Lasă-ţi datele să “producă” şi întrebări, nu doar să-ţi dea răspunsuri la întrebări

Ingeniozitatea este convingătoare: în loc să folosească date ca să rezolve probleme, tehnologiile AH generează portofolii de probleme provocatoare care sunt ”de rezolvat”. Sau, mai precis, ipoteze ce merită să fie testate. Companiile globale, precum şi antreprenorii care gândesc şi acţionează global, vor putea să folosească seturi mari de date ca să genereze pentru afacerile lor nişte ipoteze care să se învârtă în jurul inovaţiei şi în jurul creării unei noi valori pe care să o ofere clienţilor. În locul recomandărilor care le sugerează oamenilor ce cărţi să citească sau ce serial TV să urmărească şi care sunt create de motoarele specializate în crearea de asemenea recomandări, motoarele AH vor propune noi titluri şi concepte pentru consumul de media. Oare se mai îndoieşte cineva de faptul că Amazon şi Netflix vor să-şi folosească exabyţii de date pentru a concepe şi lansa noi produse pentru clienţii şi partenerii lor?

În mod similar, poţi fi sigur că multe – dacă nu chiar majoritatea – fonduri de hedging secretoase au nişte motoare AH foarte bine protejate prin drepturi de proprietate intelectuală, care le recomandă neîncetat nişte strategii de tranzacţionare şi teme de investiţii care se pretează la revizuire şi rafinare. Da, faima tranzacţionării de mare frecvenţă şi “bazată pe algoritmuri înalte” realizată de către “Flash Boys” ( porecla preluată de la titlul cărţii lui Michael Lewis, “A Wall Street Revolt. Flash Boys”, un bestseller în care el arată schimbările enorme ce au avut loc pe pieţele financiare în ultimele decenii, n.tr) este impresionantă, dar victoriile aduse de acest gen de tranzacţii sunt doar ceva ce ţine de execuţie. Interoperabilitatea globală a seturilor masive de date este un factor care garantează faptul că managementul cu succes al portofoliului de ipoteze “de investiţii” a devenit un precursor important al managementului cu succes al portofoliului de investiţii.

Conceperea şi crearea unor sisteme capabile să pună întrebările potrivite se poate dovedi a fi un proces mai valoros decât cel aplicat sistemelor care oferă, pur şi simplu, răspunsurile potrivite. Concluzia-cheie din cartea mea recentă “The Innovator’s Hypothesis: How Cheap Experiments Are Worth More Than Good Ideas” (“Ipoteza Inovatorului: Cum se dovedesc experimentele ieftine a fi mai valoroase decât ideile bune”), este că abilitatea de a desfăşura experimente rapide, care pot fi realizate cu foarte puţine resurse şi pot fi extinse apoi cu uşurinţă la o scară mai largă, devine o competenţă de bază pentru asigurarea succesului unei inovaţii. Pe măsură ce companiile acumulează mai multe date despre clienţii lor – despre canalele de distribuţie şi comunicare pe care ei le preferă, despre obiceiurile lor de utilizare, nemulţumirile lor, despre site-urile de socializare pe care sunt prezenţi şi activi etc – nu vom mai vedea, pur şi simplu, oameni care analizează datele în scopul optimizării; vom vedea maşini generând “ipoteze de inovaţie” care recomandă, pentru testare, noi configuraţii, noi pachete de date grupate pe baza similarităţii lor, noi caracteristici ale produselor sau serviciilor, noi sisteme de aplicare a preţurilor şi modele de afaceri. “Ipoteza revoluţionară a inovatorului” nu trebuie neapărat să vină de la o fiinţă umană. Şi, după toate probabilităţile, nu va veni de la o fiinţă umană.

Inovatorii cu mare impact se vor baza din ce în ce mai mult pe epifanii şi pe înţelegeri profunde ajutate de AH pentru a-şi declanşa dibăcia în materie de creativitate şi inovaţie. În locul “cutreierării” prin date, în căutarea unor tipare interesante, provocarea ce trebuie depăşită pentru a inova va fi cea de a determina care dintre ipoteze merită experimentele cele mai imediate şi mai inovatoare care pot fi extinse la scară mai largă, transformându-se într-un nou produs, un nou serviciu, un nou proces sau o nouă experienţă de utilizare – care să fie valoroase pentru client. În procesul de inovare, colaborarea dintre cei care culeg roadele AH şi experimentatorii “din lumea reală” va modela, în măsură din ce în ce mai mare, cultura din corporaţii.

Fuziunile de tip “mash-up” – în care sunt reunite nişte elemente disparate, foarte diferite şi, cel puţin în aparenţă, fără nici o legătură – realizate prin combinaţia dintre ipotezele obţinute din procese automatizate şi procesele analitice predictive, vor fi inevitabile. Ipotezele “automatizate” care-i vor încânta pe marketeri şi finanţişti, precum şi pe ingineri şi designeri, vor fi la fel de mult o artă a calculelor realizate pe computer pe cât sunt o ştiinţă a creării de software-uri. Este ca şi cum ai avea un microscop, telescop sau scanner MRI (ce produce imagini computerizate obţinute prin rezonanţă magnetică) care poate să-ţi “spună”: “aspectul acesta arată interesant; ce-ar fi dacă am încerca lucrul acesta?”.

Bineînţeles, lucrurile devin chiar mai interesante şi mai inovatoare atunci când încercăm să fuzionăm AH cu “ML” – capacitatea “maşinilor” de a învăţa (în original: machine learning). Dar aceasta este doar o ipoteză “de business”.

Michael Schrage, Research Fellow la “Center for Digital Business” – centru de cercetare care aparţine Sloan School of Management- Massachusetts Institute for Technology şi în care activităţile de cercetare asupra domeniului digital al afacerilor sunt realizate în parteneriat cu firmele din mediul de afaceri – este autorul cărţilor “Serious Play, Who Do You Want Your Customers to Become?” şi “The Innovator's Hypothesis” – care urmează să fie lansată pe piaţă.