Κέρδη:
- Ικανότητα κατανόησης της σκέψης που προσανατολίζεται στο πρόβλημα, όχι της σκέψης προσανατολισμένης στη λύση και της χρήσης τεχνητής νοημοσύνης για την εξερεύνηση προβληματικών περιοχών και τη δημιουργία ιδεών
- Ικανότητα να διακρίνει κανείς αν ένα πρόβλημα είναι «βιταμίνη ή παυσίπονο» και να υποθέτει με τεχνητή νοημοσύνη
- Να είστε σε θέση να κατανοήσετε ότι η λίστα με τις ιδέες που παράγονται από την τεχνητή νοημοσύνη είναι ένα σημείο εκκίνησης και ότι ο πραγματικός πόνος μπορεί να επαληθευτεί μόνο στο πεδίο.
Οι περισσότερες startups πεθαίνουν όχι από μια κακή ιδέα, αλλά επειδή έφτιαξαν ένα προϊόν για ένα «πρόβλημα» που κανείς δεν ήθελε πραγματικά να λυθεί. Οι ιδρυτές startup συχνά ξεκινούν με μια λύση: «Θα φτιάξω μια εφαρμογή, έτσι θα λειτουργήσει». Οι έμπειροι ιδρυτές, ωστόσο, ξεκινούν με ένα πρόβλημα: «Τι πραγματικό πόνο βιώνουν οι άνθρωποι αυτή τη στιγμή και είναι διατεθειμένοι να πληρώσουν για αυτό;» Σε αυτή την ενότητα θα μάθουμε να χρησιμοποιούμε το AI (τεχνητή νοημοσύνη — λογισμικό που δημιουργεί ιδέες και κείμενο) με τη σωστή σειρά, δηλαδή πρώτα για την ανακάλυψη προβλημάτων. Ας θέσουμε το όριο από την αρχή: Η τεχνητή νοημοσύνη μπορεί να δημιουργήσει εκατοντάδες ιδέες, αλλά μόνο οι άνθρωποι στον τομέα μπορούν να πουν ποιος πόνος είναι πραγματικός.
Σκέψη προσανατολισμένη στο πρόβλημα, όχι στη λύση
Ένας προβληματικός χώρος είναι το σύνολο των δυσκολιών που αντιμετωπίζουν οι άνθρωποι ενώ κάνουν τη δουλειά ή τη ζωή τους. Ο χώρος λύσεων είναι τα προϊόντα και οι υπηρεσίες που παράγονται για την επίλυση αυτών των δυσκολιών. Το λάθος του πρωτάρη είναι να πηδήξετε κατευθείαν στην περιοχή της λύσης. Επειδή το να φαντάζεσαι τη λύση είναι διασκεδαστικό, η κατανόηση του προβλήματος είναι βαρετή και ενοχλητική. Ωστόσο, η τέλεια λύση στο λάθος πρόβλημα είναι τα σκουπίδια.
Ένα καλό πρόβλημα έχει τρία χαρακτηριστικά. Εμφανίζεται συχνά (κανείς δεν συνηθίζει ένα σπάνιο πρόβλημα). Είναι επώδυνο (δεν καταβάλλει κανείς προσπάθεια για ήπια ενόχληση). Ακριβά (μια λύση αποτιμάται εάν το πρόβλημα κοστίζει χρόνο, χρήμα ή φήμη). Μπορείτε να χρησιμοποιήσετε το AI για να «σκάψετε» προβλήματα σε αυτούς τους τρεις άξονες.
Βιταμίνη ή παυσίπονο;
Είναι μια από τις πιο χρήσιμες διακρίσεις στην επιχειρηματικότητα. Τα παυσίπονα λύνουν τον πραγματικό και άμεσο πόνο. Διαφορετικά, ένα άτομο δεν μπορεί να κάνει τη δουλειά του, επομένως η προθυμία πληρωμής είναι υψηλή (για παράδειγμα, ένα σύστημα εισπράξεων για έναν έμπορο που δεν μπορεί να εργαστεί χωρίς να πληρωθεί). Οι βιταμίνες, από την άλλη πλευρά, είναι μια ευχάριστη αλλά απαραίτητη βελτίωση. "Θα ήταν ωραίο να έχουμε", αλλά η ζωή συνεχίζεται χωρίς αυτό (για παράδειγμα, μια πολύχρωμη εφαρμογή κινήτρων). Οι βιταμίνες μπορούν να βγάλουν χρήματα, αλλά είναι πολύ πιο δύσκολος δρόμος. Όταν δίνετε στο AI μια ιδέα, ρωτά αμέσως "αυτό είναι ένα παυσίπονο ή μια βιταμίνη, ποια είναι τα στοιχεία;" Κάντε τους ερωτήσεις.
