29683
Продакт-менеджмент, аналитика, ML/AI и профессиональное развитие. Делаем обучающие симуляторы и публикуем полезные материалы — gopractice.ru
Рекомендация GoPractice
Многие хотят вырасти в руководителей, но, как показывает практика, после перехода большинство новоиспеченных менеджеров испытывают серьезный синдром самозванца или выгорают. Это неудивительно, ведь 90% навыков, которые им теперь приходится применять в работе, не совпадают с тем, что они делали раньше.
Аня Булдакова (CEO Meander, ex-руководитель продактов в Meta, ex-Intercom) испытала это на себе — и сделала буткемп для менеджеров (или тех, кто только собирается ими стать).
Основные моменты:
— Это пятинедельный авторский курс по основам менеджмента: стратегии, оргдизайну, культуре, процессам и росту подчиненных. Он создан на базе опыта Ани в Meander, Meta, Intercom, а также обучения в Гарварде.
— Курс подойдет тем, кто только начинает свой путь руководителя или же хочет структурировать багаж знаний и открыть для себя новые инструменты.
— Курс рассчитан на руководителя любой функции продуктовой команды. В прошлом потоке у Ани учились дизайнеры, разработчики, исследователи, аналитики (и, конечно, продакты).
— В зависимости от тарифа, вы можете сфокусироваться только на теории и шаблонах — или же добавить практики и нетворкинга с участниками курса.
По этой ссылке — полная информация по программе, ценам и деталям курса. Присоединяйтесь!
Как ML-технологии помогают улучшать Retention продуктов
Retention — ключевая метрика для большинства продуктов. Именно поэтому команды, которые начинают внедрять ML в свои продукты, быстро приходят к вопросу о том, как использовать эти технологии для лучшего удержания пользователей.
Один из наиболее распространенных подходов к решению этой задачи — прогнозирование оттока пользователей (churn prediction). Определив пользователей, которые с высокой вероятностью уйдут, мы можем предложить им скидки, бонусы и другие преимущества, которые позволят удержать их в продукте.
Однако в реальности такие проекты редко приносят ценность бизнесу. Часто у команд получается обучить модель, которая хорошо предсказывает уход пользователей, но им не удается добиться того, чтобы попытки удержать их оказались финансово выгодными.
В этом материале обсудим альтернативный подход к улучшению Retention с помощью ML — uplift-моделирование — и то, как он позволяет эффективнее тратить бюджеты на удержание пользователей.
🔗 https://gopractice.ru/product/ml-retention-improvement/
🎓🎓🎓
Если вы хотите научиться не только видеть возможности для использования ML в своих проектах, но и уметь превращать их в работающие для бизнеса решения, присоединяйтесь к студентам «Симулятора управления ML/AI-проектами» от GoPractice.
Получите бесплатный доступ к первым главам, запросив триал через почту contacts@gopractice.ru.
Привет!
До 25 июля открыт набор в магистратуру Высшей школы экономики на программу, частью которой является наш «Симулятор управления продуктом на основе данных».
Эта программа готовит профессионалов в управлении продуктом и маркетингом на основе данных.
Обучение проводится в офлайне и длится два года, выпускники получают диплом магистра государственного образца и сертификат GoPractice.
В программе предусмотрены бюджетные места, а для поступления не требуются экзамены. Узнать больше можно по ссылке.
Прием документов — до 25 июля, а 22 июля пройдет онлайн-встреча с кураторами и преподавателем магистратуры.
Поделитесь опытом с GoPractice
Привет!
Доменная экспертиза на уровне определенных частей продукта может заметно ускорить переход в продуктовую роль.
Подробнее о роли доменной экспертизы и способах ее наработать мы недавно рассказывали в этом материале.
Нам интересно, пригодилась ли вам доменная экспертиза, если вы переходили на роль продакт-менеджера из смежной профессии.
Пожалуйста, пройдите этот короткий опрос (он займет не более 1 минуты).
Спасибо!
Как Duolingo перезапустил рост
В 2018 году Duolingo, одно из самых популярных приложений для изучения языка, фактически перестало расти. Аудитория увеличивалась на единицы процентов год к году, в то время как инвесторы ждали уверенного роста доходов приложения.
