С таким большим ажиотажем вокруг машинного обучения и искусственного интеллекта для менеджеров очевидно, что алгоритмы машинного обучения и искусственного интеллекта решат все. Мы всегда думаем обо всех крутых вещах, которые ML может сделать для нас, но, поглощенные этим заблуждением, мы забываем задать себе важный вопрос: "И что?"
Так что, если вы можете сказать мне, станет ли фильм блокбастером, основываясь на его персонажах, сценарии, сюжете, саундтреке, дате выхода и т. д. после того, как он будет снят? Деньги уже потрачены. Информация об успехе фильма сейчас не имеет никакой ценности. То, что что-то крутое, не делает его полезным, и менеджеры по продукту должны придерживаться второй стороны.
Как владельцы продукта, мы должны стремиться именно к этому. Всегда спрашивайте себя, может ли информация из алгоритма прогнозирования/классификации дать вам какое-то преимущество. И, как описывает это Портер, преимущество должно напрямую влиять на ваши прибыли и убытки. Это должно либо увеличить ваш доход (готовность платить), либо уменьшить ваши расходы.
Основываясь на вышеизложенном, попробуем расшифровать роль менеджеров в разработке «полезных» информационных продуктов:
a) Задайте правильный вопрос. Допустим, LinkedIn создает алгоритм, который может предсказать, кто получит новую работу в течение следующего месяца, исходя из его/ее профиля и частоты использования. Вы считаете, что это ценно? Это полезно знать, но как именно эти знания могут быть полезны для LinkedIn PnL.
Вот почему важно задать правильный вопрос. В этом случае правильным вопросом мог бы быть: какие особенности профиля с большей вероятностью привлекут рекрутеров? LinkedIn может использовать эту информацию и предоставлять ее своим премиум-пользователям, помогая улучшить их опыт и, следовательно, доход.
Задавание неправильных вопросов также может привести к пустой трате времени и ресурсов вашей инженерной команды. Ваши заинтересованные стороны могут разочароваться, что является уголовным преступлением для менеджера по продукту.
Так как же задать правильный вопрос?
Просто: не думайте о том, что может сделать алгоритм, и начните думать о том, чего вы хотите. По моему опыту, в большинстве случаев ваш анализ не требует вмешательства машинного обучения. Но даже если это так, библиотеки алгоритмов настолько просты в развертывании, что думать о развертывании с самого начала не стоит.
Подумайте о своей проблеме только с точки зрения бизнеса. «Автоматизация приходит после решения»
Например, когда Walmart начал использовать данные для оптимизации позиций товаров в своих розничных магазинах. Возникла бы проблема: как увеличить количество покупателей? а нет, откуда мы знаем, какие товары люди обычно покупают вместе?
Хотя ответ на последний вопрос может решить первый вопрос, вы не можете начать с него.
Теперь, допустим, мы задаем правильные вопросы, можем ли мы теперь просто передать это нашим гениальным инженерам? Нет!
Хотя вы должны участвовать во всем процессе построения модели, есть еще один этап, на котором важна роль менеджера по продукту.
b) Выберите правильные данные. Никто не должен знать ваших клиентов лучше, чем вы. Если это не так, вам нужно начать уделять этому больше времени. Но в хорошем случае у вас будет четкое представление о вашей клиентской базе, их стремлениях, предубеждениях, шаблонах и т. д. Следовательно, вы лучший человек, чтобы выбрать правильный набор образцов для анализа.
например, если вы знаете, что клиенты не будут проводить время на вашем веб-сайте во время игры NFL, вы можете выбрать демонстрационное пространство, которое эффективно удаляет или обрабатывает эти данные, чтобы удалить эту характеристику выброса. Специалисту по данным действительно сложно понять такие поведенческие модели на основе данных, и это может привести к ненадежным результатам.
Мы знаем, что в большинстве случаев неверные данные приведут к неверным результатам, что может привести к серьезным задержкам в доставке продукции. Назначить менеджера по продукту, ответственного за определение выборочного набора данных, — это лучшая ставка, которую компании могут сделать при создании продуктов данных.
После определения данных: существует несколько шагов, таких как предварительная обработка, обучение модели, проверка и производство. Хотя все эти шаги требуют участия со стороны менеджера по продукту, они все же не могут превзойти объем вмешательства, требуемый на двух шагах, упомянутых выше.
В следующем блоге представлено краткое изложение нескольких ключевых понятий, которые я усвоил, посещая курс по разработке продуктов на основе данных г-на Лутца Фингера. Он опытный автор и в настоящее время работает менеджером по продукту в Google.
