क्षमा करें, डेटा वास्तव में नया तेल नहीं है

इसे सुनकर कोई भी यह मान लेगा कि सभी ई-कॉमर्स कंपनियां मुट्ठी भर पैसा कमा रही हैं और सभी भौतिक खुदरा शृंखलाएं बंद करने पर विचार कर रही हैं।

हर कोई – एक उद्यम पूंजी फर्म के विश्लेषक से लेकर बी.स्कूल के एक छात्र तक – आपको बताएगा कि एक ई-कॉमर्स कंपनी यह पता लगा सकती है कि क्या आपके घर पर कोई बच्चा है (क्योंकि आप डायपर ऑर्डर कर रहे हैं) और इस ज्ञान का उपयोग कर सकते हैं ताकि आप अन्य शिशु उत्पाद खरीद सकें। इस तरह के बयान आम हैं और जब तक आप गहराई में नहीं जाते तब तक अच्छे लगते हैं।

इस तरह के बयान के पीछे अंतर्निहित मौन धारणा यह है कि आप वर्तमान में इन उत्पादों को किसी अन्य स्टोर से खरीद रहे हैं क्योंकि आपको नहीं पता था कि इस ई-कॉमर्स प्लेटफॉर्म पर ये उत्पाद हैं; आपने दूसरे स्टोर पर जाने के लिए कष्ट तो उठाया, लेकिन खोज विकल्प का उपयोग करके प्लेटफ़ॉर्म पर जांच करने की भी जहमत नहीं उठाई। या, शायद, एक माता-पिता के रूप में आप इस बात से अनजान थे कि आपके बच्चे को इन उत्पादों की भी आवश्यकता है, और यदि आपको ये उत्पाद दिखाए जाएं तो आप उन्हें खरीद लेंगे।

वास्तविकता की जांच

आइए हम BigBasket या Amazon जैसी ऑनलाइन ई-कॉमर्स कंपनी को लें। इनमें से प्रत्येक कंपनी के पास अपने ग्राहकों के बारे में जितना डेटा है वह हैरान करने वाला है। उनके ऐप या वेबसाइट पर प्रत्येक क्लिक को बड़े-डेटा फ्रेमवर्क का उपयोग करके परिष्कृत उपकरणों के माध्यम से ट्रैक किया जाता है।

प्रत्येक क्लिक और प्रत्येक खरीदारी का सटीक विवरण लिया जाता है और खरीद पैटर्न, ब्रांड प्राथमिकताओं, जीवनशैली विकल्पों, मूल्य संवेदनशीलता और उपभोक्ता के व्यक्तित्व के अन्य तत्वों के लिए विश्लेषण किया जाता है। पारिवारिक आय के लिए सरोगेट डेटा, भले ही यह केवल आंशिक रूप से सांकेतिक हो, प्रीमियम ब्रांडों या आवासीय पते के लिए प्राथमिकता के रूप में, इन कंपनियों के पास भी उपलब्ध है।

विचार यह है कि ग्राहक डेटा के इस विशाल भंडार का उपयोग अंतर्दृष्टि उत्पन्न करने के लिए किया जाए जो प्रतिधारण को बढ़ाएगा और ग्राहक वॉलेट का अधिक हिस्सा प्राप्त करेगा। ग्राहक बटुए का अधिक हिस्सा प्राप्त करने का एक तंत्र अंतर्दृष्टि के आधार पर ‘खरीद सिफारिशें’ करना है।

बिगबास्केट जैसे ई-कॉमर्स प्लेटफॉर्म पर, जब आप अपना ऑर्डर देने के लिए ‘अक्सर खरीदे जाने वाले आइटम’ की सूची को नीचे स्क्रॉल करते हैं, तो कुछ आइटम होंगे जो आपके लिए ‘अनुशंसित’ होंगे। आमतौर पर, बार-बार खरीदी जाने वाली वस्तुओं की सूची में अनुशंसाओं की संख्या लगभग 5% होती है। और सफलता दर – जिसे ग्राहक द्वारा वास्तव में खरीदी गई अनुशंसित वस्तुओं के प्रतिशत के रूप में परिभाषित किया गया है – लगभग 2% है। दूसरे शब्दों में, सिफारिशों के कारण ऑर्डर मूल्य में वृद्धि लगभग एक प्रतिशत का दसवां हिस्सा (5% का 2%) है।

