Las transacciones prospectivas son la próxima gran revolución tecnológica

En los últimos años, los datos han sido el producto más candente del mundo. El dinero ha atraído a las empresas que lo recaudan, las empresas que lo analizan y las empresas de infraestructura de datos que brindan la instalación digital que lo hace posible.

En los últimos cinco años, las nuevas empresas de infraestructura de datos por sí solas han recaudado más de $ 8 mil millones en capital de riesgo por un total de $ 35 mil millones.

Conocemos los nombres de las empresas más grandes de la industria; Estos incluyen Databricks, Snowflake, Confluent, MongoDB, Segment, Looker y Oracle.

Pero, ¿para qué se utilizan realmente?

La mayoría de los inversores hablarán sobre cómo, en teoría, las tendencias se pueden derivar de los datos. Otros pueden hablar sobre cómo los datos cambiarán el mundo sin llenar los vacíos, como.

No estoy en desacuerdo. He trabajado e invertido en empresas de datos a lo largo de mi carrera.

Pero creo que les falta algo importante. Viene una gran conmoción; quizás el más poderoso desde que se inventó el procesamiento de transacciones asistido por computadora en 1964. El procesamiento de transacciones predictivo cambiará el modelo de los últimos 57 años de la informática y transformará la forma en que vivimos, trabajamos, compramos y nos entretenemos.

Para que las empresas sigan siendo relevantes y competitivas, no solo necesitan poder predecir el comportamiento y las preferencias de los clientes, sino también confiar en transacciones predictivas para automatizar la mayoría de sus interacciones comerciales;

Un nuevo modelo transformador

El procesamiento de transacciones se ha realizado de la misma manera desde los albores de la informática. El usuario realiza una solicitud, la solicitud se procesa y, si tiene suerte, se analizan las decisiones del usuario.

Esto está sucediendo hoy en muchas plataformas.

Cuando compro un producto de Amazon, el aprendizaje automático se puede utilizar para hacer recomendaciones. Pero la decisión de compra es básicamente algo que yo, como cliente, tengo que tomar. Cuando navego por Netflix, sugiere algorítmicamente contenido que me gustaría ver, pero tengo que decidir volver a presionar reproducir.

A esto lo llamamos «inteligencia artificial», pero creo que no es lo suficientemente inteligente. La verdadera transformación tendrá lugar cuando pasemos a un modelo de computación predictiva.

Imagínese esto: acaba de llegar a casa del trabajo y un camión de reparto de Amazon está conduciendo frente a su puerta con los 25 artículos para el hogar que necesita esta semana, desde alimentos secos hasta artículos de limpieza, informados por su perfil detallado de cliente. Cualquier elemento que no necesite (una oportunidad poco probable dada la mejora del aprendizaje automático) puede devolverse fácilmente: información agregada a la base de datos que mejora continuamente el aprendizaje del motor y la capacidad de predecir su comportamiento.

El caso de uso es claro: cuando las transacciones se toman de mejores decisiones (por ejemplo, en términos de logística, la tecnología de entrega de última milla garantizará que las personas obtengan lo que quieren cuando lo necesitan y los atascos de tráfico de las camionetas de entrega que actualmente se ven obstaculizados por plazos inciertos y clientes no disponibles.

Dada la sofisticada logística y los recursos de datos de Amazon, este escenario no es difícil de imaginar. Amazon tiene datos sobre sus hábitos de compra de compras de por vida. Contiene la información de su tarjeta de crédito. Y tiene una capacidad incomparable para enviar mercancías a gran escala rápidamente.

Lo mismo puede aplicarse a Netflix y otras plataformas de entretenimiento como Spotify. Ellos conocen nuestros hábitos, así que ¿por qué esperar a que les digamos lo que ya saben antes de hablar con nosotros?

Como dice Benedict Evans, una computadora nunca debe hacer una pregunta cuya respuesta sepa.

Sin embargo, esto es solo el comienzo. El modelo de procesamiento predictivo de transacciones no es solo una oportunidad para mejorar nuestras vidas, los sistemas existentes y los modelos comerciales. Será fundamental para desbloquear las tecnologías transformadoras del futuro.

