Arquivo da categoria: Inovação

Insights essenciais sobre inovação, adquiridos por meio da experiência do dia a dia e relacionados com as teorias mais modernas sobre o tema. Confira!

Máquinas, vírus, escravos e o turco mecânico

Quem está no comando? (e o que um Turco Mecânico tem a ver com isso?)

A evolução da tecnologia ao longo dos últimos anos tem sido impressionante, a rotina do ser humano foi absolutamente alterada com a utilização de máquinas, ferramentas e computadores. Hoje, não conseguimos imaginar como seriam nossas vidas sem os smartphones, Google ou Internet Banking.

Continue lendo Máquinas, vírus, escravos e o turco mecânico

MAC – Método Analítico Científico

Conhecendo a verdade através dos números

Durante as pesquisas que realizei para escrever o post Ciência da Inovação, compreendi que, para encontrarmos soluções, precisamos utilizar métodos que norteiem nossa busca.

A indagação sempre fez parte das discussões estratégicas dos negócios, perguntas como “Por que as vendas caem?”, “Qual é o nosso público alvo?” ou “Que produto lançar?” são apenas alguns exemplos. Existem muitas ferramentas e processos que nos auxiliam a encontrar essas respostas, mas a maioria exige conhecimentos matemáticos e estatísticos que, dependendo do ramo, dificilmente estão disponíveis nas empresas.

Devido à essa carência de know-how e as grandes vantagens competitivas que uma correta interpretação de dados pode trazer, decidi compilar os conceitos científicos que tenho aprendido com a construção desse blog e criar um método de análise que possa ser usado por todos, dos mais leigos aos mais capacitados analistas. Vamos chamá-lo de Método Analítico Científico ou MAC.

Premissas:

Antes de iniciar as análises, precisamos garantir a presença de alguns conceitos:

  • Admita a ignorância – Mais uma vez esse tema vem à tona, mas não poderia deixar passar. Antes de iniciar qualquer análise, admita que sua opinião só terá validade de for comprovada, pois sua argumentação, por si só, não tem valor algum.
  • Busque o simples – Sempre que observarmos mais de uma solução possível, escolha a mais simples. Não quebre essa regra para tentar sofisticar seus projetos.
  • Compreenda a utilidade –  Apesar da nossa curiosidade, análises feitas apenas para responder perguntas, infelizmente, não são muito bem vindas. O resultado de seu estudo deve ter uma aplicação prática ou nada disso faria sentido.
  • Permita que seja testada – Toda conclusão que chegarmos, através desse ou de qualquer outro método, não é uma verdade universal e sim uma teoria falseável, que deve, necessariamente, proporcionar a chance de ser testada por outros analistas.

O método:

O MAC possui 5 etapas bastante simples que irão manter suas análises no trilho, afinal, como vimos no post Escolhas e Decisões, precisamos conhecer as fronteiras de um projeto para aumentarmos sua eficiência. Cada etapa, no entanto, abre inúmeras possibilidades, em que a criatividade, o conhecimento, adaptação e raciocínio se farão necessários para enxergarmos o que ninguém vê. As etapas são:

  1. Identificar o problema
  2. Definir Hipóteses
  3. Minerar dados
  4. Testar evidências
  5. Apresentar Solução

A partir daqui, iremos detalhar um pouco mais o método e teremos a breve descrição de algumas ferramentas de análise em todas as etapas.

1. Identificar o Problema

Os problemas nem sempre são o que parecem, na maioria das vezes estão abaixo de muitas camadas de preconceitos, incentivos, paradigmas, distrações e “mimimis“. O primeiro passo visa eliminar essa “sujeira”, existem muitas maneiras de fazer isso, por exemplo:

  • Brainstorming: Essa prática é bastante conhecida, consiste em juntar um grupo de pessoas e estimulá-lo a expor todos os insights que vierem à cabeça sobre algum assunto, dessa forma, conseguimos esmiuçar as características do problema e encontrar sua causa.
  • Diagramas: Muito utilizado em consultorias, a ideia aqui é encontrar conexões entre as variáveis do problema, até que se descubra um princípio.
  • Método Socrático: Identificar contradições na definição de um problema, por meio de perguntas simples (e muitas vezes ingênuas), até que se conheça a sua origem. Podemos, por exemplo, perguntar o porquê do problema acontecer, até que a única resposta possível seja: “porque sim!”.

