3# הערך שמאחורי המוצר ותובנות מהדרך
הפוסט האחרון בסדרת "ניהול מוצר בגרסת דאטה".
בשני הפוסטים הקודמים התמקדנו בהבדלים המהותיים בין ניהול מוצר קלאסי לניהול מוצר בדאטה ו-AI, ובחנו את הצירים המרכזיים שמפרידים בין שני התפקידים. לאחר שהבנו את תחומי האחריות, העמקנו ב-"Study Case" מתוך חוויותיי כמנהלת מוצר AI בחברת Atera, והצגנו כיצד זה נראה ביום-יום. עכשיו, כשהבנתן את המציאות שלי ואת המשימות המרכזיות, נצלול בערך שמאחורי המוצר ונבחן את הכישורים החיוניים שנדרשים להצלחה בתפקיד ייחודי זה.
על מה דיברנו בפוסט הקודם: המשימות מהיום-יום שלי כמנהלת מוצר AI
- הגדרת מדדי KPI
- מחקר עומק על הקטגוריות השונות
- ביצוע data exploration
- איפיון דפוסים בדאטה
- איפיון לקוחות פנימיים וחיצוניים
רגע לפני שנמשיך, בואו נחשוף עקרונות חשובים להצלחה בתפקיד הזה:
1.הבנה של עקרונות האלגוריתמיקה וAI- כגון קונספטים של NLP ו- LLM.
2.הכרה במגבלות הטכנולוגיה– אתגר אמיתי לפני הפופולריות של אלגוריתמי Generative AI.
3.הכרה של הזדמנויות טכנולוגיות– חשוב להכיר את החידושים והמוצרים הקיימים בשוק ולהיות מעודכנים בפיתוחים עתידיים, במיוחד בעידן ה-GenAI.
4.יכולת להמיר "assumptions" לתהליכים דאטיים– כמו יצירת target dataset או Data cleaning.
5.תהליכי Backend ו-Deployment– חשוב להבין לעומק את תהליכי ה-deployment למודלים מורכבים. עליכם להוריד את "הערפל" ולדעת איך באמת פועלת סביבת ה-backend, שהיא זו שמאפשרת את הקסם של פתרונות ה-AI.
6.הבנה של תפקידים טכנולוגיים– Data Architect, DevOps, Data Engineer- מה הכישורים שלהם, מה מטרת התפקיד, איך נראה ה-D2D ומה המוטיבציה שלהם! זה לא רק חשוב להבנה מערכתית רחבה בתהליכי הפיתוח, אלא עבודה צמודה ביחסים טובים יכולה לקדם את המוצר שלך.
7.ניסיון בשפת תכנות Python ו- SQL – ידע בסיסי בשפות אלו יכול להוות יתרון משמעותי.
8.תעזו! תלמדו ללכלך את הידיים – זה בסדר לצלול לתוך הקוד כשאין צורך במניפולציות מסובכות.
9. לא רק המוצר הסופי– חלק גדול מהפוקוס בתפקיד הוא בהיבטים הטכניים של המוצר, ולא בהכרח במוצר שהחברה משווקת ללקוחות. ייתכן שאתן מכירות זאת מתפקידים כמו platform product manager.
בואו נראה איך זה נראה בפועל – החלטתי לשתף כאן את הכישורים שאני מציינת בקורות החיים שלי:
👾 Agile & Scrum
🤖 NLP – Mainly classification and entity extraction
☁️ Azure Data Factory, Azure databricks, Azure DevOps
❄️ Snowflake, Elasticsearch, Hadoop
🛠️ Python, SQL, dbt
🍫 Mixpanel, Kibana, Power BI, Looker
💎 Figma, WordPress, JIRA
והמסקנה?
הנתונים הם הכוח שמניע הכל. וכשהוא בידיים שלכן – הכל אפשרי!
הרשימה מראה שתפקידי ניהול מוצר בתחום ה-AI חוצים גבולות ומשלבים בתוכם גם היבטים משמעותיים של ניהול מוצר דאטה.
אם אתן רוצות לפצח את הסודות שמאחורי הקלעים ולהבין איך כל הקסם מתרחש – זה בדיוק התפקיד שבו אתן רוצות להיות!
הגיעה העת לחבר את הנקודות ⬅ איך שיוך נכון של בקשות מגביר את הרווחיות ומייעל את צוותי ה-IT?
תזכורת מהפוסט הקודם: התמקדנו במשימת ה-MVP, שממחישה בצורה הברורה ביותר את הזיקוק של ה-'why'. למרות שהמודל מסוגל לחזות 30 קטגוריות, האתגר המרכזי שלי כמנהלת מוצר AI היה לזקק את הערך המרכזי ולבנות סביבו את כל מרכיבי ה-MVP.
גילינו שהמוצר שלנו יכול להעניק לטכנאי IT את היכולת ליישם אסטרטגיית תמחור תחרותית (להציע מחירים נמוכים מהמתחרים)
וגם להרחיב את השירותים שהוא מספק לעסקים נוספים.
בואו נפרק את זה:
למה המוצר מאפשר להציע מחירים נמוכים ולהרחיב את השירותים?
כי הוא מעניק ללקוח שלנו יותר שליטה על החלטות עסקיות.
⬇
למה יש ללקוח יותר שליטה?
בזכות תהליכים אוטומטיים שחוסכים זמן יקר.
⬇
למה האוטומציה חוסכת זמן?
בגלל ייעול תהליכי העבודה, עיבוד מהיר יותר של בקשות, וניהול אופטימלי של משימות ומשאבים.
⬇
איך הייעול מתבצע?
על ידי שימוש מוגבר במערכת ניהול הבקשות.
⬇
למה יש שימוש מוגבר במערכת?
בזכות היכולת לשייך באופן אוטומטי כל בקשה לקטגוריה הנכונה.
ובקצרה: זו הנוסחה הידועה
זמן = כסף
והנה, הגענו לסיום הפוסט האחרון בסדרה, שבו בחנו את הכישורים המרכזיים להצלחה בתפקיד הזה והדגשנו את החשיבות של שילוב ידע טכני עם הבנה עסקית.
אנו מסיימות את סדרת הפוסטים "ניהול מוצר גרסת דאטה", שבה חקרנו את ההבחנות המרכזיות בין ניהול מוצר קלאסי לניהול מוצר בעידן הדאטה וה-AI, ונתנו מבט מעמיק על המשימות היומיומיות בתפקיד דרך ה-study case שלי כמנהלת מוצר AI ב-Atera.
