Innovación

 Crowd Science, cuando cualquiera puede aportar a la Ciencia

Leave a reply

El término Crowd Science tiene dos acepciones en inglés por lo que nos podría llevar a error. Por un lado, se utiliza para designar a la ciencia que estudia los comportamientos de las multitudes, pero además también se utiliza para designar a la ciencia que se desarrolla con la participación del público en general. De esta última, además, existen diversos términos para definirla como son Citizen Science o Community Science que se utilizan indistintamente.

A esta falta de consenso sobre cómo definir la ciencia desarrollada de forma abierta, puede favorecer que la Crowd Science está poco estudiada pero comienza a aumentar su relevancia debido al impacto que podría tener a la hora de hacer ciencia de forma tanto directa como indirecta. Asimismo el nivel de implicación de aquellos que no son científicos profesionales o amateurs puede tener diversos grados desde la simple monitorización o toma de datos hasta la investigación activa, por lo tanto, ¿cómo podemos identificar un proyecto que se sitúa dentro del marco?

En primer lugar, la participación del público en general debe ser de forma abierta, enfocado hacia una gran base de participantes y se les debe facilitar el acceso tanto a datos primarios como también a algoritmos para la resolución de problemas. La Crowd Science facilitaría que el coste de los problemas a resolver o las materias a investigar descendiese significativamente, así como acelerar la velocidad en la que se va a investigar ese área. Además, esta manera de hacer ciencia tiene una serie de beneficios generales como:

  1. Como a los participantes no se les retribuye, les mueven otros intereses más allá de los económicos como podrían ser los sociales o los de conocimiento.
  2. Se incrementan la velocidad de ejecución de las tareas, al disponer de una base más amplia de participantes en la investigación.
  3. Este enfoque permite el acceso a conocimiento y a competencias escasas y no necesariamente científicas.
  4. Aquellos proyectos que necesiten de nuevas ideas o enfoques «fuera de la caja» o más disruptivos se benefician de este tipo de acercamientos.
  5. No están sujetos a ámbitos geográficos, lo que permite la ampliación y la mejora de la cobertura de estudios de observación específica.
  6. Involucrar a la población de forma abierta mejora la difusión de la actividad científica, así como la formación de la población en general.

Definiendo el Time-to-market para tu producto/servicio

Leave a reply

El time-to-market es el tiempo que transcurre desde que un producto/servicio es concebido hasta que está disponible para el usuario final o lo suficientemente maduro para ser aceptado por el mercado. Este concepto comprende todas las fases (ideación, diseño y producción) por los que debe pasar un producto antes de su lanzamiento al mercado. No existe un time-to-market ideal, depende mucho del sector o mercado al que nos dirijamos, y además es que los indicadores que podamos establecer son difíciles medir y subjetivos:

  • Comienzo del diseño del producto
  • Prueba de concepto
  • Fin del diseño del producto
  • Comienzo de su desarrollo
  • Final del desarrollo del producto
  • Inicio de la producción
  • Lanzamiento del producto en el mercado
  • Escalado con el establecimiento y aplicación de procesos de producción

A pesar de estas dificultades, los mercados son muy dinámicos. Los clientes desean que estos tiempos se reduzcan, esperando una mayor inmediatez y agilidad. Por lo que ante un proyecto, podemos sentirnos muy presionados por los plazos y los desarrollos que debemos integrar en la menor cantidad de tiempo necesaria. Esto supone varios riesgos, por un lado, lanzar un producto sin que el mercado esté suficientemente maduro para absorberlo (falta de demanda), que no analicemos de manera conveniente los competidores y/o los productos sustitutivos al que estamos diseñando; y, por el otro, que se priorice la rapidez sobre la calidad.

Para tratar de sortear estas amenazas, se estructuran procesos de desarrollo en los que se busca el «fallo rápido». Estos procesos consisten en probar y desarrollar gradualmente las características detalladas del producto, pasando rápidamente a diferentes opciones cuando se declara el fallo. Además, se espera que el cliente retroalimente el desarrollo del producto, identificando problemas, buscando nuevos usos e incluso sugiriendo nuevas características al mismo.

