Efeitos de Rede e Ecossistemas Figitais [XIII]

Uma série, aqui no blog [o primeiro texto está em… bit.ly/3zkj5EE, o segundo em bit.ly/3sWWI4E, o terceiro em bit.ly/3ycYbX6, o quarto em… bit.ly/3ycyDtd, o quinto em bit.ly/3J51vZc, o sexto em… bit.ly/3Jkd8vC, o sétimo em… bit.ly/3JTlBHM, o oitavo em… bit.ly/42z6sT1, o nono em… bit.ly/3yZFUNd, o décimo em bit.ly/3Mjr6AS, o décimo primeiro em bit.ly/3OEvgo7 e o décimo segundo em bit.ly/42aqEt1], sobre Efeitos de Rede e Ecossistemas Figitais, com a co-autoria de André Neves. Esse texto é o rascunho de um documento que será publicado como um ebook pela TDS.company.

[5] Efeitos de dados em rede.
Será que mercados digitais são dadodependentes?

No episódio anterior, investimos mais de seis mil palavras para explicar, em muito detalhe, efeitos de protocolos e como criá-los, em ecossistemas de comunidades habilitadas por plataformas. Agora vamos testar outro approach para efeitos de dados em rede, mais compacto [“só”5.200 palavras…] e com uma base formal mais sólida. E lá na frente, ao reescrever tudo para uma versão de livro, usaremos o que ficou mais arrumado e melhor pra ler. Simbora.

Dados são recurso fundamental e uma das principais fontes de criação de valor na economia figital, pois podem habilitar plataformas a facilitar interações entre grupos de usuários, como compradores e vendedores, produtores e consumidores ou anunciantes e criadores de conteúdo. E dados são a energia para que plataformas aproveitem algoritmos para melhorar produtos e serviços, aprimorar experiência do usuário e gerar insights que podem fomentar inovação. Dados servem de base para que plataformas criem e capturem valor de seus ecossistemas, formados por redes de atores que já cocriam valor, fornecendo seus produtos, serviços ou tecnologias complementares.

Mas a semântica associada a dados e seus usos, em especial para inovação, é bem mais complexa[1]. Considerados quase sempre como recursos, dados em|de|para inovação figital não deveriam ser tratados nos termos da inovação recombinante[2] e usando princípios da modularidade[3]. Porque nem sempre dados são componentes de entidades maiores e raramente incorporam funções como as dos componentes. Dados representam fatos, são sinais de significados reais ou potenciais, podem ser a forma de compartilhar realidades percebidas ou imaginadas e pensar sobre dados no contexto de inovação e criação de valor figitais exige uma metáfora muito além da construção [e suas bases na revolução industrial], quase certamente usando significados e|ou a criação de conhecimento. É necessário alertar, ainda, que inovação digital e inovação baseada em dados não são a mesma coisa.

Efeitos de dados[4] em rede acontecem quando propriedades de um produto melhoram com maior disponibilidade de dados sobre uso, inclusive devido às relações emergentes entre fragmentos dos dados. E há duas condições[5] para a existência de efeitos de dados: a primeira requer que aprender com um usuário leve a um produto ou experiência melhor para outros usuários, não só para aquele usuário; à medida que mais usuários usam algo, sua experiência deve melhorar para todos usuários; segunda, a melhoria da experiência a partir do aprendizado deve ser rápida o suficiente para afetar o valor atual do produto, beneficiando seus usuários atuais, não os da próxima geração de produtos [ou, claro, serviços]. Noutras palavras, o produto melhora ao longo do seu ciclo de vida de consumo, à medida que mais usuários o adotam.

