eläinten luokittelualgoritmit ja Go-playing_agentit hallitsevat tekoälyn hype-sykliä, mutta algoritmit ovat vain yksi osa koko datatuotteen ekosysteemiä. Useimmissa liiketoimintaympäristöissä mallit saattavat itse asiassa selittää vähiten vaikutusta. Suuren tukiekosysteemin on oltava olemassa, jotta tieto virtaa organisaatiosi suonissa:

  1. Raakatapahtumat ja-tapahtumat on kerättävä, tallennettava ja tarjottava
  2. tiedot on käsiteltävä, löydettävä ja jaettava asiaankuuluvien ryhmien kanssa.
  3. mallit on rakennettava, otettava käyttöön ja valvottava tuotannossa.

ja kaikkien näiden yritysten on tuotettava konkreettisia liiketuloksia. Miten organisaation pitäisi priorisoida tuhansien mahdollisten suuntien joukossa?

Insightissa, jossa olemme auttaneet tuhansia stipendiaatteja siirtymään eri tehtäviin datateollisuudessa, näemme toimialalla kasvavan kysynnän tuotepäälliköille, jotka pystyvät vastaamaan näihin priorisointi-ja koordinointihaasteisiin datatiimien keskuudessa. Tässä artikkelissa pyritään selittämään, miltä tuotehallinta näyttää tietoavaruudessa ja miksi se on tärkeää.

Miksi Tietojen Tuotehallinta?

pienissä tietoryhmissä, joilla ei ole virallista PMs: ää, standardituotevelvollisuudet, kuten mahdollisuuksien arviointi, tiekartoitus ja sidosryhmien hallinta, ovat todennäköisesti teknisten johtajien ja yksittäisten osallistujien (ICs) vastuulla. Tämä ei skaalaa hyvin monista syistä, neljä tärkeintä ovat:

  1. Tuotetyö päätyy tilittämään kaiken IC: n ajan.
  2. kaikki ICs: t eivät ole hyvin varustettuja tai halukkaita hoitamaan tuotetyötä mittakaavalla.
  3. liiketoimintayksiköiden ja teknisten tiimien väliset erot kasvavat.
  4. yksittäisten teknisten tiimien väliset erot kasvavat.

tässä käännekohdassa on kaksi mahdollista vastetta. Ensimmäinen lähestymistapa on jakaa työ hankkeisiin, jotka ovat riittävän itsenäisiä yhden IC: n tai pienen teknisen ryhmän hoidettavaksi päästä päähän, mikä vähentää tarvetta jonkinlaisille keskuskoordinaattoreille.

toinen lähestymistapa on luoda muodollinen tuotehallintaorganisaatio, jonka tehtävänä on ylläpitää totuuden lähde-etenemissuunnitelmia ja koordinoida toteutettavia eri tiimejä ja ICs: iä. Tämä on erityisen yleistä erittäin rajat ylittävissä tuotteissa, kuten verkkokaupassa ja tilauspalveluissa.

jos yhdellä IC: llä on mahdollista säätää tuotetta, saada välittömästi objektiivista palautetta siitä, miten tuote toimii, ja kelata takaisin pahimmassa tapauksessa ilman suuria seuraamuksia, ensimmäinen lähestymistapa on erittäin tehokas. Vaikka tämä saattaa toimia ilmainen sosiaalinen verkosto tuote, se on mahdollisesti katastrofaalinen maksettu ja toiminta-raskas tuote, kuten on-demand palvelut. Useimmat yritykset mittakaavassa lopulta mennä toisen lähestymistavan ottaa tuoteorganisaatio.

Datatuotejohtamisen tila

tietovallankumouksen alkuaikoina ortogonaaliset tietotaidot kuten ohjelmistotekniikka, tilastotiede ja mallinnus rullattiin saman datatieteen sateenvarjon alle. Nämä taidot virallistetaan nopeasti erillisiin rooleihin, kuten datainsinööreiksi, datatutkijoiksi, tutkijoiksi ja ML-insinööreiksi.

tuotehallinnassa samansuuntainen suuntaus on muotoutumassa. Kuten tekniset kollegansa, myös me näemme, että tietojen laaja kattoalue jaetaan edelleen osa-alueisiin.: infrastruktuuri, analytiikka, sovellettu ML / AI, discovery ja standardointi, ja Alustan. Nämä eivät välttämättä ole muodollisia Datamomentteja juuri tällä hetkellä. Pikemminkin ne heijastavat suhteellisen erillisiä alueita data product työtä.

