Galassia startup: l’importanza di applicare i modelli

La filiera delle startup ha bisogno di applicare modelli. Sono una sorta di interruttore che accende la luce in una stanza buia o nella quale entrano pochi raggi di sole.

I modelli per startup. Ma cosa sono?

Per capire di cosa parliamo, partiamo da un esempio: qualche anno or sono un direttore commerciale cercava insight in una mole di dati ma senza successo. Finché in una tarda serata estiva intuisce di aver trovato qualche cosa di importante anche se non riesce a dargli un nome. Solo dopo alcune settimane di vani tentativi trova su internet una curva che sembra rappresentare ciò che aveva trovato: la legge di potenza, un modello fondamentale per rappresentare e capire i fenomeni i cui eventi sono tra di loro interdipendenti.

I modelli sono utili per varie ragioni:

• per diventare più intelligenti e pensare in modo più chiaro;
• per capire e usare meglio i dati;
• per decidere, fare strategie e disegnare politiche;
• per capire il comportamento delle persone.

In più sono fertili e adattativi, in quanto si possono applicare a tanti ambiti.

Vediamone alcuni analizzandone le indicazioni di utilizzo.

Problem solving

Un problema si affronta a 2 livelli:

• • landscape creation: come lo si affronta, lo si codifica, lo si disegna
    ○ a livello individuale è meglio puntare ad avere una singola prospettiva (del tipo Mount Fuji);
  • come si cerca la soluzione a livello euristico: come ci si muove nel landscape. Ci sono varie strategie applicabili:

○ Fare l’opposto
○ Big rocks first (prima le cose più importanti)
○ Little rocks first (prima le cosa meno importanti).

Importante notare come non ci sia un metodo euristico migliore degli altri, soprattutto se non si conosce bene un problema e si ha difficoltà a trovare la giusta prospettiva/codifica.

In un gruppo di lavoro diverse prospettive (landscape) e diverse euristiche producono risultati migliori perché difficilmente ci si trova bloccati per non conoscere o non capire qualcosa.

Ricombinazione

Le maggiori invenzione e innovazioni sono arrivate ri-codificando un problema (guardandolo sotto una prospettiva diversa). In questa categoria rientra la crescita ricombinata (tecnicamente: exaptation) che consiste nel trasferire in nuovi contesti problemi e soluzioni usati in precedenti ambiti.

Capire le relazioni tra variabili (modelli lineare e non lineari) e ridurre l’incertezza

Per questo fine si possono usare modelli multicriteri o probabilistici come gli alberi decisionali oppure operare con dati e curve su un grafico cartesiano. Vediamo questi ultimi.

I modelli lineari (regressione lineare) mettono in relazione variabili indipendenti e dipendenti verificando la causalità (la variabile indipendente X che causa un cambiamento nella variabile dipendente Y).

È il sistema più usato al mondo e produce risultati enormemente migliori rispetto ai più bravi esperti in un qualsiasi campo. Sono fondamentali per costruire business model e business plan con valori appropriati.

Importantissima la pendenza della retta: una linea molto pendente (tendente al verticale, esponenziale) esprime una forte elasticità della Y nei confronti della X ed è quanto viene normalmente richiesto dai fondi di VC nella crescita delle startup.

La regressione lineare, così come la categorizzazione, riduce la varianza, e quindi l’incertezza, facilitando notevolmente la comprensione di un fenomeno.

Per ridurre l’incertezza di una stima si può utilizzare il modello Wisdom of the Crowd (la Saggezza della Folla) che consiste semplicemente nel far fare la stima a più soggetti, possibilmente con approcci diversi e fare la media delle stime. Incredibile l’accuratezza dei risultati che produce.

I modelli non lineari sono utilizzabili per capire la tipologia di crescita. Sono rappresentati da:

• • Curve concave che dopo un buon inizio portano all’arresto della crescita. La crescita diventa man mano più piccola (del tipo radice quadrata) del valore precedente. Testimonia una crescita che si arresterà nel tempo e il quando sarà stimabile. Un modello di business di questo tipo a livello startup non dovrebbe esistere. Ma se lo si trova, si sa che bisogna correre ai ripari immediatamente;

• Curve convesse (crescita esponenziale fino a diventare verticali). Fondamentale verificare se nelle start-up si riesce a creare un tale modello di crescita. Si basano sull’incremento dell’elemento studiato (user, sales, etc) rispetto al suo totale nell’unità di tempo scelta (settimana, mese, anno eccetera). Perché una curva abbia le sembianze di crescita esponenziale il quoziente su-indicato dovrebbe essere di almeno il 50% (possiamo chiamarlo anche R0 = 0,5) che indica ad esempio che i nuovi utenti ogni mese crescono del 50% rispetto al totale utenti acquisiti fino ad allora;

• Curve a S tipiche dello sviluppo di un settore o prodotto dove ad uno sviluppo basso iniziale ne segue uno vorticoso/esponenziale fino al punto di inflessione in cui lo sviluppo man mano rallenta e si ferma. In sintesi ad una prima parte da curvaconvessa ne segue una seconda concava. Nel momento in cui inizia la parte concava di solito iniziano a vedersi le prime avvisaglie di una innovazione di prodotto/ di settore realizzata da concorrenti. Se una startup si trova in questa situazione ed adotta stabilmente l’uso di questa curva può intervenire rapidamente ed efficacemente senza particolari problemi.

