зрения позволила улучшить выявление дефектов на 90% по сравнению с ручным методом.
Поскольку такие извечные проблемы, как сокращение сроков внедрения продукции, уменьшение количества ошибок или экономия электроэнергии, хорошо понятны старым компаниям, их легче решать. Кроме того, хорошо известны компромиссы между затратами и выгодами, связанные с решением подобных проблем. Для многих старых компаний повышение операционной эффективности может оказаться "низко висящим плодом" в обмен на инвестиции в цифровые технологии. Они представляют собой первую и наиболее доступную отдачу от инвестиций старых компаний в производственные экосистемы. Однако следует помнить, что повышение операционной эффективности - это только первый шаг, а производственные экосистемы могут дать гораздо больше.
Инициирование сервисов, основанных на данных, из производственных экосистем: Новые компромиссы между риском и выгодой
Создание услуг, основанных на использовании данных, - новое начинание для большинства традиционных компаний, ориентированных на продукты и рыночные стратегии. Это может потребовать от них приобретения новых цифровых возможностей, найма новых специалистов и формирования нового мышления (об этом говорится в главе 8). Компромиссы между риском и выгодой также новые. Преимущества услуг, основанных на данных, могут стать очевидными для потребителей только после того, как производители получат доступ к огромному количеству данных, что часто становится необходимым условием для их широкого внедрения (этот момент более подробно рассматривается в главе 6). Широкое внедрение может потребовать значительных инвестиций, быть рискованным и при непродуманном подходе даже сломать спину унаследованной компании.
В этом контексте интересно сравнить и сопоставить GE и Caterpillar - двух культовых промышленных гигантов, которые по-своему совершили значительные шаги в области цифровой трансформации. Оба они шли по пути превращения "большого железа" в "умное железо". Подход Caterpillar, как уже отмечалось в этой главе, заключался в том, чтобы убедить достаточно децентрализованную организацию в преимуществах внедрения новых сервисов, основанных на данных. В компании были внедрены процессы (например, матрица, представленная в табл. 4.1), позволяющие ключевым заинтересованным сторонам высказывать свое мнение о том, как проводить цифровую трансформацию своих предприятий и продуктов.
Оглядываясь назад, можно сказать, что подход GE был гораздо более "нисходящим". GE потратила более 1 млрд. долл. на создание нового программного обеспечения и разработку технологии Predix, которая обеспечивала единый интерфейс для создания новых сервисов, основанных на данных, для активов компании в различных подразделениях (реактивные двигатели, локомотивы, медицинское оборудование, турбины). GE перевела своих специалистов по программному обеспечению из различных бизнес-подразделений и географических регионов в централизованный центр в Сан-Рамоне, штат Калифорния. Идея заключалась в том, что все продукты компании будут иметь схожий подход к сервисам, управляемым данными, и все они будут базироваться на Predix. Подобно тому, как реактивные двигатели GE дают пилотам рекомендации по оптимальному пилотированию самолетов для экономии топлива, локомотивы компании дают машинистам рекомендации по навигации для получения аналогичных преимуществ. Точно так же, как турбина GE может предложить предиктивное обслуживание, так и аппараты магнитно-резонансной томографии. В процессе работы GE также разработала новые общие рекомендации для сотрудников отдела продаж и маркетинга.
Однако это были первые эксперименты. И GE, и ее заказчики не были уверены в возврате инвестиций. Эти инициативы привнесли неопределенность и в ряды сотрудников отдела продаж GE. Эти специалисты по продажам были обучены продавать сложные инженерные продукты, а теперь им предстояло перейти к продаже услуг, основанных на данных. Возможно, GE опередила свое время . А может быть, преобразования были слишком масштабными и проводились слишком быстро. В конце концов, концепция цифровой трансформации GE оказалась не такой, как планировалось.
В то же время GE дала остальному индустриальному миру новые ценные концепции, идеи и способы описания цифровой трансформации. Именно на конференции "Разум и машины" в 2012 г. тогдашний генеральный директор Джефф Иммельт провозгласил приверженность GE "промышленному Интернету", сделав этот термин знаменитым. Мир хорошо знал, что потребительский интернет стал началом революции в электронной коммерции и смартфонах. Провозглашение Иммельта выкристаллизовало идею о том, что промышленный Интернет может заставить машины и активы делать то же самое и вызвать параллельную революцию. Аналогичным образом, идея "цифрового двойника", т.е. цифрового представления актива с помощью потоковой интерактивной передачи данных с изделий, является еще одним важным вкладом GE.
Главный вывод заключается в том, что для старых компаний внедрение услуг, основанных на данных, может оказаться гораздо более сложной задачей, чем повышение операционной эффективности. Однако вознаграждение за это может оказаться более значительным. В главе 8 рассматривается вопрос о том, как унаследованные фирмы могут создать необходимые цифровые возможности для получения этих выгод. Прежде чем перейти к рассмотрению этого вопроса, в главе 5 мы подробно остановимся на другом аспекте цифровых экосистем - экосистемах потребления.
Глава 5.
Раскрытие ценности данных в экосистемах потребления
По сути, производственные экосистемы формируются на основе сетей цепочки создания стоимости унаследованной фирмы. Они возникают, когда организации, активы и виды деятельности, входящие в цепочку создания стоимости, генерируют данные и обмениваются ими в рамках своей внутренней сети. Большинство унаследованных компаний имеют достаточно хорошо отлаженные цепочки создания стоимости. Большинство компаний также имеют опыт генерирования и обмена данными в рамках своей сети цепочки создания стоимости с помощью ИТ-систем. Поэтому дальнейшее обогащение их производственных экосистем с помощью современных цифровых технологий может показаться им естественным продолжением их цифровых инициатив.
Экосистемы потребления, напротив, формируются на основе сетей-дополнителей. Они возникают благодаря тому, что цифровая связь позволяет сети сторонних организаций, активов и видов деятельности дополнять данные, генерируемые продуктом. Практически все продукты имеют дополнения. Однако в традиционных бизнес-моделях эти дополнения редко играли сколько-нибудь значимую роль. До недавнего времени большинство таких дополнений даже не были связаны с цифровыми технологиями. Более того, унаследованные компании не контролируют процессы, в ходе которых эти дополнения подключаются и превращаются в экосистемы потребления. Экосистемы потребления формируются не благодаря внутренним цифровым инициативам, а под воздействием внешних сил цифровизации. Миллиарды взаимосвязанных объектов и активов, возникающих вокруг всех компаний благодаря современным тенденциям развития цифровых технологий, являются тем, что генерирует дополнения для данных, генерируемых конкретной унаследованной фирмой.
Эти тенденции являются новыми. Устаревшие компании могут даже не заметить многих возможностей, открывающихся в этих развивающихся экосистемах потребления. Более того, их знакомство со своими цепочками создания стоимости, скорее всего, приведет к тому, что они не обратят внимания на новые возможности, основанные на данных, в своих производственных экосистемах. Таким образом, они могут упустить из виду возможности, открывающиеся в экосистемах потребления. Таким образом, когда речь идет об экосистемах потребления, компании с большей вероятностью попадают в ловушку цифровой близорукости, о которой говорилось во введении к данной книге.
Наконец, для взаимодействия с экосистемами потребления унаследованным компаниям необходимо расширить свои цепочки создания стоимости за счет цифровых платформ. Цифровые платформы могут способствовать обмену данными между различными организациями, активами и видами деятельности, которые дополняют данные, генерируемые компанией, и тем самым обеспечивают эффективный подход к управлению экосистемами потребления компании в направлении создания услуг, основанных на данных. Компании, производящей лампочки, которая хочет предложить услугу домашней безопасности с использованием своих лампочек, реагирующих на движение, необходима цифровая платформа. Только с ее помощью компания сможет эффективно организовать обмен данными между охранными сигнализациями и смартфонами, а также другими подобными дополнениями. Потребность в таких цифровых платформах, обеспечивающих обмен данными между различными дополнениями, является существенным фактором, отличающим экосистемы потребления от экосистем производства.