Aunque como hemos señalado más arriba, cada producto/servicio tiene unas necesidades concretas de desarrollo, las herramientas para ese «fallo rápido» y reducir el time-to-market serían:

  • Calendarización o deadline. Establecer una fecha de entrega, ya que se favorece la productividad del equipo.
  • Organización y asignación de tareas. Definición de qué tareas son necesarias, en qué orden y sus plazos, quién las tiene asignadas y un diseño de cuadros de mando para su seguimiento.
  • Seguimiento en tiempo real y retroalimentación ágil. Establecer vías de comunicación eficaces que eviten que el proyecto se pare en espera de una revisión.
  • Herramientas y materiales. Tener acceso a todos los elementos necesarios para desarrollar o cumplir el objetivo es fundamental para no retrasar el proceso de trabajo en el proyecto.

La innovación de procesos u operativa

Leave a reply

A pesar de que nos enfocamos más en estos ámbitos, la innovación no sólo es desarrollar un nuevo modelo de negocio o un nuevo producto o servicio específicamente para un cliente, puesto que hay otro tipo de innovación igual de relevante que muchas veces se pasa por alto por la dificultad que entraña en su ejecución.

La innovación de procesos (operational innovation) en muchas ocasiones se confunde con la mejora continua (operational improvement), aunque son dos cosas diferentes. La innovación de procesos trata de encontrar nuevas formas de mejorar los procesos internos lo que incluiría desarrollar nuevos productos y servicios para un proceso interno de la compañía (por ejemplo, la atención al cliente).

Por otro lado, la mejora continua busca la excelencia operativa, asegurándose que los negocios funcionan correctamente haciendo que los procesos sean más eficientes. Es decir, con ello, se trata de conseguir un alto rendimiento a través de distintos modos de operación ya existentes reduciendo costos y retrasos sin cambiar en esencia cómo se está realizando el trabajo.

La innovación de procesos es un tipo de innovación que es rara de encontrar. Esto tiene que ver a que cambia completamente la forma en el que las empresas operan, llegando a cambiar la cultura de una empresa. Esta es una innovación que se sitúa más cerca del trabajo operativo y que a priori no tiene un componente estratégico lo que muchas veces escapa del ámbito de la alta dirección. Además, es frecuente encontrar barreras a la hora de desplegarla, ya que los departamentos deben cambiar las formas en las que trabajan y cómo se relacionan entre ellos, por lo que pueden derivar en cambios profundos en las organizaciones y en su cultura.

Sin embargo, es una innovación que mejora la competitividad de las organizaciones en distintos ámbitos por lo que debe ser tenida muy presente dentro de las organizaciones:

  • Beneficios estratégicos (retención del cliente, mejora de la penetración del mercado, habilidad para entrar en nuevos mercados)
  • Mejoras de mercado (reducción de precios, mejora de satisfacción del cliente, mayor agilidad de la empresa a adaptarse a los cambios)
  • Beneficios operativos (costes directos más bajos, mejor uso de activos, mejora de la precisión, mejora de la personalización de los servicios, simplificación de procesos)

Problem-Solution Fit vs Product-Market Fit vs Business Model Fit

Leave a reply

Durante el desarrollo de una startup, desde que se tiene una idea hasta que es lanzada de forma exitosa al mercado, se debe pasar por una serie de fases para desarrollarla y validarla de forma conveniente. No podemos olvidar que la generación de una proposición de valor es un proceso iterativo que tiene que ser validado constantemente a través de una serie de técnicas y herramientas.

Es decir, no podemos lanzarnos inmediatamente a desarrollar y confeccionar un plan de negocio, sino que lo que debemos hacer es comprobar el alcance de esa idea y si hay que modificarla para acercarla a la realidad del mercado. Por lo tanto, estas fases deben de realizarse de forma consecutiva, ya que cada una nos lleva necesariamente a la siguiente. Además, esto ayudará a minimizar el riesgo de fracaso.

