zählen
die Möglichkeit, Feedback vom Kunden zu bekommen,
agile Inkremente des Produkts ausliefern zu können,
das Produkt im Team autark entwickeln zu können
und Einfluss auf die gesamte Interaktion während der Customer Journey nehmen zu können.
In der Regel wird ein Produktmanager dafür verantwortlich sein, das Wertversprechen, die Mess- und Gütekriterien zu definieren und Feedback vom Kunden bezogen auf den Produktnutzen einzuholen.
Der Produktmanager ist auch dafür verantwortlich, den Umfang eines Inkrements zu bestimmen. Ein Inkrement kann zum Beispiel durch das Hinzufügen neuer Datenquellen, einen neuen Algorithmus, eine Verbesserung des Feedbackmechanismus oder die größere Abdeckung der Customer Journey entstehen.
Damit das Team selbstbestimmt und autark das Produkt entwickeln kann, sollten die wesentlichen Fähigkeiten in dem Team vorhanden sein. Dazu zählen
Programmierkenntnisse im Front- und Backend-Umfeld zur Integration der Lösung in ein Gesamtsystem,
Data-Engineering-Kenntnisse, um Daten aus verschiedenen Systemen in einem zentralen System zu integrieren und aufzubereiten,
Data-Science-Kenntnisse, um die Daten analytisch bearbeiten zu können,
Plattformkenntnisse, um das entwickelte Produkt auch auf der produktiven Plattform zum Laufen zu bringen, sowie
UX/UI-Kenntnisse, um das Nutzererlebnis so zu gestalten, dass es die Erwartungshaltung des Kunden trifft.
Wichtig ist auch, dass das Team Einfluss auf die komplette Customer Journey nehmen kann. Dies erlaubt dem Team, Daten aus allen Schritten zu erfassen und dem Nutzer zu anderen Zeitpunkten widerzuspiegeln.
In größeren Kontexten wird ein Team oft nicht ausreichen, um alle Anforderungen abzudecken. Typischerweise werden Datenproduktteams mit anderen Teams zusammenarbeiten, um ein Gesamtprodukt zu erstellen oder weiterzuentwickeln. Insbesondere bei der Skalierung ist wichtig zu beachten, dass der Zugriff einzelner Produktteams auf die gesamte Datenlandschaft nicht eingeschränkt wird. Die dedizierte Betrachtung und Regelung der Datenschutzanforderungen bekommt hier ein besonderes Gewicht.
Neben den organisatorischen Anforderungen gibt es auch technische Anforderungen, um Datenprodukte effizient entwickeln zu können.
4.7Technische Anforderungen
Die Auflistung aller technischen Anforderungen an eine Plattform zur Entwicklung von Datenprodukten übersteigt den Rahmen dieses Kapitels. Dennoch ergibt sich aus der Art und Weise, wie Datenprodukte gebaut werden sollten, eine Reihe besonderer Anforderungen, die hier auf einem hohen Abstraktionsniveau explizit genannt werden sollen.
Dazu zählen,
Interaktionen vom Nutzer in Zusammenhang zu bringen,
unterschiedliche Darstellungen zu testen und zu vergleichen,
unterschiedliche Datenquellen zu integrieren und auf diese einheitlich zuzugreifen,
Interaktionen des Nutzers innerhalb kürzester Zeit auszuwerten,
Modelle schnell zu aktualisieren und dem Nutzer zur Verfügung zu stellen,
sowohl strukturierte als auch unstrukturierte Daten zu verarbeiten,
kontinuierlich Testdaten zu generieren,
Algorithmen miteinander zu vergleichen und
auf viele Datenquellen zuzugreifen.
Diese Anforderungen werden in anderer Stelle im Buch zum Teil noch ausführlicher behandelt.
4.8Fazit
Die großen Plattformbetreiber Amazon, Google und Facebook in der westlichen Hemisphäre oder die entsprechenden Pendants Alibaba, Baidu und Tenent in der östlichen Hemisphäre nehmen ihren Ursprung in der erfolgreichen Etablierung eines Datenprodukts. Sie haben Daten als Kernelement des Wertversprechens verstanden und dieses dann sukzessive ausgebaut. Dazu haben sie auf der einen Seite immer mehr Daten integriert, aber auch einen immer größeren Teil der Customer Journey abgedeckt. Dadurch sind bei allen Unternehmen Datensammlungen entstanden, die nun auf vielfältige Art und Weise für weitere Produkte genutzt werden können.
In diesem Kapitel haben wir beschrieben, wie man Ideen für Datenprodukte systematisch ableiten kann. Wir haben gezeigt, wie Methoden aus der agilen Softwareentwicklung und Lean Startup genutzt werden können, um den Weg von der Idee zum validierten Produkt methodisch zu begleiten. Dabei kann die Datenwertschöpfungskette dazu genutzt werden, die Vollständigkeit von der Datengenerierung bis zur Auswertung nachzuvollziehen und sicherzustellen. Weiterhin haben wir herausgearbeitet, welche Rolle die Feedbackschleife für Datenprodukte spielt und worauf bei dem Design einer Feedbackschleife geachtet werden sollte.
Damit gibt dieses Kapitel einen Überblick über die Methoden und Verfahren, die genutzt werden können, um Datenprodukte systematisch zu planen und umzusetzen. Davon unbenommen bleibt die Herausforderung, die richtigen Algorithmen und Tools einzusetzen und dem Datenschutz gerecht zu werden.
Конец ознакомительного фрагмента.
Текст предоставлен ООО «ЛитРес».
Прочитайте эту книгу целиком, купив полную легальную версию на ЛитРес.
Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.