Observe que essas ferramentas são muito simples e práticas – o Método Socrático, por exemplo, pode ser um exercício mental e individual – existem outras ferramentas, muitas delas mais sofisticadas, quanto mais você conhecer, melhor. O importante é identificar o problema real, pois a falta de dedicação, nesse caso, significa maior risco de ataque ao alvo errado.

2. Definir Hipóteses

Nessa etapa, selecionamos as hipóteses mais promissoras para solucionar nosso problema. As soluções propostas devem partir de pessoas que compreendam o problema e tenham interesse legítimo com a verdade, a criatividade nesse momento também é um grande diferencial. Algumas ferramentas que você pode utilizar:

  • BenchmarkingNada se cria, tudo se copia. A frase já é um chavão no mundo dos negócios e pode servir muito bem nessa etapa, estudar a solução de problemas diferentes pode ajudar a gerar ideias por associação, mantenha-se atento para captar insights a qualquer momento.
  • Post-its – A regra desse processo é escrever toda ideia em um post-it, por mais absurda que pareça, e colar em uma parede ou mural. Feito isso, as ideias são filtradas até chegarmos a apenas algumas hipóteses.
  • Índices – Para selecionar as melhores hipóteses, você pode definir um valor (nota) para cada aspecto que julgar mais importante, atribuir esses valores a cada uma das soluções propostas e convertê-las em números. Assim, podemos selecioná-las através de comparações e rankings.

É importante que as hipóteses não contenham elementos arbitrários ou dependentes de interpretação, além disso, é essencial lembrarmos de algumas das nossas premissas: simples, útil e falseável.

3. Minerar dados

Chegamos a um momento bastante desafiador do nosso método, afinal, não é sempre que temos dados suficientes e relevantes ao problema, aqui você deve aprender a se adaptar a cada situação e ter uma visão bastante holística para encontrar oportunidades. Em ocasiões mais favoráveis, podemos contar com dados mais robustos como, por exemplo, o Big Data (o que não significa muita coisa se não soubermos aproveitá-lo). Seguem alguns exemplos de mineração de dados:

  • Blueprint – Com essa ferramenta podemos mapear todas as etapas de um processo em análise. Conseguimos segregar todo esse processo em diversos momentos, fazer algumas marcações, como o tempo e urgência de cada um, e ainda identificar prioridades, gargalos e oportunidades.
  • Questionários – Transformar a opinião de alguns stakeholders em números é absolutamente exequível, quando utilizamos os questionários. Sua utilidade é inquestionável.
  • Dados disponíveis – Não podemos nos esquecer dos dados que são disponibilizados por agências de pesquisas e estatísticas. Algumas informações, como situação macro e micro econômica, desempenho de vendas de determinado setor e dados demográficos são facilmente encontrados em fontes bastante respeitadas e devem ser explorados.

O mais importante nesse momento é levantarmos a maior quantidade de informação possível. Quanto maior o volume de dados, mais assertiva será a solução.

4. Testar evidências

Chegou a hora de colocar a cabeça para funcionar. Com os dados gerados na etapa anterior, precisamos encontrar evidências que confirmem ou eliminem nossas hipóteses, essa tarefa é feita por meio da análise dos dados que agora estão disponíveis. Aqui, o raciocínio lógico será bastante importante, uma visão freaknomics muitas vezes pode lhe dar as respostas que procura. Exemplos:

  • Correlação – Analisa quanto o comportamento histórico de uma variável influencia em outra. Uma correlação forte pode ser a evidência que buscamos, mas tenha em mente que correlação é diferente de causalidade.
  • Padrão – Encontrar um padrão de comportamento na volatilidade dos números é uma espécie de bilhete premiado. Muita atenção e prática podem lhe ajudar a ter um olhar mais clínico.
  • Tendência – Traçar retas de tendência é um prática bastante comum, porém, podemos ir além, utilizando a análise técnica para traçar retas de suporte e resistência.

Toda hipótese sem evidência deve ser sumariamente eliminada. Algumas vezes, podemos teimar em algum ponto que não pôde ser validado, essa prática é mais comum do que se imagina e deve ser combatida, é muito mais útil voltar ao início do que insistir em algo que não se sustenta.

