az ÁLLATOSZTÁLYOZÁSI algoritmusok és a Go-playing_agents uralják az AI hype ciklust, de az algoritmusok csak egy részét képezik a teljes adattermék-ökoszisztémának. A legtöbb üzleti környezetben a modellek valóban a legkevesebb hatást fejthetik ki. Nagy támogató ökoszisztémának kell lennie ahhoz, hogy az adatok a szervezet vénáin keresztül áramolhassanak:

  1. a nyers eseményeket és tranzakciókat össze kell gyűjteni, tárolni és kiszolgálni
  2. az adatokat fel kell dolgozni, fel kell fedezni és meg kell osztani a megfelelő csapatokkal.
  3. a modelleket meg kell építeni, telepíteni és ellenőrizni kell a gyártás során.

és ezeknek a vállalkozásoknak konkrét üzleti eredményeket kell produkálniuk. Hogyan kell egy szervezetnek rangsorolnia a lehetséges irányok ezrei között?

az Insight-nál, ahol több ezer munkatársunknak segítettünk átállni az adatipar különböző szerepeire, látjuk, hogy növekszik az iparági kereslet a termékmenedzserek iránt, akik képesek kezelni ezeket a prioritási és koordinációs kihívásokat az adatcsapatok között. A cikk célja, hogy elmagyarázza, hogyan néz ki a termékmenedzsment az adattérben, és miért fontos.

Miért Az Adatok Termékmenedzsment?

a formális PMs nélküli kis adatcsapatokban a szabványos termékfeladatokat, mint például a lehetőségek felmérése, az ütemterv és az érdekelt felek kezelése, valószínűleg a műszaki vezetők és az egyéni közreműködők (IC-k) végzik. Ez sok okból nem méretezhető jól, a négy fő:

  1. a Termékmunka végül az IC összes idejét elszámolja.
  2. nem minden IC jól felszerelt vagy hajlandó kezelni a termékmunkát.
  3. az üzleti egységek és a műszaki csapatok közötti különbségek egyre szélesednek.
  4. az egyes technikai csapatok közötti különbségek szélesednek.

ezen az inflexiós ponton két lehetséges válasz létezik. Az első megközelítés az, hogy a munkát olyan projektekre bontják, amelyek elég önállóak ahhoz, hogy egyetlen IC vagy kis technikai csapat végponttól végpontig kezelje, csökkentve bizonyos típusú központi koordinátorok szükségességét.

a második megközelítés egy hivatalos termékmenedzsment org létrehozása, amely felelős az igazság forrásának ütemterveinek fenntartásáért és a különböző csapatok és IC-k koordinálásáért. Ez különösen gyakori az erősen keresztfunkcionális termékek, például az e-kereskedelem és az On-demand szolgáltatások esetében.

ha lehetséges, hogy egyetlen IC módosítsa a terméket, azonnal objektív visszajelzést kapjon a teljesítményéről, és a legrosszabb esetekben nagyobb következmények nélkül visszaállíthatja, akkor az első megközelítés rendkívül hatékony. Bár ez egy ingyenes közösségi hálózati termék esetében működhet, potenciálisan katasztrofális lehet egy fizetett és működésigényes termék, például az igény szerinti szolgáltatások esetében. A legtöbb méretű vállalat végül a termékszervezés második megközelítésével jár.

az adatok állapota termékmenedzsment szerepek

az adatforradalom kezdeti napjaiban az ortogonális adatkészségek, mint például a szoftverfejlesztés, a statisztika és a modellezés, az Adattudomány ugyanazon ernyője alá kerültek. Ezek a készségek gyorsan formalizálódnak külön szerepekre, például adatmérnökökre, adatkutatókra, kutatókra és ML-mérnökökre.

a termékmenedzsmenten belül hasonló tendencia alakul ki. Mint technikai társaik, látjuk, hogy az Adatpm-ek széles ernyője tovább oszlik alterületekre: infrastruktúra, analitika, alkalmazott ML / AI, felfedezés és szabványosítás, valamint platform. Ezek nem feltétlenül hivatalos adatok PM címek abban a pillanatban. Inkább az adattermék munkájának viszonylag különálló területeit tükrözik.

