О сетевых эффектах средств сохранения ценности (часть 1)

image7

Биткойн обладает сетевым эффектом. Многие криптоевангелисты утверждают, что сетевой эффект Биткойна настолько силен, что гипербиткойнизация неизбежна. Но это не совсем верно. Сетевой эффект Биткойна как цифрового золота отличается от общепринятых представлений. Понятию «сетевые эффекты» присущ ряд тонкостей, и оно часто неверно истолковывается. В этой статье проанализированы сетевые эффекты Биткойна, используемого как в качестве цифрового золота, так и в качестве цифровых денег. А также приведен обзор других «конкурентных рвов» помимо сетевых эффектов.

Основные принципы сетевых эффектов

Сетевой эффект представляет собой независимое свойство, возникающее в случаях, когда:

продукт или услуга становятся все более ценными для существующих пользователей по мере того, как увеличивается число этих пользователей.

Различают несколько видов сетевых эффектов:

Прямые сетевые эффекты – увеличение количества пользователей ведет к прямому увеличению ценности продукта.

image7

Прямые сетевые эффекты работают, поскольку существующие пользователи по мере потребления базового продукта/услуги получают возможность взаимодействовать со все более возрастающим числом людей. В основном все коммуникационные сети замкнутого типа демонстрируют именно этот вид сетевых эффектов, включая такие интернет-сервисы, как Facebook и Whatsapp.

Косвенные сетевые эффекты – более широкое использование продукта порождает производство все более ценных дополнительных товаров, что приводит к увеличению стоимости исходного продукта. Операционные системы (ОС) – это наиболее известный тип продуктов, который выигрывает от косвенных сетевых эффектов. При создании приложения разработчики берут за основу определенную операционную систему, чтобы охватить как можно большее количество потребителей. Когда создаются приложения для определенной ОС, она становится более привлекательной для новых пользователей. Тем самым расширяется рынок разработчиков приложений в будущем.

Двусторонние сетевые эффекты – увеличение объемов использования дополняющего продукта одной группой пользователей увеличивает его ценность для другой группы пользователей, и наоборот. Вот наиболее известные примеры: посреднические платформы eBay, Uber и Lyft, AirBnB и Amazon. В каждой из этих сетей потребители выигрывают от разнообразия выбора продукции и конкуренции между поставщиками, что приводит к увеличению числа потребителей, и, в свою очередь, привлекает больше поставщиков.

Сетевые эффекты данных – когда продукт, оснащенный средствами машинного обучения, становится тем «разумнее», чем большее число пользователей данных им пользуются. Сетевые эффекты данных имеют место в большинстве современных облачных приложений, хотя их относительные преимущества значительно различаются в зависимости от вариантов использования и степени сложности.

Как количественно измерить конкурентные преимущества сетевых эффектов

Измерить преимущества сетевых эффектов довольно непросто. Это не точная наука.

Задача представляется особенно сложной, поскольку предельная ценность дополнительных пользователей для системы в целом со временем меняется. Например, в последние годы многие мои друзья удалили свои аккаунты на Facebook. Для меня ценность Facebook сейчас примерно такая же, как и 3 года назад. Потеря 5 или 10% из списка друзей оказала сравнительно незначительное влияние на мой опыт пользования Facebook, так как в моем списке друзей есть еще 500 человек.

Распространено мнение, что преимущества бизнеса, связанного с сетевыми эффектами, могут быть количественно измерены с помощью закона Меткалфа, согласно которому ценность сети пропорциональна квадрату от числа пользователей этой сети (n2).

С тех пор как Меткалф предложил это рабочее определение ценности сети, оно уже было опровергнуто. Насколько известно, не существуют сети, при функционировании которых проявляется сетевой эффект вида степенной функции n2 в бесконечности по мере роста. Более того, начальное предположение, обосновывающее данную теорию, состояло в том, что все соединения в сети равноценны. Вместо этого чаще всего признается, что сетевые эффекты большинства сетей, вероятно, ближе к модели, которую можно описать логарифмической функцией N*log(n), нежели n2.

Хотя в этом, безусловно, есть больше смысла, чем в применении простой степенной функции n2 (ни один показатель не может возрастать квадратично до бесконечности), но и график логарифмической функции N*log(n) является постоянной возрастающей кривой. В действительности же мы видим, что не только не все соединения не являются равнозначными, но и что после определенной точки ценность каждого предельного соединения в системе начинает уменьшаться (например, следующие 10 млн пользователей Facebook в Азии имеют очень незначительную ценность для существующих пользователей в Америке).

На практике, в лучшем случае сетевые эффекты больше напоминают s-кривую, нежели степенную n2 или логарифмическую N*log(n) функции.

