Инструмент диалога и анализа для отдельных команд

Бизман рассказывает то, что Techie кажется бесполезным. Techie отвечает ответами, которые Бизман интерпретирует как возражения, которые никогда не сделают их бизнес, их зарплаты, прибыль.

Эта мини-пародия и ее варианты постоянно повторяются, когда бизнес-ориентированные команды взаимодействуют с техническими командами. Есть люди, обладающие врожденной способностью наводить мосты и занимающие центральное место в жизни каждого, хотя их ценность обычно не признается.

В настоящее время, с модой и шумихой вокруг искусственного интеллекта и машинного обучения, суть не теряет актуальности, напротив: обещания SciFied многих маркетинговых команд - безответственные? - на каждой конференции порождают волшебные ожидания, которые редко заканчиваются чем-то иным, кроме разочарования. … ..И это когда все проигрывают.

В Machinalis мы около десяти лет работали над внедрением решений машинного обучения. И надо сказать: мы часто были главными героями этой шумихи. Сегодня, с небольшими следами и шрамами, мы особенно осторожны с этим взаимодействием - моментом, когда каждый может проявить свои лучшие качества и достичь эффективной науки с реальной бизнес-ценностью… и правилами. По этой причине одним из инструментов, которые мы разработали и используем сейчас, является Модель ценностного предложения машинного обучения. Мы нашли другие инструменты (некоторые недавно), но другие побуждают нас инвестировать в эту тему, мы не нашли их по-настоящему полезными: в основном из-за непрактичности на ранних этапах процесса принятия решения инвестировать в машинное обучение. Эти ранние этапы более чувствительны и порождают потенциальный конфликт между командами, упомянутыми в начале статьи, также на этих этапах мы обнаружили, что на этих этапах мы больше ценим усилия по созданию общих инструментов коммуникации.

Холст, который мы представляем сегодня, - это, по сути, инструмент коммуникации, интерактивный, который мотивирует организацию вопросов и пользу для всех сторон. В лучшем случае это становится инструментом повествования. Независимо от того, являетесь ли вы деловым человеком, который хочет посеять бизнес-идею и интуитивно понимаете, что машинное обучение может повысить ценность, или вы занимаетесь технической стороной и хотите выработать общие определения, полезные для деловых людей и остальной команды, мы надеемся, что это Помогает (длинный) пост: мы делимся кратким описанием каждого поля в схеме.

Ценность машинного обучения

Что и как. Задача под рукой. Какие проблемы мы решаем с помощью машинного обучения? Обычно в машинном обучении прогнозы.

Перед написанием истории важно определить, какой конкретный вклад мы вносим. Это не только определение «проблемы», а скорее фактора или спускового механизма, которые делают это предложение неизбежным. Проблема прогнозирования даты доставки груза может быть объяснена с точки зрения точности и буферов, но триггер выходит за рамки этого и направлен на формирование положительных ожиданий среди пользователей.

Организационные цели

Организация или компания ищет за этой инвестицией. Объективная аннотация зависит от многих факторов: как правило, чем конкретнее и согласованнее они будут с остальными элементами модели, тем лучше.

С технической точки зрения организационные цели представляют собой рабочий горизонт (объем), который позволяет нам проследить от предложения до того, что мобилизует кампанию, будь то экономическая эффективность, рост прибыли или доля рынка. С точки зрения рассказа, цель представляет собой первую точку сопереживания. Мы не начинаем рассказ для «Врачей без границ» со слов «если вы действительно хотите зарабатывать деньги…». И, что важно, благодаря своей функциональности проект машинного обучения может способствовать достижению различных целей, не вступая в конфликт. Цели также становятся контекстуализированными, если машинное обучение решает проблему, которая является ключевой для компании или нет. Или, в худшем случае, если он атакует проблему, которая вступает в конфликт с целью. Например: если машинное обучение используется для обнаружения мошенничества при создании учетных записей для платформы, и в то же время цель платформы состоит в том, чтобы увеличить свою активную базу пользователей, наша история не должна фокусироваться на скорости, с которой достигается цель, а скорее о том, как решение для машинного обучения устраняет риски не достичь его предложенным способом.

Однако отсутствие связи с целями компании на каком-то уровне не делает проект автоматически нежизнеспособным.

Цели продукта

Это пространство, где противостоят многочисленные лидерства и интересы проекта. С точки зрения машинного обучения, это пространство, в котором определяются метрики, один из основных ресурсов технических команд. Это тот момент, когда определения продукта являются точными. По нашему опыту, центральным моментом является то, что о целях говорится технически (например, точность / отзыв), а скорее так, как это понимают все заинтересованные стороны, без необходимости в словаре. В противном случае существует риск того, что придется тратить полчаса на каждой встрече на анализ значений точности и отзыва.