  1. Problem Solution Fit (Fase de descubrimiento). En esta fase, se tiene que demostrar que el problema es real y que la proposición de valor es lo suficientemente potente para que alguien esté dispuesto a pagar por ella. Es decir, hemos encontrado una solución válida al problema. En esta fase, la proposición de valor tan sólo se encontraría sobre el papel.
  2. Product Market Fit (Fase de validación). Tras una serie de asunciones, se trata de validar las mismas a través de un conjunto de pruebas y experimentos. De este modo, se comprobaría que hay suficiente mercado y clientes que estén dispuestos a pagar por ello, así como el tamaño del mismo.
  3. Definición final del modelo de negocio (Fase de eficiencia). Aquí, ya estamos comprobando que efectivamente la proposición de valor es escalable y rentable. El modelo de negocio realmente genera valor.

La búsqueda de recursos para hacer crecer a una Startup

Leave a reply

Una de las cosas a tener presente cuando se busca recursos para hacer crecer tu startup es el grado de madurez de la misma y el desarrollo de su producto o servicio. Hay agentes dentro del ecosistema mejores y peores dependiendo si nos encontramos en early-stage o en Growth. Esto es importante puesto lo que no deseamos es estar desperdiciando recursos buscando interlocutores que no son adecuados atendiendo la fase en la que nos encontremos. No hay que olvidar que la mejor situación es financiar una startup con sus propios clientes, es decir, que ya tenga recursos suficientes para financiar su escalado.

  • Incubadoras. Estas organizaciones buscan futuras startups que tengan cierto potencial en el mercado en el que se posicionan. Ponen a disposición de los emprendedores de un espacio y un equipo de expertos que les ayudan y asesoran para tratar de desarrollar su proyecto. En esencia, ayudan a las startups a crear su propia idea de negocio hasta que consiguen obtener sus primeros beneficios. El objetivo es desarrollar, dependiendo del estado un PoC (Proof of Concept) o bien un Producto Mínimo Viable (Minimal Viable Product) para validar el Product Market Fit. Esto es encontrar a un público que esté dispuesto a pagar por ello.
  • Aceleradoras. Las aceleradoras buscan desarrollar un proyecto que ya está lanzado con la intención de obtener beneficios reales de la startup nada más que salgan al mercado. Se apoyan mucho en metodologías Agile para la transición desde ideas hasta productos reales. Desarrollan y profundizan otros ámbitos como el producción, marketing, logística, etc. para preparar a la startup a encontrar su motor de crecimiento. En las aceleradoras, las startups tienen su ámbito para diseñar y probar su escalabilidad, conseguir clientes, captar financiación, etc.
  • Business Angels. Puede tratarse de una persona o un grupo de personas que hacen inversiones a startups en sus fases iniciales de desarrollo. Suelen ser personas que han emprendido, han tenido cierto éxito y quieren devolver al ecosistema de innovación las oportunidades que han tenido. Son una buena fuente de contactos y de mentoring gracias al conocimiento adquirido.
  • Venture Capital. Es un grupo de personas que crean su propio fondo de inversión fundamentalmente para la obtención de réditos por lo que están interesados en financiar a la startups para poder vender a posteriori su participación. Tienen una relación muy específica con las startups invertidas, aunque entran con la intención de deshacer la inversión con una multiplicación del 10 o 20 de la misma.

Cómo no medir la innovación

Leave a reply

El entorno competitivo actual es totalmente diferente al entorno industrial cuando las métricas que medían la innovación nacieron. Debido a que la mayoría de las métricas tienen en cuenta los benchmarks de empresas establecidas que fueron exitosas con sus productos, las métricas tienden a medir las inversiones en I+D y en tecnología. Si bien es cierto que estas métricas pueden ser válidas a la hora de encauzar la inversión y la medición de resultados, suelen dar una visión limitada.