इसलिए, यदि आपकी टोकरी का आकार एक हजार रुपये है, तो यह डेटा क्रंचिंग और अंतर्दृष्टि इंजन केवल इसे एक रुपये तक बढ़ाना है। ऐसा कुछ भी करना जिससे ग्राहक के बास्केट मूल्य में वृद्धि हो, तब तक पूरी तरह से समझ में आता है जब तक कि ऐसा करने की लागत नगण्य है। इसलिए, अनुशंसा इंजन बनाने के लिए एक बार का छोटा निवेश करना कोई बुरा विचार नहीं है, लेकिन इस बारे में बड़ा शोर मचाना कि बड़ा डेटा आपके व्यवसाय को कैसे बदल सकता है, कम से कम इस संदर्भ में, थोड़ा दूर की कौड़ी है .

बस स्पष्ट करने के लिए, बिगबास्केट के संस्थापक स्मार्ट हैं और इसे अच्छी तरह से समझते हैं, कुछ अन्य लोगों के विपरीत जो या तो आँख बंद करके मानते हैं कि मुद्रीकरण योग्य अंतर्दृष्टि का मूल्य डेटा की मात्रा के समानुपाती होता है या इस तर्क का उपयोग खुद को और अपने निवेशकों को प्रभावित करने के लिए करते हैं।

सिफ़ारिशें किताबों के संदर्भ में थोड़ी बेहतर काम करती हैं, जहां ग्राहक द्वारा सिफ़ारिशों के आधार पर एक अतिरिक्त किताब खरीदने की संभावना अधिक होती है। हालाँकि, अमेज़ॅन भी शायद ही कभी इस बारे में शोर मचाता है, और शायद ही कभी इसके बारे में बात करता है, और इसके बजाय अपनी सारी ऊर्जा अपने व्यवसाय के तीन बुनियादी चालकों पर खर्च करता है, अर्थात् वर्गीकरण बढ़ाना, कम कीमतों की पेशकश करना और त्वरित डिलीवरी करना। अमेज़ॅन का स्पष्ट रूप से मानना ​​है कि ये तीन चीजें हैं जिनकी ग्राहक हमेशा परवाह करेंगे, और प्रासंगिक बने रहने के लिए इसे हर दिन इनमें सुधार करने पर अत्यधिक ध्यान देने की आवश्यकता है।

डीमार्ट, एक ऑफ़लाइन खुदरा श्रृंखला, बेहद लाभदायक है और इसका बाजार पूंजीकरण $30 बिलियन है। प्रत्येक ई-कॉमर्स कंपनी, चाहे बड़ी हो या छोटी, के पास अपने ग्राहकों के बारे में डीमार्ट के पास अपने ग्राहकों के बारे में कई सौ गुना अधिक डेटा है। यह देखते हुए कि वे बड़ी रकम खर्च कर रहे हैं, बड़े डेटा को कम करने से उन्हें कोई मदद नहीं मिल रही है। अमेज़ॅन की तरह, डीमार्ट ने जो वास्तव में अच्छा किया, वह यह है कि उसने अपने लक्षित ग्राहकों की गहरी समझ के आधार पर बुद्धिमानी से अपने रणनीतिक विकल्प बनाए, और फिर फैंसी धारणाओं से विचलित हुए बिना इन पर बेरहमी से अमल किया।

इसी तरह, टैक्सी एकत्रीकरण की दुनिया में, ओला और उबर दोनों के पास ढेर सारे ग्राहक डेटा थे – उनके घर और कार्यालय के स्थान, सबसे अधिक बार जाने वाले स्थान, उपयोग की आवृत्ति, बढ़ी हुई कीमतों का भुगतान करने की उनकी इच्छा आदि। लेकिन यह डेटा नहीं हो सकता है इससे उन्हें मदद मिली और दोनों एग्रीगेटर ग्राहक अनुभव में तेजी से नीचे आ गए। इससे एक नए खिलाड़ी के लिए जगह तैयार हुई।

