આઈડિયા જનરેશન એન્ડ પ્રોબ્લેમ ડિસ્કવરી: રિયલ પેઈન શોધવી

નફો:

• સમસ્યા-લક્ષી વિચારસરણીને સમજવાની ક્ષમતા, ઉકેલ લક્ષી વિચારસરણી નહીં, અને સમસ્યાવાળા વિસ્તારોની શોધખોળ કરવા અને વિચારો પેદા કરવા માટે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની ક્ષમતા
• સમસ્યા 'વિટામિન કે પેઇનકિલર' છે કે કેમ તે પારખવાની ક્ષમતા અને આર્ટિફિશિયલ ઇન્ટેલિજન્સથી પૂર્વધારણા
• કૃત્રિમ બુદ્ધિ દ્વારા ઉત્પાદિત વિચારોની સૂચિ એ એક પ્રારંભિક બિંદુ છે અને વાસ્તવિક પીડા ફક્ત ક્ષેત્રમાં જ ચકાસી શકાય છે તે સમજવામાં સક્ષમ બનવું.

મોટાભાગના સ્ટાર્ટઅપ્સ ખરાબ વિચારને કારણે મૃત્યુ પામે છે નહીં, પરંતુ કારણ કે તેઓએ "સમસ્યા" માટે ઉત્પાદન બનાવ્યું છે જેને કોઈ ખરેખર હલ કરવા માંગતું નથી. સ્ટાર્ટઅપ સ્થાપકો ઘણીવાર ઉકેલ સાથે પ્રારંભ કરે છે: "હું એક એપ્લિકેશન બનાવવા જઈ રહ્યો છું, તે આ રીતે કાર્ય કરશે." અનુભવી સ્થાપકો, જો કે, એક સમસ્યા સાથે પ્રારંભ કરે છે: "લોકો અત્યારે શું વાસ્તવિક પીડા અનુભવી રહ્યા છે, અને શું તેઓ તેના માટે ચૂકવણી કરવા તૈયાર છે?" આ એકમમાં આપણે AI (કૃત્રિમ બુદ્ધિ - સોફ્ટવેર કે જે વિચારો અને ટેક્સ્ટ જનરેટ કરે છે)નો યોગ્ય ક્રમમાં ઉપયોગ કરવાનું શીખીશું, એટલે કે, સમસ્યાની શોધ માટે પ્રથમ. ચાલો શરૂઆતથી જ મર્યાદા સેટ કરીએ: AI સેંકડો વિચારો પેદા કરી શકે છે, પરંતુ ફક્ત ક્ષેત્રના લોકો જ કહી શકે છે કે કઈ પીડા વાસ્તવિક છે.

સમસ્યાલક્ષી વિચારવું, ઉકેલ લક્ષી નહીં

પ્રોબ્લેમ સ્પેસ એ મુશ્કેલીઓનો સમૂહ છે જે લોકો તેમની નોકરી કરતી વખતે અથવા જીવન જીવતી વખતે અનુભવે છે. સોલ્યુશન સ્પેસ એ આ મુશ્કેલીઓના ઉકેલ માટે ઉત્પાદિત ઉત્પાદનો અને સેવાઓ છે. રુકીની ભૂલ એ છે કે સીધા સોલ્યુશન એરિયામાં કૂદી જવું; કારણ કે ઉકેલની કલ્પના કરવી આનંદદાયક છે, સમસ્યાને સમજવી કંટાળાજનક અને મુશ્કેલીકારક છે. જો કે, ખોટી સમસ્યાનો સંપૂર્ણ ઉકેલ કચરો છે.

સારી સમસ્યામાં ત્રણ લક્ષણો હોય છે. તે વારંવાર થાય છે (કોઈ પણ દુર્લભ સમસ્યાની ટેવ પાડતું નથી). તે પીડાદાયક છે (કોઈ હળવી અગવડતા માટે પ્રયત્ન કરતું નથી). ખર્ચાળ (જો સમસ્યામાં સમય, પૈસા અથવા પ્રતિષ્ઠાનો ખર્ચ થાય તો ઉકેલનું મૂલ્ય છે). તમે આ ત્રણ અક્ષોમાં સમસ્યાઓ "ખોદવા" માટે AI નો ઉપયોગ કરી શકો છો.

વિટામિન કે પેઇનકિલર?

