Менеджер по продукту в области науки о данных
Роль, названная в названии, была представлена на одном из собраний выпускников Тепперской школы бизнеса Amazon - Carnegie Mellon. Это особенно заставило задуматься, поскольку мы обычно говорим о том, как менеджеры по продукту (PM) должны рассматривать себя в качестве мини-генеральных директоров своего продукта.
Лично я до сегодняшнего дня не отклонялся от того, что мне нравится больше всего, что было красноречиво сформулировано Сачином Рехи как движущей силой четырех столпов видения, стратегии, дизайна и исполнения. Эти определения определенно применимы и сегодня, но суть, к которой я хотел обратиться, на самом деле заключалась в том, как способ мышления в области науки о данных может служить прочной основой для этих столпов. Эти четыре столпа будут постоянной темой в этой статье.
Так что же такое наука о данных?
Любезно предоставлено профессором Докьюном Ли, который преподает в моем классе интеллектуального анализа данных, был определен как междисциплинарная наука по (автоматическому) обнаружению закономерностей и извлечению информации из наборов данных по разным причинам, таким как улучшение пользовательского опыта, бизнеса и т. Д. + Причинный вывод, основанный на знание предметной области и сочетает в себе: искусственный интеллект, машинное обучение, статистику и эконометрику.
(Некоторые из этих алгоритмов обучения, охватываемых классом, о котором многие из вас уже знают, включают: деревья решений, машину опорных векторов (SVM), логистическую регрессию и kNN, которые особенно полезны для классификации и регрессионного анализа.)
Комбинация этих алгоритмов обучения может изменить наше представление об уровне сложности использования данных в организациях. Как сотрудники, мы обладаем контекстными знаниями, но обычно не разбираемся в технических тонкостях, позволяющих объединить их. Я хотел бы верить, что официальное введение в это помогает снизить барьеры и показать большую признательность за науку, которая есть искусство.
Наука о данных x Управление продуктами
Возвращаясь к размышлениям о том, как эти методы могут `` повысить '' способность менеджеров по менеджменту использовать эти инструменты в науке о данных для расширения возможностей принятия решений и создания влияния, способность думать о вещах таким ориентированным на данные образом может укрепить наше доверие как менеджер по продукту.
В моей предыдущей роли менеджера по менеджменту ориентация на данные часто означала; целенаправленно использовать Google Analytics, чтобы увидеть, как пользователи взаимодействуют с приложениями, или просматривать отчеты MIS от команды бизнес-аналитики с заранее определенными метриками, такими как цифры проникновения на рынок, количество клиентов и комбинация веб-инструментов, к которым у меня не было прямого доступа, которые были играет важную роль в принятии повседневных решений. С точки зрения стратегии, эти цифры дали нам прямую обратную связь о моделях использования нашими клиентами для принятия краткосрочных решений, повлияли на наши решения о выпуске ежеквартальных выпусков и установили годовые KPI.
В этом подходе не было ничего плохого, но эти массивы данных могут содержать ключ к гораздо большему пониманию наших клиентов. Процитирую Генри Форда; «Если бы мы спросили клиентов, чего они хотят, они бы захотели более быструю лошадь». В сегодняшнем программном обеспечении с интенсивным использованием данных, где мир искусственного интеллекта и машинного обучения уже открыт, доступ к большим неструктурированным данным может помочь нам узнать и понять о наших клиентах больше, чем они знали о себе. В качестве алгоритмического примера можно использовать деревья решений для методологической классификации клиентов при разработке плана реализации с наивысшими показателями получения информации.
Другой пример из реальной жизни - «предлагаемые ответы в Gmail», которые напрямую переводят преимущества понимания макроданных на удобство клиента. Знание клиентов на этом уровне помогает менеджерам проектов предвидеть будущее чата и обмена сообщениями. Даже если бы это было озвучено другими способами, эти идеи подпитывают видение, которое мы строим в отношении нашего продукта в долгосрочной перспективе.
Что касается стратегии, опросы о выходе из системы были бы прекрасной областью для применения интеллектуального анализа текста для анализа настроений, который в конечном итоге поможет направить процесс определения приоритетов отставания по продукту при анализе отзывов клиентов в рамках структурированного подхода. Если бы я узнал об этом раньше, это полностью изменило бы то, как моя команда в моей предыдущей организации проводила анализ настроений клиентов. Мы могли проводить только краткосрочные кампании, поскольку у нас были ограничения на анализ данных. По общему признанию, этого было недостаточно - просто заставить некоторых из нас внимательно следить за данными в поисках вещей, которые обычно возникают. Это привело бы к потере ценной информации, полученной через неструктурированную обратную связь в текстовой форме.
Мы также можем стремиться выполнять простые упражнения по кластеризации, используя анализ kNN, чтобы определять значимые личности пользователей в процессе проектирования. Имея правильные механизмы отслеживания, мы теперь можем лучше понимать шаблоны использования, чтобы давать обратную связь команде дизайнеров и создавать еще более ориентированные на клиента продукты. Я хотел бы услышать лучший пример этого, но эта статья Фабиана Жирардена Дизайн опыта в эпоху машинного обучения повторяет мою точку зрения о том, как наука о данных может расширить вертикали продуктов.
Другие полезные приложения
Приведем другие примеры, банк тогда был далеко впереди и действительно перешел на подножку данных 4 года назад, сосредоточив усилия на платформах бизнес-аналитики. Я действительно видел это в прогнозировании спроса - где использование SAS в прогнозировании для оптимизации спроса на банкоматы было очень эффективным, и результаты говорят сами за себя. Я мог использовать только упрощенные rWMA, так как я не знал о методах более высокого уровня, таких как пошаговая регрессия для отбора более значимых переменных, которые могли бы помочь спрогнозировать более точные линии тренда для спроса на наличные деньги.
При этом все еще существуют ограничения, поскольку важно найти правильное сочетание аналитических методов, доступности данных и сосредоточиться на показателях, которые имеют значение как для продукта, так и для клиента. Кристин Го, опытный руководитель электронной коммерции и управления цифровыми бизнес-программами, с моей предыдущей работы однажды сказала мне, что отслеживание всего - не решение, а правильное отслеживание. Точно так же, чтобы найти этот баланс, потребуется время, поскольку скорость приходит с итерацией, и мы должны практиковать дисциплину, зная, где провести эту линию.
Вспоминая свой предыдущий опыт работы, я бы никогда не подумал, что приход в бизнес-школу изменил бы то, как я поступал бы по-другому с моими новыми знаниями. И наоборот, я на самом деле проявляю большую признательность за навыки, которые я получил в бизнес-школе, ориентированной на количественные показатели, и с нетерпением жду возможности увидеть, как далеко я смогу применить эти навыки в моей будущей организации, основанной на данных.
Пожалуйста, дайте мне знать, есть ли другие значимые примеры, если вы встретите один, и я буду рад обсудить их с вами.
Другие статьи, которые могут вам понравиться
Уроки, извлеченные из банковского дела для улучшения взаимодействия с пользователем
Преодолевая барьеры, создавая петлю
О Дженсене Локе
Дженсен Локе является соучредителем soCash, сервиса по запросу за наличные, базирующегося в Сингапуре, в настоящее время он получает степень магистра делового администрирования в Университете Карнеги-Меллона в США, а этим летом пройдет стажировку в Amazon. До этого он четыре года занимался банковским делом, совершенствованием операций, прогнозированием спроса и был менеджером по продукту в DBS Bank, крупнейшем банке в Юго-Восточной Азии. Он увлечен управлением продуктами в сфере технологий. Следите за Дженсеном Локом, @jensenloke в твиттере или linkedin.
