Con una toma de conciencia colectiva del potencial de valor del Big data, impulsada por la Inteligencia Artificial, los equipos que trabajan en este tipo de productos están en alza y muchos han integrado Product Managers. ¿Por qué esta elección y cómo se han adaptado a este campo tan específico?
Los datos están en todas partes: ya sea para mejorar la toma de decisiones, automatizar procesos o incluso convertirse en una nueva palanca de monetización, este tema ha superado ampliamente el ámbito de la tecnología de la información para convertirse en un elemento destacado en la estrategia empresarial. Algunos dirán que la llegada de ChatGPT fue el catalizador. Puso en primer plano a un actor que operaba en silencio una revolución, especialmente con el desarrollo de algoritmos de Machine Learning. Al comprender el interés comercial de estos temas, las organizaciones sintieron la necesidad de prepararse en consecuencia y vieron en el Product Management la pieza faltante capaz de liberar un potencial de valor hasta entonces sin explotar.
🤔 ¿Por qué el Product Management se ha impuesto en el campo de los datos?
Tener un Product Manager (PM) para gestionar su producto de datos ya no es una opción. Responde a 3 grandes problemas.
#1 Una necesidad de acercar los datos al Negocio
Muchas organizaciones han visto cómo la Agilidad y luego el Product Management rompieron los silos existentes entre la Tecnología y el Negocio para crear mejores productos.
Un mismo proceso de desbloqueo se ha impuesto poco a poco como necesario entre los datos y el Negocio. En el origen de esta necesidad, un mismo problema: dos entidades que no hablan el mismo idioma, no tienen los mismos objetivos y, en última instancia, no avanzan de manera colectiva. El Negocio siempre quiere más, quiere ir siempre más rápido. Por su parte, los datos se centran en el desarrollo del producto, están sujetos a restricciones (de capacidad y técnicas) y aparecen de facto como un freno a la ambición del Negocio.
Frente a esta situación, el PM tiene un importante papel de intermediario que desempeñar para acercar estas dos partes y unir a todos en torno a un roadmap común, ambicioso y realista al mismo tiempo. Marc Skwarski, PM en Thiga, vivió esta situación en Invivo, un gran grupo de agricultura: "Algunos aspectos del negocio no comprenden la complejidad inherente a los temas de Datos que son nuevos. Por lo tanto, paso gran parte de mi tiempo evangelizando, simplificando y dando visibilidad al progreso."
Siempre en esta dirección, Pauline Minary, PM de datos en Leboncoin, habló recientemente sobre la importancia de la evangelización de las partes interesadas: "La incertidumbre es realmente un elemento primordial, muy diferenciador en comparación con un producto clásico. Con el Machine Learning, no podemos saber antes de empezar hasta qué punto va a funcionar o no, qué rendimiento vamos a alcanzar. Es necesario compartir esta realidad con las partes interesadas e insistir en que el Machine Learning no es magia con un 100% de precisión."
Tener un PM capaz de desempeñar este papel de evangelizador es clave para una organización eficaz, ya que es visto como un facilitador capaz de dialogar con ambas partes y, por lo tanto, de arbitrar.
#2 La urgencia de responder al desafío de la innovación
Con la llegada de ChatGPT, la IA estaba en boca de todos al definir su roadmap para 2024. Aunque el interés por el Big data y el Machine Learning no es nuevo, ChatGPT ha creado un verdadero "hype".
Estratégicamente, el Negocio se interesa más en estos temas y se están generando ideas por todas partes para encontrar el caso de uso correcto. Victor Billette de Villemeur, ex-PM de Datos en L’Oréal, comparte su punto de vista sobre la situación actual: "El aspecto muy de moda de los datos, y especialmente de la IA, lleva a los patrocinadores a lanzar proyectos solo porque es bien visto por los accionistas o la jerarquía (cuando no es también un elemento de marketing). Tener un PM permite volver a poner la iglesia (el valor) en el medio del pueblo y siempre volver a partir de una necesidad que abordar, encontrando con sus equipos la mejor manera de hacerlo." Spoiler: la IA no siempre es la solución.
Pero hay que reconocer que la IA y el Big data son poderosos motores de innovación. ¿Y quién mejor que los PM para llevar estos temas? Julien Ngboda, PM líder en Thiga, testifica sobre la contribución del Product Management a la data Factory de Decathlon: "Antes, la data Factory se veía como un centro de servicios donde los negocios solían buscar información o expresar una necesidad. ¿El desafío de los PMs que han integrado esta data Factory? Traer proactividad en la identificación de las necesidades actuales y futuras". Estas necesidades pueden estar relacionadas con la evolución de un tablero de control o un producto existente, pero también pueden llevar a la creación de un nuevo producto.