También se da la paradoja que se trata de medir todo y con diferentes criterios, lo que da lugar a una saturación de métricas que provoca justamente lo contrario de lo que se busca, que es tratar de medir la información, y dan escaso valor.

Las mejores soluciones para realizar estas mediciones parten desde la simplicidad hacia la complejidad, asumiendo que la innovación parte de distintas sinergias que se complementan con otros factores. Por lo tanto, hay que indicar que se debe evitar:

  1. Desajuste entre la estrategia de la innovación y las métricas de desempeño.
  2. La estrategia de innovación se suele definir y abordar en el más alto nivel de la organización, sin embargo se suele tender a medir la innovación atendiendo a los incentivos de los incentivos para empleados. Es importante tratar de evitar que los empleados se centren demasiado entre su efectividad y lo que realmente debería hacer avanzar la estrategia de la innovación. Por ello, debe evitarse la definición de métricas que midan objetivos a medio plazo y se centren más en el largo plazo.
  3. Distintos tipos de innovación se miden igual Parece obvio que distintos tipos de innovación en distintos estadios del funnel de innovación deberían ser medidos a través de métricas individuales. Sin embargo, es más sencillo decirlo que hacerlo. De hecho, es más fácil medir los avances de la innovación incremental puesto que se pueden medir con los resultados previos. Pero sucede lo contrario con las innovaciones disruptivas. Esto es así debido a que las innovaciones disruptivas generan en un principio una base de clientes pequeña, con márgenes bajos y muchos riesgos; por lo que medir este tipo de innovaciones es mucho más complicado.
  4. Sólo medir los resultados, olvidándose de las entradas En muchas ocasiones, se suele medir tan sólo los resultados de una innovación sin tener presentes las entradas. El problema con las métricas de resultados es que sólo dan una visión ya pasada de la innovación, teniendo sólo presente lo que se hacía en el pasado. Además, la medición con estas métricas no ofrecen mucho margen hacia la posibilidad de realizar cambios. Por lo tanto, lo mejor es realizar mediciones sobre el progreso y los resultados, y mantener un balance entre ambas.
  5. Medir demasiado. Poseer un exceso de KPIs, requiere que constantemente se lleve un seguimiento de demasiadas cosas y en muchas ocasiones no merece el esfuerzo. Además, puede conducir a la confusión y la frustración, lo que deriva en que las personas no sepan en qué deben centrarse.
  6. No medir lo suficiente. Por otro lado, se debe poder tomar decisiones basándose en indicadores que indiquen qué está funcionado, qué no y porqué. Por supuesto que esto no va a suceder con tan sólo una métrica, por lo que hay que encontrar un balance entre distintos tipos de métricas.
  7. Falta de un balance entre métricas cualitativas y cuantitativas. Aunque puede ser interesante tener las métricas de cuántas patentes se han registrado a lo largo de un período de tiempo, esto no necesariamente va a permitir la supervivencia de una empresa. También es importante poder medir la satisfacción de un cliente, la retención de clientes, recopilar información de cómo están funcionando los productos o los servicios, etc. De hecho, generar innovaciones está bien, pero generar innovaciones que creen valor al cliente es algo totalmente distinto.
  8. No mantener los KPIs de la innovación actualizados Para asegurarse de que la organización puede reaccionar a los cambios en tiempo y gestionar los procesos de innovación de forma correcta, se debe estar seguro que las métricas son relevantes y se encuentran actualizadas. Cuanto más se sea consciente de cómo las métricas trabajan en realidad, se podrán realizar comprobaciones regulares y ver si los KPIs definidos se encaminan hacia la dirección correcta.