તે ઉદ્યોગસાહસિકતામાં સૌથી ઉપયોગી તફાવતોમાંનું એક છે. પેઇનકિલર્સ વાસ્તવિક અને તાત્કાલિક પીડાને હલ કરે છે; નહિંતર, વ્યક્તિ તેનું કામ કરી શકતી નથી, તેથી ચૂકવણી કરવાની ઇચ્છા વધારે છે (ઉદાહરણ તરીકે, વેપારી માટે એક સંગ્રહ સિસ્ટમ જે ચૂકવણી કર્યા વિના કામ કરી શકતા નથી). બીજી બાજુ, વિટામિન્સ એ સુખદ પરંતુ ડિસ્પેન્સેબલ સુધારો છે; "તે હોવું સરસ રહેશે", પરંતુ જીવન તેના વિના ચાલે છે (ઉદાહરણ તરીકે, એક રંગીન પ્રેરક એપ્લિકેશન). વિટામિન્સ પૈસા કમાઈ શકે છે, પરંતુ તે ઘણો મુશ્કેલ રસ્તો છે. જ્યારે તમે AI ને આઈડિયા આપો છો, ત્યારે તે તરત જ પૂછે છે કે "આ પેઈનકિલર છે કે વિટામિન, તેના પુરાવા શું છે?" તેમને પ્રશ્ન કરો.

ટીપ: સમસ્યા એ પેઇનકિલર છે કે કેમ તે શોધવાનો સૌથી ઝડપી રસ્તો એ છે કે પૂછવું: "લોકો આ સમસ્યાને ઉકેલવા માટે અત્યારે શું કરી રહ્યા છે અને તેઓ તેના પર કેટલો સમય/પૈસા ખર્ચી રહ્યા છે?" જો નાણાં/પ્રયત્નો હાલમાં ઉકેલ પર ખર્ચવામાં આવે છે (ભલે તે ખરાબ હોય), તો પીડા વાસ્તવિક છે.

પગલું દ્વારા પગલું: AI સાથે સમસ્યા શોધ

1. લોકો/સેગમેન્ટ પસંદ કરો. ચોક્કસ જૂથ માટે વિચારો, "દરેક" માટે નહીં (દા.ત. "સોલો ડેન્ટિસ્ટ").
2. તમારા દિવસો સ્ક્રેચ કરો. AI માંથી તે જૂથ માટેનો એક સામાન્ય દિવસ, તેમની પુનરાવર્તિત નિરાશાઓ અને તેમની વર્તમાન સામનો કરવાની વ્યૂહરચનાઓને બહાર કાઢો.
3. સમસ્યાઓને પૂર્વધારણામાં ફેરવો. દરેક મુશ્કેલીને ટેસ્ટેબલ વાક્યમાં ફેરવો: "જૂથ X પરિસ્થિતિ Y માં Z પીડાય છે."
4. વિટામિન/પીડા નિવારક ફિલ્ટર. આ અક્ષ પર દરેક પૂર્વધારણાનું મૂલ્યાંકન કરો; નબળાઓને દૂર કરો.
5. એક પુરાવા પ્રશ્ન બનાવો. દરેક મજબૂત પૂર્વધારણા માટે "હું એક અઠવાડિયામાં આ કેવી રીતે ચકાસી શકું?" પ્રશ્નનો જવાબ આપો.
6. તેને મેદાનમાં લઈ જાઓ. અંતિમ ફિલ્ટર એ વાસ્તવિક માનવ સાથે વાત કરે છે, AI (આગલું એકમ) સાથે નહીં.

નોંધ: AI જે સમસ્યાનું ઉત્પાદન કરે છે તે "પ્રારંભિક બિંદુ" છે, વાસ્તવિકતા નથી. AI સામાન્યીકરણ કરે છે; તમારા સેગમેન્ટની સાચી પીડા સૂચિમાં ન હોઈ શકે, અથવા સૂચિમાંની કોઈ આઇટમ તમને લાગુ ન થઈ શકે.