Как унаследованные фирмы могут создавать платформы
Большинство традиционных фирм не работают на цифровых платформах. Такой подход является для них новым. Таким образом, даже если унаследованные фирмы осознают новые возможности, открывающиеся перед ними в новых экосистемах потребления, и даже если они намерены извлекать из них прибыль с помощью новых цифровых платформ, их путь к этому не является простым. У них может возникнуть несколько вопросов, когда они задумаются о том, чтобы внести столь существенные изменения в свои преобладающие бизнес-модели. Прежде всего, они хотят понять, во что ввязываются, и задаются вопросом: как их цифровые платформы будут сопоставимы с платформами цифровых титанов, о которых шла речь в главе 1? В чем их сходство? В чем их отличия?
Сходства можно ожидать: в обоих случаях бизнес-модели цифровых платформ основаны на обмене данными между участниками платформы. Однако есть и важные различия. Цифровые платформы традиционных компаний возникают на основе данных, генерируемых продуктами. Таким образом, эти цифровые платформы привязаны к продуктам и данным, генерируемым продуктами. 1 Такая привязка отличает эти платформы от цифровых платформ многих цифровых титанов, рассмотренных в главе 1.
Цифровые платформы титанов, о которых говорилось выше, обычно начинаются с инновационной идеи, которая выявляет потребность рынка в создании ценности за счет использования данных через Интернет. Это приводит к созданию бизнес-модели, в рамках которой цифровая платформа привлекает релевантных пользователей и создает ценность за счет генерации и обмена данными. Во многих примерах, упомянутых в главе 1, таких как Facebook или Netflix, основная идея заключалась в отказе от физического присутствия при совершении сделок и использовании данных для создания стоимости; последующие бизнес-планы были реализованы с помощью цифровых платформ. Аналогичным образом, другие известные цифровые платформы, такие как Uber или Airbnb, начинали с обмена активами, используя данные и Интернет в качестве основной идеи. И в этом случае их бизнес-планы были реализованы с помощью цифровых платформ. Таким образом, эти цифровые платформы начинали с чистого листа, планируя удовлетворить неудовлетворенные потребности и использовать творческие идеи.
Привязанные цифровые платформы не начинают с чистого листа. Их первоначальная бизнес-идея сама по себе привязана к продукту и данным, которые генерирует продукция компании. Пользователи платформы также привязаны к этим данным. Такие привязки открывают новые рыночные возможности, но одновременно ограничивают их диапазон. Иными словами, данные о взаимодействии продукта и пользователя ограничивают сферу применения и целесообразность использования привязанных цифровых платформ.
Поскольку продукты и данные о транзакциях между пользователем и продуктом составляют генезис привязанных цифровых платформ, в связи с этим возникает ряд дополнительных вопросов для унаследованных фирм, заинтересованных в переходе на цифровые платформы. Подходят ли продукты и данные, генерируемые продуктами, для создания цифровой платформы? Как компании могут оценить потенциал данных о транзакциях между продуктом и пользователем для создания коммерчески жизнеспособной цифровой платформы? Как данные, генерируемые продуктом, формируют привязанную цифровую платформу? Меняются ли цифровые платформы в зависимости от типа продуктов, которыми располагают унаследованные фирмы? Как унаследованная фирма принимает решение о том, какую платформу ей следует создать? Как она должна конкурировать, используя такую платформу?
Поиск ответов на эти вопросы позволит понять, как унаследованная компания может взаимодействовать с экосистемами потребления и создавать в них ценности. В данной главе мы рассмотрим эти вопросы, построив структуру, полезную для анализа привязанных цифровых платформ. 2 Перед этим рассмотрим основные компоненты привязанной цифровой платформы.
Привязанная цифровая платформа
На рис. 5.1 показаны основные компоненты привязанной цифровой платформы.
Привязанная цифровая платформа состоит из четырех основных компонентов. Во-первых, это продукт, оснащенный датчиком; во-вторых, это данные о взаимодействии продукта и пользователя, получаемые с помощью датчика; в-третьих, это пользователи платформы, которые включают непосредственных пользователей продукта, оснащенного датчиком (например, пользователей "умных" зубных щеток), и пользователей, чьи данные дополняют интерактивные данные, получаемые непосредственными пользователями (например, стоматологов); и, в-четвертых, это услуги платформы, создаваемые путем совместного использования и обмена этими данными между всеми пользователями платформы. Поскольку сенсоры и продукты, оснащенные сенсорами, являются основой для привязанных цифровых платформ, они рассматриваются в первую очередь.
Рисунок 5.1
Компоненты привязанной цифровой платформы.
Рост числа датчиков и продуктов, оснащенных датчиками
Рафаэль Надаль, один из величайших теннисистов мира, играет ракетками Babolat с 2004 года. Babolat входит в число ведущих брендов теннисных ракеток. В 2012 году Надаль познакомился с "подключенной" ракеткой Babolat со встроенными датчиками. Используя эту ракетку на тренировках, он мог следить за тем, как наносит удары, чтобы подготовиться к матчам. По словам его тренера (и дяди) Тони, Надаль чаще выигрывает матч, когда 70% его ударов приходится на форхенды и 30% - на бэкхенды. С помощью "умной" ракетки Надаль и его тренер могут отслеживать, сколько форхендов и бэкхендов он наносит во время тренировок. Кроме того, они могут оценить многие другие характеристики его ударов, такие как количество топспинов (или вращений вперед), количество слайсов (или обратных вращений), жесткость подачи, место попадания мяча в струны ракетки и количество ударов в каждом ралли. Датчик передает данные на смартфон, где они могут быть просмотрены и проанализированы. В 2013 году Международная федерация тенниса одобрила использование подключенных ракеток во время матчей. Она внесла изменения в свои правила, разрешив профессиональным игрокам собирать интерактивные данные между собой, ракетками и мячом во время турниров.
Сегодня подключенные теннисные ракетки доступны не только профессиональным теннисистам и чемпионам, таким как Надаль, но и любому любителю тенниса. С подключенной ракеткой Babolat можно даже проверить, насколько свои лучшие удары сравнялись с ударами Надаля (Надаль является представителем бренда). 5 Это связано с тем, что Babolat делает отдельные аспекты интерактивных данных, получаемых во время тренировок Надаля, доступными для других пользователей Babolat. Подключаемые ракетки сегодня предлагают несколько ведущих компаний, таких как Head, Yonex, Wilson и Prince. Кроме того, компании Sony и Zepp Labs предлагают автономные датчики, которые могут быть прикреплены к любой теннисной ракетке. Эти датчики представляют собой миниатюрные электронные чипы. Они могут крепиться в нижней части ручки ракетки или на демпфере удара или вибрации, обычно расположенном на струнах ракетки. Датчики также выпускаются в виде наручных браслетов, что позволяет пользователям пользоваться всеми преимуществами подключенной ракетки.
Датчики не только играют в теннис. Например, различные виды датчиков могут быть встроены в лекарство, принимаемое внутрь. В ноябре 2017 года Управление по контролю качества пищевых продуктов и лекарственных средств США (FDA) одобрило первый препарат с датчиком приема внутрь. 6 Abilify Mycite, одобренный цифровой препарат, используется для лечения психических расстройств, таких как шизофрения, биполярная болезнь и депрессия. Сенсор диаметром один миллиметр, встроенный в таблетку, называется ингестивным маркером событий. При проглатывании таблетки датчик в ней вступает в контакт с желудочной жидкостью. Это вызывает реакцию химических веществ, содержащихся в датчике, и активирует сигнал, который передается на носимый Bluetooth-пластырь, позволяющий просматривать данные на смартфоне. Эти данные позволяют отследить, принял ли пациент лекарство. Для пациентов с психическими расстройствами регулярный прием лекарств может быть проблематичным; функция "умной таблетки" помогает членам семьи и врачам контролировать самочувствие пациента, отслеживая прием лекарств и наблюдая за поведенческими симптомами.