5. Apresentar solução

Se mantivermos as premissas e seguirmos todos os passos, chegaremos aqui com um bom material. Agora precisamos apresentá-lo, essa é uma das maiores dificuldades de grandes analistas, pois iremos “vender” nossa solução. Utilizaremos os dados e evidências como argumentação e o formato vai depender do seu alvo, tente descobrir se ele é, por exemplo, mais visual, analítico ou sinestésico e adapte sua apresentação. A simplicidade aqui é muito valorizada, utilize o conceito de Lógica Simbólica para encontrar o verdadeiro significado de sua proposta. Seguem alguns exemplos de como apresentá-la:

  • Gráficos – Apresentar suas evidências em tabelas que só você entende não é algo muito vantajoso. A apresentação por meio de gráficos pode resumir uma grande quantidade de dados e tornar sua proposta mais amigável.
  • Elavator Pitch – Muitas vezes, a oportunidade que você terá para apresentar sua solução surge nos momentos mais inesperados. Elaborar um raciocínio bastante sucinto e assertivo pode ser o fator determinante para que seu projeto seja aceito, em uma breve conversa.
  • One Page – Material muito útil quando não há oportunidade de apresentação pessoal, consiste em explicar sua solução e evidências por gráficos, textos e imagens, tudo isso em apenas uma página.

Transformar uma grande quantidade de números em uma solução atrativa não é tarefa fácil, mas com preparação e dedicação é possível fazer um material digno de aplausos, e não queremos nada menor que isso, não é mesmo?

Essa proposta de Modelo Analítico visa atender uma demanda muito forte por análise de dados e, mesmo que esse não seja o seu assunto favorito, vale a pena conhecer tais conceitos para acompanhar esse fenômeno. A verdade é que não existem mais mercados que não sejam balizados pelos números. Além disso, a tecnologia permite que as informações estejam mais disponíveis do que nunca, aquele que conseguir enxergar oportunidade, onde os demais enxergam apenas números aleatórios, terão grande vantagem competitiva.

Ciência da Inovação

O método científico e a inovação – uma nova abordagem

Há algum tempo atrás, participei de um workshop sobre Inovação, era meu primeiro contato direto com o tema e confesso que estava pessimista com o que iria encontrar. Talvez eu estivesse sendo um pouco saudosista, mas tinha o sentimento de que a verdadeira inovação era caótica, surgia em situações imprevisíveis, através de insights, epifanias ou visões inesperadas. Padronizar algo que deveria surgir de forma aleatória, não me parecia certo; era como forçar alguém a fazer algo que não se tem controle algum, como ter ideias, por exemplo. Dessa forma, estaríamos perdendo a naturalidade da criatividade e consequentemente sua qualidade.

Pois é, como você já deve ter percebido, eu estava errado.

O que aprendi naquela oportunidade foi que a inovação se difere de criatividade, ela depende de um processo muito bem estruturado para ser eficiente. Essa revelação foi muito positiva para mim, pois, a partir de então, passei a enxergá-la como algo ainda maior: a cada novo conceito que aprendia me convencia mais e mais de que inovar não se limita ao mundo dos processos, trata-se na verdade de uma complexa ciência.

Tanto a ciência quanto a inovação buscam, antes de qualquer coisa, a verdade – uma solução que seja mais adequada do que todas as outras. Para buscar essa verdade, a ciência precisou de muito desenvolvimento, afinal, a opinião de muitas pessoas, governos e religiões ia contra suas teorias:

Contudo, em assuntos científicos, a opinião da maioria não importa. Nesse aspecto a ciência não é democrática. Muitas de suas verdades são contraintuitivas, e seu progresso, em grande medida, é indiferente à nossa experiência cotidiana do mundo

Michael Mosley e John Lynch

Visto desta forma, o processo criativo pode ter ganhos relevantes, se passar a considerar o método científico como base para a construção de suas teorias, afinal, o processo da inovação é um conhecimento que ganhou destaque recente se comparado à ciência. Observem que podemos encontrar diversas referências científicas que nos ajudam a entender melhor a inovação:

O primeiro a propor um método de investigação foi Aristóteles (350 a.C.). Sua proposta era de que os pensadores deveriam considerar o “porquê das coisas acontecerem, não apenas o “comoEsse modelo de pensamento influenciou muitos filósofos a pensarem, argumentarem e questionarem tudo que nos cerca de maneira mais profunda. Se atualizarmos esse conceito, podemos aprender com Aristóteles a importância das análises qualitativas.