Dados não devem ser considerados como recursos ou fatores de produção, à la economia industrial, e têm três características relevantes para seus efeitos de rede: [1] dados já transcendem as barreiras do negócio, “são” em rede; [2] dados não têm que ser propriedade exclusiva do negócio para criar diferenciais competitivos, e acordos de acesso, com múltiplos agentes em rede, já fazem parte da equação e [3] se -e quando- a transição de plataformas para redes distribuídas de tokens se realizar, soberania de dados[6] vai substituir os monopólios de dados[7] e todo o universo de inovação que está dependendo de dados há de mudar. Se prepare, porque se -na verdade, quando…- isso rolar…

Nem todos mercados digitais são dependentes de dados em rede, e compreender sua importância e implementar estratégias eficazes para maximizar esses efeitos sempre é um desafio. Até porque, se não há relação entre aumento do uso do serviço e a disponibilidade e maior produção de dados, não há efeito de dados em rede, apenas de escala. Aliás, esse é o caso da maioria dos efeitos que se diz serem de dados em rede, só que poucos sabem. Você, agora, sabe a diferença.

A gestão adequada do ciclo de vida dos dados é fundamental para criar e ampliar efeitos de dados em rede. Isso envolve a coleta, armazenamento, processamento, análise e uso dos dados de forma estratégica, para melhoria contínua dos produtos e serviços oferecidos. A qualidade, quantidade e relevância dos dados são críticas nesse processo; deve-se obter volume e variedade minimamente viável de dados, coletados diretamente dos [usuários dos] produtos e serviços e os dados devem ser recentes, equilibrados em termos de quantidade e qualidade, especificamente relacionados ao negócio, aos produtos e serviços relacionados à plataforma.

A gestão de ciclo de vida de mais dados não cria efeitos em rede. Os sistemas de recomendação têm efeitos de tecnologia, mas podem não ter de dados em rede. Ao recomendar rotas, efeitos de dados fazem diferença; ao indicar entretenimento, não: dados refinam o aconselhamento de produto, mas não agregam valor adicional. Efeitos de dados em rede só ocorrem quando disponibilidade e uso de dados sobre uso do produto melhoram suas propriedades, o que pode incluir relações emergentes entre fragmentos do universo de dados disponíveis na plataforma.

Efeitos de dados em rede são mais raros do que se imagina e estão entre os mais complexos para se entender e serem transformados em vantagens competitivas e defesas do modelo de negócio. Mas o engajamento dos usuários [atuais] e a geração de dados a partir daí pode criar aumento contínuos de valor que torna muito difícil para os rivais competirem e, muitas vezes, podem levar à dominação do mercado.

Um desafio fundamental para criar efeitos de dados em rede é ter volume e variedade mínimos de dados que sejam relevantes, recentes, em quantidade e de qualidade, diretamente relacionados ao negócio, produtos e serviços ofertados. Coletar dados de uso “na” dinâmica digital dos produtos e serviços é essencial, pois dados disponíveis em aberto, na rede, acessíveis a todos, geralmente não oferecem diferenciação significativa. Mercados figitais são dadodependentes; mas nem todo dado, em todo produto, serviço ou modelo de negócios, gera efeitos de dados em rede. Pra dar resultado, dado dá trabalho. É necessário um esforço considerável para que os dados sejam coletados, tratados e utilizados de forma eficaz para gerar os efeitos desejados.

Vale ressaltar que nem todo dado têm o potencial de gerar efeitos de rede significativos. Isso se dá porque nem tudo o que é coletado será relevante ou terá impacto no crescimento e competitividade da plataforma. É necessário identificar que dados são realmente valiosos e como podem ser usados para melhorar experiência de usuário, personalizar produtos e serviços, e acelerar inovação. Mesmo quando há dados, qualidade pode ser um problema, dos grandes: imprecisão, em várias dimensões, pode comprometer ou anular a eficácia dos efeitos de rede.

Além disso, é importante ressaltar que a economia de dados desempenha papel fundamental nesse contexto. Dados são um ativo estratégico para empresas, e não são, como alguns pensam, um “novo petróleo” da economia digital. Mal comparando a fontes de energia, dados seriam um novo urânio: devem ser refinados para separar o que se quer do que não serve, devem atingir massa crítica para gerar energia [valor!] e o descarte é sempre um perigo, para o negócio e ecossistema. A capacidade de coletar, analisar e utilizar dados de forma eficaz pode gerar vantagens competitivas significativas, mas depende muito de investir competências, habilidades e recursos para tratar dados e um esforço considerável para garantir volume, variedade e qualidade adequados. É possível escrever leis para entender profundamente os efeitos de dados em rede e articular tais leis básicas numa espécie de lei geral para efeitos de dados em rede.

