De Einstein a Bezos: O que a ciência pode nos ensinar sobre crescimento

Uma das coisas que me impressionou na minha transição dos laboratórios de neurociência para a tecnologia são as profundas conexões entre a tecnologia e a maneira como o mundo da ciência opera (incluindo a adoção pesada de termos e técnicas científicas), mas uma falta geral de profundidade no entendimento do que a ciência pode realmente nos ensinar sobre como fazer essas coisas bem. Mesmo na ResearchGate, a maior plataforma na interseção de tecnologia e ciência, a consciência da analogia de nosso trabalho com a ciência raramente se estende às técnicas de experimentação anteriores. Acredito que isso perca muitos insights. Há muito mais que nós, em tecnologia, podemos aprender de como a ciência trabalhou por centenas de anos para construir conhecimento e impulsionar o progresso humano. 

Muitas das coisas difíceis e importantes que a tecnologia afirma estar “inventando” são na verdade problemas com os quais a ciência lida há gerações. Como resultado, os tipos de cientistas e sistemas de que precisamos durante diferentes fases de crescimento, crise, disruption e retorno ao crescimento podem ser aprendidos não apenas na biografia de Steve Jobs, mas também nas de Einstein e Newton. Neste artigo, vou me concentrar especificamente na crise que acontece quando um modelo entrincheirado é levado ao ponto de ruptura e, ao fazer isso, espero também fornecer uma lente mais ampla para como interpretar grandes cientistas como fontes de inspiração para a inovação moderna.

Ajuste de conhecimento/paradigma versus ajuste de produto/mercado

Steven Dupree, atualmente chefe de marketing da Amava, fez uma descrição útil e simples e intuitiva do processo de crescimento da tecnologia como “o método científico aplicado às principais métricas de uma empresa”. Na maioria das vezes, a marca específica de método científico empregado por empresas de tecnologia é uma rápida experimentação iterativa projetada para otimizar conexões e loops existentes. Thomas Kuhn, em seu livro canônico “A Estrutura das Revoluções Científicas”, chama isso de “ciência normal”, onde paradigmas ou modelos existentes são fortalecidos e interconectados.

Como na ciência, é justo supor que a maior parte do crescimento do produto funcione e deva operar dessa maneira. No entanto, em um determinado momento, o modelo ou paradigma existente define seu próprio máximo local e entra em um período de crise caracterizado por desaceleração ou mesmo crescimento parado. Nesse ponto, a ciência da otimização não é mais suficiente e precisamos olhar para pensadores intuitivos, generalistas como Einstein e Bezos, como exemplos de como sair da rotina mudando nossos modelos e estratégias fundamentais. 

Estabelecer as diferentes fases de Kuhn nos termos dos leigos facilita a visualização de onde existem analogias para os negócios. 

Vale a pena mencionar alguns pontos antes de mergulhar em detalhes em qualquer fase específica:

1. Você pode ser excepcionalmente inteligente e ter conhecimento / experiência em todas essas fases, mas é certo que você não está preparado para ser bom em todas elas, porque a habilidade natural em uma delas é frequentemente a fraqueza natural em outra. Desenvolver essa autoconsciência (ou como Eugene Wei chama de “suas próprias assíntotas invisíveis”) é fundamental.
2. A entidade que passa por isso pode e geralmente é uma empresa inteira, mas também pode ser um produto ou, em alguns casos, um recurso importante. Isso também significa que em uma empresa maior, você pode ter uma área em crise e outra em “ciência normal”. 
3. No crescimento do produto, geralmente experimentamos desaceleração quando nosso primeiro canal de aquisição bem-sucedido fica saturado e começamos a procurar “o próximo canal viável”. Embora qualquer desaceleração possa parecer uma crise, testar constantemente novos canais e otimizar os canais existentes é essencialmente “ciência normal” e não atende à definição de “crise” nesse modelo mental. 

Está na hora de uma crise?

O conteúdo existente sobre como executar o “crescimento normal” já é vasto, familiar e bastante científico. Então, vou me concentrar nas fases de “crise” e “mudança de paradigma”. É nesses desafios (onde tradicionalmente se supõe que o instinto é a única opção) que a ciência criativa pode descobrir novas ferramentas para o crescimento.

Então, o que a ciência pode nos dizer sobre quando um modelo específico se encaminha para o seu “horizonte de crescimento”? Aqui estão alguns sinais principais: 

• Diminuindo a taxa de sucesso dos experimentos: As pessoas imaginam erroneamente a ciência misturando várias coisas e apenas vendo o que acontece, mas, como A / B testando um novo fluxo de inscrição, fazê-lo corretamente exige uma hipótese sobre qual efeito você verá e por que. Se você estiver correto, você reforça suas visões existentes; se não estiver, você as altera. Qualquer um deles alimenta sua próxima hipótese, tornando-a mais precisa e com o tempo aumentando a eficiência e o impacto do seu trabalho. No horizonte de crescimento, mais conhecimento não gera ganhos significativos porque o espaço para otimização é muito pequeno.

