Cuando los datos crean una ventaja competitiva

Resumen.

Muchos ejecutivos asumen que los datos de los clientes pueden proporcionarle una ventaja inmejorable. Cuantos más clientes tengas, más datos podrás recopilar y esos datos, al analizarlos, te permitirán ofrecer un mejor producto que atraiga a más clientes. A continuación, puede recopilar aún más datos, repitiendo el ciclo hasta que finalmente margine a sus competidores. Pero este pensamiento suele ser erróneo. Aunque los ciclos virtuosos del aprendizaje basado en datos pueden parecerse a los de los efectos de red, en los que una oferta aumenta de valor para los usuarios a medida que más personas la adoptan y, en última instancia, obtiene una masa crítica de usuarios que excluye a los competidores, no son tan poderosos ni tan duraderos.

Sin embargo, en las condiciones adecuadas, los datos de los clientes pueden ayudar a crear defensas competitivas. Todo depende de si los datos ofrecen un valor alto y duradero, son propietarios, conducen a mejoras que no se pueden imitar fácilmente o si generan información que se puede incorporar rápidamente. Esas características dan una ventaja a las empresas. Y cuando aprender de un cliente mejora rápidamente una oferta para otros (piensa en Google Maps), a la gente le importará cuántas personas la están adoptando y disfrutará de esos efectos de red tan buscados.

Idea en resumen

La suposición

Las empresas pueden crear posiciones en las que el ganador se lo lleva todo mediante la recopilación y el análisis de los datos de los clientes. Cuantos más clientes tenga una empresa, más datos podrá recopilar y extraer; la información resultante le permite ofrecer un mejor producto que atrae a más clientes, de los que puede recopilar aún más datos.

La realidad

Incluso cuando los datos de los clientes confieren una ventaja competitiva, producen efectos en la red con poca frecuencia. Y tal vez esa ventaja no dure.

La solución

Para comprender la ventaja que puede proporcionar el aprendizaje basado en datos, las empresas deben responder a siete preguntas, que examinan el valor de los datos; si su valor marginal disminuye rápidamente; qué tan rápido se vuelve obsoleto; si son propietarios; si las mejoras se pueden imitar fácilmente; si mejorar el producto para los usuarios actuales, otros usuarios o ambos; y con qué rapidez se pueden incorporar los conocimientos en los productos.

Muchos ejecutivos e inversores asumen que es posible utilizar las capacidades de datos de los clientes para obtener una ventaja competitiva insuperable. Cuantos más clientes tengas, más datos podrás recopilar y esos datos, cuando se analizan con herramientas de aprendizaje automático, te permiten ofrecer un mejor producto que atraiga a más clientes. A continuación, puede recopilar aún más datos y, finalmente, marginar a sus competidores de la misma manera que lo hacen las empresas con efectos de red considerables. O eso es lo que se piensa. La mayoría de las veces, esta suposición es errónea. En la mayoría de los casos, la gente sobrestima en gran medida la ventaja que confieren los datos.

Los ciclos virtuosos generados por el aprendizaje basado en datos pueden parecerse a los de los efectos de red habituales, en los que una oferta, como una plataforma de redes sociales, se vuelve más valiosa a medida que más personas la utilizan y, en última instancia, genera una masa crítica de usuarios que excluye a la competencia. Sin embargo, en la práctica, los efectos de red regulares duran más y tienden a ser más potentes. Para establecer la posición competitiva más sólida, los necesitas y aprendizaje habilitado para datos. Sin embargo, pocas empresas son capaces de desarrollar ambas cosas. Sin embargo, en las condiciones adecuadas, los datos generados por el cliente pueden ayudarle a crear defensas competitivas, incluso si los efectos de red no están presentes. En este artículo te explicaremos cuáles son esas condiciones y te explicaremos cómo evaluar si se aplican a tu negocio.

¿Qué ha cambiado?

Las empresas basadas en datos existen desde hace mucho tiempo. Tomemos las agencias de crédito y los agregadores de información LexisNexis, Thomson Reuters y Bloomberg, por nombrar algunos. Estas empresas están protegidas por importantes barreras de entrada debido a las economías de escala que implican adquirir y estructurar enormes cantidades de datos, pero sus modelos de negocio no implican extraer datos de los clientes y extraerlos para entender cómo mejorar las ofertas.