Pra começo de conversa, há uma vagamente relacionada à lei de Metcalfe[8] para o valor de redes, que representa o que deveríamos ter em mente quando se discute o valor de dados em rede e como efeitos de dados podem ser usados para tentar atingir um valor [sub]ótimo. A lei depende do efeito Allee[9], que vem da biologia populacional a descreve uma correlação positiva entre o tamanho da população e a aptidão individual média nela. Esse efeito é pronunciado em populações pequenas ou esparsas, onde os agentes podem ter dificuldade para encontrar parceiros ou pares para cooperar, o que leva a baixas taxas de crescimento per capita. Quando a população aumenta, os indivíduos têm mais oportunidades de interagir, quase sempre aumentando o sucesso de acasalamento, eficácia de cooperação e maior taxa de crescimento per capita. See a população excede um determinado limite, a taxa de crescimento normalmente se estabiliza -ou diminui devido a fatores como limitações de recursos ou aumento da competição. Essa relação não linear entre o tamanho da população e a taxa de crescimento per capita é uma característica definidora do efeito Allee.

O efeito Allee pode estar associado a “vórtices de extinção”: populações pequenas têm dificuldade de crescer em função de baixas taxas de crescimento per capita, elevando a queda populacional e, em potencial, levando à extinção. No contexto deste trabalho, o volume, variedade e velocidade de dados em rede devem estar sempre acima de mínimo para garantir sua continuidade e utilidade. O efeito Allee tende a ser relevado em modelos tradicionais, que constumam assumir relações lineares ou exponenciais entre população e taxa de crescimento per capita. Novos modelos começaram a incorporar o efeito Allee para estudar muitos fenômenos, da disseminação de doenças à dinâmica das redes sociais e, aqui, os efeitos de dados em rede, o que faremos a seguir, estabelecendo duas leis e um corolário.

Lei Geral do Valor de Dados em Rede, LGVD.

O valor dos dados de uma rede tem correlação positiva com o número de usuários e tal correlação é mais forte em níveis moderados de número de usuários e mais fraca em números de usuários muito baixos ou altos. A lei sugere que, à medida que mais usuários entram numa rede, o volume de dados gerados [e os insights potenciais que podem ser obtidos a partir desses dados] aumenta; quando o número de usuários é muito baixo, a rede pode não gerar dados suficientes para criar bons insights; quando o número de usuários é muito alto, o valor adicional criado pelos dados pode ser diminuído devido a fatores como redundância de dados ou maior complexidade e custo de análise.

A equação para representar a LGVD pode ser dada por…

V = k * n * ( 1 – e ^ ( –b * ( n – n0 )),

onde V é o valor dos dados em rede, n é o número de usuários, e é a base de logaritmos naturais, n0 é o número limite de usuários em que o efeito Allee[10] é mais forte, b é uma constante que determina a força do efeito Allee para uma dada rede e k é um fator que mede quanto cada usuário a mais [e seus dados] aumenta o valor geral da rede. O valor de k depende da [1] estrutura da rede [mais densas, até Allee, valem mais], [2] tipos de dados [comentário vale menos do que texto original e likes, ainda menos], [3] engajamento dos usuários [quanto mais, mais valor] e [4] qualidade de dados [quanto melhor, mais valor].

Pelo menos em tese e aproximadamente, quanto maior V, mais efeitos de dados na transformação de produtos e serviços, melhor experiência de uso e mais valor da rede -do conjunto plataforma, seu ecossistema de comunidades e cada usuário, per se– como um todo. Lembre que os efeitos de dados em rede transformam produtos e serviços durante seus ciclos de vida, para todos os usuários.

Lei Geral da Gravidade de Dados em Rede, LGGD.

