Le crowdsourcing d'idées devient rapidement la procédure standard dans l'innovation des entreprises. La diversité des idées et des contributions que peuvent apporter de grands groupes de personnes rend les programmes d'innovation plus agiles et prévisibles. Cela permet de rassembler et de sélectionner les idées plus rapidement et de manière plus fructueuse, mais laisse de côté les impacts financiers. Cependant, il s'avère que la foule n'est pas seulement douée pour trouver de bonnes idées ; elle peut également prédire la valeur des idées avec une précision étonnante.
Comment la foule prédit précisément les résultats
La recherche sur l'exactitude des résultats prédits par la foule est longue, et parfois un peu inhabituelle. La base de la question est cependant toujours assez similaire. Si vous posez une question quantifiable à un grand groupe de personnes, sa réponse sera-t-elle plus souvent exacte que celle d'un expert individuel ? La réponse courte : oui, toujours.
L'un des premiers - et des plus insolites - exemples de démonstration de la "sagesse des foules" est une étude réalisée par Francis Galton en 1906 lors d'une foire aux bestiaux. Il a demandé à un groupe de personnes de deviner le poids d'un bœuf qui était mis aux enchères. Galton a reçu 800 suppositions de la foule et a constaté que la moyenne de leurs réponses ne s'écartait que de 0,8 pour cent du poids réel. Cette moyenne crowdsourcée était non seulement très proche, mais meilleure que celle de tout expert individuel ou singulier.
Plus récemment, le stratège du Credit Suisse Michael Mauboussin a mené des expériences similaires à la Columbia Business School, en demandant seulement à la foule de deviner le nombre de dragées dans un bocal. Dans ses expériences, il a prouvé que des foules de taille, de diversité et d'intelligence suffisantes feront toujours de meilleures prédictions que l'individu. Pas parfois-toujours.
Qu'est-ce qui fait une bonne foule ?
Il y a quatre qualités qui font une foule "intelligente". Premièrement, la foule doit être diverse en ce sens que chaque personne doit avoir sa propre opinion. Deuxièmement, les individus doivent avoir un certain degré d'indépendance , de sorte que leur entourage ne doit pas déterminer leurs opinions. Troisièmement, la foule doit être décentraliséeafin que les gens puissent se spécialiser et puiser dans les connaissances locales, et non dans une source commune. Enfin, il doit y avoir un mécanisme d'agrégation , qui vise à transformer le jugement individuel en décisions collectives.
Ces obstacles peuvent sembler considérables à surmonter, mais ils font de l'environnement de l'entreprise commerciale l'endroit idéal pour prédire les résultats, à condition que les bons outils soient disponibles pour agréger les données et les exploiter.
Pourquoi c'est important
La plupart des programmes d'innovation peuvent produire beaucoup de bonnes idées, mais il peut être difficile de quantifier la valeur potentielle d'une seule idée - sans parler de la valeur de l'ensemble du pipeline d'innovation - sans les mécanismes appropriés. Puisque la foule est si douée pour prédire les résultats, il est logique qu'elle soit utilisée pour recueillir des données quantifiables permettant de prendre de meilleures décisions dans les programmes d'innovation. La foule peut remplir ce vide dans le programme d'innovation en prenant cette théorie de la sagesse de la foule et en l'appliquant à l'évaluation des idées. Lorsque le retour sur investissement des idées peut être prédit, cela n'ajoute que des données quantitatives précieuses au processus de sélection des idées. Si vous connaissez le niveau d'investissement requis et le rendement potentiel d'une idée, il est beaucoup plus facile de justifier la prise de décision. Et si la valeur de toutes les idées est connue, cela permet de découvrir également la valeur de l'ensemble du pipeline d'innovation.
Comment cela fonctionne dans Planview IdeaPlace Prédictions
C'est là qu'intervient le nouveau module Planview IdeaPlace Predictions. Predictions incarne les quatre qualités requises pour des prédictions de foule précises. Les critères de diversité et de décentralisation seront satisfaits avec un groupe suffisamment grand, de sorte que l'étape de prédiction devrait être utilisée avec 100+ participants. La condition d'indépendance est intégrée au système par la génération d'échantillons indépendants sur lesquels l'utilisateur doit voter, plutôt que de lui demander d'entrer une valeur (voir ci-dessous). Enfin, les prédictions, en tant que mécanisme de collecte d'opinions, et les algorithmes sous-jacents satisfont la condition d'agrégation.
Le module de prédictions est utilisé dans le cadre d'un défi d'innovation plus large. Vers la fin du défi, les participants entrent dans la phase de prédictions et on leur pose jusqu'à trois questions concernant les meilleures idées qui ont déjà été sélectionnées :
- Combien de revenus l'idée va-t-elle générer par an ?
- Quel sera le coût de la mise en œuvre ?
- Combien de temps faudra-t-il pour la mise en œuvre ?
Les réponses à ces questions sont agrégées et un résultat est calculé à l'aide d'un algorithme avancé. Les résultats sont ensuite affichés sur des tableaux de classement, et les résultats globaux sont également affichés dans des visualisations de données avancées sous forme de graphiques à bulles qui permettent de filtrer facilement les résultats et de voir les détails.
Grâce à ces données, les organisations peuvent prévoir les revenus, le délai de mise sur le marché et les coûts de mise en œuvre associés à une idée. Ces prédictions fournissent des données quantitatives précieuses qui permettent aux organisations de prendre de meilleures décisions commerciales et de prévoir le retour sur investissement de l'ensemble du programme d'innovation.