Цели продукта определяют относительную ценность вклада машинного обучения для организации и вклада машинного обучения в рассматриваемый продукт. Например: если в проекте планируется заменить человеческую классификацию видео NSFW на классификацию, основанную на машинном обучении, мы могли бы обеспечить привлекательное сокращение затрат для некоторых заинтересованных сторон. В то же время классификатор может иметь уровень точности, не соответствующий целям продукта, или создавать неприемлемые риски, вызывая конфликт. Связанная история устанавливает связь между целями организации и продукта и ценностным предложением машинного обучения.

Заинтересованные стороны

Субъекты, непосредственно участвующие в использовании и потреблении продукта машинного обучения (обычно внутренние области вашего бизнеса). Конкретные шаги, поведение, ключевые показатели эффективности заинтересованных сторон, на которые повлияет продукт. Каким образом эти шаги представлены в данных, которые заинтересованные стороны используют и генерируют ежедневно. Конкретные взаимодействия и типы заинтересованных сторон, связанных с системой.

Мы должны понимать влияние решения машинного обучения на путь наших заинтересованных сторон. Реализовать решение для модерации комментариев к продуктам в онлайн-каталоге для менеджера сообщества - это не одно и то же, чем для команды юристов, потому что то, что они должны выиграть и проиграть, существенно различается, а вместе с этим и цель решения. В первом случае пропуск модерации может усилить взаимодействие (даже с учетом затрат, связанных, например, с обязательством уплаты небольшого штрафа за нарушение авторских прав). Во втором - серия воздействий на бизнес-цели.

Влияние на конечного пользователя

Некоторые решения машинного обучения передаются конечному пользователю по неосторожности. Остальные - суть взаимодействия. Знание того, как мы влияем на пользователя, является отправной точкой всего предложения и, следовательно, его местоположения на холсте. Другой ключевой момент - это то, как неисправность влияет на пользователя. Даже что-то явно безобидное, например рекомендация, может негативно повлиять на окончательное взаимодействие и, таким образом, повлиять на бизнес-решение.

Четкие углы могут означать большее или меньшее взаимодействие пользователей и, следовательно, соответствующую жизнеспособность. (Что произойдет, если нам нужно, чтобы каждый пользователь давал обратную связь в течение 100 дней подряд, чтобы прогнозная модель заработала? Является ли это разумным сроком с точки зрения UX?)

Ввод данных

Ресурсы, которые вы планируете использовать и обрабатывать с помощью машинного обучения. Возможно, список не ограничен данными и может включать эвристические предварительные просмотры, предварительные просмотры моделей, правила, рассматриваемые как данные и т. Д. В двух словах, если у вас нет технических знаний, это один из аспектов, наряду с целью продукта и Системный вывод, в котором необходимо приложить больше усилий для создания точных определений, чтобы сделать представление идеи технической команде жизнеспособной (и чтобы они давали более быстрые и удобные ответы).

Успешность проекта машинного обучения связана с качеством и доступностью соответствующих данных. Этот фактор должен быть явным, когда рассказываешь историю, иначе мы впадем в волшебную веру в алгоритм, который с небольшими отрывочными данными может обеспечить выдающийся результат. Случалось ли вам быть на конференции, где отдел продаж обещает решения, слишком фантастические для этого мира? Случалось ли, что кто-то возвращался с конференции, вдохновленный командой продаж, чтобы попросить разработать продукт, как если бы вы были Amazon ... без ресурсов Amazon? Здесь мы должны включить предположения в стиле «как мы узнаем историю покупок пользователей за последний год» или «как мы можем обнаружить эмоции на основе изображений с камеры видеонаблюдения». Многие истории ломаются, когда доходит до этого момента и оказывается, что необходимые внутренние данные недоступны или не могут быть сгенерированы. Это хороший момент, чтобы оценить стоимость данных, кто является их владельцем и к какой политике управления относятся.

Системный вывод

Это может быть информация, конкретное число или даже принятие решения: чем ближе к последнему, тем сложнее становится продукт, который нужно создать, но, возможно, от этого можно получить больше пользы. В любом случае чрезвычайно полезно определить формат, в котором будет создаваться вывод, а также механизм и формат для взаимодействия с другими системами, чтобы облегчить анализ и переработку сжатия.

Данные, полученные с помощью решения для машинного обучения, с точки зрения истории, где мы объясняем выгоды, оставляя оценку на усмотрение слушателя. С помощью выходных данных мы завершаем проверку нашего понимания проблемы, с вероятностью того, что она может открыться в каждом случае. Объясняя, что наше решение может определить, является ли анонимный пользователь миллениалом с лояльностью к технологическому бренду, с помощью пары вводных данных, мы позволяем получателю заполнять пробелы не только с точки зрения ценностного предложения, но и с точки зрения потенциала воздействия. в других бизнес-задачах.