O efeito Allee sugere que a atração de apps, serviços e negócios numa empresa rica em dados não dependem apenas da quantidade de dados, mas também da densidade ou da taxa de acúmulo de dados. Em ambientes de dados esparsos [baixa densidade e|ou acúmulo lento de dados], o efeito Allee pode significar que a atração [ou gravidade dos dados] é relativamente fraca. À medida que a densidade de dados aumenta ou a taxa de acúmulo de dados acelera, a gravidade dos dados pode aumentar, atraindo mais apps, serviços e negócios para a rede. Além de um determinado limite, a gravidade dos dados pode se estabilizar ou mesmo diminuir, por fatores como maior complexidade de gerenciamento e análise de dados ou maior competição pelos mesmos dados.

A equação para representar a LGGD é…

G = g * (( m1 * m2 ) / d ^2 ) * (1 – e ^ ( – b * ( m – m0 )))

onde G é a força de atração [ou gravidade dos dados], g é a constante gravitacional, m1 e m2 são as massas dos conjuntos de dados envolvidos e d é a distância entre eles; e é a base de logaritmos naturais; b é a constante de força do efeito Allee para a rede, m é a densidade ou taxa de acumulação de dados e m0 é a densidade ou taxa limite onde o efeito Allee é mais forte. Essa lei diz que a gravidade dos dados aumenta com sua densidade ou taxa de acúmulo, modulada pelo efeito Allee. Quando a densidade ou taxa está longe de m0, a gravidade de dados é relativamente fraca. À medida que a densidade ou taxa se aproxima de m0, a gravidade dos dados cresce mais rapidamente e, uma vez que excede m0, a gravidade dos dados continua a aumentar, mas num ritmo mais lento.

Derivar o valor de g para uma rede envolve análise empírica, levando em consideração [1] estrutura da rede [mais densas, até Allee, valem mais], [2] tipos de dados e suas “atrações”, onde informações pessoais exercem atração mais forte sobre aplicativos e serviços do que curtidas ou comentários; [3] grau de engajamento [usuários mais engajados, mais dados, mais atração] e [4] dados precisos e de alta qualidade são mais atraentes para apps, serviços e empresas do que os imprecisos e de baixa qualidade. O que é exótico nesta aproximação é a ideia de informação ter algum tipo de relação com gravidade. Mas… estamos falando de hipóteses… e aproximações. E, afinal, informação pode ser o quinto estado da matéria e, claro, ter massa[11]. E tudo passa a ter muito sentido.

A partir das duas leis, é possível derivar um corolário que relaciona volume, variedade e velocidade de informação, numa rede, ao valor total da rede do ponto de vista de dados e seus efeitos, o que nos dá um norte para tratar as formas de causar efeitos de dados em rede.

O volume de dados [ou a taxa de crescimento de dados] contribui para mais insights potenciais que podem ser derivados da rede. Se mais usuários se juntam à rede e contribuem com dados, insights potenciais derivados desses dados crescem exponencialmente, num ciclo de feedback positivo que atrai ainda mais usuários e… mais dados. A variedade de dados [ou a entropia de dados] contribui para a diversidade de potenciais aplicações e insights. À medida que a diversidade de dados na rede aumenta, também aumenta o potencial para novos insights e aplicativos. Essa diversidade, por sua vez, atrai uma gama maior de usuários e aplicações, aumentando ainda mais a variedade de dados. A velocidade dos dados [parte do conceito de gravidade de dados] está relacionada à atualidade e relevância dos insights que podem ser derivados dos dados na rede, potencialmente causando uma evolução mais rápida dos produtos e serviços da plataforma.

Sob a influência do efeito Allee, volume, variedade e velocidade interagem de forma que seu efeito combinado no valor da rede seja maior que a soma de seus efeitos individuais. Quando o volume, a variedade e a velocidade dos dados aumentam, eles se reforçam mutuamente, criando um ciclo de feedback positivo que aumenta ainda mais o valor da rede, em função da utilidade dos produtos e serviços em rede para as pessoas e negócios. Esse efeito combinado pode levar a uma base sólida para a criação de efeitos de dados em rede na plataforma.

Na prática, esse corolário sugere que as plataformas podem criar fortes efeitos de rede de dados a partir de estratégias que aumentam volume, variedade e velocidade dos dados em sua rede, o que pode demandar estratégias de aquisição de usuários, recursos de integração e processamento de dados em tempo real, entre outros. Ao fazer isso, plataformas podem criar ecossistemas de dados que atraem uma ampla gama de usuários e apps, sejam produtos ou serviços.

