کتاب Data Product Management in the AI Age

انگیزه نگارش کتاب Data Product Management in the AI Age

در جلسات عمومی شرکت خود حضور دارید و تیم مدیران ارشد (C-level) یک سخنرانی بسیار الهام‌بخش درباره اهمیت نوآوری از طریق استفاده هرچه بیشتر از هوش مصنوعی ارائه می‌دهند. آن‌ها برخی از پروژه‌های در حال اجرا را به اشتراک می‌گذارند یا یک نمای کلی از پروژه‌هایی که قرار است در شرکت پیاده‌سازی شوند، ارائه می‌کنند. متخصصان شرکت، به ویژه مدیران ارشد، با این سخنرانی بسیار هیجان‌زده و الهام‌گرفته‌اند. بالاخره، شرکت ممکن است با تمام این نوآوری‌ها به نتایج بزرگی دست پیدا کند!

حالا، در جلسات رهبری واحد تجاری خود برای برنامه‌ریزی استراتژی چرخه بعدی شرکت می‌کنید. تیم‌ها برای تنظیمات تجاری خود، فعالیت‌های مهمی را برای دستیابی به یک هدف مشترک برنامه‌ریزی کرده‌اند. برخی نیز رویکردهای جدیدی را برای اعمال مدل‌های داده و استفاده از هوش مصنوعی برای رسیدن به پاسخ‌ها در نظر گرفته‌اند. همه چیز مشخص شده است به جز ابتکارات مربوط به کیفیت داده که شما در مورد آن‌ها به توافق رسیده بودید یا توصیه کرده بودید که باید انجام شوند.

پس از جلب توجه به این موضوع، رهبران بیان می‌کنند که آنچه برنامه‌ریزی کرده‌اند برای اهداف اصلی‌شان کافی است و می‌تواند به تنهایی از طریق استفاده از داده‌های سلف‌سرویس (self-service) به نتایج دلخواه برسد. در همین حین، افراد تیم‌هایشان نیز همین طرز فکر را دارند و فقط به کار تیمی با متخصصان داده نیاز خواهند داشت.

در لحظه‌ای دیگر، یکی از مدیران حوزه کاری شما از شما کمک می‌خواهد تا مشکلات داده‌ای تیم‌هایی را که به تازگی با آن‌ها هماهنگ شده‌اید، بررسی کنید. آن‌ها این داده‌ها را با یک واحد تجاری دیگر به اشتراک گذاشته‌اند تا پیاده‌سازی یک فرآیند تجاری استراتژیک جدید را ممکن سازند. با این حال، با مشکلاتی روبرو شده‌اند و دوباره بر کسب‌وکار تأثیر می‌گذارند زیرا نتایج داده‌ها با رفتار مورد انتظار مطابقت ندارند. مشخص نیست که آیا یک فرآیند ناموفق بوده، داده‌ها به دلیل یک باگ اشتباه هستند یا مشکل دیگری در کار است. حتی بدتر، نمی‌دانند از کجا باید شروع به بررسی کنند.

سپس، یک روز، مدیری از یک واحد تجاری دیگر باید اطلاعات تلفیقی در سطح شرکت را به تیم مدیران ارشد یا یک آژانس نظارتی گزارش دهد و برای اطمینان از صحت اطلاعات، از شما منبع داده‌های تحلیلی صحیح از حوزه کاری شما را می‌خواهد. با این حال، چنین چیزی وجود ندارد؛ زیرا هر تیم با داده‌های خود با استفاده از رویکردها و قوانین مختلفی کار می‌کند و هیچ استراتژی داده‌ای از ابتدا تا انتها طراحی و در هیچ نقشه راهی در نظر گرفته نشده است.