La recopilación de información de los clientes y su uso para crear mejores productos y servicios es una estrategia antigua, pero el proceso solía ser lento, de alcance limitado y difícil de escalar. Para los fabricantes de automóviles, las empresas de productos envasados para el consumidor y muchos otros fabricantes tradicionales, era necesario analizar los datos de ventas, realizar encuestas a los clientes y celebrar grupos focales. Sin embargo, los datos de ventas a menudo no estaban vinculados a clientes individuales y, dado que las encuestas y los grupos de discusión eran costosos y requerían mucho tiempo, solo se recopilaron datos de un número relativamente pequeño de clientes.

Esto cambió drásticamente con la llegada de la nube y las nuevas tecnologías que permiten a las empresas procesar y dar sentido rápidamente a grandes cantidades de datos. Los productos y servicios conectados a Internet ahora pueden recopilar directamente información sobre los clientes, incluidos sus datos personales, comportamiento de búsqueda, opciones de contenido, comunicaciones, publicaciones en redes sociales, ubicación GPS y patrones de uso. Después de que los algoritmos de aprendizaje automático analizan este «escape digital», las ofertas de una empresa se pueden ajustar automáticamente para reflejar los resultados e incluso adaptarlas a las personas.

Estos desarrollos hacen que el aprendizaje basado en datos sea mucho más potente que el conocimiento de los clientes que las empresas produjeron en el pasado. Sin embargo, no garantizan barreras defendibles.

Construir fosos con aprendizaje basado en datos

Para determinar en qué medida una ventaja competitiva proporcionada por el aprendizaje basado en datos es sostenible, las empresas deben responder a siete preguntas:

1. ¿Cuánto valor agregan los datos del cliente en relación con el valor independiente de la oferta?

Cuanto mayor sea el valor añadido, mayor será la probabilidad de que cree una ventaja duradera. Veamos un negocio en el que el valor de los datos de los clientes es muy alto: Mobileye, el proveedor líder de sistemas avanzados de asistencia al conductor (ADAS), que incluyen advertencias de prevención de colisiones y de salida de carril para vehículos. Mobileye vende sus sistemas principalmente a fabricantes de automóviles, que los prueban exhaustivamente antes de incorporarlos a sus productos. Es fundamental que los sistemas sean a prueba de fallos y los datos de las pruebas son esenciales para mejorar su precisión. Al recopilarlo de docenas de sus clientes, Mobileye ha podido aumentar la precisión de sus ADAS al 99,99%.

Si bien las perspectivas de los datos son poderosas, no garantizan barreras defendibles.

Por el contrario, el valor de aprender de los clientes es relativamente bajo para los fabricantes de televisores inteligentes. Algunos ahora incluyen software que puede proporcionar recomendaciones personalizadas para programas o películas basadas en los hábitos de visualización de una persona, así como en lo que es popular entre otros usuarios. Hasta el momento, a los consumidores no les importa mucho esta función (que también ofrecen proveedores de servicios de streaming como Amazon y Netflix). Consideran en gran medida el tamaño del televisor, la calidad de imagen, la facilidad de uso y la durabilidad a la hora de tomar decisiones de compra. Si aprender de los clientes fuera un factor más importante, quizás el negocio de los televisores inteligentes sería menos competitivo.

2. ¿Con qué rapidez desciende el valor marginal del aprendizaje habilitado para datos?

En otras palabras, ¿qué tan pronto llega la empresa a un punto en el que los datos adicionales de los clientes ya no aumentan el valor de una oferta? Cuanto más lentamente disminuya el valor marginal, más fuerte será la barrera. Tenga en cuenta que, al responder a esta pregunta, debe juzgar el valor del aprendizaje por la disposición de los clientes a pagar y no por alguna otra medida específica de la aplicación, como el porcentaje de consultas de chat-bot que se pudieron responder correctamente o la fracción de veces que se hizo clic en una recomendación de película.