bár minden adatfelhasználási eset kissé eltérő típusú műszaki és domain megértést igényel, amelyet alább érintünk, fontos hangsúlyozni, hogy az Általános termékmenedzsment készségek továbbra is a siker legfontosabb mozgatórugói. Az adatszolgáltatók napi tevékenységének 90%-a továbbra is a priorizálás, a kommunikáció, az érdekelt felek kezelése, a tervezés és a specifikációk.

infrastruktúra

méretarányosan az egyes termékcsoportok eltérő felhasználási esetekkel és adatigényekkel rendelkeznek. Ezeknek a csapatoknak a természetes tendenciája a saját adatinfrastruktúrájuk kiépítése a gyors indulás érdekében. Ez a tendencia duplikált munkához, adatsilókhoz vezet, és végül a csapatok hasonló adatskálázhatósági problémákba ütköznek.

az infrastruktúra-PM végső eredménye egy közös adatinfrastruktúra, amely hatékonyan gyűjti, tárolja és feldolgozza a releváns adatokat, hogy lehetővé tegye a használati eseteket. Ez a közös infrastruktúra segíti a csapatokat abban, hogy a nyers adatok gyűjtése és tárolása helyett a felhasználásra összpontosítsanak.

infrastruktúra a PMs fő fő teljesítménymutatói az adatok rendelkezésre állása, skálázhatósága és megbízhatósága. Jól ismerik az adattechnológiai technológiákat, mint például az adatok lenyelése, a kötegelt és valós idejű feldolgozás, a fájlrendszer és a kézbesítés.

analitika

a modern munkahelyi döntéseket egyre inkább az adatok tájékoztatják. Az elemzésnek a döntések széles skáláját kell támogatnia, a stratégiától a termékig és az op-ig, mind offline, mind valós időben. Míg az infrastrukturális PMs biztosítja, hogy a lekérdezések hatékonyan futtathatók legyenek a hatalmas adatkészleteken (a hogyan), az analytics PMs arra összpontosít, hogy az ilyen nyers adatokat hogyan lehet cselekvésre alkalmas betekintéssé alakítani a döntéshozók, például az execs, a PMs és az ops csapat számára. Más esetekben az analitikai PMs is aktívan részt vesz a kulcsfontosságú teljesítménymutatók meghatározásában és az adatok feltárásában az üzleti döntések ajánlása érdekében.

a termékfejlesztés keretében az analitikai részleg felelős az önkiszolgáló analitika, a testreszabott irányítópultok és a jelentéskészítő eszközök keverékének létrehozásáért, hogy segítse a felszínt és az információk megosztását a szervezeten belül. Érdekelt feleik sokfélék, a hozzáértő adattudósoktól a csak olvasható fogyasztókig, mint például a végrehajtók.

az általuk vizsgált KPI-k valószínűleg a futtatott lekérdezések száma, a generált jelentések stb. ami azt jelzi, hogy az adatfelhasználók könnyedén kinyerhetik a szükséges betekintést a nyers adatokból.

alkalmazott ML / AI

bizonyos termékek és funkciók, például Keresés, ajánlás, csalás észlelése stb. természetesen ML / AI megoldásoknak adhatók ki. Alkalmazott ML PMs gondoljon arra, hogyan lehet az adatokat felhasználni egy meglévő termék fejlesztésére (pl. csevegési naplók elemzése az ügyfélszolgálati útválasztás automatizálásához), vagy hogyan lehet teljesen új élményt tervezni a fejlett AI használatával (pl. szűrők fotómegosztó alkalmazásokhoz). Végül mindannyian azon dolgoznak, hogy közvetlenül javítsák a felhasználó felé néző szolgáltatás kulcsfontosságú mutatóit.

az ezeken a funkciókon dolgozó PMs-ek, bár nem mindig Data PM-nek nevezik őket, általában jól ismerik az adattudományi munkafolyamatot és a mögöttes gépi tanulási modelleket. Erős intuícióval rendelkeznek az ML erejének kihasználásáról, miközben korlátai köré tervezik, hogy kiváló felhasználói élményt nyújtsanak a szabályalapú megközelítésekhez képest.

platformok

a vállalat méretének növekedésével egyre nyilvánvalóbbá válik a szabványosított keretrendszerek iránti igény, különösen a kísérletezés és a gépi tanulás területén. A két munkafolyamat Felhasználási esetei gyakran nagyon szorosan integrálódnak a termék természetéhez, így kevés nyílt forráskódú megoldás képes valóban kielégíteni mindenki igényeit.