El componente humano en la Inteligencia Artificial

Leave a reply

Que nadie se asuste (todavía), en realidad la Inteligencia Artificial (IA) sólo es buena actualmente para hacer cosas muy concretas y en un ámbito limitado (en el que le programaron). Pero esto no quiere decir que no estemos o nos encaminemos hacia un horizonte en que el Machine Learning y la IA nos superen. Y si esto es previsible, puesto que se les considerarán más precisas que las mentes humanas, puede ser que no lleguemos a entender muy bien el porqué.

No es difícil encontrar titulares sobre los últimos avances de la Inteligencia Artificial. Algunos de ellos, porqué no decirlo, un poco apocalípticos. Pero hay que reconocer que en ocasiones, estos mismos titulares son divertidos. Como el caso de Microsoft con su Inteligencia Artificial conectada a Twitter en forma de chatbot (de nombre Tay) que interactuaba con aquellos que querían hablar con ella. Aquella IA artificial descubrió, es posible de la forma más calamitosa posible, que el ser humano tiende a extremos y que hay que entender el contexto y con quién estás tratando. Lo que le sucedió es que los usuarios de Twitter comenzaron a trolearla y al final gracias a su aprendizaje se convirtió en un usuario racista y de extrema derecha mientras los usuarios seguían jaleándola para que se comportase de esa manera. El bochorno de Microsoft pudo ser mayúsculo, ya que descubrió que su experimento se le había ido de las manos hacia el extremo, la IA tuvo que ser retirada. Sin embargo, no debemos olvidar que la Investigación y Desarrollo se fundamenta precisamente en eso, en experimentar aunque las cosas no salgan como uno esperase en un primer moemnto.

Pero Microsoft no es la única que ha experimentado con IA y sus experimentos han salido un tanto bizarros. Facebook diseñó y programó dos IAs que tenían que negociar intercambios a través de objetos un tanto banales. Pero pronto, en la búsqueda de la eficiencia, las IAs comenzaron a negociar en un lenguaje que se tornaba inteligible para los humanos y llegado cierto punto tuvieron que detener el experimento puesto que los técnicos de Facebook no tenían forma de entender cómo se estaba desarrollando el experimento. Las dos IAs habían compuesto un lenguaje propio y los investigadores de Facebook tuvieron que apagar el experimento.

En ocasiones no es culpa de los algoritmos el alcanzar decisiones o tener comportamientos equivocados. El sistema de inteligencia artificial COMPAS que usan los jueces en EE UU como asesor tiene un sesgo y tiende a desaconsejar la libertad a los negros más a menudo que a los blancos. Sin embargo, este sesgo está heredado ya que las bases de datos que usan los algoritmos para la toma de decisiones proviene de la policía estadounidense y si esos datos ya se encuentran influenciados por decisiones tomadas previamente por los humanos, los algoritmos también acaban estándolo.

Amazon también ha sufrido en sus carnes la falta de atino en sus algoritmos. De hecho, tuvo que dejar de utilizar un programa de selección de personal puesto que tenía una preferencia hacia el sexo masculino, descartando a las candidatas que se presentaban a ciertos puestos, especialmente en aquellos trabajos que tuviesen un perfil técnico.

Las razones de esto, de nuevo, se encontraba en los datos que se había utilizado para entrenar al sistema. Diez años de perfiles en la compañía con antiguos candidatos en los que se demostraba el predominio en el sector de los hombres. El algoritmo entendió que los hombres eran mejores que las mujeres para ciertos puestos y comenzó a penalizarlas.

Pero no sólo las IAs producen situaciones catastróficas. También son un éxito, pero lo son tanto que no sabemos porqué lo son. Uno de estos ejemplos la utilización de DeepMind de Google para la detección de enfermedades a través de un escáner del ojo de los pacientes. Utilizando técnicas de Machine Learning, el sistema se ha convertido en tan efectivo que los desarrolladores no saben cómo el sistema ha llegado a esas conclusiones. Es decir, se ha convertido en una caja negra (black box) de la que es un misterio cómo ha llegado a ese punto. Esto es bastante interesante puesto que un sistema artificial ha generado un conocimiento del que, de momento, no podemos extraer ninguna conclusión puesto que no sabemos cómo se ha generado.