Supongamos que ha graficado la precisión de ADAS de Mobileye en función del uso del cliente (millas totales recorridas por los fabricantes de automóviles que lo prueban) y ha encontrado que unos pocos fabricantes y un nivel moderado de pruebas serían suficientes para lograr, por ejemplo, una precisión del 90%, pero que muchas más pruebas con un conjunto más grande de automóviles se necesitarían fabricantes para llegar al 99%, y mucho menos al 99,99%. Interpretar esto en el sentido de que el valor marginal de los datos del cliente está disminuyendo rápidamente sería, por supuesto, incorrecto: el valor de la mejora adicional de 9 puntos porcentuales (o incluso 0,99 puntos) en la precisión sigue siendo extremadamente alto, dadas las implicaciones de vida o muerte. Sería difícil para cualquier fabricante de automóviles, incluso el más grande, generar la cantidad necesaria de datos por sí solo o para que cualquier competidor potencial de Mobileye replicara los datos. Por eso Mobileye logró forjarse una posición dominante en el mercado de ADAS, lo que la convirtió en una adquisición muy atractiva para Intel, que la compró por 15.000 millones de dólares en 2017.

Cuando el valor marginal de aprender de los datos de los clientes sigue siendo alto incluso después de haber adquirido una base de clientes muy grande, los productos y servicios suelen tener ventajas competitivas significativas. Esto se puede ver con sistemas diseñados para predecir enfermedades raras (como los que ofrece RDMD) y motores de búsqueda online como Baidu y Google. Aunque Microsoft ha invertido muchos años y miles de millones de dólares en Bing, no ha podido sacudir el dominio de Google en las búsquedas. Los motores de búsqueda y los sistemas de predicción de enfermedades necesitan grandes cantidades de datos de los usuarios para proporcionar resultados fiables y consistentes.

Un contraejemplo de un negocio en el que el valor marginal de los datos de los usuarios disminuye rápidamente son los termostatos inteligentes. Estos productos solo necesitan unos días para conocer las preferencias de temperatura de los usuarios a lo largo del día. En este contexto, el aprendizaje basado en datos no puede proporcionar una gran ventaja competitiva. Aunque lanzó los primeros termostatos inteligentes que aprenden del comportamiento de los clientes en 2011, Nest (adquirido por Google en 2014) enfrenta ahora una competencia significativa de jugadores como Ecobee y Honeywell.

3. ¿Con qué rapidez se deprecia la relevancia de los datos de los usuarios?

Si los datos se vuelven obsoletos rápidamente, en igualdad de condiciones, será más fácil para un rival entrar en el mercado, porque no es necesario que coincida con los años de aprendizaje de los datos del titular.

Todos los datos que Mobileye ha acumulado a lo largo de los años de los fabricantes de automóviles siguen siendo valiosos en las versiones actuales de sus productos. También lo hacen los datos sobre los usuarios de los motores de búsqueda que Google ha recopilado durante décadas. Aunque las búsquedas de algunos términos pueden volverse raras con el tiempo, mientras que las búsquedas de otros nuevos pueden empezar a aparecer con mayor frecuencia, contar con años de datos de búsqueda históricos es de innegable valor para servir a los usuarios actuales. La baja tasa de depreciación de sus datos ayuda a explicar por qué tanto Mobileye como Google Search han demostrado ser empresas muy resistentes.

Sin embargo, con los juegos sociales casuales para ordenadores y dispositivos móviles, el valor de aprender de los datos de los usuarios tiende a disminuir rápidamente. En 2009 este mercado despegó cuando Zynga presentó su exitoso juego FarmVille. Si bien la empresa era famosa por depender en gran medida de la analítica de datos de usuario para tomar decisiones de diseño, resultó que los conocimientos aprendidos de un juego no se transfirieron muy bien al siguiente: los juegos sociales casuales están sujetos a modas y las preferencias de los usuarios cambian rápidamente con el tiempo, lo que dificulta la creación ventajas competitivas sostenibles basadas en datos. Después de algunos éxitos más, incluyendo FarmVille 2 y CityVille, Zynga dejó de producir nuevos éxitos y en 2013 perdió casi la mitad de su base de usuarios. Fue reemplazado por creadores de juegos como Supercell (Clash of Clans) y Epic Games (Fortnite). Tras alcanzar un máximo de 10.400 millones de dólares en 2012, el valor de mercado de Zynga languideció por debajo de los 4.000 millones de dólares durante la mayor parte de los próximos seis años.

4. ¿Los datos son de propiedad exclusiva, lo que significa que no se pueden comprar de otras fuentes, copiarlos fácilmente ni aplicar ingeniería inversa?

