Как развивать дата-сервис: старт, подходы и методологии

Интерес к дата-продуктам в отраслях двигает рынок

Первое, о чем важно сказать: для дата-продуктов есть место в любой отрасли — в одних индустриях они уже стали чем-то привычным, а другие только открывают их преимущества. Например, сервисы VK Predict изначально были ориентированы на клиентскую аналитику. С ростом экспертизы технологии масштабировались — и сегодня направление объединяет инструменты для геоаналитики и быстрой проверки гипотез, системы поддержки принятия решений и другие. Развитие функциональности расширяет и сферу применения: подходящий продукт могут найти компании из самых разных отраслей.

Самый большой опыт внедрения сервисов предиктивной аналитики у компаний из финансового сектора, IT-индустрии, телекоммуникационных, а также e-com-проектов. Это объясняется тем, что решения на базе машинного обучения нативны для этого бизнеса — без них таким компаниям в принципе сложно развиваться.

В последние годы растет интерес к подобным решениям со стороны строительных, промышленных компаний и государственного сектора — в этих сферах у них огромные возможности для развития. Например, системы геоаналитики могут быть полезны для оценки потенциала локаций, если компания хочет развивать точки продаж и имеет целевые показатели выручки, среднего чека и т.д. Кроме того, с их помощью можно оценивать туристический поток в регионе. 

Рано или поздно инструменты предиктивной аналитики на базе массивов данных и технологий ИИ найдут свое место во всех индустриях. По прогнозу Ассоциации больших данных, в ближайшие три года рынок дата-сервисов вырастет в два раза. 

С чего начинать разработку дата-сервиса

Чтобы обосновать необходимость инвестиций в разработку нового дата-продукта, важно ответить на вопрос: «Какой экономический эффект он даст?» — и уже на старте спрогнозировать его в деньгах. Такой подход превращает аналитику не просто в функцию, а в один из элементов PnL компании.

Прежде чем переходить к активным действиям, стоит удостовериться, что новый сервис будет работать не хуже существующих, то есть потенциально будет востребован рынком. Например, если это продукт в области квартирографии, он должен прогнозировать ценообразование жилых комплексов не хуже, чем аналитические инструменты, которые уже использует застройщик. 

Более сложная задача — оценить, как сервис будет влиять на конкретные бизнес-метрики. Это довольно просто сделать в процессах, связанных с аналитикой данных, в IT-, телеком-компаниях или в банках, где есть устоявшиеся методики оценки результата. В других отраслях все не так просто, поскольку аналитические процессы часто не выстроены — и вместе с продуктом приходится разрабатывать и методологию оценки его эффективности.

Какие подходы использовать на старте и далее

Важно проанализировать ситуацию в индустрии, оценить ее потенциал, выявить процессы, которые могут быть оптимизированы с помощью инструментов на базе машинного обучения. И после — инвестировать в разработку и развитие инструмента.

После взгляда на рынок сверху вниз и выбора ключевых путей развития продукта можно начинать двигаться по нему маленькими шагами и создавать MVP — работающее решение с ограниченной функциональностью. Очень важно быстро получать обратную связь от пользователей — ее лучше получать после каждой итерации разработки нового сервиса. Это необходимо, чтобы не отклоняться от выбранной траектории и в какой-то момент не превратить продукт в нечто не востребованное рынком.

Такой подход позволяет поставить себя на место пользователей, понять, какие задачи им нужно решить, какие процессы оптимизировать, — и создавать продукт, способный помочь им это сделать. А еще это помогает поддерживать высокий индекс лояльности клиентов. Когда вы знаете, что нравится и что не нравится вашим пользователям, что для них удобно в продукте, а что — не очень, можно трансформировать его в соответствии с этими знаниями, улучшая UX. 

Развивая дата-продукт, большое внимание нужно уделять обеспечению качества исходных данных, особенно если ML-сервис используется в процессе принятия бизнес-решений. Если модель, например, начинает неправильно предсказывать отток клиентов, это быстро повлияет на продажи и выручку. Поэтому необходимо регулярно мониторить качество ее работы. 

Какие методологии управления проектом оптимальны на разных этапах

Чтобы работа над продуктом была максимально эффективной, команда VK Predict использует разные методологии управления проектом на разных стадиях жизненного цикла нового сервиса.

На начальном этапе это Scrum. Эта методология с двухнедельными спринтами позволяет быстро получать результаты.

Когда продукт становится более зрелым и у него появляются пользователи со своими задачами и потребностями, которые нельзя не учитывать, в некоторых случаях целесообразно переходить на процессный подход, похожий на методологию Kanban. Поступающие задачи приоритизируются и быстро включаются в разработку, гибко меняя план. 

Для реализации отдельных аналитических проектов применима методология Waterfall. 

Команда регулярно синхронизируется с другими направлениями VK — постоянно происходит обмен знаниями и компетенциями. Это эффективно, ведь одна технология может быть применима в разных продуктах. 

Не менее важно наладить правильное взаимодействие внутри команды проекта. В нее входят разные специалисты — бэкенд- и фронтенд-разработчики, аналитики, DevOps- и ML-инженеры, продуктовые менеджеры — и им должно быть легко и комфортно обмениваться информацией. Разработчикам нужно понимать задачи продукта для бизнеса, что пользователи думают о продукте, а представителям бизнеса — его технические особенности, ограничения, реальные сроки реализации проекта и т.д.

Чек-лист продуктовой зрелости как инструмент определения стадии развития дата-сервиса

Всегда понимать, на какой стадии находится дата-продукт, помогает чек-лист продуктовой зрелости. В команде VK Predict он содержит около 30 блоков, каждый из которых разбит на пункты, например:

1. Организационный блок. В идеале в нем должны быть описаны все роли с указанием людей, за которыми они закреплены, принципы работы, взаимодействия внутри команды и другие аспекты. 
2. Блок с артефактами. Артефакт — любой объект в процессе работы над продуктом, который можно описать, формализовать и сохранить в том месте, где он будет доступен каждому новому члену команды, например роадмап, видение продукта, архитектура решения. 
3. Блок, посвященный практикам, которые применяет команда. К ним относятся груминг бэклога, способы оценки, ведение документации и т.д. 
4. Технический блок. Из него, например, можно узнать, производится ли логирование и, если да, по каким правилам, как и когда проводится нагрузочное тестирование. 

Какие качества нужны владельцу дата-продукта

Владелец дата-продукта должен обладать серьезным набором профессиональных навыков: как в работе с инструментами, так и во взаимодействии с людьми и управлении проектами. Конечно, ему важно понимать, как сервис устроен под капотом, — но не менее важно понимать цели бизнеса, уметь договариваться и находить компромиссы.

Еще одна его задача заключается в том, чтобы правильно рассказывать о своем продукте, продвигать его, вдохновлять людей на работу с ним. А для этого необходима предпринимательская жилка. 

Так что владелец дата-продукта — человек-оркестр, который и хорошо подкован технически, и умеет общаться с людьми, и способен находить нестандартные пути решения задач.

Фото на обложке: NicoElNino / Shutterstock