Почему создавать инновации так сложно? Проклятие аналитики

Простые и поверхностные ответы

Может быть множество ответов на вопрос, почему у нас так мало инноваций. Один из очевидных ответов: им мешают текущие практики и культура компаний, которые чаще всего выражаются в следующем.

1. Отсутствие видения и стратегии. Часто компании не имеют четкого видения и стратегии развития, и их сотрудники не понимают, какие инновации нужны их компании. В результате, многие потенциально интересные идеи остаются неиспользованными и даже не высказанными.
2. Жадность. Инновационные проекты требуют значительных вложений денег, на исследование новых идей и гипотез, разработку прототипов и их тестирование. Далеко не всегда компании удается выделить достаточно финансирования для проверки своих инновационных идей.
3. Боязнь неопределенности и стремление избежать рисков. Инновации связаны с высоким уровнем неопределенности и риска. Нельзя предсказать, как будет принята новая продукция или услуга, и есть риск потерять все вложенные ресурсы в случае неудачи. В культуре крупных компаний чаше всего отсутствует право на ошибку и стремление избежать рисков.
4. Сопротивление любым изменениям. Многие люди вообще не любят изменения и стараются избегать их. Они предпочитают оставаться в зоне комфорта и не рисковать. Инновации, ка правило, вносят изменения в привычный рабочий процесс и требуют перестройки и адаптации к новым условиям. Сопротивление со стороны сотрудников, клиентов и других заинтересованных сторон выливается в культуру, которая сопротивляется любым изменениям.

Все это верно, но все эти причины находятся на поверхности и не новость для тех, кто думал об инновациях. Наша статья посвящена не этим причинам, а более глубинным.

Аналитика данных как тормоз

Один из серьезнейших тормозов инноваций это, как ни странно, опора на аналитику данных. Да, вы не ослышались.

В основном анализ данных используется, чтобы выявить причины явлений. Ключевая задача — это сбор данных и их всесторонний анализ с целью обнаружения взаимосвязей и зависимостей, которые могут присутствовать.

Например, для розничной компании важно отслеживать данные о продажах, чтобы выявить, какие факторы оказывают влияние на увеличение или снижение объема продаж. Это может включать исследование сезонности, изменений в потребительских предпочтениях или воздействия маркетинговых кампаний. Тренды и зависимости, выведенные из этих данных, позволяют определить, какие из этих факторов становятся определяющими. Аналитики в сфере финансов могут использовать корреляции для прогнозирования движения фондового рынка, основываясь на исторических данных. Тщательно отобранные и обработанные данные позволяют существенно повысить точность предсказаний, что крайне важно для разработки долгосрочных стратегий бизнеса.

Да, не все так просто, есть известная проблема: корреляция данных – это еще не и причинно- следственная связь. Например, если наблюдается рост продаж мороженого и увеличение числа нападений акул в летние месяцы, то этот факт может указывать на совпадение, но едва ли между этими двумя фактами есть причинно-следственная связь. Выдуманный пример, скажете вы? Отнюдь, на рисунке показан реальный пример подобной корреляции между количеством людей, которые утонули, упав в бассейн и количеством фильмов, с участием Николаса Кейджа. Коэффициент корреляции здесь 0.66, что указывает на существование связи, однако вряд ли найдется кто-то, кто сможет выстроить причинно-следственную цепочку.

Рисунок. Пример корреляции между количеством людей, которые утонули, упав в бассейн, и количеством фильмов с участием Николаса Кейджа.

Поэтому важно, чтобы была проведена качественная проверка гипотезы о наличии причинно-следственных связей, чтобы исключить ложные корреляции.

Все привычно, но давайте более глубоко посмотрим на то, что мы принимаем по умолчанию, используя аналитику данных.

Когда мы располагаем качественными данными и определенными алгоритмами их анализа, создается впечатление, что мы действительно что-то знаем. Однако почему мы уверены в наших прогнозах? Наша уверенность строится на обширном массиве данных и понимании алгоритмов их обработки, которые выявляют закономерности и связи. Но так ли это на самом деле?

Проблема 1. Репрезентативность выборки данных

Как правило, для любого явления, события или процесса мы сталкиваемся с потенциальной вселенной данных, отражающих его. Мы не можем работать с этой вселенной данных, поэтому первой задачей является извлечение из нее репрезентативной выборки данных. Как? Через статистические методы мы можем получить репрезентативную выборку, которая отражает основные свойства и характеристики всех данных.

В современном аналитическом ландшафте иногда считается, что можно обозреть всю совокупность данных. Но в реальности это практически никогда невозможно. Тем не менее, отбор и сбор репрезентативной выборки данных остается важнейшим элементом. Репрезентативность этих данных является ключом к успешному анализу. Например, если мы хотим проанализировать поведение всего населения России и берем в выборку только мужчин или ведем опросы исключительно среди жителей Москвы, то для выводов о ситуации в России или мире, это будет нерепрезентативно. Репрезентативный массив данных должен точно отражать соотношения и характеристики всей популяции, чтобы обоснованно говорить о её свойствах. В противном случае любые выводы, сделанные на его основе, вероятнее всего, будут неверны. Это фундаментальная основа статистики – необходимо гарантировать, что наш выборочный массив данных точно отражает более обширную популяцию, которую мы стремимся изучить. Но давайте подумаем, всегда ли мы можем сказать, что наши данные репрезентативны? Особенно, когда речь идет об инновациях, которые просто не существовали в прошлом?

