Come il data mining del fallimento potrebbe insegnarci i segreti del successo

La signora Tech | Edison: Biblioteca del Congresso, Lampadina: Pixabay

Thomas Edison è spesso descritto come il più grande inventore d'America. I suoi successi includono la generazione di energia elettrica, la registrazione del suono e la lampadina elettrica.

Ma Edison non era estraneo al fallimento. Ha notoriamente testato 1.000 diversi design prima di stabilirsi sul filamento di carbonio che è diventato la prima lampadina di successo commerciale. Questa tenacia lo contraddistingue. Molti dei fallimenti della vita sono persone che non si sono rese conto di quanto fossero vicine al successo quando hanno rinunciato, ha detto.

Molti gruppi e individui hanno studiato la natura del successo. Questi studi hanno prodotto vari gradi di comprensione. Il rovescio della medaglia, la natura del fallimento, è molto meno studiato ma probabilmente più importante. Poco si sa sui meccanismi che governano la dinamica del fallimento.

Oggi le cose cambiano, almeno in parte, grazie al lavoro di Yian Yin alla Northwestern University di Evanston, Illinois, e ai colleghi. Questo team ha analizzato la natura del fallimento in tre enormi set di dati in seguito alle fortune di società startup, ricercatori che tentano di ottenere finanziamenti e attacchi terroristici. Il lavoro rivela la dinamica del fallimento e una firma nascosta che può separare i fallimenti imminenti dai successi in una fase iniziale.

Il metodo del team si basa sull'analisi di tre set di dati. Il primo è un insieme di tutte le proposte di ricerca relative alla salute presentate al National Institutes of Health degli Stati Uniti tra il 1985 e il 2015.

Il NIH è il più grande finanziatore mondiale della ricerca biomedica, quindi questo set di dati è enorme, composto da 776.721 domande di 139.091 ricercatori. Include anche informazioni sul finanziamento o meno di ciascuna proposta; in altre parole, indipendentemente dal fatto che abbia avuto successo o meno.

Il secondo database è di record di investimenti in società di avvio da VentureXpert, il database ufficiale per la National Venture Capital Association. Questo segue il destino di ogni startup finanziata da venture capitalist tra il 1970 e il 2017, per un totale di 58.111 aziende che coinvolgono 253.579 innovatori.

In questo caso, una startup è considerata vincente se ha ottenuto un'offerta pubblica iniziale o una fusione e acquisizione di alto valore entro cinque anni dalla sua fondazione.

Il set di dati finale proviene dal Global Terrorism Database, che registra 170.350 attacchi terroristici da parte di 3.178 organizzazioni terroristiche tra il 1970 e il 2017. In questo caso, un attacco riuscito è quello che miete almeno una vita, mentre i fallimenti sono quelli che non uccidono nessuno.

Una caratteristica fondamentale di questi set di dati è che consentono a Yin e compagni di seguire la fortuna di ricercatori, innovatori e gruppi terroristici che compiono numerosi tentativi per raggiungere il loro obiettivo. Una domanda chiave su cui indagano è come i tentativi cambiano nel tempo e quali fattori sono coinvolti in questi cambiamenti.

Yin e co studiano specificamente due fattori che si ritiene svolgano un ruolo importante nel successo e nel fallimento: il caso e l'apprendimento. Per prima cosa guardano al caso, l'idea che gli eventi casuali svolgano un ruolo importante per ostacolare o aumentare le possibilità di successo.

Questo porta a un modello semplice. Se il caso è il fattore chiave che determina il successo, allora ogni tentativo ha una probabilità finita di avere successo. In effetti, il successo alla fine si verificherà se vengono fatti un numero sufficiente di tentativi. Ciò suggerisce che il numero di tentativi prima di un successo dovrebbe seguire una distribuzione esponenziale.

Per testare questa teoria, Yin e compagni hanno studiato le sequenze di fallimenti degli stessi individui o squadre prima che raggiungessero un successo. Si scopre che queste sequenze non seguono il tipo di distribuzione previsto da un modello casuale.

Yin e compagni hanno anche valutato il primo e il penultimo tentativo in queste serie di fallimenti e poi li hanno confrontati per vedere come sono cambiati. Se la fortuna è tutto ciò che conta, non ci dovrebbero essere differenze significative.

Ma i penultimi sforzi sono significativamente migliori dei primi tentativi, afferma la squadra. Ciò suggerisce che deve essere in gioco un altro meccanismo: le persone coinvolte devono imparare. In altre parole, l'esperienza del fallimento insegna lezioni preziose che possono essere utilizzate per migliorare le prestazioni la prossima volta.

Poiché l'apprendimento dovrebbe ridurre il numero di tentativi necessari prima di raggiungere il successo, dovrebbe portare a una distribuzione più ristretta delle serie di fallimenti rispetto alla forma esponenziale prevista dal modello casuale.

Ma con sorpresa di Yin e compagni, anche le serie di insuccessi non seguono questo schema. In effetti, hanno una distribuzione molto più grassa. Queste osservazioni dimostrano che né il caso né l'apprendimento da soli possono spiegare i modelli empirici alla base dei fallimenti, affermano i ricercatori.

Quindi quali altri fattori sono importanti? Per scoprirlo, Yin e i suoi collaboratori hanno modellato il modo in cui le persone imparano dall'esperienza e come questo influenzi il loro prossimo tentativo. In particolare, hanno modellato se le persone prendono in considerazione tutte le loro esperienze precedenti o solo alcune di esse.

Il modello risultante considera una gamma completa di apprendimento, da agenti che tengono conto di tutta la loro esperienza passata a coloro che non tengono conto di nessuna delle loro esperienze passate e tutto il resto.

Il team afferma che il modello prevede un cambiamento di fase nel comportamento che corrisponde ai dati empirici. Quando il livello di apprendimento dall'esperienza è al di sotto di una certa soglia, i tentativi futuri non diventano mai abbastanza buoni da riuscire. In effetti, i gruppi possono finire per ridurre la qualità del loro lavoro.

Ma quando il livello di apprendimento dall'esperienza è al di sopra di questa soglia, i tentativi futuri diventano sempre migliori finché alla fine non riescono. E il fattore chiave è il modo in cui le persone imparano.

Ciò ha implicazioni importanti. Ad esempio, significa che il processo di apprendimento di una squadra è un buon indicatore del successo o meno a un certo punto. I nostri risultati svelano i primi segnali identificabili ma precedentemente sconosciuti che ci consentono di identificare le dinamiche di fallimento che porteranno alla vittoria o alla sconfitta definitiva, affermano Yin e co.

Il prossimo passo sarà analizzare l'apprendimento di successo sul posto in modo che possa essere distinto dall'apprendimento senza successo e alla fine insegnato in modo sistematico.

Potrebbe essere un modo cruciale per le squadre di ottenere un vantaggio sulla concorrenza. E con così tanto in gioco in termini di finanziamenti e investimenti, gli studenti di successo hanno molti incentivi a impegnarsi di più. Edison sarebbe sicuramente rimasto colpito.

Rif: arxiv.org/abs/1903.07562 : quantificazione delle dinamiche di fallimento tra scienza, startup e sicurezza

nascondere