Многие датчики сегодня не только изготавливаются на основе электронных микросхем или всасываемых компонентов, но и создаются преимущественно с помощью программного обеспечения. Одним из таких примеров является компания Samba TV, разработчик рекомендательного контента и приложений для отслеживания зрителей. Samba TV поставляет производителям телевизоров, таким как Sony, TCL и Sharp, датчики, позволяющие фиксировать, что смотрит зритель на экране "умного" телевизора. Использование технологии автоматического распознавания контента (ACR) требует установки на телевизор программного алгоритма. Этот алгоритм обрабатывает и вычисляет "отпечаток" видеоизображения для каждого видеокадра, транслируемого телевизором. Этот отпечаток передается на сервер, который сравнивает его с базой данных исходного видео для распознавания контента, что позволяет Samba TV и производителю телевизора получать данные о том, что смотрит зритель. Samba TV и производители телевизоров используют эти данные для предоставления поставщикам развлекательного телевизионного контента (например, NBC или ABC) информации о популярности их передач. Эти данные также помогают рекламодателям (например, Toyota или Coca-Cola) лучше выстраивать рекламную кампанию на телевидении, зная, кто и в каком регионе или домохозяйстве смотрит ту или иную передачу.
Датчики Samba TV наглядно демонстрируют, как производитель устаревшей продукции может добавить в свои изделия программный датчик. Подавляющее большинство датчиков на базе программного обеспечения сегодня функционируют как приложения для смартфонов. Например, почти все банки предлагают программные приложения для таких функций, как интернет-банкинг или пополнение счета по чеку . В процессе работы эти приложения также выполняют роль датчиков, собирая данные о том, когда и куда пользователь тратит деньги, какие продукты или продавцов предпочитает, какова его кредитная история. Игровые компании также используют программные датчики для сбора интерактивных данных от своих пользователей. Эти данные позволяют, в частности, определить, является ли пользователь левшой или правшой, какие стратегии он предпочитает в играх, а также предсказать его дальнейшие действия.
От сенсорных данных к пользователям платформы и ее сервисам
Каждый из этих продуктов, оснащенных датчиками, может генерировать уникальные данные о взаимодействии продукта с пользователем. И в каждом случае эти данные могут быть использованы для обмена между различными сторонними субъектами, активами и видами деятельности, входящими в экосистему потребления продукта. Для обеспечения таких обменов сторонние организации, активы и виды деятельности должны быть подключены в качестве пользователей цифровой платформы. Подключая различных пользователей и организуя обмен данными между ними, привязанная цифровая платформа предлагает новые услуги, основанные на данных.
Используя данные с датчиков, производитель "умных" теннисных ракеток может определять группы пользователей "умных" ракеток, которые могут быть подобраны для пикап-игр; производитель также может определять соответствующих тренеров, которые могут быть подобраны к игрокам в соответствии с их уровнем подготовки. Группы игроков и тренеров являются частью экосистемы потребления теннисной ракетки, поскольку они дополняют сенсорные данные ракетки; они также дополняют связанные с теннисом потребности любого отдельного пользователя ракетки, генерирующего эти данные. Когда они присоединяются к привязанной цифровой платформе, они становятся ее пользователями. Организуя обмен данными между такими пользователями, производитель теннисных ракеток может предложить новые услуги платформы, основанные на данных, например, координацию пик-ап игр или тренировок.
Аналогичным образом, производитель видеоигр, имеющий интерактивные данные о различных пользователях своих игр, может разработать такие сервисы подбора, чтобы сделать свои соревновательные игры еще более интересными. Например, он может подбирать различных игроков с похожими навыками или взаимодополняющими игровыми стратегиями. Компания Abilify, создатель "умных" лекарств для лечения биполярных расстройств, может аналогичным образом организовать взаимодействие между пациентами, родственниками, и врачами на основе данных. То же самое могут делать и банки, получающие от своих приложений сенсорные данные, позволяющие получить представление о структуре расходов, кредитоспособности, образе жизни и желаемых покупках своих клиентов. Используя эти данные, они могут организовать обмен между своими клиентами (с их согласия) и соответствующими торговыми предприятиями, которые могут конкурировать с ними, предлагая привлекательные скидки для удовлетворения желаний клиентов. 7 Таким образом, банки могут расширить свои традиционные банковские услуги, превратив их в опыт покупок для своих клиентов.
В основе каждого из этих случаев лежит схожая схема. Процесс начинается с создания продукта, оснащенного датчиками, который генерирует интерактивные данные о продукте и пользователе. Сенсорные данные привлекают дополнения из экосистем потребления продукта. После добавления в платформу эти дополнения становятся пользователями платформы. Способствуя обмену между этими пользователями, привязанная цифровая платформа предлагает услуги, основанные на данных. Чем шире просторы экосистем потребления продукта, тем больше дополнений и тем больше пользователей платформы. Все вышеперечисленное расширяет сферу применения привязанной цифровой платформы компании и ее платформенных сервисов.
Широкая доступность и универсальность сенсоров позволяет самым разным компаниям внедрять продукты, оснащенные сенсорами, определять дополнения к своим данным, визуализировать возможность построения привязанной цифровой платформы и предлагать новые услуги, основанные на данных. Означает ли это, что все продукты могут стать платформами? Ответ на этот вопрос зависит от того, может ли привязанная к продукту цифровая платформа предлагать коммерчески жизнеспособные услуги. Во многом такая жизнеспособность зависит от типа генерируемых продуктом сенсорных данных. Как будет показано далее, некоторые ключевые характеристики этих данных оказывают решающее влияние на базовую бизнес-модель любой привязанной цифровой платформы.
Атрибуты сенсорных данных
То, что интерактивные данные от пользователя продукта тесно связаны с его использованием, вполне ожидаемо. Эти данные тесно связаны с ключевыми характеристиками продукта и его основным назначением; они вытекают из интерфейса, который предлагает продукт для его использования. Зубные щетки взаимодействуют с зубами пользователя, соответственно, данные датчиков, собираемые с зубной щетки, в первую очередь связаны с уходом за зубами. Как следствие, эти данные также привлекают дополнительные субъекты, связанные с уходом за зубами, например стоматологов или страховые компании. Матрасы аналогичным образом взаимодействуют со своими пользователями во время сна. Сенсорные данные, получаемые с матраса, улавливают и передают атрибуты сна пользователя, например, данные о частоте сердечных сокращений, дыхании, поворотах во время сна. Наиболее очевидными объектами, дополняющими эти данные, являются те, которые могут способствовать улучшению сна, например, регулируемое освещение или успокаивающая музыка. Специалисты по сну также могут дополнить эти данные, помогая предотвратить медицинские последствия апноэ сна - нарушения дыхания во время сна. Аналогичным образом, данные датчиков, получаемые с экскаваторов, касаются работы этих устройств на строительной площадке. Данные датчиков экскаватора наиболее актуальны для других объектов на строительной площадке, которые работают в паре с экскаватором.
Таким образом, взаимодействие продукта и пользователя не только определяет тип генерируемых им сенсорных данных, но и определяет виды дополнений, которые эти данные могут привлечь, а значит, и характер платформенных сервисов. Таким образом, сенсорные данные могут существенно влиять на коммерческую жизнеспособность этих платформенных сервисов. Прежде всего, для того чтобы привязанная цифровая платформа была коммерчески жизнеспособной и успешной, ее платформенные сервисы должны обладать большим рыночным потенциалом, иметь мало конкурентов и обеспечивать бесперебойный обмен данными для получения мощного цифрового опыта. При оценке этих соображений следует обратить внимание на три специфических атрибута сенсорных данных, которые различаются в зависимости от продуктов и интерфейсов "продукт-пользователь". Объем сенсорных данных влияет на рыночный потенциал платформенных услуг компании, уникальность сенсорных данных ограничивает влияние конкурентов, а контроль сенсорных данных определяет, насколько легко данные на привязанной цифровой платформе могут обмениваться между пользователями платформы для получения мощного цифрового опыта. Ниже приводится описание каждого из этих атрибутов.