Проблема 2. Прошлое и два мира Аристотеля

Данные всегда связаны со временем. И если мы спросим, где же у нас находятся данные, то ответ таков: 100% данных всего мира находятся в прошлом. Есть у нас данные о будущем? Нет.

Этот вопрос впервые был задан еще 2,5 тысячи лет назад. Аристотель, выдающийся мыслитель четвертого века до нашей эры, заложил основы научного метода и аналитического подхода. Его вклад выходит за рамки простого описания методов; он четко определил области, где анализ данных применим, и где нет. И это критическое различие, которое часто упускается из виду в современной аналитике.

Аристотель разделил мир на две части: неизменную и изменчивую. Неизменная часть – это мир, управляемый неизменными законами, близкими к законам природы. Если отпустить предмет, он упадет – этот закон действует всегда и везде, независимо от времени и места. В этой области прошлое служит надежным индикатором будущего, и мы можем предсказывать будущие результаты и оптимизировать свои действия.

Однако существует другая часть мира, – изменчивая – это, прежде всего, сфера человеческих привычек, взаимоотношений и социальных связей. Аристотель подчеркивал, что научный метод, основанный на экстраполяции прошлого в будущее, в этой области неприменим. Простой пример: в 1999 году смартфоны были редкостью, в то время как сегодня миллиарды людей пользуются этими устройствами и спрогнозировать такое развитие на основе данных 1999 года было невозможно.

Аристотель писал, что в изменчивой части мира прогнозирование на основе данных ведет к ошибкам. Вы будете неявно предполагать, что будущее будет продолжением прошлого, а иное будущее ускользнет от вас. Но в изменчивом мире будущее не является продолжением прошлого, а формируется под воздействием целого ряда случайных факторов, которые невозможно найти в прошлых данных (например, человеческой изобретательности). Таким образом, Аристотель предостерегал от слепого доверия к данным и подчеркивал важность критического осмысления областей его использования.

Вместо анализа данных Аристотель предлагал использовать воображение, разрабатывать различные сценарии будущего и выбирать тот, который обоснован наиболее убедительными аргументами.

А ведь инновации – это как раз про изменения и создание будущего. Исследование новых возможностей всегда подразумевает высокую неопределенность. И мы берем данные из известного прошлого и пытаемся связать с неизвестным будущим. И сложность в том, чтобы не сделать экстраполяцию прошлого в будущее, мы хорошо знаем, как это сделать. Но инновации как раз предполагают прямо противоположное: будущее может отличаться от прошлого, достижение этого и есть смысл инноваций.

Тупик роста

Таким образом, использование аналитики на прошлых данных, которую организации так любят, для проверки новых идей и инициатив создает фундаментальную проблему. Используя прошлые данные, крайне сложно показать, что инновация, которой еще не существует, имеет бизнес-смысл. И руководителям компаний не на что опереться при принятии решений.

Похоже, здесь проявляется фундаментальное противоречие между построением чего-то нового и контролем того, что уже существует. Поскольку большинство практик и привычек менеджмента предназначены для обеспечения стабильности и контроля, они требуют сбора и анализа информации. В этой области менеджеры сформировали множество практик использования информации. И эти практики загоняют их в «тупик роста».

Вместо того, чтобы бесконечно копаться в прошлых данных, логичнее думать о том, что должно стать будущим. И спросить, что мы должны сделать, чтобы то, чего сегодня нет, стало действительностью?

Сочетание анализа и качественного осмысления

Современный бизнес-мир все чаще подчеркивает важность принятия решений, основанных на данных. Однако чрезмерная концентрация на данных может привести к узкому взгляду на ситуацию и игнорированию других важных аспектов. Задача состоит в том, чтобы найти баланс между анализом, опирающимся на данные, и интуитивным, глубоким качественным осмыслением ситуации или проблемы.

Инноватору необходимо стремиться к развитию такого мышления, которое сочетает в себе как количественный анализ, так и качественное осмысление. С раннего возраста нас учат работать с числами, изучая все более сложные математические методы. Однако нам не хватает обучения в области качественного осмысления сложившейся ситуации – способности различать тонкие нюансы, оценивать неколичественные параметры, подобно тому, как это делают сомелье, шеф-повара или искусствоведы.

В мире бизнеса, где часто приходится работать с неполной или неоднозначной информацией, и такая способность к качественному осмыслению становится критически важной. Качественные инсайты, полученные путем наблюдения, интуитивного понимания и субъективной оценки, очень часто дают уникальную перспективу, которая недоступна чисто количественному анализу.

Для успешной инновации необходимо сочетание обоих подходов. Данные предоставляют объективную основу для принятия решений, но качественные инсайты, те самые «искры», которые зажигают воображение, необходимы для формирования уникальных идей о будущем. Только интегрируя количественные методы анализа и качественное осмысление, мы можем достичь полного и глубокого понимания ситуации и принимать инновационные решения.

***

  Если вы хотите заниматься инновациями, то не будьте рабами аналитики, рабами данных. Там вы ничего интересного не найдете. Помните, что текущие практики использования информации загоняют компании в «тупик роста». Помните, что требуется воображение, требуется оценка и умение осмыслить качественные аспекты ситуации или проблемы. И это поможет вам стать инноватором.

Комментарии 0