Tomemos los vehículos autónomos, por ejemplo. No lograremos una autonomía de «Nivel 5» si el automóvil solo tiene sus propios sensores integrados en los que se puede confiar. Necesitamos todos los automóviles, desde los controlados por humanos hasta los vehículos de aprendizaje en la nube, para que los riesgos en la carretera puedan calcularse en función de los datos recopilados de cada vehículo autónomo. Y necesitamos que este cálculo sea proactivo, para dirigir nuestros vehículos en previsión de los peligros que se avecinan. Al actuar con el modelo predictivo basado en datos, los accidentes automovilísticos pueden ser cosa del pasado.

Las transacciones con miras al futuro serán vitales para las industrias, desde el comercio y el entretenimiento de DTC hasta el transporte, la logística e incluso la atención médica, ya que todos pueden beneficiarse de esta información increíblemente concisa sobre su base y hábitos de clientes / clientes.

Colocando los bloques de construcción

Ya hay empresas que están dando pasos tentativos hacia el futuro con miras al futuro.

El más notable es el TikTok de ByteDance. Con $ 34 mil millones en ventas en 2020, es la aplicación de procesamiento predictivo de transacciones más rentable jamás desarrollada. Abra la aplicación y verá un flujo interminable de videos cortos de reproducción automática. Mientras observa, el algoritmo aprende lo que le gusta, no en función de su preferencia declarada, sino en función de su preferencia revelada.

En otras palabras, si ha estado viendo videos de mascotas por más tiempo que personas cantando o haciendo acrobacias, la aplicación le mostrará más mascotas sin tener que presionar reproducir o escribir palabras en un cuadro de búsqueda.

Las empresas que se están construyendo hoy deben seguir el ejemplo de ByteDance, invirtiendo y construyendo las tecnologías clave que nos mueven hacia el modelo de procesamiento predictivo de transacciones.

Como parte del cambio de las interacciones instrumentadas por el usuario a las decisiones tomadas por los sistemas de aprendizaje y los datos, necesitamos reorganizar y rediseñar toda la pila de tecnología.

Por ejemplo, necesitamos modelos de aprendizaje automático mejorados que hagan predicciones más precisas, ya que las ganancias marginales marcan la diferencia cuando se distribuyen en cascada a través de una cadena logística. También necesitaremos sistemas de aprendizaje que puedan mirar hacia atrás y corregir errores pasados ​​para que los errores no empeoren.

También necesitamos reemplazar las vacas sagradas de larga data, como los estándares J2EE que han sido comercio electrónico ilimitado durante una generación. Las aplicaciones basadas en el aprendizaje de los datos son muy diferentes de las basadas en la base de datos relacional tradicional. También necesitaremos nuevas herramientas de desarrollo y depuración, como nuevos lenguajes de programación de nivel inferior, para que podamos consultar datos de forma más eficaz.

La integración de aplicaciones también se volverá más compleja, ya que las aplicaciones están completamente controladas por datos, no por diseño.

En última instancia, la confiabilidad de las aplicaciones de procesamiento de transacciones en tiempo real debe cambiar de manera fundamental. Para que los datos predictivos sean críticos para el negocio, necesitamos plataformas y productos que reduzcan el tiempo de inactividad, permitan la recuperación instantánea y tengan capacidades de conmutación por error automáticas.

La verdadera oportunidad

La revolución en el procesamiento predictivo de transacciones es inminente. Es quizás la innovación empresarial más emocionante que haya visto jamás la informática empresarial. Cuando los bloques de construcción tecnológicos colapsen y las aplicaciones finalmente lleguen al mercado, los efectos se sentirán de inmediato.

El número de transacciones en plataformas predictivas se disparará. Habrá enormes oportunidades para mejorar la eficiencia de los sistemas existentes y un papel lucrativo para el ecosistema de empresas que desarrollan el middleware que lo hace posible. Y las plataformas corporativas de SaaS dominantes en la actualidad corren el riesgo de volverse obsoletas.

Por lo tanto, es hora de aprovechar el procesamiento predictivo de transacciones, y los inversores inteligentes aprenderán de este nuevo paradigma: es hora de mirar hacia adelante y tomar decisiones ahora sobre dónde invertir su dinero y en qué se trata.

Alfred Chuang es socio general de Race Capital (Databricks, FTX, Solana, Opaque), donde invierte fuertemente en infraestructura de datos. Anteriormente, fue cofundador y ex presidente y director ejecutivo de BEA Systems y dirigió la adquisición por parte de Oracle por $ 8,6 mil millones.