संक्षिप्त उत्तर: जिन सालों में मैंने AB InBev, SABMiller और United Breweries के लिए बीयर विकसित की, सबसे कठिन प्रश्न कभी यह नहीं था कि कैसे ब्रू करें — यह था कि कौन-सी बीयर बिल्कुल भी ब्रू करें। AI और एनालिटिक्स ने मेरे लिए इसका उत्तर नहीं दिया, पर उन्होंने उपभोक्ता सर्वे, रिटेल स्कैन डेटा और बिक्री इतिहास की एक दीवार को एक रैंक की गई शॉर्टलिस्ट में बदल दिया जिस पर मैं वाक़ई कार्रवाई कर सकता था। डेटा क्षेत्र को संकीर्ण करता है; लोग अब भी निर्णय करते हैं। यहाँ बताया है कि नए उत्पाद विकास का फ़्रंट एंड वास्तव में कैसे काम करता है।
कमरा रायों से भरा था, सबूतों से नहीं
हर नई-उत्पाद बैठक जिसमें मैं बैठा वह एक ही तरह से शुरू होती: एक व्हाइटबोर्ड पर दर्जन भर विचार, हर एक किसी वरिष्ठ द्वारा समर्थित जो आश्वस्त था कि उसका विचार विजेता है। एक मज़बूत व्हीट बीयर। नए पीने वालों के लिए एक कम-कड़वाहट वाली लेगर। एक त्योहारी मौसमी। हर किसी के पास एक अंदाज़ा था; किसी के पास उनकी तुलना करने का तरीक़ा नहीं था।
नए उत्पाद विकास के फ़्रंट एंड पर असली समस्या यही है। आप यह पता लगाने के लिए बारह बीयर पूरे पैमाने पर ब्रू नहीं कर सकते कि कौन-सी बिकती है — हर पायलट हफ़्तों और पैसे ख़र्च करता है। आपको ब्रू करने से पहले चुनना होता है, और सालों तक वह चुनाव वरिष्ठता और अंदाज़े पर किया जाता था।
मैंने वास्तव में क्या खंगाला
डेटा मौजूद था; वह बस बिखरा और गड़बड़ था। मेरा काम बन गया उसे एक जगह खींचना और तुलनीय बनाना। तीन धाराएँ सबसे अधिक मायने रखती थीं:
- रिटेल स्कैन और डिप्लीशन डेटा — शैली, पैक और क्षेत्र के अनुसार वास्तव में क्या बिक रहा था, और कौन-से सेगमेंट तिमाही-दर-तिमाही बढ़ रहे थे। यह सच्चाई के सबसे क़रीब की चीज़ है, क्योंकि यह रिकॉर्ड करता है कि लोगों ने क्या ख़रीदा, न कि उन्होंने क्या कहा।
- उपभोक्ता अनुसंधान — पैनल, सर्वे, और टेस्ट-टेस्ट स्कोर। उपयोगी, पर मैंने इसे सावधानी से तौलना सीखा: बताई गई पसंद और ख़रीदारी व्यवहार अलग प्राणी हैं।
- हमारा अपना लॉन्च इतिहास — हर बीयर जो हमने रिलीज़ की, जो हमने पूर्वानुमान लगाया, और जो उसने किया। यह सबसे ईमानदार शिक्षक था, क्योंकि इसने दिखाया कि हमारी आशावादिता पहले कहाँ ग़लत थी।
डेटा-विज्ञान का हिस्सा बिना तड़क-भड़क वाला और निर्णायक था: असंगत SKU नामों को साफ़ करना, क्षेत्रों को संरेखित करना, और इन सबको ऐसे फ़ीचरों में आकार देना जिन्हें मैं स्कोर कर सकूँ। पहले मापें, फिर मॉडल करें — मॉडल हमेशा उतना ही अच्छा होता है जितनी वह तालिका जो आप उसे खिलाते हैं।
संख्याओं की एक दीवार से एक रैंक की गई शॉर्टलिस्ट तक
एक बार जब डेटा साफ़ हो गया, तो एनालिटिक्स लगभग सरल था। मैंने हर विचार को माँग-संकेतों के विरुद्ध स्कोर किया: क्या उसका सेगमेंट बढ़ रहा था, क्या ऐसी सफ़ेद जगह थी जो प्रतिस्पर्धियों ने नहीं भरी, क्या समान पिछले लॉन्च सफल रहे? उपभोक्ता डेटा पर एक क्लस्टरिंग मॉडल ने मुझे पीने वालों को उन समूहों में विभाजित करने में मदद की जिन्हें एक अकेला औसत छिपा रहा था — और उनमें से एक समूह स्पष्ट रूप से कम-सेवित था।