O corolário pode ser definito pela equação…

Vr = k * n ^ 2 * log( v ) * ( 1 + e ^ ( – ( d / t ))),

onde Vr é o valor de rede dos dados, n o número de usuários [representando volume de dados], v a variedade de tipos de dados, d a taxa de atualização de dados [representando a velocidade], t é uma constante de tempo que representa a taxa na qual a rede responde às mudanças na velocidade dos dados, k é uma constante de proporcionalidade e e, a base de logaritmos naturais. Lendo a equação, o valor dos dados em rede é proporcional ao quadrado do número de usuários [efeito data growth], o logaritmo da variedade de tipos de dados [efeito data entropy] e à taxa de atualização [efeito data gravity]. A expressão 1 + e ^ ( – ( d / t )) representa o efeito Allee, e diz que o valor da rede aumenta mais rapidamente à medida que a taxa de atualização de dados aumenta, mas esse aumento diminui à medida que a taxa de atualização se torna muito alta.

Pra que servem leis como estas? Bem, a gente pode estabelecer muitas delas, para todos os efeitos de rede. Mas nem sempre leis levam a entendimentos simples e práticos [regras gerais] que podem ser usados, no dia a dia, porque tem que criar valor numa plataforma -ou outro escopo econômico qualquer. Escrevemos as leis por três razões básicas. Primeira, no processo de pesquisa dos efeitos, descobrimos que há muitas, sim, muitas leis para todo e qualquer efeito de rede. Zero novidade aí. A segunda é que achamos que você deveria saber onde está pisando; efeitos de rede são complexos; há leis pra todos eles, nós nem tocamos a superfície do problema com [só] as duas que mostramos aqui. Terceira, as nossas leis dizem que quanto mais [valor e gravidade], melhor; mas nem sempre vale a pena ter o mais: a partir de um certo ponto, o mais não vale a pena o trabalho que dá pra ter mais. Nem que fosse só por isso, valeria a pena ter entendido o efeito Allee, as leis e suas equações.

A partir daí, cinco efeitos básicos de dados em rede podem ser induzidos em plataformas figitais:

1. O efeito de aumento de dados se dá à medida que mais usuários ingressam na plataforma e a quantidade de dados gerados aumenta, o que pode levar a mais insights e valor. Uma rede
   -a sua comunidade…- se torna mais valiosa quando mais usuários ingressam e compartilham conteúdo, gerando uma riqueza de dados sobre o comportamento, preferências e conexões, relacionamentos e interações dos usuários. Para induzir tal efeito, as plataformas podem se concentrar em estratégias de aquisição de usuários, que passam por regimes de incentivos, programas de referência, interfaces amigáveis e conteúdo personalizado.
   
   
2. O efeito de combinação de dados acontece quando o valor dos dados aumenta à medida que eles podem ser combinados com outros dados. Por exemplo, um app de rastreamento para saúde pode fornecer informações mais abrangentes ao combinar dados de diferentes fontes, como atividade física, dieta e padrões de sono. Para induzir tal efeito, plataformas podem fornecer recursos que permitem fácil integração e compartilhamento de dados e podem usar análise de dados para combinar e analisar dados de diferentes fontes e fazer com que haja mais potencial de uso de dados para evolução de produtos e serviços na rede.
   
   
3. O efeito de gravidade de dados ocorre à medida em que aumenta o volume de dados numa plataforma e, quanto mais dados, mais atração de apps, serviços e negócios. Plataformas se tornam mais atraentes em função do [aumento do] volume de dados que pode ser usado para análises e decisões. Para induzir o efeito, as plataformas devem ter estratégias para acumulação de dados temporais e de qualidade, criar recursos intensivos em dados e ter um ambiente de gestão estratégica de informação para que os dados [demais] não criem um pântano
   
   Como sempre é o caso de todos os efeitos de rede, os tipos de efeitos de uma classe [aqui, os efeitos de dados em rede] podem depender de outros tipos da mesma classe [o efeito de gravidade depende do efeito de aumento] e de outras classes [efeito de aumento depende de inúmeros efeitos associados ao número e engajamento de usuários na plataforma]. Isso torna efeitos de rede um desafio para qualquer negócio e, ao mesmo tempo, um potencial de criação de diferencial competitivo imenso, para quem consegue dominar sua teoria e prática na evolução de produtos e serviços, em escala.
   