Una de las revoluciones que estamos viviendo se refiere principalmente a la accesibilidad de estos modelos, especialmente los de Generative AI. Ya no se necesitan ejércitos de científicos de datos para integrar funciones con IA. Este techo de cristal, que se ha roto, ha favorecido la innovación y ya no se cuentan las organizaciones que han creado su propio hackathon para encontrar un caso práctico relacionado con su negocio donde la IA sería un catalizador.
#3 Una capacidad para pilotar basada en el valor
El Product Manager tiene la misión última de maximizar el valor entregado por el producto. Su capacidad para arbitrar basándose en el impacto y el esfuerzo asignado es primordial en un campo como el de los datos, donde es fácil perderse en la búsqueda del modelo perfecto.
"Lo más difícil para un PM de Datos es decidir si se debe poner en producción o no. Para un PM clásico, basta con probar... Es bastante binario."
Zacharie Treister, coach en Thiga
Marc nos cuenta su experiencia en Invivo: "Cuando llegué, mi principal desafío era simplificar las cosas para poder entregar lo esperado lo más rápido posible. Los perfiles técnicos tienden a complicarlo todo y buscar la perfección. Nosotros, como PMs, llegamos con una visión orientada al retorno de la inversión y una cultura de Prueba y Aprendizaje."
¿Detenerse o continuar? Estos son los tipos de problemas que pueden parecer insignificantes para un PM clásico, pero que son mucho más absorbentes y menos simples de tratar en el campo de los datos. Zacharie Treister, coach en Thiga que ha trabajado en productos de datos en Deezer y Qwant, testifica: "Lo más difícil para un PM de Datos es decidir si se debe poner en producción o no. Para un PM clásico, basta con probar... Es bastante binario. Para el PM de Datos, hay que definir umbrales de rendimiento del algoritmo. ¿A partir de qué umbral consideramos que el resultado es tan incorrecto que se vuelve perjudicial? ¿A partir de qué umbral consideramos que tenemos un resultado realmente beneficioso? Y en la zona gris, ¿qué hacemos? Por ejemplo, si tengo un resultado verdadero al 65% pero que me hace ahorrar 2 horas al día, incluso volviendo manualmente sobre los malos resultados, tal vez valga la pena."
Estas preguntas sobre el "potencial de rendimiento" y el "potencial de mejora alcanzable" son problemas recurrentes que casi nunca desaparecen. Como un buen inversor que razona con un presupuesto y capacidades de desarrollo limitados, el PM debe luchar contra la trampa de la sobre-calidad... Y en los datos, la tentación es muy fuerte.
🛠️ Las adaptaciones del PM al campo de los datos
Nunca he sido PM de Datos pero ya me he hecho la pregunta: "¿Cómo hacerlo al llegar a un contexto así y cuáles son las especificidades del trabajo?" Hoy, gracias a las confidencias de mis compañeros PMs de datos, observo tres diferencias principales.
#1 Un descubrimiento basado casi exclusivamente en los datos
Aplicados a los productos de datos, los grandes principios del descubrimiento y del Design Thinking siguen siendo relevantes. Marc confía el origen de un tema tratado con Machine Learning en SeLoger: "Nos enfrentamos al tema de un bypass que algunos profesionales utilizan para impulsar sus anuncios de forma gratuita. Nuestra primera misión fue verificar con los datos la magnitud del problema. ¡El número era asombroso! Concluimos que había un problema real que abordar."
Haoitif Dellaoui, PM en Thiga y en misión en La Centrale sobre la herramienta de detección automática de fraudes, nos comparte su organización para detectar continuamente nuevas oportunidades de mejora: "Cada mes, con el servicio al cliente, estudiamos los fraudes que han ocurrido y los que se detectaron erróneamente. Intentamos ver si hay una evolución posible del modelo y si hay reglas de gestión aplicables. A veces, nos damos cuenta de que el problema proviene de la interfaz y de cómo se ingresa la información, lo que puede llevar a confusión. Si solo nos interesara nuestro ámbito, solo pondríamos un parche en una pata de palo."
Ya sea buscando mejoras como Haoitif o abordando un gran tema como Marc, lo que cambia claramente es la forma de hacer el descubrimiento. "Gran parte de tu descubrimiento se hace a través de los datos, y no con entrevistas a usuarios como se puede hacer de manera más clásica" confía Zacharie.
Tener un problema identificado está bien, pero ¿es posible tener un modelo que resuelva esta necesidad? Para responder a esta pregunta, hay que tener en cuenta dos variables: por un lado, el algoritmo en sí y su potencial de escalabilidad; por otro lado, la cantidad y calidad de los datos. En cuanto a los datos disponibles, es uno de los elementos en los que es importante detenerse durante el descubrimiento. Zacharie puede testificar sobre su importancia: "En Jellysmack, el negocio vino con un problema. En teoría, era simple. Luego fuimos a ver los datos disponibles y nos dimos cuenta de que no eran los correctos. Pedimos al negocio que empezara por registrar la información necesaria. El descubrimiento también sirve para validar estos requisitos previos antes de lanzarse al delivery."