Область применения сенсорных данных
Объем сенсорных данных позволяет получить первоначальную оценку стоимости услуг, ожидаемых от привязанной цифровой платформы. Например, для производителя "умных" теннисных ракеток это может быть первоначальная оценка доходов, которые может принести сервис подбора партнера или тренера. Для компании, производящей матрасы, это может быть оценка доходов от подписки на услуги платформы, которая связывает данные о сне с внешними объектами в комнате (освещение, музыка и т.д.) для улучшения качества сна. Такая компания, как Caterpillar, может оценить объем своих сенсорных данных и другими способами. Очевидно, что миллиарды долларов ежегодно тратятся впустую из-за переделок на строительных площадках. 8 Даже небольшая доля экономии, достигаемая за счет координации строительных работ на основе данных, может исчисляться миллионами; Caterpillar может оценить потенциальные доходы от платформенных сервисов, которые позволяют добиться такой экономии для клиентов компании.
В некотором смысле объем сенсорных данных схож с объемом рынка нового продукта, готовящегося к выпуску. Большинство старых компаний понимают, как оценить объем рынка нового продукта. Они знают, как оценить потребность рынка, которую удовлетворяет новый продукт, профили потенциальных покупателей и общий объем рынка, на котором, как ожидается, продукт будет конкурировать за свою долю. В этом отношении область применения сенсорных данных аналогична области применения нового продукта. Вместо новых продуктов в данном случае оценивается ожидаемая стоимость от новых услуг платформы.
Кроме того, объем сенсорных данных зависит от сетевых эффектов, которые эти данные генерируют для привязанной цифровой платформы. Поскольку данные датчиков определяют тип и количество пользователей платформы, которые, скорее всего, присоединятся к привязанной цифровой платформе, они определяют сетевые эффекты, которые может генерировать привязанная цифровая платформа. В зависимости от того, каких пользователей привлекают данные датчиков, сервисы платформы могут получать выгоду от прямых или косвенных сетевых эффектов, либо от тех и других. Как уже говорилось в главе 2, прямые сетевые эффекты обусловлены ценностью, которую пользователь получает от других таких же пользователей, например, ценность, которую получают друзья на Facebook, когда находят еще больше друзей на платформе. Такие схожие пользователи образуют одну сторону платформы. Косвенные сетевые эффекты обусловлены другими типами пользователей или другими сторонами платформы, например, профессионал на LinkedIn получает выгоду от большего количества рекрутеров на платформе.
Привязанная цифровая платформа, основанная, например, на данных датчиков "умной" зубной щетки, может привлекать других пользователей "умных" зубных щеток и дополнительных третьих лиц, например стоматологов. Сервис платформы может обеспечить своевременное обращение к стоматологам для решения стоматологических проблем и, следовательно, улучшить состояние здоровья зубов каждого пользователя платформы. Подобная привязанная цифровая платформа получает косвенные сетевые эффекты, поскольку чем больше стоматологов доступно на платформе производителя, тем больше потенциальных выгод получает каждый пользователь "умной" зубной щетки, и наоборот. Кроме того, она может пользоваться прямыми сетевыми эффектами, если при увеличении числа пользователей "умной" зубной щетки и объема пользовательских данных алгоритмы платформы становятся более "умными".
В случае, когда сенсорные данные теннисной ракетки привлекают других пользователей "умных ракеток" к привязанной цифровой платформе, предлагающей услуги по подбору игроков, сервис платформы выигрывает от прямых сетевых эффектов. Чем больше игроков на платформе, тем больше выбор оптимального матча, а значит, тем больше пользы для каждого игрока. Привязанная платформа также генерирует косвенные сетевые эффекты, когда она привлекает на свою платформу других сторонних комплементаторов, например тренеров. Чем больше дополнительных субъектов привлекают сенсорные данные продукта, тем выше прямые или косвенные сетевые эффекты его привязанной цифровой платформы. Поскольку эти сетевые эффекты повышают потенциальную ценность услуг привязанной цифровой платформы, они являются важным аспектом объема сенсорных данных.
Уникальность сенсорных данных
Данные датчиков являются уникальными, если те же самые данные датчиков недоступны для других типов продуктов. И наоборот, сенсорные данные не являются уникальными, если несколько типов продуктов имеют доступ к одним и тем же данным. Например, для производителя зубной щетки сенсорные данные основаны на взаимодействии зубной щетки с пользователем. Подобные данные, скорее всего, доступны только другим конкурирующим производителям зубных щеток, оснащенных датчиками, т.е. знакомым конкурентам. Oral-B может оказаться в состоянии конкуренции с Philips или другими подобными производителями электрических зубных щеток, которые используют датчики в своей продукции. С другой стороны, производитель "умных" лампочек, использующий данные о движении в своих услугах на привязанной платформе, обнаружит, что данные датчиков движения его продукта не ограничиваются другими производителями "умных" лампочек. Эти данные доступны множеству других интеллектуальных устройств, находящихся в том же помещении, например термостатам, пожарным сигнализациям или камерам наблюдения. Производители таких продуктов, размещенные на сайте , могут претендовать на обслуживание той же платформы. Другими словами, сенсорные данные могут привлечь конкурентов, не входящих в преобладающую отрасль.
Кроме того, датчики можно устанавливать на изделия, что привлекает еще больше нетрадиционных конкурентов. В главе 4 говорилось о таких нетрадиционных конкурентах Caterpillar. Новую конкуренцию составили компании, работающие в области программного обеспечения, телекоммуникаций и GPS, такие как Trimble и Teletrac Navman. Эти конкуренты могут оснастить строительное оборудование и объекты датчиками, чтобы предложить те же услуги по управлению строительством, которые ранее рассматривались как потенциальные предложения для Caterpillar. В главе 8 описаны такие конкуренты, имеющие доступ к аналогичным данным, как цифровые конкуренты, и подробно рассмотрено их влияние на цифровую конкурентную стратегию унаследованной компании.
Когда они получают доступ к подобным данным датчиков, цифровые титаны становятся одними из самых грозных цифровых конкурентов. Цифровые титаны часто имеют мощные точки обзора, что дает им доступ к широкому спектру данных, которые могут быть востребованы устаревшими продуктами через их датчики. Например, Alibaba и Tencent, используя свои комплексные платформы и приложения, собирают гораздо больше данных о привычках, кредитных историях и потребностях в кредитах среднестатистического китайского потребителя, чем китайские банки могли бы получить с помощью своих собственных датчиков. 9 Поэтому Alibaba и Tencent имеют более серьезные конкурентные преимущества перед традиционными китайскими банками при предоставлении кредитов клиентам.
Ключевым моментом здесь является то, что уникальность сенсорных данных может влиять на конкурентоспособность услуг привязанной цифровой платформы. Чем уникальнее данные, тем выше вероятность того, что привязанная цифровая платформа окажется коммерчески жизнеспособной.
Управление сенсорными данными
Наконец, контроль сенсорных данных - это степень, в которой производитель может свободно использовать сенсорные данные продукта для облегчения обмена между пользователями и дополнительными организациями без каких-либо ограничений. Ограничения возможны в тех случаях, когда взаимодействие между продуктом и пользователем предполагает наличие посредников. Эти посредники могут не позволить производителю свободно делиться сенсорными данными с внешними субъектами.
