De Chief Innovation Officer (CINO). Twintig jaar geleden was deze positie in de c-suite vrij zeldzaam. Maar vandaag de dag is het een van de belangrijkste rollen die verantwoordelijk is voor het stimuleren van groei in de Fortune 1000. Maar zoals Darko Lovric en Greig Schneider schetsen in hun artikel in de Harvard Business Review van 2019, staat de rol nog in de kinderschoenen. Als gevolg daarvan variëren zowel de verantwoordelijkheden als de aanpak van de rol op basis van de zakelijke uitdagingen die de organisatie wil oplossen.
Wat betekent dit voor een VP of directeur die werkzaam is op het gebied van innovatie en R&D? Vooral als ze de taak hebben om de CINO te informeren en voor te lichten over culturele kansen en bedreigingen voor het bedrijf?
Dit betekent dat je niet alleen rekening moet houden met het type CINO waarmee je werkt. Je moet ook nadenken over de beste soorten onderzoeksinput die je nodig hebt om hen op de hoogte en up-to-date te houden in een snel veranderende consumentenmarkt.
Maar verschillende soorten Chief Innovation Officers hebben verschillende verwachtingen als het gaat om onderzoek.
In deze serie van zes posts bouwen we voort op het HBR-artikel waarnaar hierboven wordt verwezen. We kijken naar de zes hoofdtypen Chief Innovation Officers die Lovric en Schneider hebben geïdentificeerd, maar schetsen ook de verschillende manieren waarop een op AI gebaseerde antropologische benadering de unieke persoonlijkheid en vaardigheden van jouw CINO kan aanvullen.
Chief Innovation Officer #1:
De onderzoeker
Lovric en Schneider identificeren de onderzoeker als iemand die "wetenschappelijke methodologieën gebruikt om de overvloed aan ideeën te temmen en inzichten te halen uit een veelheid aan gegevens". Dit is de Chief Innovation Officer die van laboratoriumjassen houdt. Ze worden 's ochtends wakker, gedreven om iets compleet nieuws en nieuws uit te vinden dat het volgende grote ding in hun categorie zal blijken te zijn.
De uitdaging is dat in hun zoektocht naar het ontwikkelen van nieuw intellectueel eigendom (IP), hun innovaties een hogere faalkans hebben en meer spanning in de organisatie veroorzaken. Als gevolg hiervan benadrukken Lovric en Schneider dat dit type CINO gedijt in een team waar innovatie net zo gericht is op "het bepalen van de juiste vragen als op het vinden van de antwoorden".
Dit is waar een behendige, antropologische benadering van cruciaal belang kan zijn.
Wanneer je te maken hebt met een "onderzoeker", kunnen hun wetenschappelijke voorkeuren ervoor zorgen dat ze minder open of tolerant staan tegenover kwalitatief onderzoek. Maar het is het culturele begrip van de antropologie van de consument dat het best kan verifiëren of je innovatieteam "de juiste vragen stelt" wanneer het de ontwikkeling van nieuwe IP overweegt.
Gelukkig kunnen we dankzij de vooruitgang in de AI Antropologie door een antropologische lens naar grote datasets kijken. Door de omvang van onze datapool te vergroten, kunnen we de vertekening en onnauwkeurigheid elimineren die de CINO soms associeert met kwalitatieve methoden.
Om te beginnen elimineert AI-antropologie de beschikbaarheidsheuristiek zoals gedefinieerd door Nobelprijswinnaar econoom Daniel Kahneman.
Een beschikbaarheidsheuristiek is een mentale snelkoppeling die vertrouwt op onmiddellijke voorbeelden die in je opkomen. Wanneer je een beslissing probeert te nemen of iets probeert af te leiden, komen er onmiddellijk een aantal gerelateerde gebeurtenissen of situaties in je op. En omdat ze meteen bij je opkomen, ga je ervan uit dat ze kloppen. Dit veroorzaakt beschikbaarheidsbias en is een probleem bij de meeste traditionele kwalitatieve of etnografische onderzoeksmodellen (met kleine N-steekproeven), evenals bij onderzoek dat berust op het vragen aan consumenten waarom ze doen wat ze doen.
Door een AI-systeem te maken dat de menselijke factor elimineert (vooral bij het verzamelen van gegevens, de organisatie en de eerste interpretatie van context en motivatie), kunnen we een antropologische motor gebruiken om patronen te identificeren onder miljoenen (en niet tientallen) consumenten. Zoals Kahneman aangeeft: hoe meer gegevens er worden gebruikt, hoe kleiner de kans dat de resultaten verkeerd worden geïnterpreteerd.
Ten tweede, door naar deze enorme hoeveelheid gegevens te kijken via een puur observerende lens, storen we consumenten niet en verdiepen we ons echt in het leven van de mensen die voor ons product kiezen of om een onderwerp of kwestie geven.