ब्लूस्मार्ट की सफलता उसके लक्षित ग्राहक समूह द्वारा मूलभूत बातें ठीक से करने में निहित है। DMart, BigBasket और Amazon की तरह, BluSmart ने भी अपने रणनीतिक विकल्पों को समझदारी से चुना और उन पर अच्छी तरह से अमल किया। यदि डेटा का उपयोग करके वैयक्तिकरण की कोई डिग्री थी, तो यह वास्तव में न्यूनतम थी और इसकी सफलता के लिए महत्वपूर्ण नहीं थी। दूसरी ओर, ओला और उबर दोनों, कहीं न कहीं, अपने लक्षित ग्राहकों की समस्याओं को भूल गए और इसके बजाय नासमझ स्केलिंग और एल्गोरिदम तैयार करने पर ध्यान केंद्रित किया, जो ग्राहक की भुगतान करने की क्षमता के आधार पर सवारी की कीमत निर्धारित कर सकते हैं (जैसे फोन बंद होना, पिकअप प्वाइंट) , बरसात का मौसम, छोड़ने का पता, आदि)।

स्मार्ट कंपनियां समग्र स्तर पर अपने लक्षित ग्राहकों की जरूरतों को गहराई से समझने और उन्हें पूरी तरह से खुश रखने के लिए सभी सही चीजें (रणनीति और निष्पादन दोनों के संदर्भ में) करने पर हमेशा केंद्रित रहती हैं और रहेंगी। कोई भी वैयक्तिकरण केवल सलाद पर सजावट है।

सलाद के लिए गार्निशिंग को भ्रमित करना एक घातक गलती थी जो कई ऑनलाइन कंपनियां कर रही हैं और जब तक खरीदार हैं तब तक ऐसा करना जारी रखती हैं।

मुद्रीकरण मॉडल

हाल ही में, उन व्यवसाय मॉडलों के बारे में संदेह बढ़ रहा है जो उपयोगकर्ताओं को एक उत्पाद के रूप में मानते हैं, एक मुफ्त सेवा की पेशकश करते हैं जिसके लिए ग्राहक/उपयोगकर्ता अन्यथा भुगतान नहीं करेंगे, इस उम्मीद के साथ कि किसी दिन उनके डेटा का मुद्रीकरण किया जा सकता है।

सारा मुद्रीकरण अंततः या तो विज्ञापन आय या ब्याज आय (उधार के माध्यम से) तक सीमित हो जाता है।

विज्ञापन-आय मॉडल ने फेसबुक और गूगल जैसी कुछ बेहद सफल कंपनियों का निर्माण किया है। अमेज़ॅन ने अच्छी आय उत्पन्न करने के लिए अपने ग्राहक आधार का मुद्रीकरण भी किया है। हालाँकि सच्चाई यह है कि Google और Facebook जैसी कंपनियाँ कुछ हद तक अपवाद और दुर्लभ हैं। Google या Facebook जैसे मुद्रीकरण की आशा के साथ व्यवसाय बनाना बेहद जोखिम भरा और अनुभवहीन है। ग्राहक आधार (या पाठक आधार) वाले अन्य सभी प्लेटफ़ॉर्म विज्ञापन-आय अर्जित करने के लिए संघर्ष कर रहे हैं। अधिकांश पाठक विज्ञापनों को छोड़ देते हैं, और विज्ञापनों के वास्तविक समय प्लेसमेंट को संचालित करने वाले एल्गोरिदम की प्रभावशीलता अत्यधिक संदिग्ध है। यह अहसास भी बढ़ रहा है कि फेसबुक और गूगल विज्ञापनों के एकमात्र लाभार्थी फेसबुक और गूगल ही हैं।