La inevitabilidad de la destrucción creativa

Leave a reply

ideaAunque pueda parecer un término violento (que lo es), el término acuñado por Werner Sombart y popularizado por Josep Schumpeter simplemente hace referencia al reemplazo de servicios y productos asentados en el mercado por otros más nuevos, innovadores o simplemente más eficientes. Hay que señalar el término “innovadores” porque la Innovación consiste en muchas ocasiones el reemplazo o la sustitución de un producto, un bien o un servicio por otros. Aunque la historia está plagada de ejemplos, uno de ellos icónico por su actualidad y bastante ilustrativo, sería el iPhone.

Presentado en 2007, el iPhone no era algo completamente nuevo (los smartphones ya existían), ya permitían realizar todo lo que Steve Jobs anunció que haría. Incluso el CEO de Apple se permitió el lujo de situar en una matriz porqué el iPhone era mejor que el resto de los denominados smartphones. Sin embargo, el nuevo dispositivo de Apple era mucho más eficiente que el resto, ofrecía una pantalla mejor y una capacidad de respuesta mucho mayor. El iPhone redefinió lo que era un smartphone y desde entonces no hemos visto un gran cambio dentro del segmento de los teléfonos móviles inteligentes respecto a aquella filosofía que fue rediseñada Jobs junto a su equipo.

Pero, aunque el teléfono de Apple parecía un salto cualitativo impresionante, la mayor innovación vino después. La primera versión del iPhone era muy próxima a lo que hacían los teléfonos de entonces, sin embargo el iPhone fue capaz de crear un ecosistema nuevo, un mercado totalmente nuevo en el que se introdujeron millones de desarrolladores para dotar de contenidos a aquella máquina y las subsiguientes e incluso a otra categoría de producto que sería el iPad. Al tratarse de un ecosistema controlado por una sola marca, tendríamos una especie de monopolio donde las reglas las establecería aquella que controlase el mercado. Posteriormente, surgieron otros marketplaces similares, aunque la rentabilidad de los mismos no es similar ni mucho menos a la del sistema operativo iOS.

Quiero remarcar aquí que seguro que hay muchos más ejemplos y seguramente más antiguos de destrucción creativa como podría ser la imprenta de Gutemberg. En cualquier caso, se considera como primer ejemplo de destrucción creativa dentro del ámbito industrial la que ideó y diseñó William Lee. En 1583, Isabel I (1558-1603) había dictado una norma que obligaba a que todo su pueblo estuviese obligado a llevar un gorro de punto. Lee regresó a casa tras finalizar sus estudios en la Universidad de Cambridge y se percató que su madre y sus hermanas dedicaban las tardes a tejer esos gorros. Sin embargo, el proceso era muy laborioso y pesado; pero consideró que si todo el proceso tenía como protagonista dos agujas y un hilo, ¿por qué no podrían utilizarse varias agujas?

Para 1589, ya tenía su máquina de hacer medias y estaba a punto de cambiar la industria textil para siempre. Viajó a Londres para mostrarle a la reina la utilidad de aquella máquina y que le otorgase una patente para proteger la invención. Tras un proceso laborioso para acondicionar la máquina y tras la visita de la reina, aquella se mostró horrorizada ya que las consecuencias podrían ser terribles para sus súbditos. Lee no se desanimó y probó suerte en Francia y con el sucesor de la reina Isabel sin mucha fortuna. Actualmente, las máquinas de confección de telas se basan en los principios de Lee a pesar de que en aquel momento sólo provocaron pavor.

Estos dos ejemplos, nos acercan a los cinco puntos donde Schumpeter consideraba que se producía una innovación y por lo tanto la destrucción creativa:

  • La introducción de un nuevo bien.
  • La introducción de un nuevo método de producción o comercialización de bienes existentes.
  • La apertura de nuevos mercados.
  • La conquista de una nueva fuente de materias primas.
  • La creación de un nuevo monopolio o la destrucción de uno existente.