Modelli di Crescita per startup (Solow, diffusione, percolazione)

Un modello di crescita molto famoso è basato sulla teoria di Solow (Premio Nobel per questo) che a Lavoro e Capitale aggiunge l’Innovazione come fattore principale di crescita continuativa nel tempo.

Con i soli Capitale e Lavoro la crescita presenta una forma concava (crescita in forma di radice quadrata secondo la regola dei diminishing returns) per arrivare abbastanza rapidamente al plateau senza più sbocchi. La tecnologia, funzionando da moltiplicatore applicato a Lavoro e Capitale, produce effetti enormi e sorprendenti nei risultati finali. È un modello fondamentale da praticare per qualunque figura della filiera: startup, fondi di VC, acceleratori eccetera.

Solow afferma anche che se il sistema diventa estrattivo di risorse (tipico di paesi ad alta corruzione o di ecosistemi che impiegano non efficientemente le risorse), il risultato sarà una decrescita anziché una crescita. Una strada dritta verso la povertà.

Ci sono anche dei modelli empirici basati sul raggiungimento di soglie (segregazione, peer effect, percolation, diffusion, collective action) che possono essere applicati alla crescita.

Al raggiungimento di una certa soglia, nel caso della segregazione le persone se ne vanno dal gruppo, si spostano, mentre nel peer effect le persone “differenti” si uniformano ai comportamenti macro che riscontrano nel gruppo in cui arrivano. Un caso famoso del peer effect è la standing ovation che parte solo al raggiungimento di una certa soglia percentuale.

In una startup questo modello si può applicare per aumentare il numero di user secondo un modello chiamato collective action; si tratta di studiare una soglia iniziale molto bassa (i famosi early adopters) e quindi tanti gruppi con soglie diverse per facilitare i vari inneschi in sequenza. Meglio se i gruppi sono ampi e con un facilitatore all’innesco delle prime soglie del tipo influencer.

Stiamo entrando nel mondo della viralità / diffusione. Contrariamente al caso pandemia, nel mondo del business si punta a fare di tutto per accrescere i tassi di contatto e di contagio il cui prodotto produce il famoso R0, il basic reproduction number. Se sarà maggiore e quanto più grande di 1, tanto più virale ed esponenziale sarà la crescita (ad esempio degli user).

Ma anche un R0 mese di 0,25 produce un incremento di 10X in un anno.
Le soglie suddette sono chiamate percolazione e definiscono un modello di tipping point nel quale fino ad una unità precedente la soglia non accade nulla ma appena la si raggiunge accade qualcosa di inaspettato e grande.

L’insieme di percolazione e diffusione producono delle crescite eccellenti soprattutto se agganciate al concetto di network in cui i nodi di partenza sono molto variabili nel numero di legami / contatti delle persone. Gli ultimi studi lo testimoniano e i fondi di VC americani lo stanno applicando alle migliori startup in portfolio.

Modelli crescita path-dependance

I modelli descritti di regressione lineare e delle varie curve sono path-dependance, a significare che il passato conta e incide sul presente e sul futuro.
Sono modelli fondamentali per lo sviluppo delle attività di data science e degli algoritmi di recommendation.

Network

Le reti si analizzano a tre livelli:

• struttura: le misure;
• logica: come si formano;
• funzione: cosa abilitano e fanno emergere.

A livello di struttura è utile sapere:

• il grado (la densità di connessione di ogni singolo nodo e mediamente della rete) per comprendere quale sia il capitale sociale e la velocità di diffusione di un’informazione introdotta in una rete;
• la lontananza tra nodi, cioè quante connessioni sono necessarie (social distance) per capire la probabilità che l’informazione introdotta si diffonda;
• cluster coefficient per analizzare la robustezza della rete e la capacità di adozione dell’innovazione.

A livello logico il preferential attachment è forse l’elemento più importante e utile per le startup. Significa che è path-dependant e che ogni nuovo nodo tende automaticamente a stare vicino al nodo con maggiori legami. Gli essere umani che nel loro insieme sono una rete hanno una tendenza chiara a stare vicino a chi conosce più persone (vedi il caso dei follower nei social ma lo stesso principio può essere usato per i clienti maggiormente utilizzatori / più riconosciuti al pubblico al fine di proporli come punto di riferimento).

A livello funzionale fondamentale è la forza dei legami deboli. Significa che ognuno di noi ha un nucleo medio di 150 persone di riferimento di primo livello e tanti altri contatti con persone che fanno parte di altri gruppi. Ad esempio nel caso dei contatti di seconda livello (per esempio il papà dell’amico) arriviamo a ca. 3.000 contatti mentre se arriviamo al terzo livello (es.
l’amico del papà dell’amico) addirittura a 230k contatti. Insomma a seconda del livello si cambia di ordine di grandezza: dal secondo al terzo livello addirittura di 2 ordini di grandezza. Facile intuire il potenziale della viralità come strumento di marketing.

