分析驱动的创新是最终的矛盾吗？
有时，仅需简单，挑衅性的声明即可启动创新过程-消除开车或拥有座机电话或将所有数据集中在云中的日常开支-推动创新过程。圣地亚哥大学合约机器人研究所所长Henrik Christensen发表了这样的挑衅性声明：
“我自己的预测是，今天出生的孩子永远不会开车。”
我最近被提升为日立Vantara的首席创新官。我很高兴有机会在我的工作的基础上将数据科学，设计思想，价值工程和经济学交织在一起，以创建“ 分析驱动创新之路”图，该图可帮助组织获取和驱动新的客户，产品和运营来源值。 将“分析驱动的创新之路”视为成熟度模型，可以衡量组织在利用分析向市场提供创新产品和服务方面的有效程度。
由分析驱动的创新……不是像巨型虾那样的矛盾食品，或者也许是吗？我的意思是，分析不是在执行数据告诉您的操作而创新正在做之前从未做过的事情吗？不必要。
这是我定义创新的方式：
“以分析为基础的创新之路”地图是将以客户历程为中心（设计思维）与高级分析（数据科学）相集成，以将创意转化为可创造独特价值的产品或服务（经济）的过程。
从Booz＆Company的2008年《全球创新1000强》报告中，我们得到了关于创新的重要观点：
“不是简单地在研发上投入更多的钱，而是时候解决一个事实，即尚未发现真正的问题– 创新可以是系统的。使用成熟的方法和工具可以实现增长。”
“ 创新可以是系统的 ”。就像Booz的报告一样，围绕系统创新这一主题也有很多工作要做。如果创新可以是系统性的，则分析可以在启用，驱动甚至优化系统性创新中发挥作用。
创新始于改变框架
幸运的是，创新领域已经完成了许多工作。但是，出于我的目的，我需要一个简单的创新模型，以便可以更轻松地考虑分析在何处以及如何影响创新过程的每个阶段。因此，我将创新框架简化为三个阶段，如图1所示。
图 1：以分析为基础的创新之路
因此，让我们利用我们的老朋友-数据科学和设计思想-帮助我们使图1中的框架更加相关和可行。
设计思维+数据科学（分析）推动创新
集成设计思维–数据科学参与框架（感谢John Morley！）。
图2是创建“分析驱动创新之路”图的一个很好的起点。它将可以通过客户同情发现新想法的设计思维与可以验证这些想法是否可以大规模提供经济价值的数据科学相集成。完美的犯罪伙伴……例如蝙蝠侠和罗宾，或美人鱼男人和藤壶男孩。
让我们看看设计思维和数据科学如何实现由分析驱动的创新框架。
第1阶段：好奇心（拥抱客户对Ideate的同理心）
好奇心是了解或学习事物的强烈愿望；通过挑衅性的陈述或问题来培养好奇的举止或举止；渴望“分解事物”以了解其工作原理。
好奇心阶段是组织接受“无运动”的绝佳机会；也就是说，使用“如果[此条件]不再存在该怎么办？”的格式提出一个挑衅性的问题。也就是说，删除日常工作，例如开车或拥有座机电话或将您的所有数据集中在云中，以查看该声明可能激发哪些创造性想法。
客户同理心是好奇心阶段的关键组成部分。您越了解客户想要完成的工作（客户的挑战或机会），要完成的工作以及相关的得失，就可以更好地利用好奇心来驱动想法。您的设计思维研究将决定使用一些出色的工具来赢得客户的同情，包括：
人种学（观察），参与性（参与）和定性研究
创建挑战声明
概念图
问题框架
利益相关者映射
角色发展
客户旅程图
从数据科学的角度来看，我们希望将角色的挑战分解为有利的决策，分析和数据源。我们可以利用以下方法和工具来定义支持好奇心阶段所需的分析。
在“通向分析驱动的创新之路”地图上的这一点上，您应该对客户挑战具有多种观点，并广泛了解“可能”在何处以及如何能够提供帮助。
阶段2：创造力（创建）
利用想象力，构想和独创性来创造（记住，创造是创造力的基本词汇）的创造力是一种独特且更有效地解决客户问题的东西。有多种奇妙而有趣的设计思维工具可帮助推动创意过程，其中包括：
故事板
样机
线框
原型制作
可用性测试
从数据科学的角度来看，我们将混合不同的数据源，测试机器学习和深度学习算法的不同组合和集成，以便量化可更好地预测性能和行为的模式，趋势和关系。我们将在“通往分析驱动的创新之路”地图的“创造力”阶段使用的工具和技术包括：
分析价值证明
数据转换与充实
特征工程
整体建模
此时，在“分析驱动的创新之路”地图中，我们已经测试了新创新的用户可行性（使用设计思维）以及分析价值和可扩展性（使用数据科学）。
第三阶段：创新
最后阶段，即创新阶段，是通过将AI（机器学习，深度学习，强化学习等）与客户旅程相集成来驱动的，以创建新的“智能”产品和/或服务，从而可以通过以下方式不断学习和发展产品和/或服务的使用，其最终目的是在无需人工干预的情况下（自主）学习和发展产品和/或服务。
在创新阶段将帮助我们的设计思维工具包括：
封面故事模型
场景建模
客户试用和测试
实验性
验证和扩展（精益创业：构建，学习，评估）
可以加速持续学习和适应（以及智能创造）的数据科学工具和技术包括：
转移学习
元学习
联合学习
自治资产
摘要：分析驱动的创新框架
作为首席创新官，我正在寻求1）将数据科学，设计思想，价值工程和经济学融合在一起； 2）不断改变业务和技术环境，以便3）不断学习，适应并创造新的客户，产品来源和运营价值。
“ 分析驱动创新之路 ”将不断发展，将数据科学，设计思想，价值工程和经济学的不同学科融合在一起，为我们的客户，我们的公司和生态系统创造，捕捉并提供新的价值来源。
哎呀，如果一个人不能抱有远见，那就不妨退休。因此，欢迎继续我最出色的冒险！

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！