В качестве примера можно привести данные датчиков "умных" локомотивов GE, например, ожидаемое время прибытия в конкретные пункты назначения. Потенциально эти данные могут передаваться грузоотправителям и грузополучателям и использоваться для создания бирж, предлагающих целый ряд различных услуг на платформе. Потенциальная платформа GE может обеспечить прозрачность для грузоотправителей и грузополучателей в отношении точного местонахождения и ожидаемых поставок их товаров в любой момент времени. Платформа может предлагать услуги по выставлению счетов и сбору платежей с привязкой к точным срокам отгрузки и получения товаров. Кроме того, платформа может предоставлять грузоотправителям и грузополучателям возможность выбора маршрутов доставки грузов, которые наилучшим образом соответствуют их потребностям (например, кратчайшие сроки доставки или оптимальные тарифы). Такие сервисы также позволяют грузоотправителям и грузополучателям изменять свой выбор, даже когда груз находится в пути, в случае изменения обстоятельств (например, необходимости доставки товара раньше, позже или в другой пункт назначения). Платформа может добавить агентства по доставке грузов "на последней миле", такие как автоперевозчики, чтобы расширить свой вклад в формирование общих логистических планов клиентов.
Однако грузоотправители и грузополучатели не являются прямыми клиентами GE. Вместо этого они являются клиентами клиентов GE, а именно железнодорожных компаний. Таким образом, железнодорожные компании являются посредниками между GE и предполагаемыми пользователями платформы - грузоотправителями и грузополучателями. Эти железнодорожные компании могут запретить GE передавать своим клиентам данные датчиков, которые они считают своими (поскольку локомотивы принадлежат им), для облегчения обмена на предполагаемые услуги платформы. Таким образом, наличие посредников может препятствовать свободному обмену данными датчиков между компанией-производителем и предполагаемыми пользователями платформы.
Конфиденциальность данных - еще один важный фактор, который может ограничивать свободный обмен данными с внешними организациями. Так, например, продукты, работающие в сфере здравоохранения, могут столкнуться с тем, что даже их собственные клиенты будут сопротивляться обмену сенсорными данными, которые они могут считать конфиденциальными и чувствительными. Например, клиенты оснащенного датчиками продукта 14-day Libre компании Abbot могут ограничить обмен данными об уровне глюкозы в крови в режиме реального времени между возможными дополнительными организациями , опасаясь утечки данных или их использования против них страховыми компаниями.
Кроме того, различные режимы регулирования могут ограничивать различные виды обмена сенсорными данными. Так, например, ряд нормативных актов препятствует свободному обмену данными о здравоохранении между больницами. Аналогичным образом, существуют нормы, ограничивающие свободный обмен данными о финансах своих клиентов между банками. Такие правила могут ограничивать сферу применения многих услуг платформы. В главе 9 более подробно рассматриваются вопросы конфиденциальности данных и режимы регулирования в отношении свободного обмена сенсорными данными.
Таким образом, три атрибута сенсорных данных - их объем, уникальность и контроль - могут повлиять на коммерческую жизнеспособность привязанной цифровой платформы и ее услуг. Эти три атрибута могут помочь унаследованным компаниям оценить, стоит ли им распространять свои продукты на платформы, а также определить оптимальный способ построения привязанных цифровых платформ. Другими словами, в зависимости от объема, уникальности и контроля сенсорных данных продукта фирма может найти оптимальные способы максимизации потенциала приобретаемых данных для распространения продуктов на платформы. Как это сделать, описывает схема привязанной цифровой платформы, представленная ниже.
Концепция привязанной цифровой платформы
Рассмотрим схему привязанной цифровой платформы, представленную на рисунке 5.2.
Горизонтальная ось этой структуры представляет собой объем и уникальность сенсорных данных. Вертикальная ось представляет собой управление сенсорными данными. Минимальный порог, позволяющий претендовать на роль привязанной цифровой платформы, - это продукт, оснащенный датчиками. Однако, как следует из левого нижнего квадранта схемы, не все компании, производящие продукты, преодолевающие этот минимальный порог, могут конкурировать в качестве платформы. Однако они могут конкурировать в качестве поставщиков для других платформ. Три других квадранта представляют собой различные подходы, с помощью которых товарные компании могут конкурировать в качестве привязанных цифровых платформ: как полноценные, совместные или поддерживающие привязку цифровые платформы. Центральный круг представляет собой гибридный подход, при котором фирмы могут выбрать для реализации отдельные атрибуты из каждого квадранта. Каждый из этих подходов рассматривается ниже.
Рисунок 5.2
Привязанный каркас цифровой платформы.
Полностью привязанная цифровая платформа
Этот вариант предназначен для продуктов, сенсорные данные которых обладают всеми тремя атрибутами: масштабом, уникальностью и контролем. Имея такие сенсорные данные, компания может запустить собственную платформу, напрямую приглашать пользователей платформы и организовывать обмен между ними с полной автономией.
Рассмотрим компанию Becton, Dickinson and Company (BD), специализирующуюся на медицинских технологиях и занимающуюся производством и продажей медицинского оборудования для больниц. Среди известных продуктов компании - иглы, шприцы, внутривенные катетеры, инсулиновые шприцы, шприцы для местной анестезии и анестезиологические лотки. В последнее время BD расширяет сферу своей деятельности, добавляя к традиционным отдельным продуктам компании услуги по обработке данных с помощью подключенных устройств. Для этого BD сделала несколько значительных приобретений. Одно из них - компания Care Fusion, приобретенная в 2014 году за сумму около 12 млрд. долл. Приобретая Care Fusion, BD получила несколько интеллектуальных продуктов и программных технологий. Среди них - интеллектуальные насосы Alaris, автоматизированные системы выдачи лекарств Pyxis для постов медсестер, а также технологии Rowa, автоматизирующие хранение и выдачу лекарств в больничных аптеках. Чтобы понять, как эти три продукта и технологии объединяются в "привязанную" цифровую платформу, давайте сначала рассмотрим основные функциональные возможности прикроватных насосов, постов медсестер и больничных аптек.
Прикроватные насосы выдают лекарства или жидкости из внутривенных мешков или шприцев с заданной частотой и скоростью. Врачи выписывают рецепты на введение жидкостей и лекарств. Медперсонал осуществляет их введение из сестринского поста, обычно расположенного в центре на медицинских этажах или в отделениях восстановления пациентов. Кроме того, медсестры поддерживают необходимый запас лекарств и жидкостей для пациентов в своих процедурных зонах. Необходимые жидкости и медикаменты поставляются в больничные аптеки. Эти аптеки предназначены для конкретных больниц и располагаются на их территории.
Больничные фармацевты готовят индивидуальные дозы на основе рецептов врачей. Например, врач может назначить пациенту 500 миллиграммов амоксициллина для внутривенного введения каждые восемь часов. Для приготовления такого рецепта больничная аптека смешивает 500 мг амоксициллина с 10 миллилитрами воды для инъекций и добавляет эту смесь в пакет с жидкостями для внутривенного введения. Медперсонал получает такие пакеты и хранит их на сестринском посту, чтобы в случае необходимости ввести препарат пациенту, подключив пакеты к прикроватному насосу. Для разных рецептов больничная аптека готовит пакеты по-разному, смешивая разные компоненты.
Для прикроватного насоса пациенты, лекарственные препараты, подаваемые через внутривенные мешки, медпункт и больничная аптека являются дополнением. Это важные элементы, которые должны быть связаны между собой для проведения лечения пациента. При цифровом подключении они становятся экосистемой потребления прикроватного насоса. А обеспечивая обмен данными между ними, прикроватный насос функционирует как связанная цифровая платформа. Рассмотрим, как интеллектуальные насосы Alaris компании BD могут функционировать в качестве полноценной цифровой платформы с привязкой к пациентам, когда пациенты, наряду с отдельными функциями технологий Pyxis и Rowa, становятся дополнением и пользователями платформы с цифровой связью.
