Как создавать продукты на основе данных и
машинного обучения

Продукты, основанные на обработке данных и машинном обучении, могут решить множество задач пользователей. Они могут также создать так называемый «ров данных», помогающий защититься от конкурентов. Классические примеры использования данных как конкурентного преимущества — поиск Google и продуктовые рекомендации Amazon, эффективность которых растет вместе с ростом количества пользователей. Этот тезис справедлив не только для технологических гигантов: компании разных размеров и из разных секторов экономики активно инвестируют в собственные продукты, основанные на обработке данных. В Coursera мы используем механизмы машинного обучения, чтобы помогать участникам находить лучший контент для достижения учебных целей и обеспечить им всю необходимую поддержку (как личную, так и автоматизированную). Жизненный цикл продуктов, связанных с обработкой данных, повторяет стандартный цикл разработки продукта: выявить потребность пользователя, которая нуждается в удовлетворении, создать первый образец, оценить его эффективность и выполнить последующие итерации. Однако данные добавляют еще один уровень сложности. Чтобы его преодолеть, компаниям следует уделять особое внимание межфункциональному сотрудничеству, учитывать долгосрочную перспективу, производя оценки и расставляя приоритеты, и начинать с простого. Этап 1. Выявить потребность пользователя Создание продукта на основе данных — командный вид спорта Для определения ключевых потребностей пользователей и лучших возможностей для создания продукта необходимо одновременно смотреть на эту задачу с точки зрения бизнеса и с точки зрения технологий. Продакт-менеджеры, исследователи поведения пользователей и руководители обычно обладают хорошей интуицией и достаточным опытом, чтобы определить ключевые нерешенные потребности. В то же время специалисты по обработке данных и разработчики практически безошибочно распознают перспективные решения и обладают четким представлением о том, что можно масштабировать и как. Чтобы определить лучшую возможность для запуска продукта и грамотно расставить приоритеты, оба типа специалистов должны объединить усилия. Вот несколько правил, которые могут вам помочь:

• Убедитесь, что специалисты по обработке и анализу данных хорошо понимают потребности бизнеса и пользователей. Специалисты по работе с данными должны работать в связке с продакт-менеджерами, специалистами по исследованию пользовательского поведения и бизнес-лидерами. В их должностные обязанности должно входить глубокое изучение данных, которые помогут понять пользователей и прояснить их основные потребности.

• Сделайте специалистов по обработке данных «евангелистами», связывающими возможности, которые открывает работа с данными, с общими целями организации. Они могут предоставлять остальным сотрудникам доступ к необработанным данным, создавать примерные образцы будущего продукта на ранних этапах разработки и полноценные прототипы на более поздних стадиях.

• Повышайте знание сотрудников о работе с данными. Многие люди, работающие в разных сферах и на разных должностях, повышают свои знания и умения в области работы с данными, и работодатели могут ускорить этот тренд, инвестируя средства в специализированные программы обучения. Чем выше будет информационная грамотность у представителей продуктовых и бизнес-подразделений, тем лучше они смогут сотрудничать с разработчиками и специалистами по данным.

• Прислушайтесь к специалистам по данным. В какой бы форме обработка и анализ данных ни присутствовали в ваших рабочих процессах (например, централизованно или децентрализовано), привлечение ведущих специалистов по данными к обсуждению бизнес-стратегии компании, повысит эффективность разработки основанных на данных продуктов.