vaikka jokainen datankäyttötapaus edellyttää hieman erilaista teknistä ja toimialakohtaista ymmärtämistä, jota käsittelemme jäljempänä, on tärkeää korostaa, että generalistiset tuotehallintataidot ovat edelleen tärkeimmät menestyksen ajurit. 90% siitä, mitä DATAPÄÄMINISTERI tekee päivittäin, on edelleen priorisointia, viestintää, sidosryhmien johtamista, suunnittelua ja speksejä.

infrastruktuuri

mittakaavassa yksittäisillä tuoteryhmillä on erilaisia käyttötapauksia ja tietovaatimuksia. Näiden ryhmien luonnollinen taipumus on rakentaa omia tietoinfrastruktuurejaan päästäkseen nopeasti alkuun. Tämä taipumus johtaa päällekkäistä työtä, data siilot, ja lopulta joukkueet törmäävät samanlaisia tietojen skaalautuvuus kysymyksiä.

infrastruktuurin hiukkaspäästöjen perimmäinen aikaansaannos on yhteinen tietoinfrastruktuuri, joka kerää, tallentaa ja käsittelee asiaankuuluvia tietoja tehokkaasti, jotta käyttökatkotapaukset ovat mahdollisia. Tämä yhteinen infrastruktuuri auttaa tiimejä keskittymään hyödyntämiseen raakadatan keräämisen ja tallentamisen sijaan.

Infrastructure PMs: n tärkeimmät suoritusindikaattorit ovat tietojen saatavuus, skaalautuvuus ja luotettavuus. He ovat hyvin perehtyneitä tietoteknisiin teknologioihin, kuten tietojen nielemiseen, eräajo-ja reaaliaikaiseen käsittelyyn, tiedostojärjestelmään ja toimitukseen.

analytiikka

nykyisillä työpaikoilla päätöksiä informoidaan yhä enemmän datasta. Analytiikan on tuettava monenlaisia päätöksiä strategiasta tuotteeseen ja opsiin sekä offline-tilassa että reaaliajassa. Vaikka infrastruktuuri PMs varmistaa, että kyselyt voidaan suorittaa tehokkaasti massiivisilla tietokokonaisuuksilla (the how), analytiikka PMS keskittyy siihen, miten tällaiset raa ’ at tiedot voidaan muuttaa toimiviksi oivalluksiksi päätöksentekijöille, kuten execs, PMs ja ops team. Muissa tapauksissa analytiikka PMs on myös aktiivisesti mukana määrittelemässä keskeisiä tulosindikaattoreita ja suorittamassa tiedonetsintää, joka auttaa suosittelemaan liiketoimintapäätöksiä.

tuoterakentamisen yhteydessä analytiikkapäällikön tehtävänä on luoda sekoitus itsepalveluanalytiikkaa, räätälöityjä näyttötauluja ja raportointityökaluja, jotka auttavat organisaation pinnalla ja tiedon jakamisessa. Niiden sidosryhmät ovat erilaisia, taju data tutkijat lukea vain kuluttajille kuten execs.

KPI: t, joita he tarkastelevat, ovat todennäköisesti suoritettujen kyselyjen määrä, luotujen raporttien määrä jne. jotka osoittavat, että tietojen käyttäjien on helppo poimia tarvitsemansa tiedot raakadatasta.

Applied ML / AI

tietyt tuotteet ja ominaisuudet, kuten haku, suositus, petosten havaitseminen jne. sopivat luontaisesti ML / AI-liuoksille. Applied ML PMs mieti, miten tietoja voidaan hyödyntää olemassa olevan tuotteen parantamiseksi (esim.analysoida keskustelulokeja asiakaspalvelun reitityksen automatisoimiseksi) tai miten suunnitella kokonaan uusi kokemus kehittyneen tekoälyn avulla (esim. kuvanjakosovellusten suodattimet). Viime kädessä ne kaikki työskentelevät suoraan parantaa keskeisiä mittareita käyttäjän päin ominaisuus.