Что делает Alaris? Будучи интеллектуальным насосом, Alaris добавляет новые функции к обычному прикроватному насосу. Одной из таких новых функций является анальгезия, контролируемая пациентом (PCA). Анальгезия означает нечувствительность к боли и может быть достигнута с помощью ряда препаратов, которые обычно назначаются после операции, когда пациент восстанавливается в больнице. К распространенным анальгетикам относятся морфин и другие наркотические вещества. PCA позволяет пациентам самостоятельно вводить заранее определенное количество обезболивающих препаратов в зависимости от того, когда им необходимо снять боль, при этом помпа контролирует и управляет предписанными минимальными промежутками между приемами. Одновременно насос Alaris контролирует дыхание пациента и уровень CO2. Это связано с тем, что наркотические вещества, часто используемые для обезболивания, могут угнетать дыхательную систему пациента и вызывать остановку дыхания, если за пациентом не ведется тщательный контроль. Другими словами, при использовании функции PCA Alaris в режиме реального времени собирает данные с датчиков о состоянии дыхания пациента и уровне CO2.
Состояние дыхания пациента в реальном времени и уровень CO2 - это те данные, получаемые датчиками, которые позволяют использовать Alaris в качестве полноценной привязанной цифровой платформы. Во-первых, эти данные имеют широкую сферу применения благодаря ценным сервисам платформы BD. Например, насос может предвидеть остановку дыхания и предупредить медперсонал о необходимости немедленной медицинской помощи. Это событие автоматически регистрируется системой Pyxis на посту медсестры. Затем система Pyxis генерирует сигнал тревоги, если по недосмотру планируется повторная выдача той же дозы для того же пациента. Событие также регистрируется системой Rowa в больничной аптеке, которая генерирует аналогичное оповещение, если по недосмотру были запрошены те же рецепты для того же пациента. Ценность услуги? Своевременное оповещение о необходимости обращения к врачу и предотвращение лекарственных ошибок.
Помимо широких возможностей, уникальной для Alaris (и других конкурирующих интеллектуальных насосов) является способность измерять состояние дыхания пациента и уровень CO2 в режиме реального времени и связывать это с приемом лекарств. Хотя вокруг кровати пациента могут находиться другие мониторы, регистрирующие состояние дыхания и уровень CO2, ни один из них не связан с введением анальгетиков. Только интеллектуальные насосы могут связать симптомы дыхания или CO2 с вводимым обезболивающим препаратом. Такая функциональность позволяет медсестрам и врачам более точно и быстро вмешиваться в ситуацию.
И наконец, поскольку Pyxis и Rowa также принадлежат BD, Alaris не сталкивается с ограничениями или препятствиями при обмене данными между системами BD. Благодаря широкому охвату, уникальности и контролю над обменом данными - в данном случае речь идет о состоянии дыхания пациента и уровне CO2 - Alaris может работать как полноценная "привязанная" платформа.
Датчиками могут быть оснащены и традиционные продукты BD, такие как шприцы и катетеры. Однако трудно представить, каким образом сенсорные данные, полученные от таких продуктов, могут стать платформой и предложить услуги, основанные на данных, так, как это могут сделать "умные" прикроватные насосы. Отметим, что состояние дыхания пациента и уровень CO2 - это лишь один из видов сенсорных данных, которые Alaris собирает с помощью функции PCA. Alaris имеет доступ ко многим другим видам сенсорных данных. В системах Pyxis и Rowa имеется множество других функций, которые могут дополнять эти виды данных. Например, на основе данных о том, как пациент потребляет лекарства через насосы Alaris, Pyxis может прогнозировать пополнение запасов медикаментов, а Rowa - их поставку. Благодаря такому обмену данными больница может беспрепятственно управлять приемом лекарств для каждого пациента.
Даже состояние дыхания пациента и уровень CO2 могут иметь другие дополнения, помимо описанных в данном примере. Иными словами, интеллектуальные насосы имеют гораздо более яркие экосистемы потребления, чем традиционные продукты BD. Приобретение компании Care Fusion и расширение ее продуктового портфеля от шприцев и катетеров до прикроватных насосов помогло BD решительно войти в цифровую сферу с новыми сервисами, основанными на данных.
Поставщик цифровых платформ
Этот вариант диаметрально противоположен варианту полной привязки цифровой платформы, согласно схеме, представленной на рис. 5.2. Если в варианте полной привязки к цифровой платформе наиболее сильными атрибутами являются генерируемые продуктом сенсорные данные, то в варианте поставщика к цифровым платформам - наиболее слабые. Продукты в этом варианте оснащены датчиками, но их сенсорные данные вряд ли смогут сами по себе генерировать жизнеспособные сервисы платформы. У таких интеллектуальных продуктов может быть мало идентифицируемых взаимодополняющих организаций и, как следствие, слабые экосистемы потребления. Такие продукты могут столкнуться с существенными препятствиями для самостоятельной генерации каких-либо платформенных услуг и, следовательно, не смогут работать в качестве платформ. Однако они могут выступать в качестве поставщиков для других цифровых платформ. То есть они могут подключаться к другим цифровым платформам и рассчитывать на то, что те найдут способы использования их данных.
Сегодня многие бытовые приборы, такие как микроволновые печи, стиральные и сушильные машины, оснащены датчиками и подключены к цифровым платформам, таким как Amazon Alexa или Google Home. Пользователь может активировать любой из этих приборов с помощью голосовых команд. Например, пользователь может активировать микроволновую печь для приготовления определенных блюд (например, попкорна), посудомоечную машину для запуска цикла стирки, стиральную и сушильную машины для выполнения определенных циклов или кран для наполнения чаши, просто используя голосовые команды. Каждая из этих бытовых приборов и устройств оснащена датчиками, однако они не способствуют обмену данными между собой, чтобы самостоятельно развиваться в цифровую платформу. Они полагаются на другие цифровые платформы, такие как Alexa или Google Home, чтобы координировать свои функции с функциями других домашних приборов.
Совместные привязанные цифровые платформы
Этот вариант предназначен для продуктов, сенсорные данные которых обеспечивают высокий уровень контроля, но могут не обладать достаточной масштабностью или уникальностью. Этот вариант позволяет интеллектуальным продуктам самостоятельно осуществлять некоторые обмены, а также пользоваться помощью других платформ для предоставления всего спектра запланированных услуг платформы. Другими словами, в этом варианте интеллектуальный продукт превращается из чистого поставщика сторонней платформы в оператора собственной платформы. Однако его платформа требует сотрудничества с другими платформами для предоставления запланированных услуг платформы.
Новые предложения компании Whirlpool - "умные" холодильники, "умные" кухонные плиты и "умные" микроволновые печи - являются примером совместной цифровой платформы с привязкой. Эти продукты обмениваются данными между друг с другом через интегрированное кулинарное приложение Yummly, предлагая сервис "умного" приготовления пищи. Сервис предлагается через платформу Alexa и как одна из функций "умного дома" Alexa. Вот как это работает. Холодильник и кухонная плита Whirlpool могут общаться друг с другом через интегрированное приложение Yummly. Работа сервиса начинается с того, что холодильник Whirlpool сообщает приложению Yummly о наличии в нем ингредиентов, которые можно использовать для приготовления того или иного рецепта. Если каких-то ингредиентов не хватает, Alexa организует их доставку через Amazon. Приложение помогает пользователю пройти через различные этапы приготовления блюда. На протяжении всех этих шагов духовка предугадывает, как следует действовать в соответствии с конкретным рецептом - разогревать, выпекать или жарить, - автоматически изменяя свои настройки. Alexa в любой момент может добавить инструкции к приборам, например, "прекратить запекание" или "увеличить температуру в духовке", если это будет сделано с помощью голосовых команд пользователя.
Подключив свои холодильники и духовые шкафы и предложив услугу приготовления пищи через приложение Yummly, компания Whirlpool выходит за рамки простого поставщика Alexa. Она облегчает часть обмена, необходимого для желаемого сервиса платформы, а именно помощь в приготовлении пищи. Здесь следует отметить, что духовые шкафы являются естественным дополнением холодильников. То, что хранится в холодильнике, печь использует для приготовления пищи. Традиционно эти сервисы не были связаны между собой в цифровом виде. С помощью приложения Yummly компания Whirlpools соединяет их.