ત્રણ નાના કેસો

કેસ 1 - ઉકેલમાંથી સમસ્યા તરફ વળવું. એક સ્થાપક "એઆઈ રેસીપી એપ્લિકેશન" બનાવવા માંગતા હતા (તેણે ઉકેલ સાથે શરૂઆત કરી હતી). જ્યારે તેણે તેના ટાર્ગેટ પ્રેક્ષકો (નવા માતા-પિતા) ના દિવસે AI ડિગ કર્યું, ત્યારે તેણે જોયું કે વાસ્તવિક પીડા રેસીપી નથી, પરંતુ "હાથમાં જે હતું તેમાંથી ઝડપથી ખાવું" અને "સમયનો અભાવ." તેમણે સમસ્યાને ફરીથી વ્યાખ્યાયિત કરી: "ઓછી સામગ્રી, ઓછો સમય". ઉત્પાદનનો વિચાર ધરમૂળથી બદલાઈ ગયો છે અને વધુ સ્પષ્ટ થઈ ગયો છે. આખરે, તેણે 15 લોકો સાથે વાત કરી; 12 એ આ પીડાની પુષ્ટિ કરી.

કેસ 2 - વિટામિનને વહેલું દૂર કરવું. એક ટીમ એવી એપ્લિકેશન પર વિચાર કરી રહી હતી જે "કર્મચારીઓને દૈનિક પ્રેરણાત્મક અવતરણ મોકલે છે." જ્યારે તમે વિટામિન્સ/પેઇનકિલર્સ માટે પરીક્ષણ કરવા માટે AI મેળવો છો અને પૂછો છો કે "લોકો હવે આના પર શું ખર્ચ કરે છે?" જ્યારે તમે પ્રામાણિકપણે પ્રશ્નને જોયો, ત્યારે જવાબ મળ્યો "કંઈ નહીં." પ્રેરણાના શબ્દ માટે કોઈ પૈસા/પ્રયત્ન ખર્ચ કરતું ન હતું. તેઓએ વિચાર વહેલો પડતો મૂક્યો; તેઓએ મહિનાઓ સુધી ઉત્પાદનો વિકસાવ્યા અને પછી શીખવાનું છોડી દીધું. સૌથી સસ્તી નિષ્ફળતા એ છે કે જે તમે પ્રારંભ કરો તે પહેલાં જ નોંધવામાં આવે છે.

કેસ 3 - ગુપ્ત પેઇનકિલર. એક સ્થાપકે નાની ટુર કંપનીઓ પર ધ્યાન કેન્દ્રિત કર્યું. AI એ આ જૂથનો દિવસ બનાવ્યો; ઘણી સમસ્યાઓ હતી, પરંતુ એક બહાર આવી હતી: સતત ડબલ બુકિંગ અને વોટ્સએપ અને રિઝર્વેશન અને કલેક્શનના મેન્યુઅલ ટ્રેકિંગને કારણે પૈસા ગુમાવ્યા. આ એક વારંવાર, પીડાદાયક અને ખર્ચાળ સમસ્યા હતી - ક્લાસિક પેઇનકિલર. તેણે બીજા 6 વિચારો છોડી દીધા અને આ એક પીડા પર ધ્યાન કેન્દ્રિત કર્યું.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) એક દિવસ ખોદવું:

તમારી ભૂમિકા: ગ્રાહક શોધ નિષ્ણાત. લક્ષ્ય જૂથ: [દા.ત. એકલ કાર્યકારી દંત ચિકિત્સક]. વર્ણન કરો, કલાક દર કલાકે, આ વ્યક્તિ માટે એક લાક્ષણિક કાર્ય દિવસ. દરેક તબક્કે તમે જે રિકરિંગ સમસ્યાઓનો સામનો કરો છો અને તમે હાલમાં તેમની સાથે કેવી રીતે વ્યવહાર કરો છો તેની યાદી બનાવો (વર્તમાન ઉકેલ/ઉપાય). જ્યાં તમે અચોક્કસ હો, ત્યાં લખો "ધારણા, ચકાસવી આવશ્યક છે". યાદ રાખો કે તમે સામાન્યીકરણ કરી રહ્યા છો.

2) સમસ્યાને પૂર્વધારણામાં ફેરવવી:

પીડાના મુદ્દાઓની નીચેની સૂચિ લો અને દરેકને આ પેટર્નમાં ફેરવો: "[સેગમેન્ટ] [પરિસ્થિતિ]ની ક્ષણે [પીડા] અનુભવી રહ્યું છે, પરિણામે [ખર્ચ] થાય છે." પછી દરેક પૂર્વધારણાને "પેઇનકિલર/વિટામિન" તરીકે ચિહ્નિત કરો અને એક વાક્યમાં તર્ક લખો.