Galileu Galilei (1600) foi grande influente do método científico. Propôs que a ciência não poderia se resumir à reflexão, assim nasceu a verificação experimental, em que os cientistas passaram a basear suas teorias em provas empíricas. Segundo Michael Mosley e John Lynch, “acima de tudo, ele nada fez sem se basear em observações e experimentos – coletar dados e construir argumentos a partir do que pode ser visto e reproduzido constitui o cerne das tarefas de um cientista moderno. Talvez por isso Galileu seja considerado Pai da Ciência“. Ninguém melhor que Galileu para nos ensinar a enxergar com os olhos de nossos clientes ou usuários e testar nossas soluções através de protótipos.

O método de Francis Bacon (1600) é um dos mais aceitos até hoje. Segundo ele, somente tem direito à denominação de filósofo aquele que consegue gerar transformações úteis e socialmente positivas para o mundo e o único método verdadeiramente científico é aquele baseado em estatísticas observáveis. Bacon nos dá uma aula de utilidade prática, não adianta projetar algo que não vá ser usado.

René Descartes (1620) propôs a investigação para se chegar a verdade, segundo ele, podemos encontrar qualquer conhecimento, desde que prestemos atenção para não aceitar como verdade algo que não seja. Em seu livro Discurso do Método, ele afirma que “dentre todos aqueles que até agora buscaram a verdade das ciências, somente os matemáticos conseguiram encontrar algumas demonstrações ou raciocínios certos e evidentes“. Precisa de ajuda com as análises quantitativas? Chame o Descartes.

Hume (1750) e Kant (1760) argumentaram sobre a importância da observação para obtenção de conhecimento empírico, eliminando assim, qualquer interferência cognitiva do observador. Ambos nos alertaram sobre as análises levianas há muito tempo.

Esses exemplos são encontrados em um período em que a busca pela verdade estava apenas começando a se tornar uma ciência, mas temos literatura disponível e rica o suficiente para nos ajudar com quase toda inquietação sobre Inovação:

O método científico hoje adotado nos quatro cantos do mundo elabora explicações baseadas em dados. Quando surgem novos elementos que não se encaixam no modelo, é preciso mudar a explicação. É assim que a ciência avança. Por mais questionáveis que sejam as motivações, por mais influentes que se mostrem as forças econômicas, politicas e individuais atuantes sobre as pessoas que a praticam, e por mais intoleráveis que sejam suas conclusões, o desenvolvimento da ciência depende de seguir o rumo ditado pelas evidências

Michael Mosley e John Lync

Hoje, buscamos novos métodos para lidar com a inovação, queremos utilizar os processos mais modernos possíveis e a todo momento surgem revolucionárias técnicas para resolver de vez essa questão. Mas será que são propostas inéditas? Na nova versão do influente documentário “Cosmos”, o físico Neil deGrasse Tyson resume o Método Cientifico em um conjunto de regras simples e atuais:

  • Testar ideias experimentando e observando;
  • Desenvolver as ideias que passam no teste;
  • Rejeitar aquelas que não passaram;
  • Seguir as evidências onde quer que elas nos levem;
  • Questionar tudo.

Agora, observem o conjunto de regras do modelo mais moderno de inovação, o Design Thinking, proposto por Tim Brown:

  • Observação de usuários;
  • Brainstorming;
  • Prototipagem;
  • Storytelling;
  • Construção de cenários.

