1# ניהול מוצר בגרסת דאטה
מה ההבדל בין Product Manager ל-Data Product Manager?
כאשר מדובר בניהול מוצר, רוב האנשים סבורים שמנהל מוצר אחד דומה לשני, אך בפועל קיימות מומחיות רבות תחת הכותרת הזו, עם מאפיינים שונים, ובשנים האחרונות התפתחה מומחיות חדשה בתחום: Data Product Manager.
בפוסט זה, ננסה לפרק את ההבדלים הללו ולהבין את הצירים המרכזיים שמפרידים בין התפקידים, כדי לספק תמונה ברורה יותר של המומחיות הנדרשת בכל אחד מהם.
תחילה נתייחס לשני רבדים קיימים בתפקידי מנהל המוצר
דיסקליימר #1
החלקים המתוארים כאן הם בבhigh level בלבד, וקיימים תתי-נושאים שחופפים למספר קונספטים, וחשוב לקחת זאת בחשבון כדי לקבל תמונה מלאה ומדויקת יותר.
רובד בסיס
- Product Roadmap
- Product discovery
- Competitive Analysis
- Growth
- Ownership
רובד טקטי
- Subject Matter Expert
- Voice of Customers
- Opportunity
- Development / Execution
- Version / Quarterly Planning
- Launch
כל אלו משפיעים על תוכן המשימות, תהליכי עבודה שונים, קהלי יעד שונים, ואופי המוצר שלך
בטבלה שלפניכם מפורטות המשימות ברובד הטקטי, הממחישות את ההבדלים במיומנויות הנדרשות
תחום אחריות | מנהל מוצר "קלאסי" | מנהל מוצר דאטה / AI |
ממשקי עבודה צמודים | Frontend or Full-stack developer | נדרשים להתמודד גם עם מחלקות טכנולוגיות עמוקות יותר, צוותי מחקר ופיתוח אלגוריתמי (Data Engineering &Data Science) |
דרישות פונקציונליות | אין צפייה להבנה מעמיקה של המימוש עצמו | נדרש אוריינטציה טכנולוגית גבוהה והכרות עם סביבת הbackend של המוצר |
לקוחות | לקוחות "חיצוניים" – משתמשי קצה | לקוחות פנימיים: פעמים רבות, הלקוחות יהיו פנימיים בארגון. חשוב להבין כי לא תמיד יהיו לנו לקוחות חיצוניים. תוצר לא ויזואלי: לעיתים התוצרים עשויים להיות דוקומנטריים או תהליכיים. |
מדדים ותוצרים | KPI "קלאסים" Conversion rate, Increase usage by 10 % for customer type | KPI משתנים בהתאם לסוג המוצר, לתעשייה ולמימוש הספציפי. פעמים רבות מודדים גם הצלחות טכניות כמו הטמעת מודלים ופתרון בעיות אלגוריתמיות. לדוגמה: התמקדות באיכות ובאמינות של הנתונים. שימו לב: כאשר הלקוחות שלך הם מנהלי מוצר אחרים, חשוב להכיר את ה-KPI שלהם כדי להבין את המוטיבציה שלהם. |
דאטה (מתבקש לא?😉) | היום כל מנהל מוצר חייב להיות "data-driven". בדרך כלל, הנתונים יהיו לוגים של שימוש (user logs/events), שמשמעותם היא שהמוצר כבר הושק והנתונים נאספים לאחר השקה. | סוגי הדאטה שעובדים איתם מגוונים ומשתנים בהתאם לתפקיד. הדאטה שנפגוש יכול להגיע מתהליכים שונים שרצים בחברה (למשל ETL) ורובם לא יהיו תחת "המטריה" של user logs אלא בתוך בסביבת הbackend |
ההבדלים בין PM ל-Data PM משמעותיים וחשוב להכיר אותם, אך אין תשובה חד-משמעית – כל ארגון מתאפיין בשילוב שונה של תחומי אחריות ומשימות, בהתאם לסוג המוצר והלקוחות.
אחד הדברים המשמעותיים ביותר שלמדתי בתפקידי כמנהלת מוצר הוא שיש לא מעט דרכים להתאהב בתפקיד.
עבורי, המורכבות והטכנולוגיה שמאחורי הקלעים תמיד היו חלק מהמשיכה. כשעבדתי עם צוותי דאטה וארכיטקטים, גיליתי איך אפשר לקחת מידע גולמי ולהפוך אותו לתובנות ופתרונות שמשנים את הדרך בה הארגון מתפקד.
אני מאמינה שהתפקיד הזה מאפשר לך לא רק להוביל מוצרים, אלא גם להבין לעומק את המנועים שמניעים את המוצר מבפנים. חשוב שתשאלי את עצמך: האם את נמשכת לעבודה על המודל הטכני? או שמא חוויית המשתמש והפיתוח האסטרטגי הם מה שמניעים אותך? שתי הדרכים האלה יכולות להיות מספקות, אבל הבחירה הנכונה עבורך תלויה במה שמדליק אותך ומניע אותך לפעולה.
אני זוכרת את תחילת דרכי כמנהלת מוצר, כשהכול הרגיש חדש, ומלא באפשרויות. כל יום בתפקיד גרם לי להתאהב מחדש באתגרים שהוא מביא איתו. לאחרונה נתקלתי במשפט שתפס אותי:
I love product management because it's a simplistic view of life
זו היא מהות התפקיד – יצירת חזון, הקשבה ללקוחות, תכנון מדויק ויכולת להתמודד עם כישלונות והצלחות תוך כדי תנועה.
זו עבודה קשה, אבל מאוד מתגמלת.
אל תחמיצי את ההזדמנות לראות את ההבדלים הללו בפעולה!
המשיכי לפוסט הבא בסדרה שלי, שבו אשתף case study שלי כמנהלת מוצר AI בחברת Atera.