Tot slot, en misschien wel het belangrijkst, stelt AI Antropologie ons in staat om verschuivingen in cultuur te kwantificeren. En zoals je je kunt voorstellen, kan die kwantificering 'de onderzoeker' CINO helpen zich zekerder te voelen over de culturele gegevens die je gebruikt om je innovatie- en R&D-beslissingen te onderbouwen.
Als je een onderwerp of trend bestudeert, kun je voorspellen hoezeer de relevantie ervan in de cultuur toeneemt.
Dit was geen gemakkelijke taak. Het vereiste dat we een model bouwden dat het onderwerpuniversum rond een zoekterm analyseert en veranderingen binnen het onderwerpuniversum in de loop van de tijd onderzoekt. In wezen gebruiken we de machine om de constellatie van betekenissen rond een onderwerp, idee of trend te modelleren en te bestuderen.
Specifiek bepaalt het algoritme of -
- Er komen nieuwe onderwerpen binnen in het onderwerpuniversum rond een zoekterm (dit is niets anders dan de cultuur van een onderwerp).
- Deze nieuwe onderwerpen zijn volwassener dan de onderwerpen die momenteel het onderwerpuniversum vormen - d.w.z. zijn ze relevant voor een veel breder deel van de bevolking?
- Als deze nieuwe onderwerpen het onderwerpuniversum minder divers maken. Dat wil zeggen, hoe volwassener een onderwerp, hoe minder diverse reeks betekenissen het draagt.
- Deze meer volwassen onderwerpen nemen toe in volume en in de sterkte van de connectie met de zoekterm.
Op basis van de resultaten van deze vierstapsanalyse, waarbij vier jaar aan gegevens over dat onderwerp wordt gebruikt, kan het algoritme een voorspelling doen en ook een tijdsbestek voor de voorspelling geven.
Bij elke voorspelling horen een paar belangrijke statistieken.
- Tijdsbestek geeft het aantal jaren aan dat nodig is om het voorspelde resultaat te bereiken.
- "Onderwerpen die verandering stimuleren" verwijst naar onderwerpen die de trend naar rechts op de maturiteitscurve duwen, terwijl "onderwerpen die zich verzetten" het tegenovergestelde doen.
- De voorspelling geeft aan -
- De toekomstige positie van de maturiteitscurve en de toekomstige kernmarkt.
- Het volatiliteitsniveau van het onderwerp. Als het onderwerp zeer volatiel is, dan zal het systeem geen voorspelling doen. Je zult dit van tijd tot tijd zien.
Wat betekent dit voor jou?
Het betekent dat je naar je zeer analytische CINO kunt gaan en inzichten kunt presenteren die, hoewel kwalitatief van aard, gebaseerd zijn op het kwantificeren van verschuivingen in de consumentencultuur. En als ze vragen hoe nauwkeurig deze voorspellingen zijn, kun je zeggen dat in meer dan 1000 benchmarkonderzoeken, waarbij we voorspellingen uit het verleden vergeleken met de huidige uitkomsten, 80,4% van onze voorspellingen standhielden met een foutmarge van 4,8%.
Dit overtreft de industriestandaard ruimschoots en is de reden waarom de initiatieven van onze klanten op het gebied van front-end innovatie meer succes hebben wanneer ze gebaseerd zijn op ons onderzoek.
Conclusie:
Meer dan een jaar geleden werkten we met de Global Director of Sensory Science bij een groot CPG-voedingsbedrijf. Ze werkte samen met een zeer getalenteerde Chief Innovation Officer die perfect paste bij het archetype "onderzoeker". En ze stonden op het punt om miljoenen te investeren in welzijn.
Maar er klopte iets niet bij de directeur. Dus gaf ze ons de opdracht om een 5-daagse sprint te doen en ons AI Antropologie platform te gebruiken om de cultuur van wellness & welzijn te onderzoeken.
We waren niet alleen in staat om aan te tonen dat deze twee termen niet door elkaar gebruikt konden worden (de Chief Innovation Officer was ervan overtuigd dat ze hetzelfde betekenden), maar we waren ook in staat om vraagruimtes voor wellness te identificeren en te kwantificeren, die beter aansloten bij de technische vereisten waarop het R&D-team actie kon ondernemen.
We konden de directeur helpen om de CINO te bewijzen dat ze de verkeerde vraag stelden met cultureel relevante big data.
En toen de CINO het rapport onder ogen kreeg, kon hij dankzij de grote steekproef en de hoeveelheid gegevens accepteren dat hij het standpunt van de consument verkeerd had geïnterpreteerd.
"De cijfers liegen niet." zei hij.
Dat is de kracht van het kwantificeren van verschuivingen in cultuur met AI en antropologie.
VOLGENDE:
Chief Innovation Officer # 2: De ingenieur