3) વિટામિન/પેઇનકિલર સ્ટ્રેસ ટેસ્ટ:

નીચેની સમસ્યાની પૂર્વધારણાનું મૂલ્યાંકન કરો: [પૂર્વધારણા]. (1) આવર્તન, (2) પીડાની તીવ્રતા, (3) કિંમતની અક્ષો પર 1-5નો સ્કોર. (4) પ્રશ્નનો જવાબ આપો "લોકો અત્યારે આ સમસ્યા માટે શું કરી રહ્યા છે અને ખર્ચ કરી રહ્યા છે?" (5) કુલ પીડા રાહત સ્કોર આપો અને, જો નબળો હોય, તો તે શા માટે ગરીબ છે તે સમજાવો.

4) સસ્તી ટેસ્ટ ડિઝાઇન:

હું કોડ લખ્યા વિના, એક અઠવાડિયામાં નીચેની પૂર્વધારણાને ચકાસવા માંગુ છું: [હાયપોથીસિસ]. મને 3 સસ્તી પરીક્ષણ પદ્ધતિઓ સૂચવો (દા.ત. ઇન્ટરવ્યુ, પ્રી-રજીસ્ટ્રેશન પેજ, મોક ડોર ટેસ્ટ). દરેક માટે: હું શું માપું છું, કેટલા લોકો પૂરતા છે, જેનું પરિણામ "કડવું સત્ય" કહે છે જેનું પરિણામ "કોઈ પીડા નથી" કહે છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મને 20 સ્ટાર્ટઅપ વિચારો આપો.

આ પ્રોમ્પ્ટ સંદર્ભ અને વિભાગો વિના વિચારોનો કચરો પેદા કરે છે; બધા ઉકેલ-લક્ષી છે, કોઈ વાસ્તવિક પીડા પર આધારિત નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: સમસ્યા-કેન્દ્રિત ગ્રાહક શોધ માર્ગદર્શક. સેગમેન્ટ: [નાની ટુર કંપની માલિકો]. આ જૂથ તેમની નોકરી કરતી વખતે અનુભવે તેવી 8 સંભવિત પીડાઓ લખો, દરેક "સેગમેન્ટ-સ્થિતિ-પીડા-ખર્ચ" પેટર્નમાં. દરેક દર્દને પેઇનકિલર/વિટામિન તરીકે લેબલ કરો અને મને કહો કે કેવી રીતે સસ્તા એક અઠવાડિયાના ટેસ્ટ સાથે 3 સૌથી મજબૂત ચકાસવું.

અભિગમ

આઉટપુટની પ્રકૃતિ

ચકાસણીક્ષમતા

ઉકેલ સાથે પ્રારંભ કરો

સરસ પણ પાયાવિહોણો વિચાર

નીચું

બિન-વિભાજિત અભિપ્રાયોની વિનંતી કરવી

સામાન્ય, વિશિષ્ટ નથી

નીચું

સમસ્યા + સેગમેન્ટ + પૂર્વધારણા

ટેસ્ટેબલ પીડાની સૂચિ

ઉચ્ચ

સમસ્યા + સસ્તી પરીક્ષણ ડિઝાઇન

ક્ષેત્ર માટે પોર્ટેબલ યોજના

સૌથી વધુ

સામાન્ય ભૂલો

• ઉકેલ થી શરૂ. ઉત્પાદનની કલ્પના કરો અને પછી સમસ્યાઓ માટે જુઓ; વિપરીત અને ખતરનાક ક્રમ.
• તે "દરેક માટે" કરી રહ્યા છીએ. વિશાળ સેગમેન્ટ, વધુ અસ્પષ્ટ પીડા બને છે; નાની શરૂઆત કરો.
• પેઇનકિલર્સ માટે વિટામિન્સની ભૂલ કરવી. વિચારો સાથે પ્રેમમાં પડવું "તે સારું રહેશે" વિચારો; પરીક્ષણ ચુકવણી ઇચ્છા.
• વાસ્તવિક માટે AI સૂચિને ભૂલ કરવી. AI ની સમસ્યાની સૂચિ એ પૂર્વધારણા છે; વાસ્તવિક લોકો સાથે ચકાસણી કર્યા વિના કોઈપણ ઉત્પાદન બનાવવામાં આવતું નથી.
• આવર્તન/ખર્ચ વિશે પૂછતા નથી. ભાગ્યે જ અથવા મુક્તપણે સહન થતી સમસ્યા માટે કોઈ ઉકેલ ખરીદતું નથી.