0_yS9KviJBbGZ7GcY6.png

Есть множество исследований, авторы которых экспериментальным путем демонстрируют, что развитие сетевых эффектов происходит по S-образной кривой. Именно поэтому Macintosh пережил 90-е (если бы сетевой эффект Windows действительно описывался бы степенной функцией n2, компании Apple, по всей видимости, уже не существовало бы). По этой же причине сейчас сосуществуют столько мессенджеров (Whatsapp, Telegram, Facebook Messenger, Signal и т. д.), поэтому Lyft успешно конкурирует с Uber (мне все равно, сколько водителей на дороге, до тех пор, пока время прибытия машины составляет менее двух минут), и поэтому такое множество сайтов электронной коммерции может конкурировать с Amazon.

Почему же все еще распространено мнение, что сети подвержены сетевым эффектам, которые можно описать степенной n2 или логарифмической функцией N*log(n), учитывая явные примеры, доказывающие обратное? Потому что при рассмотрении всех трех кривых очень сложно определить разницу между крайними левыми частями каждой кривой:

0_y6IaXAd2kqYNEy27.png

Это правая половина каждой кривой – часть, которая описывает процесс только после того, как сеть достигла критической массы, – в которой эти три кривые существенно расходятся. Кривая степенной функции n2, продолжает расти вверх квадратично. Кривая логарифмической функции n*log(n) также возрастает бесконечно, хотя и не так быстро. Что касается S-кривой, то она возрастает и убывает по мере того, как сеть достигает определенной точки насыщения.

Конечно, функционирование не всех сетей можно описать с помощью однотипных S-кривых. И не во всех сетях сетевые эффекты развиваются по наилучшему сценарию, которому соответствует S-кривая.

Некоторые сети ни при каких условиях не достигают сетевых эффектов, похожих на экспоненциальную функцию, такую как левая часть S-кривой. Некоторые сети подвержены только логарифмическим сетевым эффектам с самого начала, что делает их постоянно сублинейными, в отличие от S-кривой, которая изначально является сверхлинейной.

Наиболее распространенным примером логарифмического сетевого эффекта являются обменные операции с ликвидными, взаимозаменяемыми товарами. Даже если мы сделаем смелое предположение о том, что каждый дополнительный пользователь увеличивает ежедневную ликвидность, предельная ценность этой экстраликвидности становится все более бесполезной для всех существующих пользователей. Это утверждение верно даже для первых дней существования сети. Эта кривая никогда не является сверхлинейной; она всегда сублинейна.

Давайте рассмотрим простой пример, в котором каждый новый пользователь, совершая операцию с каким-либо взаимозаменяемым товаром, добавляет 0,01% к дневной ликвидности этого товара.

Когда число пользователей достигает 100, дневная ликвидность составляет 1% рыночной капитализации товара.

Если число пользователей равно 1 000, дневная ликвидность составляет 10% рыночной капитализации товара.

При достижении количества пользователей, равном 10 000, дневная ликвидность равна 100% рыночной капитализации товара.

Показателя 1 000 % дневная ликвидность достигает при количестве пользователей равном 100 000 (10x суточный оборот).

Если пользователь владеет 0,1% от объема продаваемых товаров, ценность ликвидности, привносимой каждым предельным пользователем, становится все менее значимой. Технически, темпы спада будут замедляться по мере роста числа пользователей и, следовательно, ликвидности, но на практике преимущество критической ликвидности будет настолько незначительным, что оно будет незаметно не только для данного пользователя, но и для всех существующих пользователей.

Все операции обмена для данного взаимозаменяемого актива имеют сетевой эффект приблизительно вида логарифмической функции log(n), который наглядно можно представить следующим образом:

0_RRcu4YGZdEXKGrgK.png

Есть достаточно доказательств того, что это утверждение эмпирически верно. Если бы сетевые эффекты обменных операций со взаимозаменяемыми товарами были возрастающими в любой точке кривой, не проводилось бы так много обменных операций с криптовалютой. На практике можно наблюдать, что если обменная операция имеет некоторую ликвидность – часть той, которой обладает лидер рынка – этого в большинстве случаев достаточно, чтобы поддерживать эффективность обменных сделок, и обеспечить приемлемую ликвидность для участников рынка.

Продолжение следует…

Источник



Рубрики:Теория, Ethereum, эфир

Метки: ,

Добавить комментарий

Заполните поля или щелкните по значку, чтобы оставить свой комментарий:

Логотип WordPress.com

Для комментария используется ваша учётная запись WordPress.com. Выход /  Изменить )

Google+ photo

Для комментария используется ваша учётная запись Google+. Выход /  Изменить )

Фотография Twitter

Для комментария используется ваша учётная запись Twitter. Выход /  Изменить )

Фотография Facebook

Для комментария используется ваша учётная запись Facebook. Выход /  Изменить )

Connecting to %s