در نتیجه، آن‌ها یا اطلاعات ناقصی دارند یا اصلاً اطلاعاتی ندارند، مانند بقیه بخش‌ها، از جمله شما. با این حال، با وجود همه این‌ها، شما و تیمتان هنوز باید روی آن پروژه‌های بسیار نوآورانه هوش مصنوعی کار کنید که به داده نیاز دارند و انتظار شرکت برای منافع خود را برآورده می‌کنند، منافعی که توسط مدیران ارشد تعیین و به شرکت ابلاغ شده است. و همه چیز برای شرکت مهم است. تمام نیازهای کسب‌وکار واقعی هستند.

آیا می‌توانید خود یا شخص دیگری را در حداقل یکی از این سناریوها ببینید؟ من تصور می‌کنم که این سناریوها برای شما غیرمعمول نباشند. و بله، می‌توانیم درباره بسیاری از “سناریوهای فرضی” دیگر صحبت کنیم!

اگرچه هیچ راه‌حل جادویی واحدی برای حل تمام این مشکلات وجود ندارد، یک استراتژی مشخص و کار عملی که برای مدیریت محصولات داده (از داده تا هوش مصنوعی) طراحی شده باشد، برای اطمینان از برآورده شدن تمام نیازها و انتظارات کسب‌وکار حیاتی است. و این بسیار مهم است که مدیران برای مقابله با این مسائل، دانش و تجربه داشته باشند.

برای این منظور، می‌توان و باید برخی از مهارت‌ها و چارچوب‌های مبتنی بر اصول مهم را برای مواجهه با این چالش‌ها به کار گرفت. این همان فرصت بزرگی است که من برای به اشتراک گذاشتن دانش و تکنیک‌هایی دیدم که در طول تقریباً دو دهه مسیر شغلی خود در بازارهای مختلف، با تجربه موارد واقعی در زمینه‌های تجاری متنوع، محیط‌های فنی متفاوت و با متخصصان (مدیران/مدیران میانی-ارشد و متخصصان) از بازارهای مختلف توسعه داده‌ام.

ما در عصر هوش مصنوعی هستیم. ستون فقرات این فناوری، داده است که محتوای یادگیری را فراهم می‌کند، در حالی که الگوریتم مغز است که ماهیچه‌ها را برای درک مسیرها راهنمایی می‌کند.

به عبارت دیگر، امروزه داده برای هر استراتژی حیاتی است. بنابراین، مدیریت محصول داده‌ای قوی بنیادی است. اگر داده‌های استفاده شده نادرست یا در برخی جنبه‌ها مغرضانه باشند، عملکرد سیستم‌های هوش مصنوعی مستقیماً تحت تأثیر قرار خواهد گرفت، زیرا ممکن است الگوهای نادرستی را یاد بگیرند. پیامدهای بالقوه این مسئله می‌تواند قابل توجه باشد!

در سال ۲۰۲۱، گارتنر اعلام کرد: “هر سال، کیفیت ضعیف داده‌ها به طور متوسط ۱۲.۹ میلیون دلار برای سازمان‌ها هزینه دارد. جدای از تأثیر فوری بر درآمد، در بلندمدت، داده‌های با کیفیت ضعیف پیچیدگی اکوسیستم‌های داده را افزایش می‌دهد و به تصمیم‌گیری‌های نادرست منجر می‌شود.”

برای موفقیت، شرکت‌ها به معماری‌های داده قوی نیاز دارند که تحلیل‌های سلف‌سرویس را تسهیل کرده و امکان تست سریع‌تر محصول و پیاده‌سازی در کوتاه‌مدت را فراهم کنند. این ابتکارات ممکن است لزوماً به داده‌های با بهترین کیفیت و مدیریت شده نیاز نداشته باشند.

با این حال، شرکت‌ها همچنین باید قادر باشند راه‌حل‌های نوظهور را به صورت موفقیت‌آمیز به راه‌حل‌های تثبیت‌شده در پلتفرم‌های سالم با قابلیت‌های اساسی برای میان‌مدت و بلندمدت تبدیل کنند.