विज्ञापनों को वैयक्तिकृत करने की क्षमता संदिग्ध है। इस लेखक के कई मित्र और सहकर्मी मिले हैं जो लिंक्डइन द्वारा उनकी प्रोफाइल और ऑनलाइन गतिविधि की व्याख्या के आधार पर उनके लिए अनुशंसित नौकरियों से बेहद खुश हैं। सिफ़ारिशें उनकी रुचि के आसपास भी नहीं हैं। और यह एक प्रतिष्ठित ऑनलाइन सोशल मीडिया प्लेटफ़ॉर्म है जिसकी दुनिया की कुछ सर्वश्रेष्ठ तकनीकी प्रतिभाओं तक पहुंच है और हर ‘लाइक और कमेंट’ को कैप्चर करने की क्षमता है। एक ग्राहक का, मंथन होता है। यह लिंक्डइन के अनुशंसा इंजन की गुणवत्ता पर टिप्पणी नहीं है, बल्कि ग्राहक गतिविधि और प्रोफाइल को क्रॉल करके बनाए गए डेटा के बड़े भंडार से वास्तव में सार्थक अंतर्दृष्टि बनाने में अंतर्निहित सीमाओं पर टिप्पणी है।

अधिकांश फिनटेक कंपनियों का व्यवसाय मॉडल उधारकर्ताओं की साख का सटीक और शीघ्रता से मूल्यांकन करने में सक्षम होने पर निर्भर करता है। धारणा यह है कि इससे चूक कम होगी। सफल उधार हमेशा अच्छे उधारकर्ताओं को उधार न देने (कुछ गलत लाल झंडे के कारण) और बुरे उधारकर्ताओं को उधार देने (क्योंकि कोई लाल झंडा सामने नहीं आया) के बीच एक समझौता रहा है। क्या एल्गोरिदम इस ट्रेड-ऑफ़ को प्रबंधित करने का बेहतर और तेज़ काम करेगा? केवल समय बताएगा।

क्या एल्गोरिथम क्रेडिट मूल्यांकन मनुष्यों की जगह ले रहा है क्योंकि यह इसमें बेहतर है, या सही कौशल और मूल्य बिंदु वाले लोगों की कमी के कारण, यह वास्तव में सवाल है। और मामले को और अधिक कठिन बनाने के लिए, फिनटेक कंपनियों के पास कम लागत वाले फंड तक पहुंच नहीं है और वे बैंकों और एनबीएफसी से उच्च दरों पर उधार लेते हैं।

डेटा के अपने उपयोग हैं

इन सबका मतलब यह नहीं है कि डेटा मददगार नहीं है। जॉन स्नो, एक अंग्रेजी डॉक्टर, ने 19वीं सदी के मध्य में लंदन में हैजा के स्रोत को इंगित करने के लिए डेटा की शक्ति का उपयोग किया। ऐसे ही सैकड़ों उदाहरण हैं.

एल्गोरिदम की मदद से डेटा विश्लेषण का उपयोग सभी प्रकार की धोखाधड़ी पर अलर्ट बनाने के लिए किया गया है, लेकिन वास्तविक धोखाधड़ी है या नहीं इसका आकलन करने के लिए मानवीय हस्तक्षेप और जांच की आवश्यकता है। ई-कॉमर्स कंपनियों ने भी कुछ सामान्य धोखाधड़ी पैटर्न का पता लगाने के लिए एल्गोरिदम तैनात किए हैं। उदाहरण के लिए, यदि कोई किसी उत्पाद को थोक में ऑर्डर करता है तो एक अलर्ट होता है क्योंकि यह अक्सर एक किराना स्टोर का मालिक होता है, जो खुदरा ग्राहक होने का दिखावा करता है, प्लेटफॉर्म पर छूट पर बेचे जा रहे उत्पाद को एमआरपी (अधिकतम) पर फिर से बेचने के लिए ऑर्डर करता है। खुदरा मूल्य)।

डेटा एनालिटिक्स एक अत्यंत विकसित विज्ञान है और यह कई जटिल समस्याओं को हल करने के लिए सांख्यिकी और कंप्यूटिंग शक्ति के प्रतिच्छेदन पर ज्ञान को लागू करने का परिणाम है। उदाहरण के लिए, यह मेडिकल स्कैन से लेकर हमारे ब्रह्मांड के सुदूर हिस्सों की तस्वीरों की व्याख्या करने में बेहद मददगार रहा है। मशीन लर्निंग के माध्यम से छवि पहचान का पूरा विज्ञान डेटा क्रंचिंग की शक्ति पर निर्भर करता है।