Кроме того, Whirlpool сотрудничает с Alexa для предоставления полного спектра услуг платформы помощи в приготовлении пищи. Например, Whirlpool полагается на Alexa и Amazon при организации поставок для пополнения запасов своих холодильников. Whirlpool могла бы делать это самостоятельно, но тогда она стала бы конкурировать с Amazon. Amazon имеет доступ к тем же данным, что и Whirlpool, через систему Dash или через пользователя холодильника, который может попросить Alexa пополнить запасы товара. Решив ограничить сферу применения своей платформы подмножеством необходимых обменов, компания Whirlpool избегает прямой конкуренции с Amazon. Whirlpool также понимает, что объем сенсорных данных, используемых ею для оказания помощи в приготовлении пищи, ограничен по сравнению с более широким набором услуг Alexa для "умного дома", частью которого является приготовление пищи. Поэтому лучшим вариантом для Whirlpool является разработка совместной привязанной цифровой платформы для своих "умных" холодильников и духовых шкафов.
Этот вариант схож с теми, которые используют платформы Spotify, специализирующаяся на потоковой передаче музыки, и Zynga, игровая платформа, сотрудничающие с социальной сетью Facebook. Spotify расширяет сферу своей деятельности за счет использования более широкой сети друзей Facebook, которые могут делиться музыкой, которую они транслируют. Zynga аналогичным образом расширяет сферу своей деятельности, используя друзей Facebook для поиска игроков в свои игры. Обе компании также избегают прямой конкуренции с Facebook. Facebook, в свою очередь, выигрывает от более сильных косвенных сетевых эффектов, поскольку Spotify и Zynga являются частью ее платформы. Так же как и Alexa, компания Whirlpool присоединяет к своей более широкой платформе домашних услуг нишевые сервисы помощи в приготовлении пищи.
Привязанные цифровые платформы
Этот вариант предназначен для продуктов с атрибутами сенсорных данных, обладающих значительным объемом и уникальностью; однако сенсорные данные такого рода могут столкнуться с множеством ограничений на обмен между взаимодополняющими организациями и потенциальными пользователями платформы.
В качестве примера здесь приводится компания Intuit, один из ведущих поставщиков программного обеспечения для управления бизнесом и финансами для потребителей, малых и средних предприятий (МСП) и специалистов по налогообложению. Компания Intuit начинала свою деятельность как производитель продуктов, предлагая их сначала в виде упакованного программного обеспечения, а затем в виде программного обеспечения как услуги (или SaaS). Одним из продуктов Intuit является QuickBooks, который помогает малым и средним предприятиям управлять своими бухгалтерскими потребностями, такими как начисление заработной платы, выставление счетов или оплата счетов. Программное обеспечение также выполняет роль датчика, собирая интерактивные данные, такие как данные о дебиторской задолженности, счетах-фактурах, запасах и уровне оборотного капитала. Эти данные привлекают несколько дополнений, таких как поставщики для оплаты, клиенты для получения денег, поставщики, которые могут пополнить запасы, или кредиторы, которые могут организовать краткосрочное кредитование. Соединяя их, QuickBooks выступает в роли платформы, предоставляющей клиентам Intuit такие услуги, как облегчение расчетов с поставщиками, своевременное получение денег, пополнение запасов и поддержание стабильного уровня оборотного капитала.
Платформа является привязанной цифровой платформой, поскольку она связана с базовым продуктом QuickBooks. Платформа также является привязанной цифровой платформой. Intuit предоставляет каждому клиенту возможность управлять собственной платформой, позволяя клиентам выбирать пользователей платформы - конкретных продавцов, клиентов и кредиторов - и предоставляя им свободу в определении объема услуг платформы в соответствии с их потребностями. Что особенно важно, именно клиенты Intuit, а не Intuit, решают, кого приглашать в качестве пользователей платформы для обмена данными. Это связано с тем, что клиенты Intuit являются владельцами данных, и они могут не захотеть, чтобы Intuit передавала их данные другим сторонним организациям без их согласия. Привязанная платформа позволяет Intuit расширить QuickBooks до цифровой платформы, которая позволяет клиентам компании сохранять свои права на обмен данными. Intuit предоставляет программное обеспечение, облако и инфраструктуру искусственного интеллекта, что позволяет нескольким клиентам управлять своими платформами независимо друг от друга.
Привязанная цифровая платформа подходит для многих компаний, работающих в сфере бизнеса, где продукт генерирует данные, которые должны быть переданы клиенту. Пример с локомотивом GE, упомянутый ранее, относится к этой категории. Локомотив GE генерирует сенсорные данные (ETA), обладающие широкими возможностями (хорошая ценность от согласования грузоотправителей с грузополучателями) и уникальностью (точные данные ETA). Однако эти данные принадлежат клиентам GE (железнодорожным компаниям) и предназначены для обмена с клиентами GE (грузоотправителями и грузополучателями). Такая схема ограничивает контроль GE над этими данными, делая привязанную цифровую платформу наиболее подходящим вариантом для GE в случае, если она захочет перевести свои локомотивы на цифровую платформу.
Гибридный подход
Каждый из четырех квадрантов, рассмотренных до сих пор, представляет собой стратегический вариант в чистом виде. Однако некоторые продукты могут использовать сочетание этих вариантов, чтобы сбалансировать различные сильные и слабые стороны, и соответствующим образом адаптировать свою привязанную цифровую платформу. Локомотивы GE могут использовать собственную полную цифровую платформу GE на основе соглашений с одними клиентами GE, в то время как другие клиенты могут использовать платформы с поддержкой. Компания Whirlpool является поставщиком Alexa для некоторых своих бытовых приборов (стиральных и сушильных машин), но в то же время она является совместной платформой с Alexa для своих холодильников и духовых шкафов. Гибридный подход помогает компаниям экспериментировать с различными вариантами и стратегически переходить от одного варианта к другому в зависимости от обстоятельств и бизнес-целей компании. В табл. 5.1 приведены различные варианты привязанных цифровых платформ.
Таблица 5.1
Краткое описание вариантов привязанных цифровых платформ
Тип
Поставщик для платформ
Совместная привязная платформа
Привязанная платформа с поддержкой
Полная привязная платформа
Гибридная привязная платформа
Основополагающий принцип
Участие в сторонних платформах в качестве поставщика
Запуск подплатформы на более крупной или мощной платформе стороннего производителя
Запуск платформы от имени клиентов
Запуск платформы напрямую
Смешивает два или более типов платформ.
Примеры
Смеситель Delta подключается к Alexa или Google Home.
Компания Whirlpool предлагает услуги помощи в приготовлении пищи через свои холодильники и духовые шкафы с помощью Alexa.
Intuit позволяет клиентам обмениваться данными с банками и поставщиками через свою бухгалтерскую платформу.
Компания Becton, Dickinson использует полную привязную платформу для насосов Alaris, обеспечивая безопасное и быстрое медицинское обслуживание.
Компания Whirlpool является поставщиком Alexa и управляет подплатформой на Alexa.
Владение платформой
Пока не является платформой
Принадлежит продуктовой фирме, но используется совместно с более мощной платформой
Принадлежит клиенту продуктовой фирмы
Полностью принадлежит продуктовой фирме
Собственные и общие
Право собственности на сенсорные данные
Передается на материнскую платформу
Принадлежит товарной фирме
Принадлежит клиенту продуктовой фирмы
Принадлежит товарной фирме
Собственные и общие
Стратегические выводы
Экосистемы потребления открывают перед унаследованными компаниями возможности для расширения стратегических горизонтов за счет новых платформенных услуг, основанных на данных. В экосистемах потребления данные, генерируемые продуктом, могут превратиться в стратегического партнера продукта, позволяя совместно находить новые ценностные предложения и новые способы получения доходов. В данной главе были рассмотрены конкретные способы, с помощью которых унаследованная фирма может добиться этого. Однако усилия фирм нуждаются в опоре на привязанные цифровые платформы; именно с их помощью унаследованные фирмы могут расширить свою стратегическую сферу от продуктов до услуг, основанных на данных, и использовать новые возможности в своих экосистемах потребления.
