De kracht van de aanname in innovatie - van risico naar gevalideerd startpunt

Wat zou het leven makkelijk zijn als we het altijd bij het juiste eind zouden hebben. Maar helaas. Wanneer mensen praten over zaken waar ze niet het fijne van weten (en soms ook als dat wel zo is) nemen ze, zonder het door hebben, veel zaken voor waar aan. Die dat misschien niet zijn.

‍

Want, als mens beoordelen we continu allerlei situaties. En om dat een beetje snel te kunnen doen, vullen we de ‘werkelijkheid’ aan met onze eigen aannames. 

‍

Voorbeeld:

De adoptie van contactloos betalen in winkels is hoog. Mensen vinden het veilig. Dus ook in het Openbaar Vervoer zullen mensen deze betaalvormen ervaren als veilig.

‍

Gedragswetenschappers noemen dit, lichtelijk denigrerend, een cognitive bias. Cognitive bias (of: cognitieve bevooroordeeldheid) is een mentaal proces waarin mensen hun eigen subjectieve realiteit creëren en vervolgens op basis daarvan keuzes maken. Bijvoorbeeld: een paar jongeren in mijn dorp halen kattenkwaad uit. Mijn (bevooroordeelde) conclusie: alle jongeren uit mijn dorp gedragen zich buitensporig.

Vanuit een innovatie perspectief zijn cognitive biases een risico. Je krijgt namelijk te maken met false positives: iets dat schijnbaar gevalideerd is, maar waarvan de validiteit gebaseerd is op onwaarheden of verkeerd geïnterpreteerde data. Zie dit praktijkvoorbeeld van cognitive biases:

We weten dat oudere mensen het liefst langer thuis willen blijven wonen, maar het gebrek aan veiligheid een grote belemmering vinden. Onze oplossing: IoT en slimme sensoren om ouders ervan te verzekeren dat ze op tijd medicatie innemen, en de woning brandveilig en goed beschermd is tegen diefstal. ‍

‍

Maar wat is er eigenlijk aan de hand? De testgroep ouderen is vooral bang om te vallen. Het zijn hun kinderen die aan alle andere zaken denken. We zien hier dus een verkeerde interpretatie van de behoeftes, toegepast op de verkeerde doelgroep en daarmee niet de juiste oplossing.

Wat je dus eigenlijk doet is sturen op basis van een vermoeden van de werkelijkheid. En dat biedt nooit een garantie op succes. 

Bij Makerlab nemen we een aanname juist als startpunt om aan het werk te gaan. Want in een aanname zit vaak een (mogelijke) oplossing voor een (mogelijk) probleem bij een (ja, ja, mogelijke) doelgroep. 

Ik ga je laten zien hoe je de zin van de onzin scheidt en dit soort situaties snel omzet in iets waarmee je concreet aan de slag kan. Want met aannames kun je ook je voordeel doen, mits je de risico’s goed inschat.

Een aanname, wat is dat nou precies?

Een aanname is niets anders dan “er vanuit gaan dat iets feitelijk juist is terwijl je daar niet genoeg bewijs voor hebt”. Academici noemen het ook wel een hypothese. Je neemt aan dat de realiteit op een bepaalde manier in elkaar zit. Maar mensen vergeten deze nuance nog wel eens en verwarren aannames met de werkelijkheid.

Een aanname is pas nuttig als je voldoende aan kunt tonen dat deze in alle (of de meeste) gevallen waar is. Een gevalideerde aanname dus. Bij Makerlab noemen we dit geen feiten of ‘de waarheid’, maar een learning, of inzicht. Ons doel is niet de waarheid te achterhalen maar om te leren in welke richting we de volgende stap moeten nemen in ons innovatieproces.

Het gevaar van aannames in innovatie

Voor productontwikkelaars en innovators zijn er een aantal hele gevaarlijke aannames, waardoor je product zomaar eens keihard kan falen. Denk bijvoorbeeld aan:

‘Wij weten wat onze klanten nodig hebben’

‘Wij weten waar onze omzet precies vandaan komt’

‘Het meest populaire idee heeft de grootste kans van slagen’

‘Onze huidige merk is hier geschikt voor’

‘Het product slaagt alleen als we iets super sexy innovatiefs maken’

Toch zijn dit het type aannames waarmee we het snelst tot een pad van succes kunnen komen. Want: hoe gevaarlijker de aanname, hoe groter de kans van slagen als we kunnen aantonen dat het waar (valide) is. 

Hoe vinden we deze aannames? We beginnen met het idee.

Van idee naar aanname

Klanten kloppen vaak bij ons aan met hele goede ideeën. En of we deze kunnen realiseren. Maar als we eenmaal gaan bouwen blijkt vaak dat we iets anders maken dan het originele idee. 

Laten we even naar dit voorbeeld kijken:

Het idee: 

“Een aantal van onze klanten geven aan dat ze de app van bol.com zo handig vinden, dus wij willen nu ook een app voor onze winkel.”

Onze eerste vraag… “Maar waarom dan..?”

Waarna na enig denkwerk de conclusie volgt: “Omdat we meer omzet willen behalen.”

De hoofd aanname die hier wordt gemaakt voor het nieuwe product is: “Door het bouwen van een app voor onze winkel, verhogen we onze omzet.”

Als we nu eens wat dieper graven zien we welke onderliggende aannames er onder de hoofd aanname schuil gaan:

‘Onze klanten winkelen ook bij andere winkels via de smartphone’

‘Klanten die geen persoonlijke assistentie nodig hebben, kopen liever online’

‘Onze (potentiële) klanten zijn tech-savvy genoeg om via smartphone te betalen’

‘Onze (potentiële) klanten hebben iDeal, Visa of Paypal’

‘We lopen nu klanten mis die niet van fysieke winkels houden’

‘Er is genoeg ruimte op de online markt voor onze aanbod aan producten’

Oftewel, het oorspronkelijk idee heeft waarschijnlijk pas kans van slagen, als we leren of deze aannames valide zijn of niet. Per gevalideerde aanname wordt de kans van slagen van ons idee steeds groter. 

Sommige aannames zijn soms met enig desk research aardig te (in)valideren. Maar vaak is een meer gedegen onderzoek naar bewijsmateriaal nodig. En dat kan met gerichte experimenten. 

Hoe gebruik je aannames in je voordeel?

Oké, je hebt een lijst aannames, maar wat doe je daar vervolgens mee? En hoe hou je het overzichtelijk? 

Nu dat we de ideeën hebben omgezet naar aannames, is de basis voor je onderzoek gelegd. Eerste stap: prioriteren! Welke aanname is het belangrijkst op dit moment? Want dan weet je waar je kunt beginnen. Als deze ’meest kritische aanname’ namelijk niet klopt, is de kans groot dat je de rest van je aannames ook niet meer hoeft te onderzoeken.

Hoe je je aannames het beste kan prioriteren laat ik zien in deel 2. We gaan aan de hand van een eenvoudige post-it oefening de meest kritische aannames identificeren, zodat je weet waar je je aandacht op moet richten. 

Ten slotte laat ik in deel 3 zien hoe je je aannames test en wat je met de verworven data kunt doen. Centraal hier staat de experiment card, waarmee je van aanname naar uitvoerbaar experiment komt.

Meer weten, of benieuwd naar het vervolg? Volg mij of Makerlab.