ОПТИМАЛЬНАЯ СТРАТЕГИЯ ИННОВАЦИЙ

Редко встречаются исследования, результаты которых одинаково полезны для китов бизнеса и мелких стартапов, для СЕО и инженера, для инвестбанкира и ITшника.
Этот пост как раз про такое исследование

Инновации для организаций, - то же самое, что эволюция для живых организмов: с их помощью организации адаптируются к изменениям в окружающей бизнес-среде и совершенствуются.

Без инноваций, компании сначала отстают от конкурентов и потом и вовсе уходят под давлением рыночных и средовых изменений.

Тем не менее, несмотря на неуклонный прогресс в нашем понимании эволюции, то, что движет инновациями, до сих пор оставалось неуловимым.

— С одной стороны, многие крупные компании вкладывают значительные средства в свои стратегии стимулирования инноваций.

Например, P&G и Unilever разработали специальные бизнес-процессы и руководства, по поиску новых инновационных продуктов и довольно успешно опираются на них в развитии бизнеса.

— С другой стороны, исторический анализ и индивидуальный опыт позволяют предположить, что значительную роль в процессе обнаружения инноваций играет серендипность – способность к интуитивным прозрениям.

Примеры компаний Apple и Tesla наглядно демонстрируют высокую эффективность обнаружения инноваций с помощью серендипности.

Поэтому любая компания стремится понять:

Каково же оптимальное место серендипности в стратегии инноваций?

Одинаковы ли должны быть стратегии для крупных компаний и стартапов?

Можно ли в принципе формализовать и оцифровать стратегии инноваций, сочетающие классический подход с серендипностью?

На все эти вопросы пытается дать ответы уникальное исследование «Серендипность и стратегия быстрых инноваций» , выполненное на стыке математики и практики разработки стратегий бизнеса.

Это не очередная красивая теория, а вполне практическое исследование, выполненное совместно Лондонским институтом математических наук, Национальным научно-исследовательским центром Франции и Хендерсовским институтом консалтинговой компании BCG, исследующим пути эффективного внедрения бизнес-идей на основе наиболее передовых научных методов и технологий.

Авторы исследования проанализировали математику инноваций, как процесс поиска жизнеспособных проектов во вселенной строительных блоков. А затем протестировали свои выводы на исторических данные по инновациям.

Три класса исследуемых авторами стратегий можно уподобить трем стратегиям сборки конструктора Лего, которые используют Боб, Элис и Вася, получившие задание собрать как можно больше интересных игрушек - фигур/механизмов/оборудования по теме «Мир пожарных».

Каждый из трех имеет собственную стратегию отбора лего-элементов из общей кучи доступных.
— Боб следует стратегии выбора таких лего-элементов, которые более всего подходят для скорейшей сборки той конкретной фигуры, которая им задумана и, вроде как, уже начала получаться (это недальновидная стратегии создания минимально-жизнеспособного продукта, свойственная стартапам).
— Стратегия Элис – выбор наиболее универсальных лего-элементов, которые могут подойти много к чему (это дальновидная ресурсопожирающая стратегия китов бизнеса, типа IBM и Google).
— Вася следует своим интуитивным озарениям, тягая из кучи элементов то, что подсказывает его интуиция (это стратегия Apple).

Исследователи показали, что все 3 стратегии НЕ оптимальные. Для оптимальности нужно сочетание всех трех стратегий в уникальной для каждой компании пропорции

А каковы эти пропорции – читайте статью. Но все упирается в т.н. «относительную полезность» нового элемента при заданном максимальном числе возможных элементов.

#инновации #серендипность #стратегия #бизнес

«Убийство путем машинного обучения» или «Святой Грааль инноваций»?
О двух важных, но малоизвестных потенциальных последствиях машинного обучения и, в целом, ИИ.
Как говорится, есть 2 новости: плохая и хорошая.

О плохой недавно написал в Harvard Business Review Майкл Шраге из MIT – “Является ли «Убийство путем машинного обучения» новой «Смертью от PowerPoint»?” https://goo.gl/4tDFvr
Сухой остаток таков.
1) IT далеко не всегда ведут к повышению производительности (привет вчерашнему посту 😳). Зачастую их внедрение лишь усиливает уже имеющиеся дисфункции (автоматизация бардака лишь усиливает бардак). Например:
— Перегрузка эл-почтовых ящиков явно ухудшает управленческую производительность, моральный дух и настрой на продуктивную работу;
— Электронные таблицы изобилуют глубоко упрятанными ошибками и макро просчетами.
2) В результате этого, затраты на технологию часто конкурируют с ее преимуществами.
3) Однако, при внедрении IT обратного хода уже нет.
— Многие слышали о "Смерти от PowerPoint" https://goo.gl/XvrfKy – колоссальных отрицательных последствиях применения этого приложения, которых мало кому удается избежать https://goo.gl/XETYEC
— Но несмотря на наличие десятков альтернативных приложений (Keynote, Slides, Prezi, SlideRocket, Easel.ly, Emaze, Slidedog …), PowerPoint с 1990 г. занимает 95%+ рынка, имея более 1.2 млрд. пользователей, делающих ежедневно много миллионов скучных и бездарных презентаций, убивающий у их читателей интерес к теме, а у их авторов, - элементарные навыки сторителинга (важнейшего качества для любого бизнеса).
4) С машинным обучением (МО) запросто может получиться, как с PowerPoint.
— МО создает новые сложные организационные риски, поскольку решения на основе МО склонны внушать ложную и / или неуместную уверенность в своих выводах; усиливать и / или укреплять привязку к данным; укреплять или даже усугублять недостатки людей, которые это ПО обучают и / или им пользуются.
— Никто ведь не хочет создавать скучные презентации, лишь убивающие кучу времени их авторов и слушателей… но они это все же делают.
— Аналогично, никто не захочет тренировать алгоритмы МО, чтобы они порождали ошибочные прогнозы, … но люди все равно будут это делать.
Подробней читайте у Майкла Шраге.

О хорошей новости читайте https://goo.gl/kNwpUa (27 слайдов) и смотрите https://goo.gl/NNcR3H (46 мин) совместный доклад NBER и MIT о том, что глубокое обучение может оказаться Изобретением кардинально нового способа изобретательства.
Сухой остаток здесь формулируется предельно лаконично.
Глубокое обучение (равно как и Машинное обучение, равно как весь спектр технологий ИИ):
1) Суть междисциплинарное явление – см. эффектный слайд 20, где показано почти равномерное распределение числа статей по ИИ между дюжиной областей
2) Это «Технология общего назначения» (вроде астролябии у Остапа Бендера - "Сама меряет. Было бы что мерять" и, одновременно с этим, средство поиска инноваций – см. слайд 11.
3) Это единственный известный человечеству способ извлечения информации (а потом и знаний) о т.н. «4ом квадранте» или «Неизвестном неизвестном» - крупнейшей и самой неисследованной области знаний об окружающей нас реальности (о которой, к слову, только и пишет Нассим Талеб) – см. что это такое https://yadi.sk/i/-EXXDPBJ3JqoUj
#МО #ИИ #Инновации #НеизвестноеНеизвестное #Производительность