   
4. O efeito de entropia de dados resulta do aumento da variedade de dados na plataforma e aumenta, ele mesmo, o potencial de insights e apps. Para induzir esse efeito, as plataformas podem encorajar diversidade de tipos e fontes de dados e criar ferramentas para exploração e descoberta de dados. Este efeito pode ser fonte de efeitos de rede indiretos, o que se dá quando mais dados de um grupo de usuários aumentam o valor dos dados para outro grupo de usuários; uma plataforma de carona torna-se mais valiosa à medida que mais motoristas se juntam e provêem dados de localização, o que reduz o tempo de espera e o custo para os passageiros. Ah… e entropia de dados não tem nada a ver com o caos[12], muito ao contrário.
   
   Este efeito é influenciado por muitos fatores, desde composição e segmentação da base de usuários, diferenciação, personalização de interações e a integração e complementaridade das ações dos usuários, fatores que podem afetar qualidade, quantidade e diversidade dos dados, bem como a capacidade de compartilhar, acessar e usar os dados de forma eficaz.

5. O efeito de monetização de dados não está diretamente associado à evolução de produtos e serviços da plataforma, e ocorre quando o valor da plataforma aumenta à medida que se descobre [mais] maneiras de monetizar dados, criando e capturando valor a partir de dados, não só levando a melhores produtos, serviços, experiências mas, se possível, a transações envolvendo dados em si. Este efeito pode ser influenciado pela qualidade, quantidade e diversidade de dados, bem como a capacidade de compartilhar, acessar e usar os dados de forma eficaz.
   
   Induzir esse efeito pode envolver tecnologias [de integração e análise de dados], incentivos [programas de referência e conteúdo personalizado] e habilitação e parcerias estratégicas [criando redes de desenvolvedores e empresas que agregam dados]. Monetização de dados está se tornando um diferencial relevante em todos os setores, e um objetivo das atividades relacionadas a dados[13] e análises é gerar novas receitas[14].
   
   

Efeitos de dados em rede criam vantagens: [1] mais colaboração e coordenação no ecossistema, via compartilhamento de dados, levando a mais sinergia; [2] mais inovação e aprendizado, a partir de mais criação, difusão e absorção de informação mediada por dados; [3] mais complementaridade e diversidade com mais dados levando a mais cocriação de valor, diferenciação e variedade; [4] mais crescimento e resiliência do ecossistema, como mais escalabilidade, adaptabilidade e|ou robustez.

Mas os mesmos efeitos podem criar desvantagens, em especial por colateralidades: [1] mais riscos à privacidade e segurança por mais exposição a violações de dados, vazamentos ou uso indevido; [2] insatisfação e desconfiança em relação à plataforma, por suposição e|ou evidência de manipulação, discriminação ou viés baseado em dados; [3] para os usuários, podem aumentar a dependência da plataforma que, criando mais valor a partir dos dados, aumenta custos de troca, e pode criar custos irrecuperáveis; [4] maiores desafios regulatórios, como mais requisitos de conformidade, escrutínio ou sanções; [5] maior competição e conflito entre membros do ecossistema, como mais imitação, substituição ou rivalidade; [6] aumento do desequilíbrio e exploração do poder entre os membros do ecossistema, levando a mais assimetria, extração ou exclusão; [7] aumento da complexidade e incerteza do ecossistema ao compartilhar e acessar mais dados, criando mais interdependência, variabilidade e|ou imprevisibilidade e, por fim [8] mais problemas éticos e sociais, por dificuldade de  tratar responsabilidade e responsabilização, prestação de contas e|ou transparência.