Tener datos únicos de los clientes con pocos sustitutos o ningún sustituto es fundamental para crear una barrera defendible. Pensemos en Adaviv, una start-up emergente del área de Boston en la que hemos invertido, que ofrece un sistema de gestión de cultivos que permite a los cultivadores (ahora principalmente de cannabis) controlar continuamente las plantas individuales. El sistema se basa en la IA, el software de visión por computadora y una técnica patentada de anotación de datos para rastrear la biometría de las plantas que no es visible para el ojo humano, como los primeros signos de enfermedad o la falta de nutrientes adecuados. A continuación, traduce los datos en información que los productores pueden utilizar para prevenir brotes de enfermedades y mejorar los rendimientos. Cuantos más productores atiende Adaviv, mayor será la gama de variantes, condiciones agrícolas y otros factores sobre los que podrá conocer, y mayor será la precisión de sus predicciones para clientes nuevos y existentes. Compare su situación con la de los proveedores de filtros de spam, que pueden adquirir datos de usuario a un precio relativamente bajo. Esto ayuda a explicar la existencia de docenas de proveedores de este tipo.

Es importante tener en cuenta que el progreso tecnológico puede socavar una posición basada en datos únicos o patentados. Un ejemplo de ello es el software de reconocimiento de voz. Históricamente, los usuarios necesitaban entrenar el software para que comprendiera sus voces y patrones de habla individuales, y cuanto más lo usaba una persona, más preciso era. Este mercado estuvo dominado por las soluciones Dragon de Nuance durante muchos años. Sin embargo, en la última década se han producido mejoras rápidas en los sistemas de reconocimiento de voz independientes de los altavoces, que pueden entrenarse con conjuntos de datos de voz disponibles públicamente y tardar poco o nada en aprender a entender la voz de un nuevo hablante. Estos avances han permitido a muchas empresas ofrecer nuevas aplicaciones de reconocimiento de voz (servicio al cliente automatizado por teléfono, servicios automatizados de transcripciones de reuniones, asistentes virtuales) y están ejerciendo una presión cada vez mayor sobre Nuance en sus mercados principales.

5. ¿Qué tan difícil es imitar las mejoras de los productos basadas en los datos de los clientes?

Incluso cuando los datos son únicos o de propiedad exclusiva y producen información valiosa, es difícil crear una ventaja competitiva duradera si los competidores pueden copiar las mejoras resultantes sin datos similares.

Hay un par de factores que afectan a la capacidad de las empresas para superar este desafío. Una es si las mejoras están ocultas o están profundamente integradas en un proceso de producción complejo, lo que dificulta su replicación. Pandora, el servicio de streaming de música, se beneficia de esta barrera. Su oferta aprovechó el proyecto Music Genome Project, patentado por la firma, que categorizó millones de canciones sobre la base de unos 450 atributos, lo que permitió a Pandora personalizar las emisoras de radio según las preferencias de los usuarios individuales. Cuanto más escucha un usuario sus emisoras y califica las canciones hacia arriba o hacia abajo, mejor podrá Pandora adaptar las selecciones musicales a ese usuario. Tal personalización no puede ser imitada fácilmente por ningún rival porque está profundamente ligada al Proyecto Genoma de la Música. Por el contrario, las mejoras de diseño basadas en el aprendizaje del uso por parte de los clientes de muchos productos de software de productividad de oficina, como Calendly para coordinar calendarios y Doodle para sondear a las personas sobre los horarios de las reuniones, se pueden observar y copiar fácilmente. Es por eso que decenas de empresas ofrecen software similar.

Keith Negley

El segundo factor es la rapidez con que cambian los conocimientos de los datos de los clientes. Cuanto más rápido lo hacen, más difícil será para los demás imitarlos. Por ejemplo, muchas funciones de diseño de la interfaz de Google Maps se pueden copiar fácilmente (y Apple Maps las ha hecho, entre otras). Sin embargo, una parte clave del valor de Google Maps es su capacidad para predecir el tráfico y recomendar rutas óptimas, que es mucho más difícil de copiar porque aprovecha los datos de los usuarios en tiempo real que se vuelven obsoletos en cuestión de minutos. Solo las empresas con bases de usuarios igualmente grandes (como Apple en Estados Unidos) pueden esperar replicar esa función. Apple Maps está cerrando la brecha con Google Maps en Estados Unidos, pero no en países donde Apple tiene una base de usuarios relativamente pequeña.

6. ¿Los datos de un usuario ayudan a mejorar el producto para el mismo usuario o para otros?