Esteja você trabalhando em uma área tópica como aquisição ou se você é o chefe de crescimento de toda a empresa, observando (ainda mais ou menos) o percentual de suas hipóteses que leva a experiências bem-sucedidas (definidas como resultado significativo acima ou abaixo). o nível que você esperava) pode ser útil. Eu falei sobre como incorporar isso em suas ferramentas de experimentação em um post anos atrás , ou acho que, para muitas empresas, apenas olhar a classificação da OKR ao longo do tempo seria um proxy decente de alto nível. É importante levar em consideração a velocidade e a complexidade do experimento, mas, de um modo geral, se parecer que as vitórias são mais difíceis de obter, pode valer a pena pensar na saúde do modelo como um todo.

• Falha crescente no alinhamento de resultados entre equipes ou iniciativas: produtos complexos podem ocultar horizontes de crescimento através do modelo whack-a-mole: o que parece ser progresso é simplesmente transferir valor de um lugar para outro. Isso pode acontecer especialmente se as equipes estão competindo por um recurso que é essencialmente de soma zero, como tempo de uma pessoa, renda disponível ou mesmo atenção. Temos muitas soluções técnicas para tentar combater isso e, como gerentes, uma de nossas principais responsabilidades é o trabalho proativo de configurar OKRs e árvores métricas / estrelas do norte, para que toda a organização avance paralelamente em direção ao mesmo destino. Fazer esse mesmo trabalho retrospectivamente, no entanto, é ainda mais revelador e menos comum; nós humanos somos infalivelmente tendenciosos na forma como avaliamos as possibilidades futuras pelo estado atual, em vez decomo previmos o estado atual e já vi muitas empresas terceirizadas realizarem planejamento trimestral ou anual em toda a organização, mas muito poucas fazem o mesmo para retrospectivas trimestrais ou anuais, apesar de dados históricos mais ricos que os planos futuros . Observe as vitórias e perdas que você realmente teve e tente encaixá-las em uma narrativa coesa para o maior valor agregado aos usuários ou clientes. Você pode atribuir as vitórias em determinadas áreas a perdas em outra ou vice-versa? Sua hipótese estratégica geral se sustentou? Essas perguntas podem ser inestimáveis ​​para determinar que grande parte do seu trabalho está mudando de valor em um modelo que está se tornando uma esponja bastante seca.

O gene da detecção de crises

O único progresso que posso ver é o progresso na organização.

Albert Einstein

Simplificando, se você está focado em um pouco de otimização, é improvável que reconheça o momento da crise. Somente examinando toda a paisagem e unindo o conhecimento coletado de uma variedade de perspectivas, você pode ver o quadro completo. É extremamente importante entender que isso é basicamente oposto ao processo da ciência normal em si, onde você segue insights cada vez mais específicos por um caminho específico (profundidade x largura é apropriado aqui). Por esse motivo, Kuhn postula (e eu concordo) que a maioria dos cientistas que se destacam na “ciência normal” nãoser os únicos a identificar uma crise. Veja Einstein, que nunca foi um experimentalista interessado em “ciência normal”; sua carreira foi definida tentando unir teorias anteriormente desconectadas em uma compreensão unificada das leis físicas do universo. Pensadores de modelo unificado como Einstein, que desejam o processo de encontrar tópicos comuns e organizar diferentes campos de conhecimento, naturalmente identificarão fraquezas nos paradigmas atuais. Definitivamente, eles não são quem você deseja otimizar as conversões da sua página de destino.

Especialmente em empresas maiores, isso pode causar problemas. Digamos que a chefe de sua organização de produtos cortou os dentes como uma líder altamente eficiente do crescimento normal em escopos mais estreitos: ela liderou uma equipe impressionantemente eficiente ou poucas equipes através do processo de iteração rápida em relação ao modelo de crescimento existente. Ela testou as linhas de assunto A / B / Z e levou um machado para todos os fluxos principais do produto. A menos que você tenha um verdadeiro unicórnio em suas mãos, é improvável que ela seja o tipo de pessoa que naturalmente sentirá os primeiros sinais de crise e a necessidade de um novo modelo. Ela quer ter o rosto no fundo do livro, não reorganizar a biblioteca.