डेटा के उपयोग से उपयोगी पैटर्न और संकेतों को पहचानने की क्षमता कभी भी सवालों के घेरे में नहीं रही है। जिस चीज़ पर सवाल उठाया जा रहा है वह है बड़े डेटा को क्रंच करके महत्वपूर्ण मुद्रीकरण योग्य अंतर्दृष्टि प्राप्त करने की क्षमता।

निष्कर्ष के तौर पर

बड़े डेटा को क्रंच करना कुछ हद तक बेहतर छवि रिज़ॉल्यूशन बनाने के समान है। लेकिन जब इसे व्यवसाय पर लागू किया जाता है, तो इसे किसी भी उपकरण या तकनीक की प्रभावशीलता के मूल्यांकन के लिए सार्वभौमिक मानदंड की कसौटी पर खरा उतरना होता है, अर्थात् यह शीर्ष रेखा या निचली रेखा पर क्या प्रभाव पैदा कर सकता है। जब तक उन्नत रिज़ॉल्यूशन के परिणामस्वरूप नए पैटर्न की पहचान नहीं हो जाती, जो कम डेटा के साथ कम रिज़ॉल्यूशन पर समझ में नहीं आते थे, इस विशाल डेटा को क्रंच करने का कोई फायदा नहीं है। और अगर आप यह मान भी लें कि कुछ अतिरिक्त पैटर्न दिखाई देते हैं, तो भी उनसे मुद्रीकरण की गैर-मामूली समस्या है।

यहीं पर सार्वभौमिक पेरेटो सिद्धांत लागू होता है, यानी, 80% पैटर्न 20% डेटा के साथ स्पष्ट होते हैं। इसके आगे गंभीर रूप से घटते प्रतिफल की घाटी है। जब आपके हाथ में हथौड़ा होता है, तो हर चीज़ कील की तरह दिखती है। इस मामले में, हथौड़ा कंप्यूटिंग शक्ति है।

आपके लक्षित ग्राहकों के समूह की गहरी समझ और अच्छे निष्पादन का विकल्प कोई नहीं हो सकता।

किसी बुद्धिमान व्यक्ति ने एक बार कहा था कि जब सोने की भीड़ होती है तो पैसा कमाने वाले लोग सोना खोदने वाले नहीं, बल्कि फावड़े बेचने वाले होते हैं। और विडंबना यह है कि यह सोना खोदने वाले ही हैं जो हमेशा सबसे अधिक शोर मचाते हैं कि कैसे नए फावड़ों की शक्ति उन सभी को बहुत अमीर बना देगी।

जब ग्राहक डेटा बनाने और उसका मुद्रीकरण करने की होड़ होती है, तो पैसा कमाने वाली कंपनियां वे कंपनियां नहीं होती हैं जो अपने ग्राहक डेटा का मुद्रीकरण करना चाहती हैं, बल्कि वे कंपनियां होती हैं जो कंप्यूटिंग क्षमता बेचती हैं।

थर्मोडायनामिक्स का विज्ञान इस आधार पर आधारित है कि गैस के बारे में जो कुछ भी मायने रखता है उसे व्यक्तिगत अणुओं की स्थिति और वेग पर डेटा की जांच किए बिना समझा जा सकता है।

जिस दिन क्वांटम कंप्यूटिंग वास्तविकता बन जाएगी, उस दिन यह आश्चर्य की बात नहीं होगी अगर क्वांटम कंप्यूटर के विक्रेता भौतिकी को फिर से आविष्कार करें और हमें बताएं कि जिस चीज को हम सभी अनावश्यक जानते हैं उसे मापकर थर्मोडायनामिक्स की हमारी समझ को कैसे बढ़ाया जाएगा।

टीएन हरि एक लेखक और अर्थ स्कूल ऑफ एंटरप्रेन्योरशिप के संस्थापक हैं।