怎么赢得竞争2:最近给一位做AI的客户交付时,我意识到,
对一些做AI应用层业务的公司来说,还远没有到拼数据量的时候。
事情是这样的。
我的客户计划收购一家有不少和他业务数据高度类似的公司,如果收购,就能大幅扩充自己的数据量。
他之所以想收购,是因为套用亚马逊的飞轮理论,AI应用层业务有个非常明显的增长飞轮——
(1)我的业务规模越大,就会拥有越多的数据。
(2)数据量越大,模型越好。
(3)模型越好,2C的用户会越喜欢/2B的我会越挣钱。
(4)这又会换得更大的业务规模。
在有AI业务之前,他们并不做赔钱业务。
但这次AI业务哪怕赔钱、但能得到数据,他们也会考虑做。
毕竟数据量决定了服务能力。
这才会考虑收购那家公司的数据。
逻辑很顺,但当我深入了解之后,建议是“先不收购”。
1、
为什么呢?
原因在于,过去一段时间,数据量的提升,已经不能再给他们带来模型效果的提升了。
他们的服务并不复杂。
大量需要模型产生的对话,背后的逻辑是重复的。
这些重复的逻辑,是他的标注团队能识别出来,反馈给模型的。
所以,如果是他们已经意识到的逻辑,模型已经实现得很好了。
那这个时候,再增加数据量,只有一个目的:
就是发现原有数据中没有涵盖的新逻辑——
假如一种只要应用了就会提升对话效果的对话逻辑,在自然的对话数据中出现的概率只有十万分之一。
那么只有数据量增加,这个逻辑才会在对话数据中更多次的出现。
但是,模型能意识到这是个更好的对话逻辑的前提是,甭管是通过标注团队的识别、还是通过数据,得有人告诉模型,这个逻辑出现的对话是更好的对话。
模型才会有意应用。
可是,当前他们遇到的瓶颈根本不是数据,而是标注团队的认知。
即便你给他更好的数据,数据背后有全新的逻辑,团队也看不出来。
同时,他的用户量级不够,又不支持通过数据反馈,来发现好数据。
这个时候,数据量对他并没有太多意义。
这就好比,炉子大小有限,已经塞满了,再添柴也不会让炉子烧得更旺。
在他没有能力把更大量的数据,转化成模型效果之前,增加数据量是没有意义的。
那应该怎么办呢?
要想办法先提高团队的数据敏感度——
要么提高自己的业务理解,要么建立数据体系。
总之,要让自己的团队,能把海量数据中更好的数据识别出来。
这个时候,如果发现,对数据的标准提升后,好数据的数量不足了,可以再考虑要不要通过收购来解决问题。
2、
这个背后,其实也关乎竞争。
很多企业在面临竞争时,总以为我争夺的是规模、规模最大我就赢了。
其实不是这样的。
你规模再大,但竞争对手的服务比你好、价格(成本)比你低。
用户分分钟就会被抢走。
所以,才会有很多规模领先的企业,被后来者以极短时间抢走了市场。
既然规模不是关键,那什么是关键呢——
你能否能把规模优势,充分转化成给消费者的体验优势和效率优势。
当你有了用户规模、挣到了更多的钱,
这些钱投到哪里,可以让你的体验更好?
所以,在做消费品时,有了规模,要花在提高产品能力上。
靠更好的体验、更好的品质,才能驱动健康的增长。
这些钱投到哪里,可以让你的效率更高?
所以,在做连锁时,不能光追求门店数。
要花钱投入在对门店的管控、督导体系的建设上,这样规模越大、管理效率才会更高。
所以,最终能在市场中占住位置的人,一定是同时做到了两件事:
第一,率先拥有了足够大的规模。
第二,将规模转化成体验和效率优势,赢得消费者、客户持续的选择。
这个规模所转化而来的体验或效率优势,就是所谓的“护城河”。
当你看到一个企业,规模虽然很大、但在转化成体验和效率的优势上很不充分,并不拥有强大的护城河。
不用怕,抓住这一点,完全有机会超过它。