También cambia la implicación de los científicos de datos y los analistas de datos. Dada la importancia de los datos en el descubrimiento y su dominio del tema, están casi tan involucrados e importantes en la fase de descubrimiento como en la fase de entrega.
#2 Trabajar con perfiles diferentes
A menos que tenga experiencia previa como científico de datos, ingeniero de datos o analista de datos, evolucionar en un equipo de datos requiere un período de adaptación. Marc Skwarski, PM en Thiga, confiesa: "Al principio, escuchaba, preguntaba y tan pronto como escuchaba un término que no conocía, mi primer instinto era buscar una definición en Internet."
"Los datos no son una excepción: para tener éxito, es necesario volver a partir de la esencia misma de la Agilidad y del Lean, poniendo al humano en el centro de los intercambios entre el PM y su equipo."
Haoitif Dellaoui, PM en Thiga
Por su parte, el PM también debe aportar una nueva cultura y una nueva perspectiva a los equipos de datos. Víctor nos habla de lo que ha visto: "Por su perfil más "investigador", algunos pueden carecer de pragmatismo y racionalidad económica. Es al PM a quien le corresponde aportar este aspecto."
A menudo motivados por los desafíos técnicos, el PM a veces debe frenar sus ímpetus, siempre pensando en el retorno de la inversión (ROI). ¿Un ejemplo clásico de esto? Pensar que la IA es la solución a todos los problemas. El primer impulso de un PM y de un equipo de datos debe ser preguntarse si es posible desarrollar una regla de gestión (más eficaz y más rápida de implementar) para abordar el caso de uso deseado antes de pensar en hacerlo mediante IA.
En esta búsqueda de comprensión mutua, es importante que cada uno dé un paso hacia el otro. Haoitif testifica: "Los datos no son una excepción: para tener éxito, es necesario volver a partir de la esencia misma de la Agilidad y del Lean, poniendo al humano en el centro de los intercambios entre el PM y su equipo. Es comprendiendo la complejidad del trabajo del otro, sus intereses personales, su universo y aceptando adaptar, por buenas razones, su forma de trabajar que podemos crear una verdadera dinámica ganadora."
#3 Un ROI lleno de incertidumbres
Trabajar en productos de datos implica evolucionar en un tiempo más largo, sin estar seguro del resultado y esto puede ser frustrante para un PM.
Poner en producción todos los días o cada 2 semanas es una utopía (por ahora), excepto en fases de "ajuste fino" del modelo. Desarrollar un algoritmo y entrenar un modelo lleva tiempo, pero nada impide adoptar de todos modos un enfoque incremental. Para Marc, "tenemos la voluntad de dividir los temas lo más finamente posible para intentar dominar la complejidad. Muy útil en productos clásicos, esto se vuelve primordial en áreas como los datos". Entrar en un efecto túnel es un riesgo que puede llevar a tener interés en metodologías con ritmos como Scrum o Shape Up, e incluso SAFe.
En cuanto al resultado, siempre es difícil de entender de antemano. Zacharie nos ilustra: "Con un desarrollo front-end, la duración puede variar pero sabemos que llegaremos a un resultado. Con un algoritmo de Machine Learning, sin importar la duración, el resultado a veces será inalcanzable por diversas razones (calidad y cantidad de datos, algoritmos, etc.)".
Reducir esta incertidumbre relacionada con la industrialización de un modelo pasa por adoptar un enfoque de "Prueba y Aprendizaje", querido por los PMs. Marc nos cuenta cómo sucedió en su producto en SeLoger: "Comenzamos con una tipología de bienes y luego entrenamos nuestro modelo y lo probamos en una zona geográfica. Realmente fue un enfoque iterativo e incremental antes de aplicar el modelo a todas nuestras publicaciones."
Debido a la incertidumbre intrínsecamente alta, los temas de ciencia de datos deben abordarse como temas de investigación y desarrollo. Forzarse a un ritmo puede ayudar a reducir esta parte de incertidumbre, al tiempo que se deja la posibilidad de readaptar los planes. Charles De Gaulle decía que "hay investigadores que buscan y encuentran. Hay investigadores que encuentran, buscamos..." Hagamos que esta iteratividad pueda llevar a todos los equipos de datos a integrar esta segunda categoría gracias a los PMs.
En conclusión, los productos basados en Big Data o Machine Learning han demostrado el valor del Product Management que aporta una visión orientada al retorno de la inversión y crea un vínculo con el negocio. Para lograr esto, el Product Management ha sabido adaptarse a un campo donde reina la experiencia y la incertidumbre. Estamos ahora en un momento de la historia en el que la necesidad de PM de Datos está explotando, con nuevos desafíos como la integración de la Generative AI que requerirán aún más adaptación pero que son palancas formidables para la innovación. Los focos están puestos en ustedes. Señoras y señores PM de Datos, ¡hagan que soñemos!
Para obtener más información: descarga Agile Product Management
