دکتر رابرت جی کوپر
دکتر رابرت (باب) جی. کوپر در مقاله خود با عنوان “تحول هوش مصنوعی در نوآوری محصول” می نویسد: در حال حاضر تخمین زده می شود که 70٪ از پیشرفت های محصول جدید که برای توسعه تأیید شده اند هرگز به موفقیت تجاری تبدیل نمی شوند.
او مشاهده می کند که این پروژه ها یا در بازار شکست می خورند یا قبل از راه اندازی، اغلب پس از سرمایه گذاری مالی قابل توجه، از بین می روند. او اعتراف می کند که “پرتاب کردن یک سکه تصمیمات بهتری می دهد!”
او نقش کلیدی هوش مصنوعی را در توسعه یک مورد تجاری قوی برای حمایت از تصمیمات خوب برای ، ایجاد پس انداز قابل توجه برای شرکت ها (و سرمایه گذاران آنها) و سرعت بخشیدن به نوآوری موفق می بیند.
دو راه برای برنده شدن در محصولات جدید وجود دارد:
پروژه ها را به درستی انجام دهید – از تحقیقات صدای مشتری استفاده کنید، از بهترین شیوه ها استفاده کنید، و یک تیم متقابل کارآزموده را جمع آوری کنید. یک مورد تجاری قوی ایجاد کنید، از همسویی استراتژیک اطمینان حاصل کنید و بر اساس معیارهای کلیدی موفقیت تصمیمات منطقی بگیرید.
تصمیم «برو به توسعه» یکی از منابع فشرده‌ترین تعهدات در توسعه محصول جدید (NPD) است، اما همچنین مستعدترین خطا است.
باب توضیح می‌دهد که یک مفهوم مهم در NPD این است که یک فرآیند است و مانند هر فرآیندی، می‌توان آن را سریع‌تر، مؤثرتر و مولدتر کرد. او مبتکر فرآیند Stage-Gate بود که مجموعه‌ای از مراحل را در NPD مشخص می‌کند، که هر کدام دارای وظایف تعریف‌شده‌ای برای جمع‌آوری اطلاعاتی است که ریسک و عدم قطعیت را کاهش می‌دهد و گره‌های تصمیم‌گیری یا دروازه‌هایی برای نظارت بر پیشرفت و تصمیم‌گیری Go/No-Go برای انتقال به مرحله بعدی.
او توضیح می‌دهد: «اگر کسی NPD را به‌عنوان یک فرآیند اطلاعاتی ببیند، هوش مصنوعی به‌طور ایده‌آل آماده است تا این فرآیند را تقویت کند،» و صدای مشتری (VoC) را مثال می‌زند.
هوش مصنوعی برای VoC باعث بهره وری بیشتر NPD می شود.
برای درک نیازهای مشتری و نکات دردناک، شرکت ها اغلب مصاحبه های کیفی عمیقی را انجام می دهند، اما این مصاحبه ها پرهزینه و دشوار است. همچنین، پس از چند مصاحبه، همان مسائل ظاهر می شود.
ابزارهای هوش مصنوعی برای VoC می‌توانند برای جمع‌آوری و تجزیه و تحلیل متن آنلاین از انجمن‌های کاربران، بررسی‌ها، شکایات و مجلات استفاده شوند تا نشان دهند مشتریان چه چیزهایی را دوست دارند و چه چیزهایی را دوست ندارند و نیازهای برآورده نشده را شناسایی می‌کنند.
این اطلاعات می‌تواند برای بهینه‌سازی ارزش مصاحبه‌های حضوری یا مشاهده الگوها و بینش‌های رفتاری که ممکن است انسان از دست بدهد، استفاده شود.این اطلاعات غنی، هنگامی که با تجزیه و تحلیل فعالیت‌های رقبا، روند بازار و حجم فروش ترکیب می‌شود، یک مورد تجاری بسیار دقیق‌تر از آنچه در تاریخ موجود است برای NPD ارائه می‌کند.
علاوه بر این، می‌توان از آن برای ایجاد رندرهای سه‌بعدی از مفاهیم محصول استفاده کرد که درک آنچه ممکن است در توسعه محصول و به دست آوردن واکنش‌های مشتری در یک آزمایش مفهومی برای ذینفعان آسان‌تر شود.
