1-4 创新的支点：不是直觉灵感，而是拆解出现实洞见
解决问题一直碰壁，要怎么找出创新的解决方法呢？
因为科技的推陈出新，当下各个行业都开始创新当道，希望掌握创新诀窍来实现转型。只是创新谈何容易，过去很多企业创新往往都是靠直觉，但是越创新，反而离客户越来越远。
我们误认为创新是一种灵感，只是脑袋里一闪而过的东西，但事实上，真正的创新并非如此。
真正的创新建立在对客户想解决问题的基础上，以及对客户的多面向情境（功能性/情绪性/社会性）分析上，由此出发去深度了解客户的需求，然后才产生洞见。这绝非凭空想象或灵感乍现，而是需要投入更多心力不断地拆解问题。
但大多数人不会这样做，他们固执地认为创新是不需要分析，不需要大量资料整理的。这也很像大多数人解决问题时，都想凭借直觉，结果往往跌得鼻青脸肿。
然而，通过深入拆解现实问题而产生的创新反而容易是真正差异化的创新，而且这样的创新不只有单点突破（单点突破常常只有一点水花，就像水滴到水面上激起的涟漪，清清淡淡的，无法产生太多效果），而是包含从思维开始的系统性转变，这样的创新更具结构力、影响力与延续力。
早上的奶昔与下午的奶昔
在克里斯汀生博士最新力作《创新的用途理论：掌握消费者选择，创新不必碰运气》中，我阅读完后发现这正是第一性原理与拆解问题技术在创新中的延伸应用。
书中有一个非常经典的案例，那就是如何增加奶昔的销售量。
某连锁店花了好长一段时间研究，希望通过焦点访谈找出如何让消费者多买一些奶昔的关键因素。依照顾客反馈，他们做了很多尝试，但是业绩仍毫无起色，一点成长都没有。
于是，克里斯汀生博士尝试用他的创新方法来解构问题，回到最根本的现实面重新展开架构，他问：“顾客购买奶昔是为了解决生活中什么问题呢？”
从这个问题出发，他重新研究后发现，大多数顾客白天喝奶昔是为了消磨时间，排解通勤开车的无趣，又能有饱腹感。能满足这种需求的竞争产品有：香蕉、贝果、甜甜圈、早餐棒、冰沙、咖啡等，而不只是其他连锁店的奶昔或饮料，而下午跟晚上奶昔购买又是不同的用途。
到了下午，喝奶昔则通常是作为增进亲子关系的媒介，许多家长会拒绝孩子的种种要求，但总还是希望满足孩子的某些需求，奶昔就成了一个很好的出口。小杯的奶昔可以让孩子迅速吸完，家长不会产生太大的罪恶感。这时候，奶昔不像晨间时跟香蕉、巧克力或甜甜圈等食物竞争，而是跟逛玩具店或是打球竞争。
针对顾客在特定情境下想完成的任务而想出解决方案，这就是拆解与第一性原理的延伸应用方式。我们在这里学会了：
创新不是天才之作，而是分析现实的结果
最近几年大热的共享经济也是一种创新洞见。在《经济学人》的定义中，共享经济就是“在网络中，任何资源都能出租”。
过去很多资源都是要用时很紧急，不用时却是闲置的状态，比如买车就是如此，周一到周五可能只有上下班会用到车，其他时间还要缴纳停车费和保养费，闲置时间都是浪费的。
所以Uber、 Lyft等共享汽车的出炉就让很多闲置车辆得到了运用， Airbnb也是一样的道理，只是转换成闲置房间共享。
我们看到的是这些企业的创新，觉得他们是天才，但仔细分析背后的原因：
其实无非都是在解决现实问题，并且在现实情境中找到洞见。
因为现实才是创新最好的支点。
当然有时候我会思考，创新都是好事吗？
当你是受益者时，就会认为它是好事，当你是受害者时，就会认为它是坏事。因此当Uber服务推广到每个国家时，总是会受到当地计程车业者的大力反对，因为他们的生计受到影响了。
只是这样的浪潮无法用法令保护太长时间，因为交通工具本质上就是将人或物从甲地安全运送到乙地，所有权跟使用权都是后来延伸的议题， Uber取代出租车行的轿车模式，直接让顾客通过平台简化步骤的去中间化趋势已经势不可当。
