经典重温
人工智能和数据网络效应对创造用户价值的作用
作者: Robert Wayne Gregory,Ola Henfridsson,Evgeny Kaganer,Harris Kyriakou
来源: Academy of Management Review
一些世界上最赚钱的公司拥有展示网络效应的平台。如果一个平台使用的人越多，它对每个用户的价值就越大，那么这个平台就会表现出网络效应。关于展示网络效应的平台的用户感知价值的理论化传统上主要集中在直接和间接的网络效应上。在本文中，我们对一种新的网络效应——数据网络效应——进行了理论化，这种网络效应是由人工智能(AI)的进步和数据可用性的不断增加而产生的。如果平台从收集的用户数据中学到的越多，平台对每个用户的价值就越大，那么平台就会表现出数据网络效应。我们认为，平台的人工智能能力与其用户在平台中感知到的价值之间存在着积极的直接关系——这种关系受到平台合法性、数据管理和以用户为中心的设计的调节。
网络效应对用户在一些世界上最有价值的公司(如苹果、微软、Facebook)的产品、服务或平台中感知到的价值做出了至关重要的贡献。如果一个平台或它的一个产品或服务被使用的人越多，它对每个用户的价值就越大，那么它就会表现出网络效应。当前的研究主要集中在两类网络效应：直接网络效应和间接网络效应。在直接网络效应的情况下，用户从网络中获得的价值来自于用户能够彼此直接互动。例如，社交媒体平台上的网络效应主要来自于用户之间的直接互动。在间接网络效应的情况下，使用产品的人越多，产品的可用性和补品种类增加的可能性就越高，从而增加了产品对每个用户的价值。例如，移动生态系统吸引的用户越多，开发的动机越大，应用的多样性就越大，手机生态系统中产品的用户价值就越高。综上所述，现有研究从直接网络效应和间接网络效应两方面有效地探讨了网络效应对用户感知价值的影响。
然而，数据网络效应作为一种新兴的网络效应，却很少受到关注。如果平台从收集的用户数据中学到的越多，平台对每个用户的价值就越大，那么平台就会表现出数据网络效应。例如，谷歌对用户和他们进行的搜索了解得越多，它就越能个性化体验，使搜索引擎对每个用户更有价值。同样，特斯拉通过向自动驾驶算法提供从车内传感器、摄像头和雷达单元收集的数十亿英里的驾驶数据，从而优化自动驾驶算法的程度越高，特斯拉汽车的感知价值就越高。
在本文中，我们探讨了人工智能(AI)和数据网络效应在创造用户价值方面的作用，特别是在多边平台的背景下。我们的出发点是观察到，每个用户感知到的价值取决于数据驱动的学习和人工智能实现的改进的规模。这种学习和改进通常依赖于通过基于数据的机器学习应用程序进行更快、更好的预测。例如，音乐流媒体服务使用机器学习技术不断了解用户的收听偏好，并改进他们的推荐引擎，使平台对每个用户更有价值。我们开发了一个数据网络效应模型，补充和扩展了现有的网络效应理论。网络效应理论以用户之间的同侧交换或多方交换为前提，认为不断增长的互联用户网络会产生网络外部性，其中用户对平台的效用是用户总数的函数。在本文中，我们提出平台AI能力，即平台从数据中学习并不断为每个用户改进其产品或服务的能力，会产生新的平台外部性，其中用户对平台的效用是数据驱动的学习规模和AI实现的改进的函数。这些改进体现在更强大的产品功能、平台质量和每个用户的体验上。图1显示了我们解释人工智能和数据网络效应在创造用户价值方面的作用的框架，定义为用户在平台(例如Facebook)或其产品和服务(例如News Feed, Pages)中感知到的价值。数据网络效应本身表现为平台的人工智能能力与用户感知的平台价值之间的直接正向关系，这种关系受到平台合法性、数据管理和以用户为中心的设计的调节。1、平台AI能力：我们认为驱动数据网络效应的引擎是平台人工智能能力，定义为平台从数据中学习，不断为每个用户改进产品和服务的能力。平台人工智能能力提升用户感知价值的主要机制是提高预测能力。预测描述了一个系统利用关于过去和现在的现有数据来产生关于未来的信息的能力。这些信息可以帮助预测未来事件或提供行动建议。①预测速度。参与平台网络的用户是自由的代理人，通过使用平台提供的产品和服务获得授权。由于用户的自主性，涉及用户之间交互的交换关系通常受到时间的限制，并受到其他用户此时此刻所采取的无数行动的影响。例如，Twitter用户可以在几秒钟内转发消息，直接影响其他用户参与或退出平台上的进一步信息交流。这种行为可能会导致网络结构的快速重构，这可能会阻碍新的互动，或者表现为追求信息不对称的行为者的机会主义行为和错误信息活动。提供更快预测速度的平台人工智能功能有助于抵消这种破坏价值的动态，并通过最大限度地缩短网络结构或行为发生显著变化与平台检测到这种变化并生成用户行动建议以影响网络之间的时间，促进用户之间的价值增强互动。