Συμβουλή: Ο πιο γρήγορος τρόπος για να μάθετε εάν ένα πρόβλημα είναι παυσίπονο είναι να ρωτήσετε: «Τι κάνουν οι άνθρωποι αυτή τη στιγμή για να λύσουν αυτό το πρόβλημα και πόσο χρόνο/χρήματα ξοδεύουν για αυτό;» Εάν δαπανώνται χρήματα/προσπάθεια επί του παρόντος για μια λύση (ακόμα και αν είναι κακή), ο πόνος είναι πραγματικός.
Βήμα προς βήμα: Ανακάλυψη προβλήματος με AI
- Επιλέξτε άτομα/τμήμα. Σκεφτείτε για μια συγκεκριμένη ομάδα, όχι για «όλους» (π.χ. «μοναδικούς οδοντίατρους»).
- Ξύστε τις μέρες σας. Απόσπασμα από το AI μια τυπική μέρα για αυτήν την ομάδα, τις επαναλαμβανόμενες απογοητεύσεις και τις τρέχουσες στρατηγικές αντιμετώπισης.
- Μετατρέψτε τα προβλήματα σε υποθέσεις. Μετατρέψτε κάθε δυσκολία σε μια δοκιμασμένη πρόταση: «Η ομάδα Χ υποφέρει το Ζ στην κατάσταση Υ».
- Φίλτρο βιταμινών/παυσίπονο. Αξιολογήστε κάθε υπόθεση σε αυτόν τον άξονα. Εξαφανίστε τους αδύναμους.
- Δημιουργήστε μια ερώτηση αποδεικτικών στοιχείων. Για κάθε ισχυρή υπόθεση "πώς μπορώ να το δοκιμάσω αυτό σε μια εβδομάδα;" Απαντήστε στην ερώτηση.
- Πάρτε το στο γήπεδο. Το απόλυτο φίλτρο είναι να μιλάς σε πραγματικό άνθρωπο, όχι σε AI (επόμενη ενότητα).
Σημείωση: Η λίστα προβλημάτων που παράγει η τεχνητή νοημοσύνη είναι ένα "σημείο εκκίνησης", όχι πραγματικότητα. Το AI γενικεύει. Ο πραγματικός πόνος του τμήματός σας μπορεί να μην βρίσκεται στη λίστα ή ένα στοιχείο στη λίστα μπορεί να μην ισχύει για εσάς.
τρεις μίνι θήκες
Περίπτωση 1 — Γυρίζοντας από λύση σε πρόβλημα. Ένας ιδρυτής ήθελε να φτιάξει «μια εφαρμογή συνταγής AI» (ξεκίνησε με τη λύση). Όταν έβαλε το AI να σκάψει την ημέρα του κοινού-στόχου του (νέοι γονείς), διαπίστωσε ότι ο πραγματικός πόνος δεν ήταν η συνταγή, αλλά το «τρώγοντας γρήγορα από ό,τι είχε στη διάθεσή του» και «έλλειψη χρόνου». Επαναπροσδιόρισε το πρόβλημα: «λιγότερο υλικό, λιγότερος χρόνος». Η ιδέα του προϊόντος έχει αλλάξει ριζικά και έχει γίνει πολύ πιο ξεκάθαρη. Τελικά, μίλησε σε 15 άτομα. 12 επιβεβαίωσαν αυτόν τον πόνο.
Περίπτωση 2 — Αποβολή της βιταμίνης πολύ νωρίς. Μια ομάδα εξέταζε μια εφαρμογή που «στέλνει καθημερινά μια εμπνευσμένη προσφορά στους υπαλλήλους». Όταν παίρνετε το AI για να δοκιμάσετε βιταμίνες/παυσίπονα και ρωτάτε «τι ξοδεύουν οι άνθρωποι για αυτό τώρα;» Όταν κοίταξες την ερώτηση με ειλικρίνεια, η απάντηση ήταν "τίποτα". Κανείς δεν ξόδευε χρήματα/προσπάθεια για μια λέξη έμπνευσης. Έριξαν την ιδέα νωρίς. Ανέπτυξαν προϊόντα για μήνες και μετά ξέφυγαν από τη μάθηση. Η φθηνότερη αποτυχία είναι αυτή που παρατηρείται πριν καν ξεκινήσεις.