علاوه بر کشف‌های مداوم و آشکار برای فرصت‌های تجاری جدید، هر شرکتی مسئولیت‌هایی برای اهداف داخلی و خارجی دارد که به داده‌های طبقه‌بندی شده نیاز دارند، به طور اساسی به عنوان داده‌های اصلی (canonical) (یا همان منبع حقیقت).

این مسئولیت‌ها شامل نیازهای داخلی و خارجی زیر است:

• حمایت از طراحی، توسعه، تحویل و نگهداری راه‌حل‌ها با قابلیت مقیاس‌پذیری، از جمله نظارت، سیاست‌ها و مدل‌های هوش مصنوعی/یادگیری ماشین (ML)
• فراهم کردن روال کارآمد (کسب‌وکار به صورت معمول) در بین متخصصان
• حفظ استانداردهای حکمرانی برای اهداف داخلی و خارجی
• تغذیه مکانیزم‌های سازمانی که اطلاعات را به مشتریان ارائه می‌دهند
• گزارش‌دهی موردی (ad hoc) یا منظم به آژانس‌های نظارتی

به همین دلایل، داشتن متخصصان مسئول برای استراتژی داده کسب‌وکارها که بدانند چگونه محصولات داده و داده به عنوان محصول را طراحی و پیاده‌سازی کنند، حیاتی است.

تعریف کیفیت ضعیف داده

داده‌های ضعیف، فاقد انطباق با قوانین کسب‌وکار، کامل بودن داده‌ها، انطباق فرمت، قوانین سازگاری، تأیید صحت، تأیید منحصر به فرد بودن و اعتبار زمانی هستند (DAMA International, 2015). این امر منجر به یک یا چند مورد از ویژگی‌های زیر می‌شود:

• داده‌های نادرست
• داده‌های تکراری
• داده‌های ناقص
• داده‌های غیرمنطبق

این مشکل همچنین می‌تواند به دلیل عدم مالکیت و رهبری داده ایجاد شود:

• عدم آگاهی در بین رهبران و کارکنان
• عدم حکمرانی کسب‌وکار
• عدم رهبری و مدیریت
• دشواری در توجیه بهبودها
• ابزارهای نامناسب یا ناکارآمد برای اندازه‌گیری ارزش

کیفیت ضعیف داده بر کسب‌وکار تأثیر می‌گذارد

کیفیت ضعیف داده‌ها مستقیماً بر کسب‌وکار تأثیر می‌گذارد، حتی اگر همیشه نشان دادن یا صریح کردن آن آسان نباشد.

این مشکلات می‌توانند حداقل در چهار جنبه منجر به خطرات یا تأثیرات شوند:

• نقض مقررات و جریمه‌ها (مثلاً گزارش داده‌های نادرست) منجر به جریمه شدن می‌شود.
• هزینه‌های عملیاتی بالاتر ناشی از فرآیندهای نامناسب که از معماری‌های داده ناکارآمد و غیر استاندارد استفاده می‌کنند.
• از دست دادن (فرصت‌های تولید) درآمد ناشی از عدم درک بازار و فرصت‌های داخلی برای تولید درآمد، کاهش هزینه‌ها و ضررها.
• تأثیر منفی بر شهرت ناشی از مواردی مانند زمانی که شرکت‌ها اعلام می‌کنند در محاسبات خود اشتباه کرده‌اند (مثلاً پرداخت کمتر غرامت به رانندگان توسط Uber).

هدف کتاب Data Product Management in the AI Age

داده‌های دقیق و بسیار خوب مدیریت شده، مهم هستند و این فقط برای شرکت‌ها نیست. برای بسیاری از کسب‌وکارها بنیادی است.

این امر اکنون، در عصر ابتدایی هوش مصنوعی، حتی حیاتی‌تر می‌شود، زیرا داده اطلاعاتی است که هوش مصنوعی برای یادگیری و تصمیم‌گیری از آن استفاده می‌کند، در حالی که الگوریتم‌ها قوانینی برای دنبال کردن، پردازش داده‌ها و یادگیری از آن‌ها هستند (دیوید پاتل، ۲۰۲۳).

