跨职能合作,优秀的数据产品如何三步炼成
副标题[/!--empirenews.page--]
大数据文摘出品 编译:韦梦夙、张秋玥、蒋宝尚 结合了数据与机器学习的产品可成为解决用户需求的利器。它们能够创造一条可以帮你避免激烈竞争的“数据护城河”。 当前已经有了一些非常经典的案例,例如谷歌搜索引擎以及亚马逊产品推荐系统,两者利用数据与机器学习做出的改进都吸引了更多用户使用它们的产品。 但是机会并不会只青睐技术巨头:各个领域各种规模的公司都在投资它们自己的数据产品。在Coursera,我们使用机器学习帮助学习者寻找最佳的内容去达成他们的学习目标,保证他们获得成功所需要的支持——无论是机器支持,亦或人工支持。 所谓“数据产品”的生命周期反映了当前基本的产品开发现状:找到解决用户核心需求的机会,建立一个初始版本,然后评估其影响并进行迭代。 但是数据的引入增加了一层额外的复杂度。为了应对此挑战,公司应该加强跨职能合作,用长期眼光去评估并优先考虑数据产品机会,然后从简单之处开始做起。 阶段1:辨识机会 1. 数据产品是一项团体运动 找到最佳的数据产品机会需要把产品业务的洞察和技术数据的洞察结合起来。产品经理、用户研究员以及商务领袖们通常有很强的直觉和领域专长去辨识关键且尚未解决的用户与业务需求。与此同时,数据科学家和工程师们拥有敏锐的眼光去辨识可行的数据驱动解决方法;他们还在什么能够拓展和如何拓展等问题上有很强的直觉。 为了辨识并优先考虑正确的数据产品机会,我们需要让讨论桌上的各方聚到一起。如下的几条规范就能够很有帮助: 让数据科学家认识用户和业务需求。保持数据科学家与产品经理、用户研究员、商业领袖的紧密联系,以保证他们能够直接深入挖掘数据来理解用户以及他们的需求。 让数据科学家承担数据传播者的角色,与整个公司交流数据能够带来的机会。这包括从为公司提供更易于使用的原始数据、在早期构想阶段即提供模型输出样本,到在后期搭建全功能产品样本。 培养具有良好数据意识的产品与业务小组。不同职能与行业的人们都在提高自己的数据相关能力,而雇主们则能够通过投资培训项目来加速这个趋势。产品与业务部门的数据相关能力越强,他们就能够更好地和数据科学以及技术小组合作。 讨论桌上为数据科学保留一席之地。数据科学能在组织不同的地方存在(无论是集中或去中心化的管理模式),但是无论是什么样的组织形式,参与产品与商业策略讨论的数据科学领袖们都能够帮助加速数据产品的开发。 2. 优先考虑未来 最好的数据产品像美酒一样,随着时间流逝会变得越来越好。有如下两个原因:
过度关注近期表现会错失中长期的机会。普遍来说,高质量数据的关键性不容小觑。每一个步骤都应该在收集和储存数据上优先投资。 阶段2:建设产品 通过分布执行来降低风险 数据产品通常需要验证算法是否有效和用户是否喜欢。因此,数据产品的建设者面临着一个固有的矛盾——在前期研发上投资多少,以及尽快发布应用以验证它是否能够解决某一核心需求的速度。 在验证产品与市场是否匹配之前过度投资于技术验证,会加大研发力量浪费在错误的问题或者解决方案上的风险。反过来,缺乏有效研发、仅仅过度投资于用户需求验证会导致呈现给用户一个无力的样品,会有被错误否定的风险。偏向于后者的团队也许会产生一个由并不有力的模型驱动的MVP(Minimum Viable Product,最小可行产品)。如果用户反馈差强人意,那当我们投入更高研发力度去改善产品时结果其实有可能将有所不同。 当没有合适手段同时验证技术并测评产品与市场是否匹配时,分布执行就能够帮得上忙了。从简单部分入手将能够加速测试以及收集高价值数据。在建立技能图的过程中,我们起初推出基于技能的搜索——一项只需要技能图一个小子集的应用。它随后产生了丰富的训练数据。如下一系列MVP方法同样能够减少测试时间:
(编辑:厦门网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |