Vai vēlaties gudrāku ieskatu iesūtnē? Reģistrējieties mūsu iknedēļas biļeteniem, lai iegūtu tikai to, kas ir svarīgi uzņēmuma AI, datu un drošības vadītājiem. Abonēt tūlīt
Pēdējā desmitgadē uzņēmumi ir iztērējuši miljardus datu infrastruktūrai. Petabaitu mēroga noliktavas. Reāllaika cauruļvadi. Mašīnmācīšanās (ML) platformas.
Un tomēr – pajautājiet jūsu operācijām vadībai, kāpēc pagājušajā nedēļā palielinājās, un jūs, iespējams, iegūsit trīs pretrunīgas informācijas paneļus. Palūdziet finansējumam saskaņot veiktspēju dažādās attiecināšanas sistēmās, un jūs dzirdēsit: “Tas ir atkarīgs no tā, ko jūs lūdzat.”
Pasaulē, kas noslīcina informācijas paneļos, viena patiesība turpina virsmas: dati nav problēma – produkta domāšana ir.
Kluss sabrukums “Information kā pakalpojums”
Gadiem ilgi datu komandas darbojās kā iekšējās konsultācijas-reaktīvas, uz biļetēm balstītas, varoņu balstītas. Šis “datu kā pakalpojumu” (DAAS) modelis bija kārtībā, kad datu pieprasījumi bija mazi un likmes bija zemas. Guess, tā kā uzņēmumi kļuva “balstīti uz datiem”, šis modelis saplaisāja ar savu panākumu svaru.
Paņemiet Airbnb. Pirms metrikas platformas palaišanas produktu, finanšu un OPS komandas izvilka savas metrikas versijas, piemēram,:
- Naktis rezervētas
- Aktīvais lietotājs
- Pieejamais saraksts
Pat vienkāršie KPI mainījās pēc filtriem, avotiem un tas, kurš jautāja. Līderības pārskatos dažādas komandas uzrādīja atšķirīgus skaitļus – rezultātā tika iegūti argumenti, kuru metrika bija “pareiza”, nevis to, ko rīkoties.
Tās nav tehnoloģijas kļūmes. Tās ir produktu kļūmes.
Sekas
- Datu neuzticēšanās: analītiķi tiek uzmundrināti otrajā vietā. Informācijas paneļi ir pamesti.
- Cilvēka maršrutētāji: Datu zinātnieki vairāk laika pavada, lai izskaidrotu neatbilstības, nekā gūstam ieskatu.
- Pārvietoti cauruļvadi: inženieri atjauno līdzīgas datu kopas starp komandām.
- Lēmuma vilkšana: Līderi aizkavē vai ignorē rīcību nekonsekventu ieguldījumu dēļ.
Jo datu uzticība ir produkta problēma, nevis tehniska
Lielākā daļa datu vadītāju domā, ka viņiem ir datu kvalitātes problēma. Guess apskatiet tuvāk, un jūs atradīsit datu uzticības problēmu:
- Jūsu eksperimentu platforma saka, ka īpašība sāpina saglabāšanu, wager produktu vadītāji tam netic.
- OPS redz informācijas paneli, kas ir pretrunā ar viņu dzīvo pieredzi.
- Divas komandas izmanto vienu un to pašu metru, wager atšķirīgu loģiku.
Cauruļvadi darbojas. SQL ir skaņa. Guess neviens neuzticas izejām.
Tā ir produkta mazspēja, nevis inženierija. Tā kā sistēmas nebija paredzētas lietojamībai, interpretējamībai vai lēmumu pieņemšanai.
Ievadiet: datu produktu pārvaldnieks
Visos labākajos uzņēmumos ir parādījusies jauna loma – datu produktu pārvaldnieks (DPM). Atšķirībā no ģenerālisma PMS, DPM darbojas visā trauslā, neredzamā, daudzfunkcionālā reljefā. Viņu uzdevums nav nosūtīt informācijas paneļus. Tas ir nodrošināt, lai īstajiem cilvēkiem būtu pareizais ieskats pareizajā laikā, lai pieņemtu lēmumu.
Guess DPM neapstājas pie cauruļvadu datiem informācijas paneļos vai kursa tabulās. Labākie iet tālāk: viņi jautā: “Vai tas tiešām palīdz kādam darīt savu darbu labāk?” Viņi definē panākumus nevis attiecībā uz rezultātiem, wager gan rezultātiem. Nevis “vai tas tika nosūtīts?” Guess “vai tas būtiski uzlaboja kāda darba plūsmu vai lēmumu kvalitāti?”