Ambos métodos possuem muita semelhança, talvez as modernas teorias de inovação tenham sido influenciadas pelo método científico, talvez tenham chegado às mesmas conclusões. Nos próximos exemplos, temos o que é de mais moderno nos métodos da ciência, observem que se alterarmos os dois textos para o contexto de inovação, manteremos sua coerência e relevância:

O historiador Yuval Noah Harari afirma que a ciência moderna se diferencia das tradições de conhecimento anteriores por três motivos principais:

  • A disposição para admitir ignorância: a ciência moderna se baseia na sentença latina ignoramus – “nós não sabemos”. Nenhum conceito, ideia ou teoria é sagrado e inquestionável (assunto já abordado no post Desapego Criativo);
  • O lugar central da observação e da matemática: tendo admitido a ignorância, a ciência moderna almeja obter novos conhecimentos e o faz reunindo observações e então usando ferramentas matemáticas para relacionar essas observações em teorias abrangentes.
  • A aquisição de novas capacidades: a ciência moderna não se contenta em criar teorias, mas as utiliza para adquirir novas capacidades e, em particular, para desenvolver novas tecnologias e soluções.

Um dos grandes nomes da ciência moderna, o físico Stephen Hawking, aborda a construção de modelos científicos em seu livro o Grande Projeto. Observe que existe muita semelhança nas técnicas atuais de construção de cenários.

Segundo Hawking, “um modelo é um bom modelo, se”:

  • For elegante (refere-se à ausência de elementos ajustáveis);
  • Contiver poucos elementos arbitrários;
  • Concordar com e explicar todas as observações existentes;
  • Fizer previsões detalhadas sobre observações futuras que podem descartar ou falsificar o modelo se não se realizarem.

Temos hoje, muitas ferramentas e técnicas para auxiliar o processo de inovação, Kotler e De Bes citam algumas em seu livro, Bíblia da Inovação: Sinética, Oceano Azul, Análise morfológica, Marketing lateral, Lista de atributos, Construção de cenários, Visitas, Cocriação, Redefinição de valor do cliente, Brainstorming, Experimentação, Teste de produto, área e mercado, Jornada do cliente, Funil de compra, Evolução de KPIs dentre muitas outras.

São muitas as ferramentas que podem nos auxiliar nesse processo tão necessário da Inovação. Mas será que estamos nos preocupando o suficiente com a base de tudo isso? O estudo do método científico pode ser a resposta principal para as grandes questões dessa nova ciência. Mesmo que surjam novas ramificações e padronizações de processos, que podem até ser muito úteis em alguns casos, não podemos abrir mão do que nos trouxe até aqui. Lá está a verdadeira ciência, sem máscaras ou maiores vaidades.

Uma teoria deve ser a mais simples possível, mas não mais simples que isso

Albert Einstein

Cheguei a três principais conclusões com esse post. A primeira é que, realmente, não podemos confundir inovação com criatividade; a visão romântica de ideias surgindo do nada está separada da ciência. A segunda é que inovação e ciência se confundem, nenhuma delas é apenas consequência da outra e funcionam bem melhor se caminharem juntas. A última é que ambos ramos do conhecimento humano são indispensáveis à vida, sem eles, não faríamos sentido.

Referências: Uma Breve História da Humanidade, Yuval Noah Harari, 2012. O Livro da Ciência, Diversos autores, 2013. Design Thinking, Tim Brown, 2010. Antologia ilustrada da Filosofia, Ubaldo Nicola, 2005. Uma História da Ciência, Michael Mosley e John Lynch,  2010. A Bíblia da Inovação, Philip Kotler e Fernando Trias de Bes, 2011. O Grande Projeto, Leonard Mlodinow e Stephen Hawking, 2011. Cosmos: Uma Odisséia do Espaço-Tempo, Neil deGrasse Tyson, 2014.

Análises Levianas

Análises levianas + conclusões infundadas = morte corporativa.

Os cenários cada vez mais complexos fazem com que as avaliações, estudos e pesquisas ganhem importância vital na condução de organizações. São as temidas análises, que podem avaliar desde o potencial de um mercado até a variação de preços de um sanduíche.

A correta interpretação de dados é fundamental para o sucesso dos negócios, afinal, é através dessa inteligência que buscamos melhorar o futuro. Com as conclusões desses estudos é que são definidas as estratégias, a alocação de recursos e a viabilidade de novos projetos.

O que tenho percebido, no entanto, é que análises levianas estão cada vez mais presentes em nosso dia a dia, uma interpretação incompleta dos fatos que fatalmente culminam em decisões mal feitas. Seja no meio acadêmico, editorial ou corporativo, seu uso pode ser observado com frequência. É curioso pensar que exista engajamento para complicação da solução, enquanto, em paralelo, observamos tendência de simplificação do problema.