Когда компания обдумывает свой подход к созданию привязанной цифровой платформы, следующие три вопроса могут сформировать ее стратегическое мышление.
1. Какова наша стратегия в области сенсоров? Сенсорные данные лежат в основе коммерческой жизнеспособности привязанной цифровой платформы и ее конкурентоспособности. Три атрибута сенсорных данных - их объем, уникальность и контроль - являются важными факторами, определяющими, что продукт может делать с этими данными. Эти три атрибута также в значительной степени зависят от характера продукта, его основной функциональности и пользовательского интерфейса. Однако компании могут найти способы получения сенсорных данных с помощью инновационных пользовательских интерфейсов, которые усиливают атрибуты данных. Такие пользовательские интерфейсы не обязательно должны быть привязаны к основной функциональности продукта.
Примером может служить робот-пылесос Roomba компании iRobot, основной функцией которого является уборка пола. Он оснащен датчиками, которые помогают Roomba предвидеть препятствия, обходить их и более эффективно очищать пол. Представьте себе, что если бы датчики Roomba были модифицированы, то при сканировании пола они могли бы также обнаруживать мышиный помет, термитов или плесень. Такие датчики позволили бы расширить сферу применения Roomba, выйдя за рамки пылесоса. Используя данные датчиков, компания iRobot могла бы разработать привязанную цифровую платформу, которая связывала бы пользователей с поставщиками услуг по борьбе с вредителями и подрядчиками для решения проблем, связанных с вредителями или плесенью. Таким образом, компания iRobot могла бы расширить сферу своей деятельности от продажи роботов-пылесосов до новых платформенных услуг, основанных на данных и помогающих домовладельцам прогнозировать и защищать свою собственность от вредителей и плесени. Компания iRobot в настоящее время является поставщиком платформы Alexa (пользователь может активировать Roomba с помощью голосовых команд) и намерена расширить свою роль в качестве платформы. Добавив новые виды датчиков, компания iRobot может превратиться в совместную привязанную платформу, предлагая свои услуги по защите дома от вредителей или плесени на более широкой платформе домашних услуг Alexa.
2. Какова наша стратегия привлечения пользователей платформы? Три основных атрибута сенсорных данных - масштаб, уникальность и контроль - отражают потенциал сенсорных данных как основы для создания коммерчески жизнеспособной привязанной цифровой платформы. Однако для того чтобы платформа заработала, необходимо привлечь ее пользователей. Работа начинается с привлечения клиентов, которые начинают использовать свои продукты, оснащенные датчиками, и генерируют данные, которыми можно обмениваться с другими дополнениями и другими пользователями платформы. В главе 6 дается определение таких клиентов как "цифровые клиенты" и подробно описывается, как унаследованные фирмы могут привлечь их. После того как "цифровые" покупатели начинают генерировать данные о взаимодействии продуктов, следующим шагом является привлечение субъектов, которые дополняют эти данные, а именно других пользователей платформы.
Например, компания Tempur Sealy, производящая матрасы, представила линию матрасов с датчиками для определения частоты сердечных сокращений, дыхания и храпа во время сна. Компания, возможно, сначала захочет использовать уже существующие каналы маркетинга и дистрибуции для привлечения клиентов и продажи своей продукции, оснащенной датчиками. Компания также может решить установить датчики на уже проданные матрасы. Следующий шаг - поиск других пользователей платформы, особенно тех, кто может дополнить данные пользователя, чтобы помочь улучшить качество сна. К таким пользователям могут относиться поставщики интеллектуального регулируемого освещения или интеллектуальных музыкальных проигрывателей для улучшения качества сна. Они могут включать специалистов по апноэ сна для мониторинга нарушений сна пользователя.
Цифровые титаны давно освоили стратегии привлечения пользователей платформ, в частности, с помощью открытых API (см. главу 3). Открытые API привлекают разработчиков приложений и накладывают на них ответственность за поиск сторонних организаций, которые могут дополнять друг друга и обслуживать клиентов платформы. Цифровые титаны также разработали стратегии ценообразования, направленные как на привлечение пользователей платформы, так и на получение выгоды от них. Как мы видели в главе 2, Facebook субсидирует своих основных пользователей бесплатным доступом и получает прибыль от рекламодателей и разработчиков приложений. Наследственные компании могут искать аналогичные способы субсидирования одних пользователей и получения прибыли от других. Однако такой выбор влечет за собой значительные стартовые затраты и требует настойчивости для достижения успеха. В Главе 6 приведены примеры того, как компании-старожилы могут следовать этим лучшим практикам.
3. Какова наша оптимальная стратегия привязанной платформы? Наконец, компания должна определить, как наилучшим образом использовать свои сенсорные данные и пользователей платформы, чтобы предложить новые услуги платформы, основанные на данных, которые создадут конкурентные преимущества для компании. Помимо оценки сильных сторон своих сенсорных данных, пользователей платформы и услуг платформы, унаследованные фирмы должны рассмотреть, как сильные стороны их преобладающих продуктов могут помочь усилить сильные стороны предлагаемой платформы.
Например, для производителя спортивной обуви поиск оптимального подхода к конкуренции в качестве привязанной цифровой платформы включает два этапа. На первом этапе необходимо оценить сенсорные атрибуты продукта и представить себе его предполагаемый платформенный сервис и его коммерческую жизнеспособность. Сначала оценим три атрибута сенсорных данных спортивной обуви. Сенсорные данные о беге имеют большой охват, учитывая коммерческую ценность связи бегунов с другими бегунами или спортивными тренерами. Уникальность сенсорных данных может быть умеренной, поскольку существуют другие потенциальные конкуренты, такие как Apple, Garmin или Fitbit, которые имеют доступ к аналогичным данным. Контроль сенсорных данных может быть высоким, если предположить, что большинство пользователей спортивной обуви будут готовы поделиться своими данными для получения дополнительных услуг. Учитывая эти характеристики, производитель обуви может счесть ценностное предложение платформы, связывающей бегунов с другими бегунами и спортивными тренерами, заслуживающим дальнейшего рассмотрения. Теперь он может выбрать оптимальный вариант привязанной цифровой платформы.
Здесь необходимо пройти второй этап. Этот шаг предполагает учет преобладающих сильных сторон и конкурентное позиционирование своего основного продукта. Такой лидер рынка, как Nike, может использовать свой мощный брендинг и операционный масштаб в бизнесе, ориентированном на фитнес-услуги. Для Nike полная привязка к платформе может показаться оптимальным вариантом. Для компаний второго уровня угроза появления потенциальных конкурентов в предполагаемом сервисном пространстве платформы может показаться более зловещей. Для них лучшим вариантом может стать совместная платформа. В качестве альтернативы они могут экспериментировать с гибридным подходом. Для небольших компаний может оказаться более целесообразным быть поставщиком доминирующей платформы спортивных услуг.
ТЕЛЕГРАМКанал с обзорами, анонсами новинок и книжными подборками
Книжный Вестник
Бот для удобного поиска книг (если не нашлось на сайте)
Поиск книг
Свежие любовные романы в удобных форматах
Любовные романы
О психологии, саморазвитии и личностном росте
Саморазвитие
Детективы и триллеры, все новинки
Детективы
Фантастика и фэнтези, все новинки
Фантастика
Отборные классические книги
Классика
ВКОНТАКТЕБиблиотека с любовными романами, которая наверняка придётся по вкусу женской части аудитории
Любовные романы
Библиотека с фантастикой и фэнтези, а также смежных жанров
Фантастика
Самые популярные книги в формате фб2
Топ фб2
книги