原来,头脑风暴并非最有效的创意方法

简介: 原来,头脑风暴并非最有效的创意方法

1



熊逸的《纸上卧游记》揭露了一个为大多数人不知的真相:

image.png

很多人都认为头脑风暴是20世纪90年代方才出现的新生事物,事实上还要更早一些:Alex Osborn是在1953年撰文阐述这一概念的,而最富戏剧性的事情马上就发生了——仅仅一年之后,《管理科学季刊》便发表了一篇研究,题目是《当应用头脑风暴的时候,群体参与是促进了还是抑制了创造性思考?》。(Taylor, D.W., Berry, P.C., & Block, C.H.,1958)


这项研究的结论彻底否定了头脑风暴技术的有效性:在严格的实验观测下,主试发现人们在单独思考的时候,其创意的总和无论在数量上还是质量上,都明显好于他们聚在一起大搞头脑风暴的时候。


作为一名咨询师,头脑风暴毫无疑问是我们咨询过程的利器,甚至可以认为是无往不利的,它催生了多少新奇而又新鲜的创意啊!


在领域驱动设计的圈子里,大行其道的事件风暴不也是头脑风暴的一种变形吗?怎么经过科学调查证明,头脑风暴却不好使了呢?——这一调查结论似乎与我们对头脑风暴价值的观感相左。


熊逸进一步揭露了产生这种认知偏差的原因:


头脑风暴技术之所以发展到现在的地位,一个很重要的原因是,许多企业在照方抓药的时候,确实感觉行之有效。尤其在那些更加强调创意的企业,比如著名的IDEO,认为头脑风暴技术为他们带来了显而易见的利益。


那么,问题到底出在哪里呢?其实很简单,我们在评价头脑风暴技术的效用时往往不自觉地做出一种不公正的比较。也就是说,头脑风暴的结果无疑比任何一名参与者“个人”所能贡献的创意更多,也更有价值,然而真正应该与之做比较的其实是所有参与者在独自思考的时候所提出的创意的“总和”。在上述Taylor等人的实验里,后者比前者高出一倍,具有无可争议的统计上的显著性。


这么一说,大家是否恍然大悟?原来是衡量价值和收益指标并不一致。


2



由此,我想到类似事件风暴这样的协作建模,是否真正能促进一个优质模型的产生?


我自己在组织工作坊时,确实发现多个小组在进行建模演练时,针对相同的领域,采用相同的方法,得到的模型却有可能大相径庭。


image.png

✿ 小组内的协作建


如果我们将小组内的建模认为是头脑风暴似的协作建模,而将各个小组看做是完整的个体,由于各个小组之间并无协作和交流,整个工作坊不就变成各自建模的一种缩影了吗?


image.png

✿ 小组间的各自建


假设Taylor等人的实证研究是正确的,我们可否改变头脑风暴带给我们的惯性思维与认知误区,不再坚持一个团队进行协同建模;而是从传统认知反其道而行之,采用以团队成员为基本单位的独立建模


3



倘若采用这种方式,就要求团队成员针对相同领域和需求进行独立建模,在完成领域建模后,大家再聚集在一处,共同对各自建模的内容开展协同讨论,尝试整合模型。实际上,这一方法不单单是独立建模,而是独立建模与协作建模的一种联合,只不过被分解为两个不同的阶段而已。


通过对比和甄别,得到的完全相同的模型内容,可以称之为是“有信心的模型”,显然,这部分模型内容就是我们最终想要得到的结果。


但是,在各自建模输出的领域模型中,最有价值的部分却是存在差异的模型内容,不妨将其称之为“有价值的模型”。针对这部分模型,我们可以分析:为何存在差异?——是认知不同、方法不同导致,还是我们对需求的理解存在分歧,甚至错误?又或者只是模型的表现形式与概念语言的差异,需要提炼统一语言才能消除这种差异?


总之,无论何种原因,它都有可能揭露那些我们以为知道实际却不知道或者以为达成共识实际还存在分歧的那部分内容。由于每个人的独立建模都经历了分析、探索和思考的过程,到协作建模阶段,大家再来审视这些差异,就会有恍然大悟之感;然后,再针对这些分歧开展讨论,就能更容易达成一致,获得最终高质量的领域模型。

相关文章
|
7月前
|
监控 算法 图形学
《2D角色+3D场景:动漫游戏次元融合的技术突破路径》
本文围绕古风仙侠动漫游戏开发,聚焦2D手绘角色与3D场景的融合难题,针对图层割裂、阴影脱节、透视失真、光照不匹配、多角色性能压力及互动割裂六大问题,分别提出骨骼绑定控制器、动态阴影投射、非线性透视缩放、实时调色、分层渲染、互动姿态匹配六大解决方案。通过差异化参数设置与动态精度调整,在保证动漫风格的同时,解决技术痛点,提升场景沉浸感。
685 3
|
6月前
|
存储 缓存 供应链
1688 商品详情 API 最佳实践:合规、高效、价值落地全指南
本文系统总结了1688商品详情API(alibaba.product.get)五大最佳实践:合规落地、技术优化、数据治理、业务融合与风险防控。涵盖权限申请、签名生成、缓存策略、数据清洗、选品模型、供应商评估及容灾备份等关键环节,助力企业安全、高效地实现数据驱动采购与供应链升级。(239字)
|
人工智能 算法 数据可视化
|
存储 监控 物联网
计算机网络的应用
计算机网络已深入现代生活的多个方面,包括通信与交流(电子邮件、即时通讯、社交媒体)、媒体与娱乐(在线媒体、在线游戏)、商务与经济(电子商务、远程办公)、教育与学习(在线教育平台)、物联网与智能家居、远程服务(远程医疗、智能交通系统)及数据存储与处理(云计算、数据共享与分析)。这些应用极大地方便了人们的生活,促进了社会的发展。
1058 2
计算机网络的应用
|
分布式计算 Java 数据处理
Apache Spark优缺点大揭秘
【10月更文挑战第12天】
636 11
|
算法
浅谈剪枝算法
浅谈剪枝算法
508 0
|
存储 传感器 数据采集
大数据
大数据是指数据量庞大(Volume)、增长迅速(Velocity)、类型多样(Variety)、价值密度低(Value)但潜力巨大的数据集。其来源包括互联网、物联网及企业内部数据。处理技术涵盖采集、预处理、存储、分析与可视化。应用领域涉及商业智能、金融、医疗、交通及公共服务等,助力决策优化与创新。
1142 8
defineProps和defineEmits
本文介绍了Vue 3中的`defineProps`和`defineEmits`函数的用法,其中`defineProps`用于声明组件的属性(props),以便从父组件接收数据,而`defineEmits`用于定义组件可以触发的自定义事件,从而实现子组件向父组件传递数据的功能。
|
存储 固态存储 算法
OS—磁盘和固态硬盘
OS—磁盘和固态硬盘

热门文章

最新文章