A maioria dos líderes de produtos em empresas maduras está em algum lugar no meio: de fato, a linha entre otimizador de modelos e inovador de modelos está longe de ser preto e branco . O teste rápido A / B de componentes mínimos de um funil pode ser um exercício de engenharia altamente específico e menos dependente do conhecimento abstrato para conduzir hipóteses. A criação ou inovação de modelos, como estou descrevendo aqui, está mais próxima da ciência teórica. Mas na maioria das vezes, as prioridades da empresa e o foco de seus líderes estão diretamente no meio. 

Ter líderes de produto diretamente entre engenheiros e cientistas teóricos significa que eles podem liderar e apoiar uma ampla gama de profissionais mais especializados. No entanto, isso significa que eles não são os mais naturais para um observador de crises ou criador de paradigmas, portanto, a configuração de métricas e processos pode ajudar a apoiar onde as tendências naturais falham.

Novo modelo, alguém?

Se tentar e deixar de organizar o conhecimento em um modelo cria a crise, tentar e conseguir fazê-lo resolve-o. Eu duvido muito que alguém possa criar uma rubrica ou estrutura de como fazer isso de maneira geral, dada a complexidade e a particularidade de cada negócio e disciplina (veja a literatura ilimitada sobre como perder o produto / mercado conforme as mudanças nos mercados ou na tecnologia) , mas acho que a ciência e a experiência podem sugerir algumas maneiras de definir as pessoas responsáveis ​​por esse esforço para o sucesso.

Certifique-se de que eles tenham uma voz forte e uma conexão com os recursos / liberdade necessários para a experimentação. A analogia de Einstein novamente se encaixa bem aqui, porque é provável que uma parte não insignificante de seu sucesso tenha sido sua capacidade de chamar a atenção para seu trabalho. Com alguma sorte (especialmente no tempo) e um pouco de charme, a fama de Einstein superou em muito seus colegas, alguns dos quais provavelmente eram igualmente inteligentes. Isso significava que ele poderia escrever trabalhos teóricos e sugerir experimentos que pudessem provar sua teoria. Por exemplo, sua Teoria Geral da Relatividade sugeriu um fenômeno envolvendo a curvatura da luz pelo campo gravitacional do sol, o que foi comprovado por um enorme esforço da parte de Sir Arthur Eddington em que Eddington viajou para o Brasil e a costa da África para testemunhar a energia solar. eclipses e medir as posições das estrelas. Se Einstein não tivesse conseguido inspirar os outros, suas primeiras teorias teriam permanecido exatamente isso,

Manter a engenharia e outros recursos preciosos longe de projetos não comprovados é cada vez mais comum em tecnologia, mas muitas vezes não é acompanhado por uma maneira desses projetos ganharem a atração magnética de Einstein ao longo do tempo. Uma empresa com a qual trabalho recentemente separou uma equipe de “descoberta de produtos” composta exclusivamente por PMs, designers de UX e analistas. Sua tarefa era validar o potencial de um modelo de negócios totalmente novo para a empresa. Em pouco tempo, a incapacidade de executar experimentos fora das entrevistas ou pesquisas dos usuários etc. criou o que poderia ser chamado de “inchaço da ideia”; muitas idéias e teorias flutuando sem o conjunto completo de ferramentas de experimentação para testar seu potencial ajuste.

Encontre pensadores-modelo e verifique se eles têm as conexões corretas de relatórios e mentoria. Digamos que seu diretor / vice-presidente de produto seja mais do tipo “ciência normal” de engenharia, o que funciona porque você está passando por um crescimento “normal” e sua iteração agressiva faz as métricas avançarem rapidamente. Você também tem um projeto de crescimento a longo prazo que atrapalharia o modelo atual e, portanto, encontra um modelo-pensador generalista para executar esse esforço. Bom até agora! Mas se esse modelo-disruptor generalista fizer seu trabalho corretamente, parecerá ao Diretor / VP fortemente organizado que as coisas carecem de estrutura. Aqui, uma citação da biografia de Vannevar Bush (o principal responsável pela criação do NIH e da NSF) ajuda a descrever como a ciência “inovadora” aconteceu no Escritório de Pesquisa e Desenvolvimento Científico (OSRD) durante a Segunda Guerra Mundial:

O sucesso da OSRD é explicado não tanto pela administração como por uma espécie de caos frutífero. O organismo cresceu tão grande e tão rapidamente, sob uma chuva constante de fundos do governo, que os principais administradores não podiam esperar entrar em todos os laboratórios para instruir um investigador a interromper essa linha de pesquisa ou adotá-la. Assim, quando um pesquisador teve um palpite de que a penicilina seria útil na endocardite bacteriana subaguda fatal e seu comitê recusou o palpite, ele apenas prosseguiu e provou que, em grandes doses por tempo suficiente, curava muitos casos. (…) [O OSRD] foi criado para liberar as energias dos jovens, e isso foi feito em grande medida.

