Обучение на основе машинного обучения
Ценность данных возрастает, когда они могут быть преобразованы из того, что произошло, в почему и, в конечном счете, в предсказание того, что произойдет. В эпоху искусственного интеллекта мы часто смотрим на то, как машины могут принимать решения, подобные человеческим, представленные сложным интеллектом. Но что, если мы перевернем это? Могу ли я стать лучшим лидером, обрабатывая информацию так же, как мы используем машины для преобразования и обработки данных? В качестве примера давайте рассмотрим параллели преобразования данных с управлением продуктами.
Количество шагов, необходимых для преобразования данных, сильно зависит от проблемы, которую вы пытаетесь решить, но может быть объединено в пять шагов, указанных ниже.
Шаг 1: Определите проблему
Настоящая многозадачность, состоящая из сложных задач, — это миф. Изучая первый шаг преобразования данных, мы можем сосредоточиться на самом важном вопросе, на который нужно ответить, и избавиться от отвлекающих факторов. Это начинается с правильных вопросов. Это типы вопросов, которые не только приводят к пониманию результатов ваших клиентов (например, на что вы надеетесь?), но также вызывают (например, почему вы делаете это сейчас?), привычки (например, что вы готовы сделать? сдаться?) и указать (например, каковы ваши главные проблемы?).
Шаг 2. Соберите и подготовьте данные
Именно здесь мы фокусируемся на качестве данных, удаляя дубликаты, нормализуя, заполняя недостающие данные, удаляя выбросы и т. д. Применение этого к управлению продуктом включает в себя приобретение необходимых инструментов или знаний. Развитие клиентов, исследование рынка, конкурентный анализ, определение JTBD (Jobs-To-Be-Done) — все это примеры столпов, необходимых для построения надежного плана.
Распространенной проблемой на этом этапе преобразования данных является распознавание отсутствующих или недостаточных данных (слишком низкий уровень сигнала), на основе которых можно принять решение. Иногда вам приходится возвращаться и анализировать новые сигналы и ждать, пока данные станут доступны. Точно так же на этапе развития клиентов убедитесь, что вы подключаетесь к разнообразному пулу клиентов и устраняете предвзятость.
Шаг 3: Моделирование данных
Понимание и построение отношений с помощью данных является ключом к их ценности и известно как моделирование данных. Это может быть концептуальное, логическое или физическое. Он используется для передачи схемы данных как заинтересованным сторонам, так и машинам путем определения согласованных измерений, фактов и отношений. Для меня PRD (документ с требованиями к продукту) является эквивалентом этого, поскольку он определяет и сообщает о продукте, который вы создадите. Хорошо написанный PRD связывает цели продукта с пользователями, потребностями и функциями. Начав с истории вашего клиента и FPR (Future Press Release), вы получите сравнимый уровень внимания к вашему продукту, как модель данных к интеллектуальному анализу данных.
Шаг 4: Алгоритмы, обучение и развертывание
Алгоритмы глубокого обучения могут применяться для классификации или кластеризации данных. Если входные данные помечены, можно использовать модель классификации или, в качестве альтернативы, можно применить регрессию для прогнозирования вероятности. Баланс между доступностью наборов данных и достижением требуемой точности является сложной задачей и требует нескольких итераций.
После завершения разработки PRD и создания рабочей структуры можно начинать разработку. Одна из самых больших проблем на этом этапе — найти баланс между инновациями и исполнением продукта. Как мы продолжаем искать новые тенденции и идеи по мере того, как команда инженеров добивается результатов? Хотя изменения могут быть разрушительными, слишком долгое ожидание без обратной связи с клиентами может иметь катастрофические последствия и привести к созданию продуктов, ориентированных на внутреннюю работу.
Шаг 5: Оцените
Наконец, оценка результатов имеет решающее значение, так как легко впасть в менталитет достижения результатов, а не достижения результатов. Успех не может быть таким же недальновидным, как развертывание продукта или модели данных. Результаты напоминают мне контрольные списки, но результаты возвращают нас к началу нашего пути к реальному результату.
Но что происходит, когда процесс терпит неудачу? Я не буду говорить, что не существует золотого пути ни к управлению продуктом, ни к науке о данных, гарантирующих успех. Мы склонны цепляться за процессы и лучшие практики, когда все становится хаотично. Но после многолетнего опыта я понял по-другому. Когда наступает хаос, вместо того, чтобы цепляться за то, как вы или ваша команда что-то сделали, может быть лучше выйти за пределы собственного опыта и процессов, чтобы получить новые перспективы.