因此，预测速度越快，感知到的用户价值可能越高。②预测的准确性。由平台AI功能实现的学习不仅基于从网络收集的数据，而且通过塑造用户之间的交互来影响网络。这种影响是通过将训练有素的预测模型和机器学习功能包装到平台提供的产品和服务中来实现的，使它们能够以更智能、更自适应的方式运行。由此产生的平台代理对网络用户之间的信任感知和交易可行性等关键网络特征有很强的影响。确保更高预测准确性的平台人工智能功能有助于减少从预测或推荐到实际发生的事件或结果或用户真正想要的东西的偏差，从而提高交易可行性并增强网络用户之间的信任感。因此，预测的准确性越高，用户感知价值可能越高。2、数据管理平台人工智能能力对感知用户价值的影响受到数据数量和数据质量的调节。为了确保这种强化效果，企业必须通过数据管理来提炼和提取数据价值，数据管理被定义为企业范围内对企业数据资产的整体管理，以帮助确保足够的数据数量和质量。①数据量：预测的准确性和速度的提高，是平台人工智能能力对感知用户价值产生积极影响的主要机制，这取决于用作训练和校准机器学习模型的输入数据的数量。因此，平台上用于机器学习算法训练的数据量越高，平台人工智能能力与感知用户价值之间的关系越强。②数据质量：提高预测的准确性和速度还取决于用于训练和校准机器学习模型的输入数据的质量。数据质量包括真实性(记录值与实际值之间的符合程度)、完整性(所有观测值存在的程度)、一致性(在不同情况下以相同方式测量数据的程度)和及时性(数据观测在发生变化时更新的速度)。数据质量越好，就越有可能减少或消除预测中普遍存在的过度自信偏见，从而加强平台人工智能能力对感知用户价值的影响。因此，平台上机器学习算法训练的数据质量越高，平台AI能力与感知用户价值之间的关系越强。3、以用户为中心的设计设计产品和服务的性能预期和努力预期都需要被视为因素，通过影响承诺使用和推动用户参与来调节平台人工智能能力对感知用户价值的影响。①性能的期望。为了确保用户参与，平台产品和服务的设计需要考虑性能预期。用户可能会通过评估他们认为采用平台的产品和服务将在多大程度上帮助他们满足他们的需求和期望来评估绩效。性能预期是用户在自愿和强制性设置中使用系统意图的最强预测因素，因此是承诺使用的关键决定因素，这是基于用户反馈的机器学习算法创建的预测模型迭代改进的基础。因此，对平台产品和服务的性能期望越高，平台人工智能能力与感知用户价值之间的关系越强。②努力期望。用户对平台上产品或服务的参与程度也是努力预期的函数，其定义为个人用户相信使用该系统不需要付出努力的程度。因此，平台产品和服务的努力期望越高，平台人工智能能力与感知用户价值之间的关系越强。4、平台合法化平台的关键特征吸引了资源授予利益相关者的合法性审查，因此必须作为平台合法性的一部分积极解决，包括(1)如何设计和管理平台以收集，存储和使用个人数据和(2)如何设计和管理平台以透明地应用机器学习并使预测可解释。①个人资料的使用。平台使用个人数据的道德可取性越高，平台人工智能能力与感知用户价值之间的关系越强。②可解释性。平台合法性的另一个关键方面涉及可解释性，即功能的可解释性和平台上人工智能模型和功能所做预测的理解一致性。人工智能预测不仅会影响平台上与市场相关的核心流程，包括平台如何匹配不同的用户群体，还会对用户的行为和情绪产生深远的影响。因此，平台上机器学习算法预测的可解释性越高，平台人工智能能力与感知用户价值之间的关系越强。首先，该研究将数据网络效应描述为一种新的网络效应类别，重点关注由平台人工智能能力实现的数据驱动的学习和改进对感知用户价值的影响。在一定条件下，数据网络效应对用户对平台、产品或服务的感知价值起着重要作用。我们推测，在促进信息或体验商品的生产和交换的平台背景下，数据网络效应在很大程度上影响感知用户价值。其次，用户在平台、产品或服务中感知到的价值可能取决于数据网络效应和直接网络效应的组合。直接网络效应描述了用户从网络中获得的价值，这种价值来自于用户能够彼此直接互动。用户之间的这些直接交换越来越多地通过从参与交换关系的每个用户收集的数据中学习的交互过程来中介，突出了数据网络效应和直接网络努力对用户价值的共同贡献。数据网络效应所带来的感知用户价值的提升会反馈到直接网络效应中，因为它增加了日活跃用户的数量，为用户提供了更多直接互动的机会。最后，用户对平台或其产品或服务的价值感知可能取决于数据网络效应和间接网络效应的组合。间接网络效应关注的是这样一种现象，即使用一种产品的人越多，该产品的补充产品的种类和可用性就越大，从而增加了感知用户价值。
来源：Academy of Management Review
作者：Robert Wayne Gregory,Ola Henfridsson,Evgeny Kaganer,Harris Kyriakou
编辑：张卓昕