Περίπτωση 3 — Μυστικό παυσίπονο. Ένας ιδρυτής επικεντρώθηκε σε μικρές τουριστικές εταιρείες. Το AI έκανε τη μέρα αυτής της ομάδας. Υπήρχαν πολλά προβλήματα, αλλά ένα ξεχώρισε: συνεχείς διπλές κρατήσεις και χαμένα χρήματα λόγω WhatsApp και χειροκίνητη παρακολούθηση κρατήσεων και συλλογών. Αυτό ήταν ένα συχνό, επώδυνο και ακριβό πρόβλημα—το κλασικό παυσίπονο. Εγκατέλειψε τις άλλες 6 ιδέες και επικεντρώθηκε σε αυτόν τον πόνο.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Σκάψιμο την ημέρα:
Ο ρόλος σας: ειδικός στην ανακάλυψη πελατών. Ομάδα στόχος: [π.χ. μόνος εργαζόμενος οδοντίατρος]. Περιγράψτε, ώρα με την ώρα, μια τυπική εργάσιμη ημέρα για αυτό το άτομο. Καταγράψτε τα επαναλαμβανόμενα προβλήματα που αντιμετωπίζετε σε κάθε στάδιο και πώς τα αντιμετωπίζετε αυτήν τη στιγμή (τρέχουσα λύση/θεραπεία). Όπου δεν είστε σίγουροι, γράψτε "υπόθεση, πρέπει να επαληθευτεί". Να θυμάστε ότι γενικεύετε.
2) Μετατροπή του προβλήματος σε υπόθεση:
Πάρτε την ακόλουθη λίστα με σημεία πόνου και μετατρέψτε το καθένα σε αυτό το μοτίβο: "Το [τμήμα] βιώνει [πόνος] τη στιγμή της [κατάστασης], με αποτέλεσμα [κόστος]." Στη συνέχεια, σημειώστε κάθε υπόθεση ως «παυσίπονο/βιταμίνη» και γράψτε το σκεπτικό σε μία πρόταση.
3) Τεστ καταπόνησης βιταμινών/παυσίπονων:
Αξιολογήστε την ακόλουθη υπόθεση του προβλήματος: [υπόθεση]. Βαθμολογία 1-5 στους άξονες (1) συχνότητας, (2) έντασης πόνου, (3) κόστους. (4) Απαντήστε στην ερώτηση "Τι κάνουν και τι ξοδεύουν οι άνθρωποι για αυτό το πρόβλημα αυτή τη στιγμή;" (5) Δώστε μια συνολική βαθμολογία ανακούφισης από τον πόνο και, εάν είναι κακή, εξηγήστε γιατί είναι κακή.
4) Φτηνό σχέδιο δοκιμής:
Θέλω να δοκιμάσω την ακόλουθη υπόθεση σε μια εβδομάδα, χωρίς να γράψω κώδικα: [υπόθεση]. Πρότεινε μου 3 φθηνές μεθόδους δοκιμών (π.χ. συνέντευξη, σελίδα προεγγραφής, δοκιμασία εικονικής πόρτας). Για το καθένα: τι μετρώ, πόσα άτομα είναι αρκετά, ποιο αποτέλεσμα λέει «η πικρή αλήθεια» ποιο αποτέλεσμα λέει «χωρίς πόνο».
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Δώστε μου 20 ιδέες για startup.
Αυτή η προτροπή δημιουργεί έναν σκουπιδότοπο ιδεών χωρίς πλαίσιο και τμήματα. Όλα είναι προσανατολισμένα στη λύση, κανένα δεν βασίζεται στον πραγματικό πόνο.
Ισχυρή προτροπή:
Ο ρόλος σας: μέντορας ανακάλυψης πελατών με επίκεντρο τα προβλήματα. Τομέας: [ιδιοκτήτες μικρών εταιρειών περιηγήσεων]. Γράψτε τους 8 πιο πιθανούς πόνους που βιώνει αυτή η ομάδα ενώ κάνει τη δουλειά της, ο καθένας στο μοτίβο «τμήμα-κατάσταση-πόνος-κόστος». Ονομάστε κάθε πόνο ως παυσίπονο/βιταμίνη και πείτε μου πώς να επαληθεύσω τα 3 ισχυρότερα με ένα φτηνό τεστ μιας εβδομάδας.
Προσέγγιση
Φύση της εξόδου
Επαληθευσιμότητα
ξεκινήστε με λύση
Ωραία αλλά αβάσιμη ιδέα
χαμηλά
Ζητώντας μη τμηματικές απόψεις
Γενικό, όχι διακριτικό
χαμηλά
Πρόβλημα + τμήμα + υπόθεση
Κατάλογος ελεγχόμενου πόνου
ψηλά
Πρόβλημα + φθηνό σχέδιο δοκιμής
Φορητό σχέδιο στο χωράφι
υψηλότερο
Συνήθη λάθη
- Ξεκινώντας από τη λύση. Φανταστείτε το προϊόν και μετά ψάξτε για προβλήματα. αντίστροφη και επικίνδυνη σειρά.