Las trampas de la innoganda (innovación + propaganda)

Leave a reply

El artículo de Anthony Scott, How to Tell If a Company Is Good at Innovating or Just Good at PR, me hace reflexionar no sólo sobre la innovación desde el ámbito privado sino también desde el punto de las administraciones públicas.

El artículo de Scott publicado en la Harvard Business Review realiza un análisis sobre los deseos de transmitir que toda empresa se asemeja en algunos aspectos a Google, Amazon, Apple, Pixar o Tesla. Según Scott, las prácticas de relaciones públicas empresariales se enfocan hacia la transmisión de ese mensaje, aunque considera que ese mensaje puede convertirse en una trampa tendida por ellas mismas autoconvenciéndose realmente lo que difunden.

Para el autor, la innovación debe enfocarse de una forma estratégica, buscando y generando mecanismos de innovación de forma rigurosa, dando recursos de una forma continua y decidida, monitorizando y analizando metódicamente el entorno, la competencia, los nuevos desarrollos… La innovación debe ser alimentada cuidadosamente y no es suficiente con la contratación de un director de innovación. A ese director se le debe dar los recursos técnicos y humanos suficientes para que pueda cristalizar en acciones concretas. Scott incide que no es suficiente con acercarse a las startups o con crear o apoyar una incubadora para empresas, se debe saber qué, para qué y qué se espera obtener realizando esas inversiones.

Volviendo al principio del artículo, la innovación también se ha convertido en una arma política y la necesidad de convertir en un “país en innovador” se ha convertido en algo perentorio durante la presente crisis económica. Los responsables públicos han tratado de defender la necesidad de construir el próximo “Silicon Valley” o crear el próximo “MIT” en España. Pero parecen obviar que para que un ecosistema innovador como tal emerja, son necesarias varias variables y no sólo la buena voluntad y una breve inyección económica.

  • Social. El miedo al fracaso tiene una fuerte raigambre en la consciencia colectiva española. El discurso político ha tratado de potenciar la superación de esos estigmas mediante la palabra “emprendimiento” y la necesidad de generación de proyectos empresariales nuevos. Pero sólo con una palabra no es posible superar una idea fijada durante lustros, añadiéndose la falta de una cultura económica lo suficientemente sólida.

  • Cultural. El nacimiento de toda empresa parte de la necesidad de encontrar la demanda con su oferta. Sin embargo, muchas personas que fueron despedidas inician sus propios proyectos sin tener en cuenta el ámbito económico en el que se mueven. Muchos nuevos emprendedores lanzan sus proyectos dentro del sector económico desde el que salieron sin tener presente si la demanda será suficiente o si hay otras empresas que están sustituyéndoles. Un ejemplo es el caso del sector de la marroquinería durante la primera década del siglo XXI que fue diezmado por las importaciones chinas. Nuevas empresas surgieron tras el cierre de las anteriores sin tener presente que el juego había cambiado y que no podrían competir con los menores costes chinos.

  • Económico. El miedo al fracaso no sólo es social sino también económico. No existe una cultura inversora en España y se considera que el inversor español suele tener un perfil conservador. Desde el sector financiero, existen muy pocas Venture Capital en España. Además, los análisis de créditos en el sector financiero está más estandarizado que el estadounidense y se desarrolla en base a criterios distintos.

  • Educativo. La formación de los trabajadores españoles es buena, sin embargo se ha acusado a la universidad de vivir desconectada de la realidad empresarial española. Esto puede estar cambiando por factores indirectos como la reducción de plazas docentes en las universidades, lo que provoca que el talento se tenga que desplazar hacia el sector privado o hacia la creación de nuevos proyectos empresariales. Gracias a ello, están surgiendo nuevas startups desde el ámbito educativo más enfocadas al sector privado y con un modelo de negocio adecuado.