这其实也就是前面所说的第一性原理，其中有不可变之处，但其他都是可变之处，基于现实，我们可以找到自己创新的途径。
在时代洪流里，我们无法阻止现实的改变，那么就必须立足于现实问题，去找到自己的创新途径。
而且现在许多国家切入发展的无人车自动驾驶，所影响的层面远比Uber更大。
这几年不断推陈出新的机器人也是，波士顿动力公司机器人已经智能到可以翻跟斗与跑步，亚马逊仓储与阿里巴巴旗下的菜鸟网络仓储都是运用大量机器人分拣物品，全天候科技报道。传统仓内的拣货员工作七个半小时，行走27924步，只能拣货1500件，就已达到人工拣货的极限，而在菜鸟网络智慧仓内，配合机器人，拣货员仅行走2563步，拣货量就可达3000件。这是科技带来的便利，但它同时表示需要的人力也大幅度减少了。
那目前为什么还需要人工拣选？因为机器人还做不到拣选确认的动作，要规划出来成本还太高，而人工比较便宜。只是等未来技术突破后，机器人都做到效率成本化来拣选的话，人在拣选物品这项工作上就一定会被机器人取代。
2017年谷歌的围棋程序AlphaGo （2014年由英国伦敦Google DeepMind开发的人工智能围棋程序，使用了蒙地卡罗树搜寻与两个深度神经网络相结合的方法，其中一个是以估值网络来评估大量的选点，而以走棋网络来选择落子。在这种设计下，计算机可以结合树状圆的长远推断，又可像人类的大脑一样自发学习进行直觉训练，以提高下棋实力）打败世界棋王柯洁震惊世界，大家都还在思考如何打败AlphaGo的相关策略时，它就已经被自己的升级版AlphaGo Zero打败了。
AlphaGo的团队于2017年10月19日在《自然》杂志上发表了一篇文章，介绍了AlphaGo Zero，这是一个没有用到人类资料的版本，比以前任何击败人类的版本都要强大，通过跟自己对战， AlphaGo Zero经过3天的学习，以100∶0的成绩超越了AlphaGo Lee的实力， 21天后达到了AlphaGo Master的水平，并在40天内超过了之前的所有版本。
试想一下，当计算机程序已经会自主学习，人类的价值又在哪儿呢？
因此，当时代的创新洪流不可阻挡时，我们要思考如何让自己从受害者变成受益者！可以从下面几个角度来思考：
第1步：厘清所在行业价值链的现实全貌，找出自己目前所在的位置。
可以多看看同行做的行业价值链报告，只有知道自己处在行业的哪个位置，我们才能有整体观的系统思考，清楚自己的所在位置。不然单枪匹马会让人非常急切，因为焦虑而想要改变，但又横冲直撞，就很像摸黑开枪，却希望命中目标一样，根本是天方夜谭。
无论是面对自己的职业生涯选择，还是面对其他各种问题，都是如此。
第2步：去中间化趋势不可阻挡，思考自己哪些工作会被机器人取代。
上网查询，看看哪些工作已经逐渐被机器人取代，把那些领域圈起来，以及自己有哪些工作会被取代，如果被取代的机会比较大，就表示你要有危机意识，要开始思考之后的出路了。
第3步：规划往高附加价值的领域移动。
多数人不喜欢改变，所以常常会发生温水煮青蛙的惨剧，觉察到要改变时已经来不及了。
根据前面的步骤规划，低附加价值的工作被机器人所取代，因此要让自己往高附加价值区块移动，看看是否要在同一行业，或相关延伸行业，甚至跨行业都可以，这时候你就会发现自己可能不一定能成功转换，那就表示能力还不够，但相对于其他人，我们已经找出问题所在，所以仍有一些时间可以学习跟累积，来顺应未来可预期的变化。
或者，我们也可以从这些现实问题中找到自己创新的机会，进而开发创新产品或服务，这都是相当可行的解决方案。
关键是无论是工作、问题中的创新解决办法，还是面对时代发展的自我革新，都必须首先分析现实，产生现实洞见，而不是凭着直觉横冲直撞。
拆解问题小活动
请思考一下，自己创新的支点在什么地方，试着填写下面的图表。