Capire come ragiona e decide l’essere umano (consumatori inclusi)

I modi con i quali le persone decidono sono essenzialmente tre: razionale, comportamentale, basato su pregiudizi.

Decidere in maniera razionale

Il razionale è, contrariamente alle attese, il meno usato. Il cervello a meno che non sia opportunamente sensibilizzato alla ricerca di novità tende a risparmiare le energie e a effettuare attività routinarie. Tra queste l’imitazione dei comportamenti altrui.

Il modello comportamentale

Se lo fanno già gli altri una ragione ci deve pur essere! Quando usarlo? per situazione ripetitive, per decisioni di gruppo. Perché usarlo? Per fare delle comparazioni, anche nel tempo, e perché gli errori sono più facili da trovare e cancellare.
Per la maggior parte le persone pensano e decidono in modo non razionale, perché rapido e facile.

Il modello basato sui pregiudizi

Quello basato sui pregiudizi è insieme al comportamentale il modello più utilizzato dall’essere umano e tale percentuale si alza ulteriormente nel caso degli occidentali per i quali è stato addirittura coniato un acronimo: Weird (Western, educated, industrialized, rich and democratic).
Insomma per crescere le startup farebbero bene a guardare meno alla parte razionale.

Complessità

L’ampiezza della numerosità dei fattori e la loro combinazione definiscono le capacità progettuali / produttive, attuali e future, a breve e medio termine. Cosa vuol dire? Siamo su una scala con 10 gradini e la capacità di salire è di un gradino per volta. Se siamo a 2
possiamo passare al livello 3 ma non a 4 o 7 o 8 eccetera.

La capacità di crescere e produrre beni e servizi più complessi è legata alla capacità immediatamente precedente. I grandi salti non esistono, chi è capace di produrre prodotti e servizi più complessi ne potrà produrre di ancora più complesse e di maggior valore, ma ad
un livello immediatamente superiore.
Fondamentale per definire le politiche per la creazione della filiera startup in un paese e il successo di una startup.

“More is Different”

Quando si fanno delle aggregazioni (azioni, regole, preferenze) si dovrebbe ricordare che le proprietà evidenziate a livello micro sono completamente diverse da quelle emergenti ad un
livello macro (ad esempio di un gruppo di persone).

Uno dei postulati più rilevanti è che se anche le singole persone prese singolarmente sono razionali, a livello collettivo non lo sono benché il gruppo sia enormemente saggio (wisdom of crowd).
Aggregando le regole si ottengono quattro tipologie di risultato: equilibrio, ciclico, caotico e complesso. Le ultime due presuppongono la interdipendenza degli elementi oggetto del fenomeno studiato. Quindi se in un fenomeno si riscontrano caos o complessità significa che le persone interagiscono e che sarebbe bene applicare il modello delle reti e delle leggi di potenza.

Strategia (Colonel Blotto)

È un modello di strategia a somma zero applicato in primis ai campi di battaglia per decidere come allocare le truppe. È molto usato nella concorrenza aziendale.
Chi ha meno risorse supplirà aumentando le dimensioni / variabili su cui si confronta con i competitor maggiori.
I competitor maggiori hanno interesse ad allocare più risorse e ridurre gli ambiti sui quali
competere.
Ovviamente nel caso delle startup sarebbe meglio stare lontani da settori altamente concorrenziali.

Chi usa cosa nella filiera delle startup

Nella filiera delle startup tutti gli attori sarebbero tenuti a fare grande uso dei modelli. Non è necessaria la padronanza della matematica per applicarli, basta conoscerne le logiche e le curve.

Mettendo insieme le principali ragioni d’uso con le tipologie di modelli potremmo sintetizzare (anche se non in modo esaustivo):

• per essere più intelligenti: modelli di crescita, Colonel Blotto, Markov, complessità;
•  per pensare meglio: Markov, tipping point, growth, percolazione, diffusione malattie, la forma delle curve, la causa di qualcosa (differenze tra regressione lineare, curva a S, curva di crescita), complessità, more is different;
• per capire e usare meglio i dati: categorizzazione, regressione lineare, growth, predizione, markov, riduzione incertezza;
• per decidere, fare strategie e disegnare: dilemma del prigioniero, azione collettiva, incentive plans (per stimolare ed ottenere specifiche azioni e comportamenti), complessità;
• per capire il comportamento delle persone: razionale, basato su regole e gruppi, pregiudizi;
• altro: More is different, capire i pattern, predire i punti di un grafico, stimare parametri nascosti, calibrare azioni;
• per capire le classi di risultati: equilibrio, ciclico, caotico, complesso.

Qualunque buon sito internazionale MOOC (Khan Academy, edX, Udacity, Coursera eccetera) propone corsi sui modelli, gratuiti e molto ben fatti.

Fonte: Agendadigitale.eu

Commenti