این مقاله توضیح می‌دهد که جنرال موتورز چگونه با MIT کار می‌کند تا از یک مدل هوش مصنوعی مولد استفاده کند که می‌تواند ترجیحات مصرف‌کننده را برای طراحی خودرو پیش‌بینی کند و نیاز به «کلینیک‌های موضوعی» را که ۱۰۰۰۰۰ دلار هزینه دارد و صدها مشتری را درگیر می‌کند، از بین ببرد.
تصمیمات بهتر برای توسعه
تصمیم «رفتن به توسعه» یک نامزد طبیعی برای هوش مصنوعی است. هوش مصنوعی می تواند:
تجزیه و تحلیل مجموعه داده های داخلی گسترده، الگوهای شناسایی برای انجام پیش بینی های بازار و فروش
انجام جستجوهای بازار آنلاین، رقابتی و فنی، دسترسی به منابع بسیار بیشتر از یک تیم پروژه، و خلاصه کردن نتایج در یک سند قابل خواندن را معنا دهد.
سپس تیم مدیریتی که از اطلاعات بهتری برخوردار است، آماده است تا تصمیمات بهتری برای رفتن/نداشتن اتخاذ کند.
هوش مصنوعی می تواند بسیار بیشتر از ارائه اطلاعات بهتر برای تصمیم گیری برای توسعه انجام دهد. در مقاله ای دیگر، باب مدل پیش بینی موفقیت AI-PRISM را تشریح می کند. در اینجا مدل هوش مصنوعی پرونده تجاری پروژه را که توسط تیم پروژه تهیه شده است، بررسی می‌کند و سپس با انجام یک بازار آنلاین، رقابتی و جستجوی فنی کامل، شکاف‌های اطلاعاتی را پر می‌کند.
در مرحله بعد، AI-PRISM با استفاده از هر دو مجموعه داده، به طور مستقل پروژه را بر اساس 20 معیار موفقیت کلیدی امتیاز می دهد و احتمال موفقیت تجاری محصول جدید را تعیین می کند. همچنین ارزیابی نقاط قوت و ضعف پروژه را انجام می دهد و در مورد چشم انداز پروژه اظهار نظر می کند. این مدل در بسیاری از پروژه‌های واقعی تأیید شده است و نتایج قابل اعتمادتری نسبت به تیم‌های مدیریتی در مواجهه با این «تصمیم‌های توسعه» سخت به دست می‌دهد.
مثال دیگر، تمجید Sopheon است که سبد توسعه یک شرکت را بهینه می کند، پروژه ها را اولویت بندی می کند.حتی منابع و مهارت های موجود. مدل بهینه ساز Sopheon گزینه های مختلف پورتفولیو را شبیه سازی می کند و نتایج را از نظر همسویی استراتژیک، سودآوری و نیازهای منابع پیش بینی می کند.
یک مطالعه Forrester تخمین زد که از طریق مدیریت بهینه پروژه، امکان تسریع زمان برای بازاریابی تا 15٪ و صرفه جویی 10٪ از بودجه پروژه از طریق بهبود استفاده از منابع وجود دارد.
ایجاد یک مورد تجاری قوی برای هوش مصنوعی
برخی از شرکت ها به دلیل عدم وجود یک مورد تجاری قوی یا “قابل اثبات” تمایلی به پذیرش هوش مصنوعی ندارند. باب موافق است که مطالعات گسترده و دقیق کمی در مورد شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند وجود دارد، اما می‌گوید که مطالعات کوچک‌تر اما قوی‌تری وجود دارد که به شدت از مورد تجاری برای توسعه محصول جدید حمایت می‌کند.
“پیش بینی مزایای یک فناوری جدید همیشه دشوار است، اما پذیرندگان اولیه به بهبود کارایی، چابکی تجاری و بهره وری اشاره می کنند.””با این حال، مزیت شماره یک تحقق یافته افزایش نوآوری با سود قابل توجه است. برخی از کاهش 50٪ در زمان توسعه نقل قول می کنند.””از آنجایی که دوره پذیرش فناوری جدید به تدریج کوتاهتر می شود، اکنون زمان اقدام فرا رسیده است.”
“به هوش مصنوعی در NPD سرعت ببخشید، از بیرون کمک بگیرید، یک برنامه را در جای خود قرار دهید، و چند هدایتگر را تعیین کنید. تنها راه برای فرار از کهنگی پذیرش نوآوری است.”