با در نظر گرفتن این موضوع، کتاب Data Product Management in the AI Age با پاسخ به سوالات مهم زیر، به شما در انجام این مسئولیت مهم مدیریت داده به عنوان یک محصول کمک می‌کند:

• محصول داده چیست و چرا لازم است؟
• داده به عنوان یک محصول چیست و چرا لازم است؟
• برای انجام این کار چه باید بدانم؟
• چگونه باید آن را طراحی کنم؟
• چگونه باید شروع کنم؟
• چه کاری و چگونه باید انجام دهم؟

کتاب Data Product Management in the AI Age “مدیریت محصول داده در عصر هوش مصنوعی” برای چندین نوع از خوانندگان در نظر گرفته شده است:

• مدیران اجرایی داده که طراحی و پیاده‌سازی محصولات داده را رهبری خواهند کرد.
• مدیران محصول که علاقه‌مند به تبدیل شدن به مدیران/مالکان محصولات داده هستند.
• افراد کسب‌وکار که با تیم‌های داده کار خواهند کرد و محصولات داده و پروژه‌های آن‌ها را مدیریت می‌کنند.
• مهندسان تحلیل، مهندسان داده، دانشمندان داده و/یا مهندسان یادگیری ماشین که راه‌حل‌های داده را پیاده‌سازی خواهند کرد.
• متخصصان مرتبط با داده و توسعه‌دهندگان که به دنبال رهبری داده و مدیریت محصول هستند.

کتاب Data Product Management in the AI Age، پیش‌زمینه پیچیده‌ای در زمینه مدیریت پروژه و چابک (agile) را فرض نمی‌کند. با این حال، با توجه به ماهیت خود، مطالب آن بر مفاهیم مدیریت پروژه استوار است.

هدف این است که درک قابل توجهی از مدیریت عملی محصولات داده و مهم‌تر از آن، رهنمودهای عملی درباره چگونگی انجام آن ارائه شود.

برای پرداختن به این موضوع، کتاب Data Product Management in the AI Age موارد زیر را پوشش می‌دهد:

• مقدمه‌ای بر اصول مدیریت محصول داده: شما در مورد مفاهیم محصولات، محصولات داده، داده به عنوان یک محصول و منشأ همه این‌ها، مسیر معماری تحلیلی و مشکلات آن، و دانش لازم برای مدیریت آن یاد خواهید گرفت.
• قرار دادن مدیریت محصول داده در عمل: شما تکنیک‌های جدیدی را که من طراحی کرده‌ام، مانند پلتفرم داده طلایی (Golden Data Platform) که برای مدیریت داده به عنوان یک محصول از طریق یک محصول داده استفاده می‌شود، خواهید آموخت. همچنین درباره چارچوب مدیریت محصول داده و نحوه استفاده از بوم (canvas) که من ایجاد کرده‌ام، یاد خواهید گرفت. در نهایت، خواهید آموخت که چگونه همه چیز را در عمل پیاده‌سازی کنید، از طراحی راه‌حل تا ادامه آن.

در پایان کتاب Data Product Management in the AI Age، قادر خواهید بود به مدیران، همکاران و تیم خود توضیح دهید که چرا محصولات داده و به ویژه داده به عنوان یک محصول برای کسب‌وکار مهم هستند. نه تنها توضیح دهید، بلکه آن را در عمل پیاده‌سازی کرده و در این عصر جدید، برای کسب‌وکار ارزش ایجاد کنید!

اگرچه اجباری نیست، اما برای درک عمیق‌تر از موضوعات مطرح شده و یک مسیر یادگیری تدریجی، توصیه می‌کنم فصل‌ها را به ترتیب مطالعه کنید.