É claro que muitas vezes temos pouco tempo para uma pesquisa mais adequada, assim, acabamos buscando atalhos e contando com a intuição, porém, o que deveriam ser apenas exceções estão virando regra. Essa maneira mais irresponsável de ver as coisas parece ter outras motivações. São elementos que podem enviesar análises:

  • A pressa para que tudo seja feito o mais rápido possível;
  • falta de engajamento ou descuido dos analistas;
  • O interesse em algum resultado específico;
  • Dados, ferramentas, habilidades ou recursos insuficientes.
  • Busca por atalhos,
  • Hábito de generalização.

O erro mais comum que tenho visto é resumir conclusões a apenas um único indicador. O termo Ceteris Paribus vem do Latim e significa que “todo o mais é constante”, ou seja, é quando se observa uma variável e considera-se que todas as demais não sofrerão qualquer tipo de oscilação. Esse método pode servir para exemplificar alguns fenômenos, mas não servem para refletir a complexa realidade.

Seria como determinar o tempo que você leva para chegar ao trabalho, baseado apenas na distância da sua casa. Sabemos que há grandes chances dessa previsão ser um fracasso, afinal, teríamos que considerar trânsito, clima, possíveis acidentes, cruzamentos e muitas outras interferências para termos uma previsão mais acurada. Um cenário de alta complexidade não pode ser resumido a uma ou duas variáveis.

Uma análise desse tipo pode gerar muitos problemas em diversas áreas, você pode, por exemplo, atribuir um fraco desempenho de vendas de um produto ao seu preço e não perceber que ele está ficando obsoleto; ou pode criar um material resistente ao frio e ao calor, mas esquecer de considerar o vento; pode viabilizar o lançamento de um serviço ao confirmar o interesse das pessoas, mas não considerar se elas terão condições financeiras para contratá-lo.

Existem exemplos diversos que comprovam a preocupação com o desenvolvimento de visão mais abrangente:

  • A macroeconomia avaliava o desempenho de um país, baseado exclusivamente em seu Produto Interno Bruto (PIB). Com a noção de que este dado isolado não seria suficiente, surgiram muitos outros indicadores para complementá-lo, como por exemplo a Paridade do Poder de Compra (PPC), o Índice de Desenvolvimento Humano (IDH) e até o Índice Big Mac.
  • A microeconomia possui ferramentas que avaliam a influência de fatores secundários, observando a “elasticidade” de algumas variáveis em relação à outras;
  • Com estatística, podemos levar duas ou mais variáveis a testes de correlação entre si, usando, por exemplo o Coeficiente de Correlação de Pearson;.
  • Na Física, classificam-se os fatores que poderiam interferir em eventuais observações: aqueles que se mantém constantes são chamados de Referenciais Inerciais.
  • No meio acadêmico, além de vasta literatura, observa-se uma crescente oferta de cursos para suprir essa demanda por habilidade analítica, como especializações em Ciências de Dados e Big Data.

As análises levianas levam a conclusões infundadas e dependem de uma outra variável para estarem corretas: a sorte. E,como sabemos, depender dela não é algo muito promissor. Os erros podem fazer com que você perca o timing de mercado, direcione recursos para algo irrelevante, perca clientes para um concorrente mais atento e, em último caso, pode levar sua empresa a falência. Foi o que aconteceu com a famosa “Contabilidade Criativa“, em que algumas empresas direcionavam os resultados de acordo com interesses próprios. A prática culminou em muitos escândalos de níveis mundiais, falências e prisões.

As análises devem ser fontes fidedignas de informações para decisões estratégicas e estarão cada vez mais presentes no dia a dia da maioria dos profissionais. Como vimos, muitos erros acabam acontecendo por falta de direcionamento, então, para evitar a irresponsabilidade analítica:

  • Seja imparcial;
  • Pesquise e utilize ferramentas de análise;
  • Conheça o contexto do que está analisando;
  • Desenvolva visão holística;
  • Peça opinião e feedback…;
  • …mas não faça de seu estudo um “compilado de percepções“;
  • Equilibre dados quantitativos e qualitativos;
  • Esqueça as conclusões anteriores e investigue todas as possibilidades atuais;
  • E, por fim, fuja da falácia, busque apenas a verdade, doa a quem doer.