LeanStartup & Analytics: Innovación centrada en datos

Cuando hablamos de Lean Startup, nos referimos a una metodología para innovación y desarrollo de producto que se desarrolla en tres fases fundamentales:

• • Problem-solution fit (customer development): Esta fase implica un profundo entendimiento de las necesidades del consumidor, un diagrama claro de la propuesta única de valor y un compromiso de ideación e integración en búsqueda de soluciones probables que empaten con las necesidades del usuario.

  • Problem-market fit (customer validation): Implica iteraciones creando MPV (Producto mínimamente viables) analizando el apetito de mercado ante dichas propuestas y corrigiendo previo a lanzar.

  • Scale (customer creation): Supone la sistematización de procesos productivos a escala, la automatización y cubrir el último cuarto de milla (Mix de canales de distribución, empaques, precios etc.

Este framework de desarrollo de producto, supone la interacción de diferentes metodologías, tradicionalmente tres: 1. Design thinking, 2. Lean, 3. Agile como se muestra a continuación

A lo largo de este continuo, se necesitan dos fuentes de información:

• • Business Intelligence: Información provista por sistemas transaccionales y relacionales de la organización como CRM, ERP entre otros. Se accede a ella mediante proyectos de analítica y ciencia de datos.
  • Market Research: Importación de información sobre mercado, competencia y consumidor. Información que los sistemas transaccionales y relacionales no producen.

De la fidelidad de esta información y su sano uso, depende en gran parte el éxito de la solución.

LeanStartup Plus

Incorporar información confiable y oportuna en cada fase de LeanStartup es una práctica no descrita abiertamente en las guías y literatura sobre el tema. Es por ello que el equipo de innovación y ciencia de datos de SINNETIC se ha unido para formular LEAN STARTUP PLUS para proponer guías claras y casos de uso específicos en donde la ciencia de datos, la investigación y la analítica puedan hacer una propuesta diferencial y propulsar los esfuerzos creativos haciendo growth hacking.

A continuación un diagrama conceptual de la propuesta metodológica

En este planteamiento metodológico, la ciencia de datos cuenta con diferentes roles:

• • Problem-solution fit (customer development): Cada interacción con el consumidor debe alimentar un simulador, que califique las necesidades no resueltas y tensiones del mercado. Debe este simulador estar ponderado al valor de mercado de cada problema y contar con actualizaciones constantes. En este sentido la analítica prescriptiva cuenta con herramientas cómo la simulación basada en agentes.

  • Problem-market fit (customer validation): En esta dimensión, la analítica experimental juega un rol vital. Es necesario iterar con las audiencias mostrándoles dos o mas soluciones probables y comparar la línea de base (situación actual o competidor cercano) vs prototipo. La prueba de hipótesis, la aleatoridad y en general el diseño de experimentos ayudan a las organizaciones a generar "normas" predictivas del comportamiento de los prototipos de cara al consumidor.

  • Scale (customer creation): La analítica relacional tiene un rol en esta fase. Desde la segmentación de audiencias, la analítica digital del tráfico, las cookies y centineles entre otros recursos, ayudan a crear y defender audiencias para asegurar el posicionamiento de la solución en el mercado

Quisiéramos acompañarte desde el método, la investigación y la analítica en tus proyectos de innovación, entremos en contacto:

América del Sur

México y Centroamérica