Business orchestration is a model that arises from the interaction between peers by connecting those who offer a product or service with consumers. Take, for example, businesses like Uber and Airbnb, which do not own material goods, but rather provide a secure platform where users - both sellers and buyers - interact with each other. It differs from traditional models because these companies offer not the product itself but the interaction. How does an orchestration business model generate its first thousand clients?

Emprendimiento, complejidad y ciencia de datos: Parte II

El estudio matemático de los modelos de negocio, especialmente de los orquestadores, puede llevarnos a conocer la respuesta a preguntas que aún hoy nos son ajenas. ¿Cómo muere un modelo de negocio? ¿Hay una escala en la que es imposible mantener la escala del modelo? ¿Por qué son tan difíciles de reproducir?

La orquestación empresarial es un modelo que surge de la interacción entre pares al conectar a quienes ofrecen un producto o servicio con los consumidores. Tomemos, por ejemplo, empresas como Uber y Airbnb, que no poseen bienes materiales, sino que brindan una plataforma segura donde los usuarios, tanto vendedores como compradores, interactúan entre sí. Se diferencia de los modelos tradicionales porque estas empresas no ofrecen el producto en sí sino la interacción.

¿Cómo genera un modelo de negocio de orquestación sus primeros mil clientes?

Este tipo de negocio comienza llenando el espacio de la oferta en la plataforma para atraer a los primeros usuarios. A partir de aquí empieza lo interesante, ya que la propuesta de valor del negocio de la orquestación se basa en las interacciones, por lo que se adapta a las necesidades de los clientes. Por supuesto, los ejemplos que hemos mencionado son empresas transnacionales a gran escala, pero no siempre lo fueron.

Los llamados "early adopters" son los más aventureros. Están dispuestos a probar un nuevo servicio y, por lo tanto, perdonan un tiempo de espera más largo por una botella de agua, seguridad y un automóvil limpio. Incluso recomendarán la plataforma a sus amigos y familiares. El mercado de los primeros usuarios es cómo un orquestador obtiene sus primeros 1000 clientes. A partir de ahí, hay varias opciones para crecer.

Uno de ellos son las campañas de marketing tradicionales, que sin duda ayudan, pero el negocio más lucrativo es escuchar a los consumidores y adaptarse.

En el caso de Uber, además de aumentar el número de usuarios, las ventas aumentaron con la diversificación de los servicios que ya ofrecía. Por ejemplo, con el coche compartido. Además, se capturó un nuevo mercado con UberEats y se lograron mayores ventas de usuarios activos. Incluso con la pandemia generada por la propagación del virus SARS-CoV-2, fue posible evolucionar el modelo de negocio al introducir la entrega a domicilio y las tiendas de abarrotes dentro de la plataforma.

¿Qué hace que un modelo de negocio evolucione?

Según las teorías económicas (por ejemplo, la de Joseph Schumpeter) la innovación es clave para el crecimiento económico. En este sentido, comprender la forma en que evolucionan los modelos de negocio se vuelve más crítico. En el negocio de la orquestación, el análisis de la enorme cantidad de datos generados es crucial para la escalabilidad del modelo.

Hoy en día, el big data proporciona un entorno emergente de innovación, herramientas y métodos que permite la interacción entre empresas y usuarios. La interacción masiva puede optimizar el proceso de innovación y aumentar el grado de digitalización del comportamiento de los usuarios, pero no solo eso. El análisis de datos permite a empresas como Uber y Airbnb construir un entorno de mejora continua y orientar y mantener la ecología de la innovación (Garousi & Mäntylä, 2016). Según Y. Zhang et al. (2017), el desarrollo e innovación de productos basados en datos han generado cambios cualitativos en la iteración de modelos de negocio. La retroalimentación del producto, que solía ser semanal y mensual, ahora se puede hacer mucho más rápido. La retroalimentación rápida permite una mejor satisfacción de la demanda del cliente con soluciones innovadoras (H. Zhang et al., 2017).

¿Qué tan rápido puede evolucionar un modelo de negocio basado en big data?

Desde la perspectiva de la adaptabilidad, Ghasemaghaei et al. (2017) señalan que combinar big data, investigación y desarrollo de productos (I+D) e innovación a través de la minería de datos permite ajustar la dirección, estructura, proceso y estrategia de un negocio en cualquier momento. Asimismo, utilizando estrategias de big data, las empresas pueden promover la evolución iterativa del sistema de innovación y mejorar su eficiencia (Yuxi & Mengjie, 2020).

En cuanto a la innovación de procesos del modelo empresarial empresarial basado en big data, se cree que los big data se han convertido en una herramienta de producción tan importante como el petróleo. Según estimaciones, la reasignación de recursos mediante la aplicación de big data puede duplicar la liquidez de un negocio. En este contexto, no sorprende que los orquestadores se encuentren entre los modelos comerciales más lucrativos en la actualidad.

¿Cómo muere un modelo de negocio?

Ya dijimos que los negocios de orquestación transforman los datos en retroalimentación continua que alimenta la adaptabilidad. Los patógenos bacterianos, por ejemplo, aplican estrategias adaptativas innovadoras para evadir y contrarrestar las defensas del huésped. Tal es el caso de la evolución rápida del genoma, que permite a las bacterias alterar rápidamente sus epítopos antigénicos en escalas de tiempo cortas para evadir el reconocimiento inmunológico y así evitar la expulsión del organismo infectado. Así, su evolución es diferente a la observada en el mundo orgánico.

Sin embargo, ¿cómo podemos predecir la evolución de un modelo de negocio? ¿Es posible replicar su crecimiento? Podemos pensar en series de tiempo, adaptabilidad y modelos de redes neuronales para resolver este problema. Los métodos de series de tiempo generalmente se utilizan para modelar predicciones cuando no hay mucha información sobre el proceso de generación de variables subyacentes y cuando otras capacidades no explican claramente la variable estudiada (Z. Zhang & Trafalis, 2013). Además, la predicción a partir de modelos de series temporales se utiliza para predecir el futuro sobre la base de observaciones históricas (Makridakis et al., 1998).

Recientemente, se han propuesto modelos basados en redes neuronales artificiales como alternativa a la predicción de series temporales. Los modelos basados en redes neuronales pueden ser una herramienta valiosa para modelar y predecir series de tiempo ya que una red neuronal artificial es un aproximador universal de funciones capaz de mapear cualquier función lineal o no lineal (Cybenko, 1989; Funahashi, 1989).

Las redes neuronales son un método basado en datos con pocas suposiciones de alta prioridad sobre los modelos subyacentes. En cambio, dejan que los datos hablen por sí mismos y pueden identificar la relación funcional subyacente entre ellos. Además, la red neuronal artificial puede tolerar la presencia de componentes caóticos y, por lo tanto, es mejor que la mayoría de los métodos (Masters, 1995). Esta capacidad es vital ya que los orquestadores de negocios obtienen datos de las interacciones sociales, y las interacciones sociales, como muchas series temporales, tienen componentes caóticos significativos.

Full article in Insight OpenEXO