|
|
|
数据产品的生产早在人工智能出现之前就已经开始了。然而,数据产品管理岗位的建立和完善是相对较新的。这是充分发挥数教育培训营销方案据作为核心产品和比较优势的新功能。如今,数据的大规模使用有利于降低成本(如优化数据中心运营管理),增加收入(如电子商务领域的交叉销售和追加销售),促进技术进步(如自动汽车的深度学习功能)。
在人工智能的热潮中,动物分类算法和围棋代理是数据产品管理的两大基石。但该算法只是整个数据产品生态系统的一部分。在大多数业务场景中,算法模型可能只占结果的一小部分。公司要想像水一样自由流动数据,必须有一个庞大的支撑生态系统,并完成三项任务:
最后,这三项任务应该有看得见、摸得着的经营成果。成千上万个方向上,企业应该先做什么,再做什么?
Insight enterprise数据平台帮助数万名员工成功转型数据行业,并找到各种职位。在这个平台上,对项目经理的需求越来越大,他们可以优先考虑和协调数据团队。本文试图描述一个理想的项目经理在一个行业中的形象,并阐明其意义。
如果是一个没有正式项目经理的小型项目团队,那么传统的产品职责,如机会评估、技术路线图和股东管理,基本上都是由技术经理和个人员工来完成的。在一个大团队中,这种分工有很多不足,最重要的是以下四点:
在这个拐点上,企业有两种应对方式。一是将任务分解为若干子项目,确保个别工人或小型技术小组有能力在不涉及其他小组或设立某种形式的总协调员的情况下跟踪整个过程。
第二个解决方案是建立一个正式的产品管理组织,专门负责维护数据源路线图,协调每个团队和单个员工之间的任务执行。这种解决方案对于具有高度跨功能特性(如电子商务和按需服务)的产品尤其常见。
为了充分发挥第一方案的威力,单个员工必须能够调整产品,快速获得客观的操作反馈,在最坏的情况下完成无重大变化的回滚。这种解决方案可能适用于免费的社交网络产品,但基本上对付费和重型产品(如点播服务)具有破坏性。近年来,大多数大型企业都选择了第二种方式来建立产品管理组织。
在数据演化的早期,软件工程、软件数据和软件建模等不相关的数据技术属于同一数据科学范畴。现在,他们已经迅速发展成为独立的岗位,如数据工程师、数据科学家、研究员、机器学习工程师等
尽管每个数据用例都需要不同形式的技术和领域理解(将在下面介绍),但项目管理技能仍然是总体上成功的主要原因。我想强调这一点,因为数据项目经理每天的主要工作是处理优先级、沟通、股东管理、设计和规范。
在规模条件下,各个项目组的用例和数据需求是不同的。但是为了快速开始,这些团队倾向于构建独立的数据基础设施。这种趋势会导致重复工作和数据孤岛,最终所有团队都会遇到相同的数据规模问题。
对于基础设施项目经理来说,最终交付的产品应该是一个通用的数据基础设施,它可以永久地收集、存储和处理相关数据,从而减少用例。有了这个产品,团队可以专注于原始数据的使用,而不是收集和存储。
基础设施项目经理的关键绩效指标是数据可用性、规模和可靠性。基础设施项目经理应精通数据工程技术,如数据访问、批量实时处理、文件系统和交付。
在当今的工作场所,决策者越来越依赖数据。从战略到产品和运营,从离线到实时,很多决策都是基于分析。如果基础设施项目经理的职责是确保查询任务能够在海量数据的环境中有效运行,那么项目分析经理的重点是将这些原始数据转换为可操作的见解,并将其提供给经理、项目经理、运营团队和其他决策者。此外,项目分析经理还积极参与关键绩效指标的识别和数据的挖掘,为企业决策提供建议。
在产品建设方面,项目分析经理的职责是创建一个自助分析、定制仪表盘和报告工具的混合体,以便于在公司范围内完善和分享想法。项目分析经理涉及多个利益相关者,包括智能数据科学家和经理等“只读”消费者。
项目分析经理的关键绩效指标主要是证明项目方便性的因素,如运行的查询任务数和发送的报表数。由于这种方便,数据用户可以从原始数据中提取所需的视图。
一些产品和功能自然会从机器学习/人工智能中找到解决方案,如搜索、推荐、欺诈检测等。应用机器学习项目经理专注于使用现有产品的数据,如分析聊天记录、自动化客户服务路由,并设计了一个先进的人工智能的新体验-例如照片共享软件的过滤器。归根结底,他们的工作是直接改进面向客户的功能的关键指标。
虽然致力于上述功能的项目经理并不总是被称为数据项目经理,但他们通常对数据科学的工作流和机器学习模型有着深刻的理解。他们生来就懂得如何运用机器学习的力量,他们比严格遵守规则的员工更懂得如何在极端的边缘设计产品,并提供高质量的用户体验。
鉴于这一背景,各大公司的个人数据团队将首先开始建立一个专用的一次性系统,这将导致重复劳动和生产周期缓慢。因此,谷歌、Facebook和Uber正式将注意力转向了这个平台——一个通用框架,以减少在处理、呼叫、监控和其他常见任务上所花费的精力。
构建这些平台的目的之一是消除管理数据、调用和监视结果的需要,以便数据团队能够专注于模型和实验。另一个目的是通过这些平台,所有用户都可以获得共同的数据和特性,从而增强可重用性。
平台项目经理的工作首先是证明平台是如何工作的,然后让早期用户愿意尝试。一旦平台达到拐点,项目经理的职责就是找到回报率高的公分母,并将其嵌入到平台中。平台项目经理的关键绩效指标包括:在平台上运行的模型、实验、进入市场所需的平均时间等
这也是一个团队规模的问题。公司规模越大,单个团队和人员创建的数据将成倍增长。数据的快速输出导致了一个问题:没有中心位置来查看所有数据。
如果没有记录、集成和显示海量数据的结构,组织对数据源的掌握将受到数据所有者的限制。因此,有关数据的真正含义、来源、可信度等问题都变得扑朔迷离。不仅如此,如果最熟悉这段数据的员工离开,关于这些数据源的知识将一起消失。第三个常见问题是,使用相同数据的团队通常对本质上相同的度量有不同的定义。例如,这个组的最后七天可以称为“整个最后七天”。在另一组,它可能被称为“最后168小时”。
数据标准化和探索项目经理的职责是确保整个公司都知道数据的存在并以固定的方式使用它。这个职位经常制作数据目录和数据通道,以便于探索和定义数据、仪表盘和指标,并确定和联系数据所有者,以便进一步对话。
数据通道的高级版本是为了降低获取计算索引的难度,并将它们集成到各种用例中,如建模和分析。
数据产品管理仍在发展中,本文并不打算穷尽数据产品在行业中的地位。数据项目经理可以是这些职责的混合体。至于责任,则取决于公司的发展阶段和组织结构。分析可以是基础设施的一部分,标准化和探索也可以是平台的一部分。应用程序机器学习项目经理还可能负责整合资源,以构建基础设施和部署环境,并为模型生产提供必要的条件。
归根结底,这些工作需要创造有价值的、基于数据的用户体验,并消除所有障碍,以确保团队能够实现这一价值。来源:微信公众号pinjue_uuali