PMs työskentelee näiden ominaisuuksien parissa, joskaan ei aina nimeltään Data PM, mutta heillä on yleensä vahva ymmärrys datatieteen työnkulusta ja sen taustalla olevista koneoppimismalleista. Heillä on vahva intuitio siitä, että he hyödyntävät ML: n voimaa, kun he suunnittelevat sen rajoitusten ympärille tuottaakseen ylivoimaisen käyttökokemuksen sääntöpohjaisiin lähestymistapoihin verrattuna.

alustat

yrityksen kasvaessa standardoitujen kehysten tarve korostuu erityisesti kokeiluissa ja koneoppimisessa. Näiden kahden työnkulun käyttötapaukset ovat usein hyvin tiiviisti integroituneita itse tuotteen luonteeseen, joten harvat avoimen lähdekoodin ratkaisut voivat todella vastata kaikkien tarpeisiin.

tästä syystä suurten yritysten yksittäiset datatiimit aloittivat omilla kertaluonteisilla järjestelmillään, mikä johti päällekkäiseen työhön ja hitaampaan markkinoillepääsyyn. Google, Facebook ja Uber ovat näin aloittaneet tasohyppelyn: yhteiset puitteet, joiden avulla voidaan vähentää yhteisiin tehtäviin, kuten työkaluihin, käyttöönottoon ja seurantaan, käytettyjä ponnisteluja.

näillä alustoilla pyritään abstraktoimaan pois tarve hallita dataa, ottaa käyttöön ja seurata tuloksia, vapauttaen datatiimit keskittymään sen sijaan iterointiin itse mallien ja kokeilujen ympärille. Ne edistävät myös uudelleenkäytettävyyttä tuomalla yhteiset tiedot ja ominaisuudet kaikkien alustan käyttäjien saataville.

Alustan PMs aloittaa osoittamalla, miten alusta voisi olla hyödyllinen ja vakuuttamalla varhaiset omaksujat kokeilemaan sitä. Kun alusta on saavuttanut taivutuspisteen, rooli siirtyy tunnistamaan korkean ROI yhteiset nimittäjät rakentaa alustaan. He tarkastelevat KPI: itä, kuten alustalla suoritettavia malleja tai kokeiluja, keskimääräistä markkinoille pääsyä jne.

standardointi ja Discovery

standardointi ja löytäminen on jälleen yksi ongelma kasvavien tietoryhmien kanssa. Kun yritys kasvaa, kasvaa myös yksittäisten joukkueiden ja ihmisten luoma datamäärä räjähdysmäisesti. Tämä nopea datan ulostulo luo ongelman, jossa ei ole keskeistä paikkaa nähdä kaikkea tietoa, mitä organisaatiossa on.

ilman rakennetta dokumentoida, keskittää ja näyttää metatietoja, tietolähteiden institutionaalinen tuntemus rajoittuu tiedon omistajiin. Jää epäselväksi, mitä tiedot todellisuudessa tarkoittavat, mistä ne ovat peräisin,kuinka luotettavia ne ovat jne. Lisäksi kaikki tieto näistä tietolähteiden näkökohdista katoaa, kun työntekijät, jotka tuntevat nämä tiedot parhaiten, lähtevät tiimistä. Toinen yleinen ongelma on se, että samaa dataa käyttävät tiimit määrittelevät usein samalta kuulostavat mittarit eri tavalla. Esimerkiksi joukkue voi määritellä viimeisen-7-päivän viimeiseksi 7 täydeksi päiväksi, kun taas toinen joukkue voi määritellä sen viimeiseksi 168 tunniksi.

tiedon standardointi-ja löytöpalvelu PM on vastuussa siitä, että koko organisaatio tulee tietoiseksi olemassa olevasta datasta ja käyttää sitä johdonmukaisesti määritellyllä tavalla. Tämän pyrkimyksen yhteinen tuoteilmaisu on dataluettelo tai Dataportaali, joka helpottaa tietojen / mittaristojen löytämistä ja määrittelyä sekä tunnistaa tietojen omistajat, joihin voidaan ottaa yhteyttä keskusteluja varten. Dataportaalin kehittyneempi versio tekee myös lasketuista mittareista helposti saatavilla olevia ja sisällytettyjä eri käyttötapauksiin (mallinnus, analytiikka).

lopulliset sanat

datan tuotehallintamaisema kehittyy edelleen, eikä tämä ole suinkaan tyhjentävä katsaus teollisuuden tietotuotteiden tehtäviin. Yrityksen vaihe-ja organisaatiorakenteesta riippuen Data PM-rooli voisi olla näiden eri vastuiden yhdistelmä. Analytiikka voi olla osa infrastruktuuria, ja standardointi ja löytäminen saattaa olla osa alustaa. Sovellettuna ML PM: nä saatat joutua luopumaan resursseista rakentaaksesi infrastruktuuria ja käyttöönottoympäristöjä, jotka ovat tarpeen mallisi tuottamiseksi.

loppujen lopuksi nämä tehtävät koostuvat arvokkaan datakäyttökokemuksen luomisesta ja kaikkien niiden esteiden poistamisesta, jotka estävät tiimiä tuottamasta tätä arvoa.

Vastaa

Sähköpostiosoitettasi ei julkaista.

lg