为什么数据科学产品经理应该在制定数据科学需求之前推动围绕重新思考和重新设计流程/系统的对话？
照片：Clark Van Der BekenonUnsplash
企业了解投资于人工智能以跟上加速发展的趋势的好处。即使是那些多年来为自己有能力仅凭 "直觉 "就能创建成功企业而感到自豪的企业领导人，也已经向数据驱动的决策力量做出了妥协。无论企业是想建立自己的全栈数据科学团队，还是决定与人工智能顾问合作，企业领导人都很清楚实施机器学习算法所需的高成本和时间。因此，大多数公司与管理顾问合作，确定可由人工智能改造的关键业务领域，并努力在这些有影响的流程中引入数据科学建议。这种方法比在整个组织中引入机器学习模型更安全，更有成本效益。
与业务部门举行的发现会议和创新日有助于使人们关注业务中的关键挑战，然后数据科学产品经理的任务是建立需求，并与数据科学团队合作，在努力实现精确输出的同时自动化和优化流程。大多数数据科学产品经理来自分析或工程背景，他们确实拥有如何与数据科学团队合作提供正确解决方案的智慧。但这也最终成为一个弱点，因为产品经理热衷于解决方案，而且更多的时候认为业务团队已经完成了对流程的整体评估的基础工作。对于大多数有工程背景的产品经理来说，总是有一个声音在他们的大脑中低语，涉及到所有的方法来推导出正确的逻辑，甚至在需求阶段的早期就需要数据来解决这个问题。抛开技术智慧的提示，数据科学产品经理应该打开思路，深入了解业务流程。数据科学产品经理应该从建立一个端到端的流程开始，同时考虑到相互关联的系统和流程，然后再磨合解决方案。仅仅专注于设置东西和坚持着陆，而不了解中间的所有线索，将扼杀组织从完全采用数据科学产出中获得的好处。
例如，每个零售商都同意，为了在竞争中保持领先地位，必须使用先进的分析模型，将历史数据与影响消费者行为的所有外部变量同步化，以建立创新和个性化的解决方案。数据科学团队进行了广泛的研究，以分析市场洞察力和交易数据，为正确的时间和地点推荐正确的产品。但是，为了充分发挥数据科学模型的潜力，产品经理们不应该仅仅从商品销售的角度来看待这一要求，还应该花时间了解下游供应链的限制。有时候，满足超本地化需求的物流成本超过了个性化产品带来的收入增长。如果产品经理从建立一个流程图开始，它将有助于从流程中所有相互关联的步骤冒出影响。在这个阶段，如果产品经理希望做出数据驱动的决策，他们应该与业务部门就重新思考和重新设计一些流程进行真诚的对话。在进行这些对话之前，产品经理应该与数据分析师合作，从分析中创建估计的投资回报率来推动他们的观点。有时，这可能涉及到退一步，为每个地区提供超级定制的产品组合，而是选择建立最佳的客户档案集群，这可以帮助在本地化和满足供应链限制之间创造一个平衡点。但是，通过做端到端的流程分析，并在需求阶段早期就执行限制进行讨论，数据科学产品经理可以确保最终的产品被无缝采用和利用。
作为一个产品经理，最初的问题从来不是 "如何解决这个问题？"，而是 "我们要解决什么问题"，更重要的是" 你为什么需要这个？" 。有时候，业务团队已经习惯于执行日常任务，以至于他们不寻求加强常规工作，要求大多是围绕新的挑战。为了说明问题，可能会有一个关于全渠道包装优化的要求；一个有效地建立最佳的箱子包装组合以运送到分销中心或商店的算法。通过COVID，大多数零售商可能正在寻找一个有效的解决方案，以解决地理层面上的全方位需求，同时也考虑到物流成本。但在这个过程的下游可能还有其他核心活动，它们采用的是过时的工具，无法处理复杂算法的输出。在像上述例子中涉及多个领域的情况下，在项目目标上很难保持同步。在实施分析输出之前，下游的系统和流程需要首先更新。在任何流程重新设计之前建立一个先进的分析解决方案，决不会显著地节省成本或增加收入，数据科学的投资将变得毫无用处。在投资解决方案之前，要明确当前流程的效率和现有的系统。
数据科学产品经理在工程或分析方面的优势以及对细节的执着，在流程图阶段后闪现。通常业务团队往往会忽略任务之间的数据或系统依赖关系，产品经理可以在流程图上叠加数据流图，以揭示项目后期可能出现的技术挑战。
总之，数据科学产品经理应该专注于对业务流程的全面了解。流程图不应该停留在分析输出被摄取上，还应该捕捉到导致最终客户的所有系统/流程。在这个阶段之后，数据科学产品经理可以利用他们的工程背景，通过缩小技术细节和解决执行过程中可能出现的复杂问题，来为需求做最后的润色。数据科学产品经理应该在需求阶段戴上商业客户的帽子，同时在之后带来分析性的观点，以揭示流程/系统的重新设计，如果一个领域要成功实施数据科学解决方案，就需要这样做。