Конкурентная среда

Ссылка на характеристики, которые конкуренция имеет по отношению к поставленной задаче, является одним из наиболее важных элементов, которые мы обнаружили на момент определения ценностного предложения. Будь то поиск паритета возможностей вашего продукта или наоборот, дифференциация, главное преимущество заключается в возможности продемонстрировать желаемое направление: дает возможность более точных обсуждений и определений технической жизнеспособности, согласовывается с бизнес-стратегией, предотвращает трения с пользователями и т. д.

Анализ конкурентной среды заключается не только в определении других вариантов нашего решения, но и в том, чтобы узнать, что эти конкуренты уже установили. Некоторые конкуренты могут даже не принадлежать к домену. После Amazon и более позднего внедрения во многих электронных магазинах идея бесплатного возврата стала нормой, которую ожидают покупатели. Если мы рассматриваем возможность наказания, взимания платы или отказа от возврата, мы попадаем в ситуацию конфликта ожиданий, порожденных конкурентами.

Структурные ограничения. Расходы и долги.

Затраты на создание этого продукта: текущие и будущие. Зрелое видение инвестиций в системы или продукты, интенсивно использующие машинное обучение, подразумевает осознанные решения относительно долга, который мы берем на себя для подтверждения ценностного предложения, которое не всегда «видно» в начале продукта, если только энергия не направлена ​​на их выявление (например, «они не имеют культура данных »).

Оценка стоимости разработки решения связана не только со временем написания кода. Некоторые решения могут быть простыми в разработке и дорогостоящими для тестирования. Рассказываемая история должна отражать, какие технические уступки влечет за собой MVP решения, чтобы оправдать ожидания. Если мы считаем, что точка перегиба в истории - это 10 000 транзакций, мы можем основать нашу модель, чтобы не сомневаться, чтобы поддерживать 20 000, которые позже необходимо будет пересчитать (но с проверкой основной гипотезы).

Влияние на бизнес

Влияние на бизнес прямое или косвенное? Организационные цели и цели продукта не всегда прозрачны по отношению к выгоде, которую приносит бизнес. Также те же самые комбинации организационных целей + целей продукта + ценностного предложения могут иметь какое-либо влияние на бизнес: например, увеличение стоимости компании по сравнению с увеличением денежного потока.

Какое влияние окажет наше решение на бизнес? Это экономия или заработок? Можно использовать заглавные буквы? Это витамин, что-то для получения возможности или болеутоляющее, что-то для удовлетворения потребности? Если у нас есть ощутимое влияние (например, прирост конверсии, соответствующий цели дохода), мы можем подтвердить нашу версию о цели компании. Если влияние более расплывчатое и стремится вызвать взаимодействие, мы можем связать историю с положительным влиянием на взаимодействия на пути пользователя.

Рост

Если отвлечься от соображений заинтересованных сторон и влияния на определенные пути пользователя, нет ничего странного в том, что продукт с интенсивным машинным обучением может расширяться и развиваться по направлению к другим заинтересованным сторонам и другим сторонам пути пользователей. Сформулировать в уникальном рассказе связь между текущим ценностным предложением, ожидаемым влиянием на бизнес и возможностями роста, чтобы все участники могли разделять изложенное направление.

Оценка и мониторинг в реальном времени

Унаследовав предыдущие модели, идея этого компонента в Canvas состоит в том, чтобы четко указать, какие факторы мы наблюдаем, чтобы гарантировать работоспособность системы. Нередко можно наблюдать технические факторы, такие как застрявшие модели, повреждение источника данных и нестабильные отношения между обучением и производством (на самом деле у нас есть внутренние инструменты, которыми, я надеюсь, мы в конечном итоге сможем поделиться с сообществом), тем не менее в этом пункте мы намерены немного другой фокус: поделитесь в команде, техническими или нет, какие из компонентов, упомянутых выше, будут факторами, которые необходимо учитывать, чтобы ценностное предложение оставалось согласованной осью внутри холста.

Подразумевает решение о риске, которым вы хотите управлять, находясь в сети.

Если вы попали сюда, поздравляем! Настал момент попробовать это. Заполните как минимум 5 полей (единственное ценностное предложение, не подлежащее обсуждению) и расскажите кому-нибудь «с другой стороны» историю с этими пятью полями. Меня не удивит, если другие сочтут, что вы говорите на их языке, и анализ ценностей течет.

Подробнее откуда это взялось

Эта история публикуется в журнале Noteworthy, куда ежедневно приходят тысячи людей, чтобы узнать о людях и идеях, формирующих наши любимые продукты.

Следите за нашей публикацией, чтобы увидеть больше статей, представленных командой Журнала.