Dito tudo isso e assumindo que você est[ar]á do lado certo da força [gravitacional de dados…] cinco ações que podem e devem ser realizadas para criar e maximizar efeitos de dados em rede incluem…

1. Coletar dados de usuários e usá-los para melhorar o produto: dados de uso de produtos e serviços são essenciais para criar efeitos de dados em rede. O primeiro problema a resolver, aqui, é identificar que dados são relevantes para o negócio e coletá-los dos usuários a partir do uso dos seus produtos e serviços. Dados que já disponíveis na rede não são suficientes e muitas vezes não são relevantes para gerar efeitos de dados. Colete dados em primeira mão, que possam ser utilizados para melhorar a experiência do usuário e otimizar o desempenho do seu produto ou serviço. Nem todo dado gera efeitos de dados, apenas os relevantes para o negócio e seus produtos|serviços podem fazer a diferença; dados desnecessários podem ser uma perda de tempo e recursos, além de aumentar desnecessariamente os riscos. Por isso, é preciso identificar que dados são mais relevantes e coletá-los de maneira estratégica.
   
   Redes sociais coletam dados sobre interações [curtidas, comentários e compartilhamentos], para entender o que é mais relevante para cada usuário e oferecer conteúdo personalizado. Preferências de cada usuário, como hashtags que seguem e contas com as quais interagem, são parte dos dados necessários para oferecer experiências mais personalizadas. A coleta de tais dados é essencial para criar e maximizar efeitos de dados em rede dessas plataformas. Os agentes que participam de plataformas que não compartilham dados com fornecedores… têm um grande problema aqui, pois são cidadãos de segunda classe em “suas” plataformas. Este é exatamente o caso dos sellers dos marketplaces de ecommerce. Complicado.
   
   
2. Obter uma quantidade mínima viável de dados: coletar dados de qualidade, em quantidade para o negócio, seus produtos e serviços, adquiridos de forma a garantir sua utilidade. Não só capturar dados, mas ter objetivos para os dados é essencial e os dados coletados devem ter precisão e confiabilidade conhecidas. Em uma rede de logística pessoal, os dados devem servir para melhorar a experiência do usuário, e devem incluir rotas mais utilizadas, tempos de espera, preferências e muito mais.
   
   Dados que criam efeitos de dados em rede devem ser coletados na e pela plataforma, como parte do registro do fluxo de conexões, relacionamentos e interações do ecossistema. Dados inadequados ou irrelevantes como resultado de uma coleta são um desperdício de recursos e tempo, além de não gerar os efeitos desejados. É fundamental que se entenda os objetivos da coleta de dados e quais dados são relevantes para alcançá-los. Essa estratégia pode criar uma vantagem competitiva, pois, ao coletar os dados apropriados, ela pode melhorar seus produtos e serviços e oferecer uma experiência mais satisfatória para seus usuários.
   
   
3. Compreender complexidades dos efeitos de dados em rede: eles são complexos e difíceis de entender e maximizar seu potencial depende de estudo por líderes de produto, serviço, marketing, atendimento… que devem se dedicar a estudar e entender esses efeitos. Cada plataforma representa um desafio à parte e um copia-e-cola entre negócios raramente traz benefícios. Se uma plataforma de streaming de música quer criar efeitos de dados em rede, a coleta inclui dados sobre músicas mais tocadas, artistas favoritos, playlists e histórico de reprodução recente e específico, por categoria de música, geografia, etc., o que permitiria à plataforma refinar recomendações de músicas e playlists para os usuários, gerando efeitos de rede que levariam a um aumento no número de usuários e na fidelização dos existentes.
   
   Se o exemplo fosse um marketplace no varejo figital, os dados e seu uso deveriam servir para instrumentar estratégias para incentivar a [maior] participação dos usuários na rede, gerar confiança [pela adoção de políticas claras e transparentes de privacidade e segurança de informação], identificar padrões de compra, preferências do usuário e tendências de mercado para aprimorar a recomendação de produtos e personalizar ofertas e aumentar as chances de novas vendas e, claro, gerar mais dados para aprimorar recomendações… e por aí vai.
   