સાવચેત રહો: ​​AI તમારા પ્રત્યે સહાનુભૂતિ રાખવા માટે એક સામાન્ય સમસ્યાને "મોટી તક" તરીકે રજૂ કરી શકે છે. પુષ્ટિકરણ પૂર્વગ્રહની વિરુદ્ધ, સર્જાયેલી દરેક સમસ્યા માટે, "પુરાવા ક્યાં છે, લોકો હવે શું ખર્ચ કરી રહ્યા છે?" પ્રશ્ન તમારી જાતને પૂછો. જો ત્યાં કોઈ પુરાવા નથી, તો વિચાર હજુ પણ માત્ર એક અનુમાન છે.

સારાંશમાં

જ્યારે તેઓ ખોટી સમસ્યા માટે ઉત્પાદનો બનાવે છે ત્યારે સ્ટાર્ટઅપ મૃત્યુ પામે છે; તેથી જ સમસ્યાથી શરૂઆત કરવી જરૂરી છે, ઉકેલથી નહીં. સારી સમસ્યા વારંવાર, પીડાદાયક અને ખર્ચાળ છે. પેઇનકિલર/વિટામિન ડિસ્ટિંક્શન એ આગાહી કરવાની સૌથી વ્યવહારુ રીત છે કે કયો દુખાવો ચૂકવવાની તૈયારીનું કારણ બનશે. AI એ સેગમેન્ટના દિવસને ખોદવામાં, પીડાના મુદ્દાઓને પરીક્ષણયોગ્ય પૂર્વધારણાઓમાં અનુવાદિત કરવામાં અને સસ્તા પરીક્ષણો ડિઝાઇન કરવામાં એક શક્તિશાળી સહાય છે. પરંતુ AI જે પ્રોબ્લેમ લિસ્ટ બનાવે છે તે પ્રારંભિક બિંદુ છે; વાસ્તવિક પીડા માત્ર જમીન પર માન્ય છે, લોકો સાથે વાત કરીને. તમારા પોતાના વિચાર સાથે પ્રેમમાં પડ્યા વિના નિર્માતા અને વિવેચક બંને તરીકે AI નો ઉપયોગ કરો.

એપ્લિકેશન કાર્ય

એક સેગમેન્ટ પસંદ કરો (શક્ય તેટલું સાંકડું). "ડિગિંગ અ ડે" ટેમ્પ્લેટ વડે AI માંથી તે સેગમેન્ટમાંથી પીડાને દૂર કરો. પછી, "સમસ્યાને પૂર્વધારણામાં ફેરવવી" ટેમ્પલેટ સાથે ઓછામાં ઓછી 5 પૂર્વધારણાઓ બનાવો અને દરેકને વિટામિન/પેઇનકિલર તરીકે ચિહ્નિત કરો. 2 સૌથી મજબૂત એનાલજેસિક પૂર્વધારણાઓ માટે "સસ્તી પરીક્ષણ ડિઝાઇન" નમૂનામાંથી સાપ્તાહિક પરીક્ષણ યોજના મેળવો. એક અઠવાડિયાની અંદર વાસ્તવિક વ્યક્તિ સાથે આમાંથી ઓછામાં ઓછી એક પરીક્ષા લેવાની યોજના બનાવો અને અગાઉથી લખી લો કે જેનું પરિણામ "કડવું સત્ય" કહેશે.

ચેકલિસ્ટ

• [ ] શું મેં કોઈ ચોક્કસ સેગમેન્ટની સમસ્યાથી શરૂઆત કરી છે ઉકેલ સાથે નહીં?
• [ ] શું મેં દરેક સમસ્યાને ટેસ્ટેબલ પૂર્વધારણામાં ફેરવી છે?
• [ ] શું મેં વિટામિન/પેઇનકિલર અક્ષ સાથે દરેક પૂર્વધારણાને ફિલ્ટર કરી છે?
• [ ] "લોકો અત્યારે આના પર શું ખર્ચ કરી રહ્યા છે?" શું મેં દરેક પૂર્વધારણાને પ્રશ્ન પૂછ્યો છે?
• [ ] શું મેં AI સૂચિને વાસ્તવિકતાને બદલે ક્ષેત્રમાં પરીક્ષણ કરવા માટેની પૂર્વધારણા તરીકે ગણી છે?