ezért a nagyvállalatok egyéni adatcsapatai saját egyszeri rendszerekkel kezdték a munkát, ami duplikált munkavégzéshez és lassabb piacra jutási időhöz vezetett. A Google, a Facebook és az Uber kedvelői tehát platformba kezdtek: közös keretrendszerek, amelyek segítenek csökkenteni az olyan közös feladatokra fordított erőfeszítéseket, mint a szerszámozás, a telepítés és a nyomon követés.

ezeknek a platformoknak az a célja, hogy elvonja az adatok kezelésének, telepítésének és az eredmények figyelemmel kísérésének szükségességét, felszabadítva az adatcsapatokat, hogy inkább a modellek és a kísérletek körüli iterációra összpontosítsanak. Emellett elősegítik az újrafelhasználhatóságot azáltal, hogy a közös adatokat és funkciókat a platform minden felhasználója számára hozzáférhetővé teszik.

Platform a PMs azzal kezdődik, hogy bebizonyítja, hogyan lehet hasznos a platform, és meggyőzi a korai alkalmazókat, hogy próbálják ki. Miután a platform elérte az inflexiós pontot, a szerep eltolódik a magas ROI közös nevezők azonosítására, amelyeket be kell építeni a platformba. Megvizsgálják a KPI-ket, például a platformon futó modelleket vagy kísérleteket, az átlagos piacra jutási időt stb.

szabványosítás és felfedezés

a szabványosítás és felfedezés újabb problémát jelent a növekvő adatcsapatok számára. Ahogy egy vállalat növekszik, az egyes csapatok és emberek által létrehozott adatok mennyisége is exponenciálisan növekszik. Ez a gyors adatkimenet olyan problémát okoz, ahol nincs központi hely a szervezetben létező összes adat megtekintésére.

a metaadatok dokumentálására, központosítására és megjelenítésére szolgáló struktúra nélkül az adatforrások intézményi ismerete az adattulajdonosokra korlátozódik. Nem világos, hogy az adatok valójában mit jelentenek, honnan származnak, mennyire megbízhatóak stb. Továbbá az adatforrások ezen szempontjainak ismerete eltűnik, amikor az adatokat leginkább ismerő alkalmazottak elhagyják a csapatot. Egy másik gyakori probléma az, hogy az ugyanazokat az adatokat használó csapatok gyakran eltérően határozzák meg a hasonló hangzású mutatókat. Például egy csapat az utolsó 7 napot az utolsó 7 teljes napként határozhatja meg, míg egy másik csapat az utolsó 168 Órát határozhatja meg.

a data standardization and discovery PM felelős annak biztosításáért, hogy az egész szervezet tudomást szerezzen a létező adatokról, és azokat következetesen meghatározott módon használja fel. Ennek az erőfeszítésnek a közös termékmegjelenítése egy adatkatalógus vagy adatportál, amely megkönnyíti az adatok / irányítópultok / mutatók felfedezését és meghatározását, valamint azonosítja az adattulajdonosokat, akikkel további beszélgetések céljából kapcsolatba lehet lépni. A dataportal fejlettebb verziója a számított mutatókat is könnyen hozzáférhetővé teszi és beépíti a különböző felhasználási esetekbe (modellezés, elemzés).

záró szavak

az adattermék-kezelési környezet még mindig fejlődik, és ez korántsem teljes körű áttekintés az iparban rendelkezésre álló adattermék-szerepekről. A vállalat színpadától és szervezeti felépítésétől függően a Data PM szerepe e különböző felelősségek keveréke lehet. Az analitika az infrastruktúra része lehet, A szabványosítás és a felfedezés pedig a Platform része lehet. Alkalmazott ML PM-ként előfordulhat, hogy erőforrásokat különít el a modell előállításához szükséges infrastruktúra és telepítési környezet kiépítéséhez.

végső soron ezek a szerepek egy értékes adat-alapú felhasználói élmény kidolgozásához és minden olyan akadály elhárításához vezetnek, amely megakadályozza a csapatot abban, hogy ezt az értéket biztosítsa.

Vélemény, hozzászólás?

Az e-mail-címet nem tesszük közzé.

lg