- Κάνοντάς το για «όλους». Όσο ευρύτερο είναι το τμήμα, τόσο πιο θολός γίνεται ο πόνος. Ξεκινήστε από μικρό.
- Λάθος τις βιταμίνες με παυσίπονα. Ερωτεύοντας ιδέες «θα ήταν ωραίο να έχουμε». Δοκιμάστε την προθυμία πληρωμής.
- Παρεξήγηση της λίστας AI στην πραγματικότητα. Η λίστα προβλημάτων του AI είναι η υπόθεση. Κανένα προϊόν δεν κατασκευάζεται χωρίς επαλήθευση με πραγματικούς ανθρώπους.
- Δεν ρωτάω για συχνότητα/κόστος. Κανείς δεν αγοράζει μια λύση για ένα πρόβλημα που σπάνια ή ελεύθερα υπομένει.
Προσοχή: Η τεχνητή νοημοσύνη μπορεί να παρουσιάσει ένα συνηθισμένο πρόβλημα ως «μεγάλη ευκαιρία» για να σας συμπαθήσει. Ενάντια στη μεροληψία επιβεβαίωσης, για κάθε πρόβλημα που δημιουργείται, φροντίστε να ρωτάτε "πού είναι τα στοιχεία, τι ξοδεύουν οι άνθρωποι τώρα;" Κάντε την ερώτηση μόνοι σας. Εάν δεν υπάρχουν αποδείξεις, η ιδέα εξακολουθεί να είναι απλώς μια εικασία.
Συνοπτικά
Οι νεοφυείς επιχειρήσεις πεθαίνουν όταν παράγουν προϊόντα για το λάθος πρόβλημα. Γι' αυτό είναι απαραίτητο να ξεκινήσετε με το πρόβλημα, όχι τη λύση. Το καλό πρόβλημα είναι συχνό, επίπονο και ακριβό. Η διάκριση παυσίπονου/βιταμινών είναι ο πιο πρακτικός τρόπος για να προβλέψετε ποιος πόνος θα προκαλέσει προθυμία πληρωμής. Η τεχνητή νοημοσύνη είναι ένα ισχυρό βοήθημα για την εξερεύνηση της ημέρας ενός τμήματος, τη μετατροπή των σημείων πόνου σε ελεγχόμενες υποθέσεις και το σχεδιασμό φθηνών δοκιμών. Αλλά η λίστα προβλημάτων που παράγει η τεχνητή νοημοσύνη είναι ένα σημείο εκκίνησης. Ο πραγματικός πόνος επικυρώνεται μόνο στο έδαφος, μιλώντας με ανθρώπους. Χρησιμοποιήστε το AI τόσο ως παραγωγό όσο και ως κριτικό χωρίς να ερωτευτείτε τη δική σας ιδέα.
Εργασία εφαρμογής
Επιλέξτε ένα τμήμα (όσο το δυνατόν πιο στενό). Αφαιρέστε τον πόνο από αυτό το τμήμα από το AI με το πρότυπο «σκάβοντας μια μέρα». Στη συνέχεια, δημιουργήστε τουλάχιστον 5 υποθέσεις με το πρότυπο "Turning a problem into a hypothesis" και σημειώστε την καθεμία ως βιταμίνη/παυσίπονο. Εξάγετε ένα εβδομαδιαίο πρόγραμμα δοκιμών από το πρότυπο «Φτηνό σχέδιο δοκιμής» για τις 2 ισχυρότερες υποθέσεις αναλγησίας. Σχεδιάστε να κάνετε τουλάχιστον ένα από αυτά τα τεστ με ένα πραγματικό άτομο μέσα σε μια εβδομάδα και σημειώστε εκ των προτέρων ποιο αποτέλεσμα θα λέει "τη σκληρή αλήθεια".
λίστα ελέγχου
- [ ] Ξεκίνησα με το πρόβλημα ενός συγκεκριμένου τμήματος και όχι με τη λύση;
- [ ] Έχω μετατρέψει κάθε πρόβλημα σε ελεγχόμενη υπόθεση;
- [ ] Έχω φιλτράρει κάθε υπόθεση κατά μήκος του άξονα βιταμίνης/παυσίπονο;
- [ ] "Τι ξοδεύουν οι άνθρωποι σε αυτό αυτήν τη στιγμή;" Έχω κάνει την ερώτηση σε κάθε υπόθεση;
- [ ] Αντιμετώπισα τη λίστα τεχνητής νοημοσύνης ως υπόθεση που έπρεπε να δοκιμαστεί στο πεδίο και όχι ως πραγματικότητα;