A OSRD foi tão bem-sucedida que o governo percebeu que o financiamento da ciência básica sem aplicação estabelecida na indústria era essencial para o sucesso a longo prazo do país. Antes disso, muito pouca ciência acadêmica era financiada pelo governo; agora quase tudo é.

A necessidade de algum “caos frutífero” controlado e tomada de decisão orientada a pressentimento significa que nesses projetos a pessoa encarregada de validar um novo modelo provavelmente deve estar intimamente ligada aos tipos de empreendedores (geralmente o Fundador / CEO), até mesmo se reportando diretamente a eles. A criação do Kindle é um excelente exemplo disso; Bezos criou uma equipe isolada encarregada de interromper o negócio principal da Amazon na época: vendas on-line de livros físicos. Para iniciar o projeto, eles foram “separados” do resto da Amazônia e deram atualizações de progresso diretamente ao Bezos. Mais tarde, eles usaram o mesmo modelo para lançar as primeiras experiências da Amazon no varejo, que agora inclui Whole Foods, Amazon Go e muito mais no horizonte.

Eu também recomendaria estabelecer essas pessoas com consultores altamente treinados que pensam em modelos que precisam constantemente imaginar e julgar rapidamente novos modelos em potencial, como capitalistas de risco e consultores de gestão (também acho que esses antecedentes são ótimos contratados para disruptivos crescimento por esse motivo). E, finalmente, esteja ciente de que um dos desafios é que os líderes de uma empresa geralmente são os que criaram o modelo que precisa de interrupção em primeiro lugar. Como na ciência, isso pode causar conflitos até para os melhores e mais brilhantes – no final de sua vida, Einstein era famoso por ser cético e até hostil às teorias da mecânica quântica (hoje amplamente aceitas como verdadeiras) propostas por Niels Bohr e outros que desafiavam algumas das leis que ele ajudou a criar.

Shift, Scale, Rinse, Repeat

Esse processo nunca termina principalmente por um motivo – seu mercado não fica parado. Está sempre em movimento. Atualmente, os mercados estão se movendo / mudando em um ritmo acelerado. À medida que o seu mercado se move, seu produto precisa se adaptar a ele, fazendo com que o produto / mercado se encaixe em um pulso que você precisa manter constantemente. Além disso, no esforço de manter o crescimento, as empresas tendem a expandir seu público-alvo para novos segmentos, causando a necessidade de avançar nesse processo novamente.

Brian Balfour  https://brianbalfour.com/essays/product-market-fit

Tenho sorte de ter me envolvido profundamente com o Reforge durante meu período na SF e de continuar contando com o Brian para aconselhamento, porque sua escrita sobre o modelo de pensamento e o ciclo interminável de ajuste de produto / canal / modelo / mercado explica esse conceito geralmente melhor do que eu pode esperar fazer aqui. Minha esperança é simplesmente estender a conexão com o passado científico, onde tradicionalmente é visto como valioso. Modelos, experimentos e valores-p são obviamente científicos, mas também são os meios pelos quais buscamos recursos, construímos estruturas de conhecimento e gerenciamos uma rede de equipes ou laboratórios com diferentes especialidades, todos trabalhando juntos para produzir um todo superior à soma de suas partes.

Não quer dizer que a ciência faça essas coisas perfeitamente; de fato, a riqueza da história geralmente vem dos aprendizados do fracasso e da oportunidade perdida. Minha esperança ao escrever isso é apenas sugerir que a ciência pode oferecer uma janela para um sistema que vem repetindo muitos dos tópicos no centro da inovação há centenas de anos. O ciclo de crescimento, crise e mudança de paradigma é um deles, mas as novas oportunidades de encontrar inspiração na ciência remontam a lugares tão amplos quanto as possibilidades da tecnologia se abrem à frente.

Como recurso final, apresentarei abaixo alguns dos meus livros favoritos voltados para a ciência que recomendo a qualquer líder de produto.

• Einstein: Sua Vida e Universo por Walter Isaacson
• Isaac Newton por James Gleick 
• A estrutura das revoluções científicas de Thomas Kuhn
• O pensador de modelo: o que você precisa saber para fazer com que os dados funcionem para você por Scott E. Page
• Endless Frontier por Gregg Zachary
• Pensando, rápido e devagar por Daniel Kahneman
• A Idea Factory: Bell Labs e a grande era da inovação americana

---

Joey DeBruin é o chefe de produto da ResearchGate, onde aplica o treinamento científico que aprendeu como neurocientista na Johns Hopkins para criar produtos para a rede ativa da ResearchGate de mais de 16 milhões de cientistas em todo o mundo. Anteriormente, foi chefe de crescimento da Feastly, que foi adquirida pela ChefsFeed em 2018.

Artigo original

---