   
4. Concentrar-se na experiência do usuário: efeitos de dados em rede são gerados quando as propriedades do produto|serviço melhoram com a disponibilidade de dados sobre seu uso. Os dados relativos à experiência do usuário e seu feedback podem ser a base para melhorar continuamente a oferta, levando a recomendações mais precisas, aumentando a variedade ou melhorando a interface do usuário, criando um relacionamento mais firme e duradouro com os2 clientes. Isso pode levar a um aumento no engajamento do usuário, o que, por sua vez, pode levar a um aumento na produção de dados e, finalmente, a um efeito de dados em rede mais forte. De novo… e por aí vai.
   
   
5. Investir em segurança e privacidade é fundamental para garantir e lealdade do usuário na plataforma, o que pode aumentar o uso da plataforma e propagar os efeitos de dados em rede. Criptografia e protocolos robustos são básicos para garantir segurança dos dados; políticas de privacidade claras e transparentes podem ajudar os usuários a entender como seus dados estão sendo usados e protegidos; controle do usuário sobre os dados, incluindo gerenciar, exportar e excluir dados, o que aumenta a confiança e engajamento do usuário; anonimização de dados pode ajudar a proteger a privacidade do usuário enquanto ainda permite a análise de dados; notificações de violação, via comunicação rápida e transparente pode ajudar a manter a confiança do usuário; minimização, coletando e retendo só os dados necessários ajuda a proteger a privacidade do usuário e, por fim, privacidade por design, ao incorporar considerações de privacidade no design de produtos e serviços para aumentar a confiança do usuário como fundamento essencial dos efeitos de dados em rede.

Concluindo, efeitos de dados em rede são uma fonte de criação e captura de valor para plataformas e ecossistemas na economia figital. No entanto, efeitos de dados não são automáticos e tampouco garantidos. Dependem de condições e fatores que afetam a qualidade, quantidade e diversidade dos dados, bem como a capacidade de compartilhar, acessar e usar os dados de forma eficaz. Também podem criar vantagens e desvantagens para plataformas e ecossistemas, o que depende da ótica e objetivo dos atores envolvidos. Tenha as leis do espaço de criação de efeitos de dados em mente, se ligue nas regras do jogo, muitas delas escritas pelos poderes fora da plataforma, e comece, e rápido, a tentar, errar e aprende. Agora.

[1] Alaimo, C. et al., “Data and value”, Handbook of digital innovation, 2020, bit.ly/43vEjvT.

[2] Zhang, J. et al, “Recombinant distance, network governance and recombinant innovation”, TFSC, 2019, bit.ly/3qgZbZx.

[3] Pil, F. K., S. K. Cohen. “Modularity: Implications for imitation, innovation…” AMR, 2006, bit.ly/3IKijFF.

[4] Hagiu, A., J. Wright, “When Data Creates Competitive Advantage… and when it doesn’t”, HBR, 2020, bit.ly/3RFMf8g.

[5] Gregory, R., W. et al., “Data Network Effects: Key Conditions, Shared Data, and … Duality”, AMR, 2022, bit.ly/43ds5Z6.

[6] Hummel, P. et al., “Data sovereignty: A review”, BD&S, 2021, bit.ly/439rZBz.

[7] Stucke, M. E., “…It’s a Bad Idea to Let a Few Tech Companies Monopolize Our Data”, HBR, 2018, bit.ly/3J0l31C.

[8] Metcalfe’s Law. Wikipedia, 2023, bit.ly/43oIRok.

[9] Stephens, P. A. et al,. “What is the Allee effect?”, Oikos, 1999, bit.ly/3P12AWM.

[10] Alfaro, M., et al. “When the Allee threshold is an evolutionary trait…”, JMPA, 2021, bit.ly/43Lwdzn.

[11] Perry, P., “There is no dark matter. Instead, information has mass”, BigThink, 2020, bit.ly/3WVtyRz.

[12] Hu, L., “Data Anti-Entropy Automation”, TAI, 2023, bit.ly/3XdK0Nj.

[13] Hagiu, A., J. Wright. “Data-enabled learning, network effects and competitive advantage”, 2020, bit.ly/3J50yRJ.

[14] Wixom, B.H., K. Farrell, “Fueling growth through data monetization”, McK, 2019, mck.co/45T5RgJ.