Idealmente, hará ambas cosas, pero la diferencia entre ambos es importante. Cuando los datos de un usuario mejoran el producto para esa persona, la empresa puede personalizarlo individualmente, lo que genera costos de cambio. Cuando los datos de un usuario mejoran el producto para otros usuarios, esto puede crear efectos de red, pero no. Ambos tipos de mejoras ayudan a proporcionar una barrera de entrada, pero la primera hace existente clientes muy pegajosos, mientras que este último proporciona una ventaja clave a la hora de competir por nuevo clientes.

Por ejemplo, Pandora fue el primer gran jugador en streaming de música digital, pero luego se quedó atrás de Spotify y Apple Music, que siguen creciendo. Como hemos señalado, el principal punto de venta de Pandora es que puede adaptar las estaciones a los gustos de cada usuario. Pero el aprendizaje entre los usuarios es muy limitado: los votos positivos o negativos de un usuario individual permiten a Pandora identificar los atributos de música que le gustan al usuario y luego ofrecer canciones a esa persona compartiendo esos atributos. Por el contrario, Spotify se centró mucho más en proporcionar a los usuarios funciones de compartición y descubrimiento, como la capacidad de buscar y escuchar las emisoras de otras personas, creando así efectos de red directos y atrayendo a más clientes. El servicio de Pandora sigue estando disponible solo en Estados Unidos (donde tiene una base de usuarios fieles), mientras que Spotify y Apple Music se han convertido en actores globales. Y aunque Sirius XM adquirió Pandora por 3.500 millones de dólares en febrero de 2019, Spotify se convirtió en una empresa pública en abril de 2018 y, a principios de noviembre de 2019, tenía un valor de 26.000 millones de dólares. Claramente, la personalización basada en el aprendizaje de los datos de un usuario individual ayuda a mantener a los clientes existentes encerrados, pero no conduce al tipo de crecimiento exponencial que producen los efectos de red.

7. ¿Con qué rapidez se pueden incorporar los conocimientos de los datos de los usuarios en los productos?

Los ciclos de aprendizaje rápidos dificultan que los competidores se pongan al día, especialmente si se producen varios ciclos de mejora del producto durante el contrato promedio del cliente. Pero cuando se necesitan años o generaciones sucesivas de productos para realizar mejoras basadas en los datos, los competidores tienen más posibilidades de innovar en el ínterin y empezar a recopilar sus propios datos de usuario. Por lo tanto, la ventaja competitiva de los datos de los clientes es mayor cuando se aprende de de hoy clientes se traduce en mejoras más frecuentes del producto para esos mismos clientes en lugar de solo para futuro clientes del producto o servicio. Varios de los ejemplos de productos que ya hemos comentado (mapas, motores de búsqueda y sistemas de gestión de cultivos basados en IA) se pueden actualizar rápidamente para incorporar el aprendizaje de los clientes actuales.

Un contraejemplo lo ofrecen los prestamistas directos en línea, como LendUp y LendingPoint, que aprenden a tomar mejores decisiones sobre préstamos examinando el historial de pagos de los usuarios y cómo se correlaciona con varios aspectos de los perfiles y el comportamiento de los usuarios. Aquí, el único aprendizaje que es relevante para actual prestatarios es que desde anterior prestatarios, lo que ya se refleja en los contratos y las tasas que se ofrecen a los prestatarios actuales. No hay razón para que los prestatarios se preocupen por cualquier aprendizaje futuro del que el prestamista pueda beneficiarse, ya que sus contratos existentes no se verán afectados. Por esa razón, los clientes no se preocupan por cuántos otros prestatarios se inscribirán al decidir si toman un préstamo de un prestamista en particular. Los prestatarios existentes podrían preferir seguir con sus prestamistas actuales, que los conocen mejor que otros prestamistas, pero el mercado para los nuevos prestatarios sigue siendo muy competitivo.

¿Los datos confieren efectos de red?

Las respuestas a las preguntas 6 y 7 le indicarán si el aprendizaje habilitado para datos creará verdaderos efectos de red. Cuando aprender de un cliente se traduce en una mejor experiencia para otros clientes y cuando ese aprendizaje se puede incorporar a un producto lo suficientemente rápido como para beneficiar a sus usuarios actuales, los clientes se preocuparán por cuántas otras personas están adoptando el producto. El mecanismo que se está trabajando aquí es muy similar al de los efectos de red subyacentes en las plataformas en línea. La diferencia es que los usuarios de la plataforma prefieren unirse a redes más grandes porque quieren que más personas interactúen con ellas, no porque más usuarios generen más conocimientos que mejoren los productos.

