GoPractice публикует основные тезисы выступлений спикеров наших вебинаров. Следить за анонсами и расписанием прямых эфиров вы можете в телеграм-канале GoPractice.

В этом выпуске Нина Романова (ML Product Manager в Mars, Inc.) рассказывает о ключевых компетенциях ML Product Manager.

Развивайтесь в профессии продакт-менеджера с помощью GoPractice.

→ «Профессия: продакт-менеджер».

→ «Симулятор управления продуктом на основе данных».

→ «Симулятор управления ростом продукта».

→ «Симулятор SQL для продуктовой аналитики»

→ «Симулятор управления ML/AI-проектами».

→ «Генеративный AI для продакт-менеджеров: мини-симулятор».

→ Не знаете с чего начать? Пройдите бесплатный тест для оценки навыков управления продуктом и подпишитесь на телеграм-канал GoPractice.

Для удобства чтения мы отредактировали речь спикера.

Я ни в коем случае не отметаю все те компетенции, которые нужны для обычного продакт менеджера: ML Product Manager также должен уметь приоритизировать, работать с конфликтами, коммуницировать. Но я бы вынесла три компетенции, которые его отличают.

Во-первых, конечно, понимание данных. Хорошо, если вы будете обладать какими-то инструментами, чтобы разговаривать с дата-сайентистами и инженерами, потому что нужно уметь задавать правильные вопросы и тем, и другим, чтобы вообще разобраться, что возможно, а что невозможно сделать с данными. Есть очень хороший инструмент — исследовательский анализ данных, когда мы просто путем каких-то графиков и визуализации можем сделать какие-то выводы. Например, есть ли у нас проблемы с данными, какие-то пробелы, есть ли какая-то модальность данных или нам все-таки нужны другие данные, потому что корреляцию мы не видим. Сырые данные не несут никакой ценности. Если у вас есть много данных — это хорошо, но это ничего еще пока не значит, потому что нужно вытащить эту ценность, и как раз ML Product Manager эту ценность и вытаскивает. Поэтому было бы хорошо приобрести какие-то такие навыки по пониманию данных. 

Второй момент — это умение объяснять, почему модель пришла к таким результатам, что еще называют unboxing from blackbox. Это поможет построить доверительные отношения между вами и стейкхолдерами, потому что если вы можете объяснить, почему модель предсказывает именно так, то им уже будет намного легче принять продукт, доверять ему.

Приведу пример. Вы наверняка видели на стриминговых платформах или музыкальных платформах сообщение в духе: потому что вы прослушали этого певца или посмотрели этот фильм, мы советуем вам эту песню или этот фильм. Вот это «потому что» как раз и является тем важным объяснением. Поэтому нужно уметь разговаривать на языке пользователей и стараться избегать статистических каких-то определений, потому что они могут только запутать. 

Третье — это умение ставить правильные критерии приемки, acceptance criteria. То есть как мы будем измерять результаты нашей модели, насколько она корректно что-то делает. Потому что одну модель для разных задач мы можем оценивать по-разному. Например, как часто модель предсказывает правильный ответ и как часто она ошибается — это две разные метрики. Придумывать метрики — это не работа продакт-менеджера. Он это обсуждает с дата-сайентистами, дата-инженерами. Это наши лучшие друзья. Всегда лучше разбираться в этом самой, они могут предложить какие-то решения, а роль продакт-менеджера — согласиться или отказаться.

↓ Все выпуски вебинара с Ниной Романовой

→ ML Product Manager: особенности работы

→ Ключевые компетенции продакт-менеджера для работы с ML

→ Когда использовать ML в работе над проектом

→ Как проверить необходимость ML без ML

→ Как искать работу в США

→ Как проходить интервью в международных компаниях

Материалы от Нины Романовой: о поиске работы и работе ML Product Manager

↓ Все серии материалов на основе вебинаров с экспертами

→ Анна Наумова. О навыках для работы в международной компании, необходимом уровне английского языка, об интеграции в культуру другой страны

→ Василий Сиников. О нюансах поиска работы в корпорациях после стартапа, о различиях в культуре больших и маленьких компаний, о трудоустройстве без опыта

→ Олег Новиков. О главных ошибках в резюме, о подготовке к собеседованиям в зарубежных компаниях, об обсуждении зарплаты с потенциальным работодателем

→ Григорий Ткаченко. Об особенностях продажи технологического бизнеса, о роли и задачах Engineering Manager, о необходимом уровне английского для технического специалиста.

→ Анна Булдакова. О принятии карьерных решений, работе продакта с ментором и об ответе на вопрос «Кем ты видишь себя через пять лет?».

→ Нина Романова. Об особенностях работы ML Product Manager, использовании Machine Learning в проектной работе и правильной стратегии для трудоустройства в США.

→ Ксения Стернина. О поиске работы за рубежом junior-продактом, работе UX-дизайнера с западными заказчиками и оценке собственного профессионального опыта.