Praksē tas nozīmē:
- Ne tikai definējiet lietotājus; novērot tos. Pajautājiet, kā viņi uzskata, ka produkts darbojas. Sēdēt blakus viņiem. Jūsu uzdevums nav nosūtīt datu kopu – tas ir, lai jūsu klients būtu efektīvāks. Tas nozīmē dziļi saprast, kā produkts iekļaujas viņu darba reālās pasaules kontekstā.
- Pašu kanonisko metriku un izturas pret tiem kā pret API-versiju, dokumentēts, pārvaldīts-un pārliecinieties, ka tie ir saistīti ar secīgiem lēmumiem, piemēram, 10 miljonu dolāru budžeta atbloķēšanu vai Go/bez-go produktu palaišanu.
- Veidojiet iekšējās saskarnes – piemēram, funkciju veikalus un tīras telpas API – nevis kā infrastruktūru, wager gan kā reālus produktus ar līgumiem, SLA, lietotājiem un atgriezeniskās saites cilpām.
- Sakiet nē projektiem, kas jūtas izsmalcināti, wager nav svarīgi. Datu cauruļvads, kuru neviena komanda neizmanto, nav tehnisks parāds, nevis progress.
- Izturības dizains. Daudzi datu produkti neizdodas nevis no sliktas modelēšanas, wager gan no trauslām sistēmām: bez dokumentiem loģika, pārslveida cauruļvadi, ēnu īpašumtiesības. Veidojiet ar pieņēmumu, ka jūsu nākotnes es vai aizstājējs jums pateiks.
- Atrisināt horizontāli. Atšķirībā no domēniem specifiskiem PMS, DPM pastāvīgi jālieto. Vienas komandas mūža vērtības (LTV) loģika ir citas komandas budžeta ieguldījums. Šķietami nelielam metriskajam atjauninājumam var būt otrās kārtas sekas mārketingā, finansēs un operācijās. Pārvietošanās šī sarežģītība ir darbs.
Uzņēmumos DPM klusi no jauna definē, kā tiek veidotas, pārvaldītas un pieņemtas iekšējās datu sistēmas. Viņi nav tur, lai notīrītu datus. Viņi ir tur, lai liktu organizācijām tam atkal ticēt.
Kāpēc tas prasīja tik ilgu laiku
Gadiem ilgi mēs kļūdījāmies ar aktivitāti progresā. Datu inženieri izveidoja cauruļvadus. Zinātnieki uzbūvēja modeļus. Analītiķi uzbūvēja informācijas paneļus. Guess neviens nejautāja: “Vai šis ieskats faktiski mainīs biznesa lēmumu?” Vai vēl sliktāk: mēs jautājām, wager nevienam nepiederēja atbilde.
Jo izpildvaras lēmumi tagad ir dati ar datiem
Mūsdienu uzņēmumā gandrīz katrs nozīmīgais lēmums – budžeta maiņa, jaunas palaišanas, org pārstrukturēšanas – vispirms iziet cauri datu slānim. Guess šie slāņi bieži nav pievienoti:
- Pagājušajā ceturksnī izmantotā metriskā versija ir mainījusies – wager neviens nezina, kad un kāpēc.
- Eksperimentu loģika dažādās komandās atšķiras.
- Attēlu modeļi ir pretrunā viens ar otru, katram no tām ir ticama loģika.
DPM nepieder lēmums – viņiem pieder interfeiss, kas lēmumu padara salasāmu.
DPM nodrošina, ka metrika ir interpretējama, pieņēmumi ir caurspīdīgi un rīki ir saskaņoti ar reālām darbplūsmām. Bez viņiem lēmumu paralīze kļūst par normu.
Kāpēc šī loma paātrinās AI laikmetā
AI neaizstās DPMS. Tas viņus padarīs būtiskus:
- 80% no AI projekta centieniem joprojām ir datu gatavība (Forrester).
- Kā lielo valodu modeļu (LLMS) skala, atkritumu ievades izmaksas. AI neizlabo sliktos datus – tas to pastiprina.
- Normatīvais spiediens (ES AI likums, Kalifornijas patērētāju privātuma likums) liek orgiem ārstēt iekšējās datu sistēmas ar produkta stingrību.
DPM nav satiksmes koordinatori. Viņi ir uzticības, interpretācijas un atbildīgo AI fondu arhitekti.
Tātad, ko tagad?
Ja esat CPO, CTO vai datu vadītājs, jautājiet:
- Kam pieder datu sistēmas, kas pieļauj mūsu lielākos lēmumus?
- Vai mūsu iekšējās API un metrika ir versija, atklājama un pārvaldīta?
- Vai mēs zinām, kuri datu produkti ir pieņemti – un kuri mierīgi grauj uzticību?
Ja nevarat skaidri atbildēt, jums nav nepieciešami vairāk informācijas paneļu.
Jums ir nepieciešams datu produktu pārvaldnieks.
Seojoon OH ir Uber datu produktu vadītājs.
avots