यहीं जेनरेटिव AI अब उस काम की लय बदलता है। आज मैं सर्वे प्रतिक्रियाओं और प्रतिस्पर्धी समीक्षाओं में गड़बड़ मुक्त-पाठ की ओर एक भाषा मॉडल इंगित करूँगा और इससे आवर्ती विषयों को मिनटों में सारांशित करवाऊँगा — वह काम जो मुझे पढ़ने के दिनों में लगता था। मैं इसके सारांश को सत्यापित करने के लिए एक सुराग मानता हूँ, कभी एक निष्कर्ष नहीं, पर यह पढ़ने को छँटाई में बदल देता है।
आउटपुट कभी “यह बीयर बनाएँ” नहीं था। यह सबूत संलग्न के साथ तीन से पाँच कॉन्सेप्ट की एक रैंक की गई शॉर्टलिस्ट थी। एक मॉडल के लिए यह ठीक सही ऊँचाई है: क्षेत्र को संकीर्ण करें, फिर इसे लोगों को सौंपें।
यह कहाँ टूटता है
मुझे विफलताओं के बारे में ईमानदार होना है, क्योंकि फ़्रंट एंड वह जगह है जहाँ अति-आत्मविश्वास सबसे महँगा है।
डेटा सामान्य का अच्छा पूर्वानुमान लगाता है और दुर्लभ का लगभग कभी नहीं। मौजूदा शैलियों पर ट्रेन किया गया एक मॉडल एक वाक़ई नई श्रेणी के प्रति अंधा है — इसके पास ग़ैर-अल्कोहली लहर के आने को देखने का कोई तरीक़ा नहीं था, क्योंकि उसे सीखने के लिए इसका कोई इतिहास नहीं था। सर्वे ने उन विचारों को सराहा जो शेल्फ़ पर नाकाम रहे। और पतला डेटा ख़तरनाक है: एक लचीले मॉडल को मुट्ठी भर पिछले लॉन्च खिलाएँ और यह पूरे आत्मविश्वास के साथ एक नाकाम को ऊँचा रैंक करेगा, वही जाल जिसमें मैं अपनी पहली माँग-पूर्वानुमान परियोजना में फँसा था। डेटा आपको बताता है कि माँग कहाँ प्रशंसनीय है। यह किसी हिट का वादा नहीं कर सकता।
निचोड़
NPD का फ़्रंट एंड एक फ़िल्टरिंग समस्या है, और AI और एनालिटिक्स वाक़ई इसी में अच्छे हैं: उपभोक्ता और बाज़ार डेटा के एक शोरयुक्त, विरोधाभासी ढेर को लेकर इसे एक बचाव-योग्य शॉर्टलिस्ट में बदलना। इसने “कमरे में सबसे ज़ोरदार व्यक्ति” को “मेज़ पर मौजूद सबूत” से बदल दिया — और अकेले इसी ने उन बीयर को बेहतर दाँव बनाया जिन्हें मैं आगे विकसित करने गया। पर डेटा संकीर्ण करता है; यह निर्णय नहीं करता। शॉर्टलिस्ट से विजेता चुनने वाला निर्णय अब भी उन लोगों का है जो ब्रांड और पीने वाले को जानते हैं।
Beer NPD with Data — 3 में से भाग 1। पूरी शृंखला देखें · अगला: रेसिपी और संवेदी डेटा खंगालना →
अक्सर पूछे जाने वाले प्रश्न
क्या AI तय कर सकता है कि कौन-सी नई बीयर विकसित करनी है? तय नहीं — संकीर्ण कर सकता है। AI और एनालिटिक्स विचारों की एक लंबी सूची को उपभोक्ता, बाज़ार और बिक्री डेटा के विरुद्ध रैंक करने में उत्कृष्ट हैं ताकि आप उन कुछ को विकसित करें जिनके पीछे वास्तविक माँग है। अंतिम निर्णय अब भी उन लोगों का है जो ब्रांड और बाज़ार को जानते हैं।
एक नई बीयर विकसित करने से पहले आपको किस डेटा की ज़रूरत है? रिटेल स्कैन और डिप्लीशन डेटा, उपभोक्ता पैनल और सर्वे प्रतिक्रियाएँ, श्रेणी और प्रतिस्पर्धी ट्रेंड, और आपका अपना ऐतिहासिक लॉन्च प्रदर्शन। फ़्रंट-एंड निर्णय की गुणवत्ता इस डेटा की गुणवत्ता से सीमित होती है, मॉडल की चतुराई से नहीं।
बाज़ार अनुसंधान के बावजूद अधिकांश नई बीयर क्यों विफल होती हैं? क्योंकि सर्वे यह पकड़ते हैं कि लोग क्या कहते हैं, न कि वे क्या ख़रीदते हैं, और क्योंकि पतले या पक्षपाती डेटा पर ट्रेन किया गया एक आत्मविश्वासी मॉडल फिर भी एक नाकाम को ऊँचा रैंक करेगा। डेटा आपको बताता है कि माँग कहाँ प्रशंसनीय है; यह किसी लॉन्च की गारंटी नहीं दे सकता।