Echemos un vistazo a Google Maps de nuevo. Los conductores lo utilizan en parte porque esperan que muchos otros también lo utilicen, y cuantos más datos de tráfico obtenga el software de ellos, mejores serán sus predicciones sobre las condiciones de las carreteras y los tiempos de viaje. Google Search y el sistema de gestión de cultivos basado en IA de Adaviv también disfrutan de efectos de red habilitados para datos.

A menudo, las empresas pueden igualar el terreno de juego comprando datos de fuentes alternativas.

Al igual que los efectos de red habituales, los que tienen datos habilitados pueden crear barreras de entrada. Ambos tipos de efectos presentan un enorme desafío de arranque en frío, o de gallina o huevo: las empresas que pretenden crear efectos de red regulares deben atraer a un número mínimo de usuarios para comenzar los efectos, y aquellos que buscan lograr efectos de red habilitados para datos necesitan cierta cantidad inicial de datos para iniciar el virtuoso ciclo de aprendizaje.

A pesar de estas similitudes, los efectos de red regulares y los efectos de red habilitados para datos tienen diferencias clave y tienden a reforzar las ventajas basadas en los habituales. En primer lugar, el problema del arranque en frío suele ser menos grave con los efectos de red habilitados para datos, porque comprar datos es más fácil que comprar clientes. A menudo, las fuentes alternativas de datos, aunque no sean perfectas, pueden nivelar significativamente el campo de juego eliminando la necesidad de contar con una gran base de clientes.

En segundo lugar, para producir efectos de red duraderos y habilitados para datos, la empresa debe trabajar constantemente para aprender de los datos de los clientes. Por el contrario, como ha dicho a menudo el cofundador de Intuit, Scott Cook, «los productos que se benefician de los efectos de red [regulares] mejoran mientras duermo». Con efectos de red regulares, las interacciones entre los clientes (y posiblemente con proveedores externos de ofertas complementarias) crean valor incluso si la plataforma deja de innovar. Incluso si una nueva red social ofreciera a los usuarios funciones objetivamente mejores que Facebook (por ejemplo, una mejor protección de la privacidad), tendría que lidiar con los poderosos efectos de red de Facebook: los usuarios quieren estar en la misma plataforma social que la mayoría de los demás usuarios.

En tercer lugar, en muchos casos, casi todos los beneficios de aprender de los datos de los clientes se pueden lograr con un número relativamente bajo de clientes. Además, en algunas aplicaciones (como el reconocimiento de voz), las mejoras drásticas en la IA reducirán la necesidad de datos de los clientes hasta el punto de que el valor del aprendizaje basado en datos desaparezca por completo. Por otro lado, los efectos de red regulares se extienden aún más y son más resistentes: un cliente adicional suele aumentar el valor para los clientes existentes (que pueden interactuar o realizar transacciones con él), incluso cuando el número de clientes existentes ya es muy grande.

CONCLUSIÓN

A medida que incluso los productos de consumo más mundanos se vuelven inteligentes y están conectados (por ejemplo, los nuevos tipos de ropa, ahora pueden reaccionar a las condiciones climáticas y hacer un seguimiento del kilometraje y los signos vitales), el aprendizaje basado en datos se utilizará para mejorar y personalizar cada vez más ofertas. Sin embargo, sus proveedores no crearán posiciones competitivas sólidas a menos que el valor añadido de los datos de los clientes sea alto y duradero, que los datos sean de propiedad exclusiva y conduzcan a mejoras de productos difíciles de copiar o que el aprendizaje basado en datos genere efectos en la red.

En las próximas décadas, mejorar las ofertas con los datos de los clientes será un requisito previo para mantenerse en el juego, y puede dar a los titulares una ventaja sobre los nuevos participantes. Pero en la mayoría de los casos no generará una dinámica en la que el ganador se lo lleve todo. En cambio, las empresas más valiosas y poderosas para el futuro previsible serán aquellas que se basen en efectos de red regulares y se realzan mediante el aprendizaje basado en datos, como los mercados de Alibaba y Amazon, la App Store de Apple y las redes sociales de Facebook.

— Escrito por Andrei Hagiu Andrei Hagiu Julian Wright