Jorge Mazal (Хорхе Мазал), бывший CPO Duolingo, поделился увлекательной историей того, какие эксперименты и решения позволили перезапустить рост продукта и добиться увеличения аудитории в 4.5 раза за четыре года.
Его откровенный рассказ будет актуален для всех, кто решает задачу роста в своих продуктах или планирует к ней приступить.
🔗 https://gopractice.ru/stories/duolingo-growth-story/
Прокачайте свои навыки
Если вы хотите получить системное понимание того, как устроен рост продуктов и с помощью каких рычагов вы можете на него повлиять, присоединяйтесь к студентам «Симулятора управления ростом продукта».
Доменная экспертиза: как понимание сферы или индустрии помогает продакт-менеджеру
Продакт-менеджеры работают в самых разнообразных сферах, в том числе и в индустриях за пределами IT — в торговле, медицине, банкинге, транспорте, недвижимости и многих других.
В каждой из этих сфер есть специфичные для нее знания, обладание которыми позволяет глубже понимать процессы и эффективнее выполнять работу.
Такие знания называют отраслевой или доменной экспертизой.
В этом материале поговорим о том, в чем важность доменной экспертизы для продактов (и тех, кто хочет войти в профессию), в каких сферах она наиболее критична и как ее наработать.
🔗 https://gopractice.ru/skills/domain-expertise/
🖊 Поделитесь с нами своей историей
Мы знаем, что многие из наших студентов после обучения в симуляторе смогли перейти в продуктовую роль. К сожалению, мы знаем далеко не все эти истории.
Если это про вас, то напишите, пожалуйста, нам и расскажите про свой опыт. Можно на почту people@gopractice.io или в телеграме (@eighthours8).
Заранее спасибо!
О механизмах защиты модели роста и бизнеса
В начале 2021 году капитализация маркетплейса Wish превысила $22 миллиардов.
Сегодня Wish оценивается в районе $160 миллионов.
Компания обесценилась более чем в 100 раз.
Как так получилось? У компании не было достаточно механизмов для защиты модели роста и бизнеса.
Wish — кросс-бордерный маркетплейс, на котором можно приобрести товары напрямую из Китая: обычно речь идет об импульсивных покупках дешевых товаров стоимостью от $5 до $15.
Конечно, Wish не был первопроходцем в этой нише. Уже много лет ту же возможность предлагал AliExpress.
Но у AliExpress не получилось стать mobile first: он так и оставался для аудитории в первую очередь веб-сайтом. Этим и воспользовался Wish, построив mobile first продукт и взяв на вооружение платные каналы роста в мобайле. Эти каналы позволили Wish дотянуться до аудитории, которая не знала или не использовала AliExpress.
Долгие годы Wish был одним из крупнейших рекламодателей в Facebook, что позволило стать маркетплейсу занять лидирующие позиции на рынке e-commerce.
Wish запустился в 2010 году, спустя пять лет он достиг оценки в $1 миллиард, в 2018 году — оценки в $10 миллиардов. После выхода на биржу на пике стоимость Wish достигала $22 миллиардов.
Но сегодня от этой цифры почти ничего не осталось.
Причина в том, что бизнес-модель Wish была слабо защищена на всех ключевых уровнях:
Продукт
Продукт Wish быстро скопировали другие компании, включая Aliexpress, Joom и Vova. Между ними не было значимой разницы, поэтому конкуренция велась преимущественно на уровне цены.
Каналы роста
Модель роста Wish сильно зависела от платных каналов роста, которые защищены очень слабо. Как только конкуренция в мобильных рекламных каналах усилилась и цена установки заметно выросла, Wish стало сложно поддерживать былые темпы роста. Отказ от IDFA в iOS 14 стал добивающим ударом для Wish.
Рынок
Введение НДС на покупки из-за рубежа в странах ЕС в 2021 году сильно ослабило позиции Wish в сравнении с локальными маркетплейсами. Кроме того, Wish оказался под пристальным вниманием регуляторов европейских стран из-за определенных товаров, продававшихся на платформе. Например, во Франции, крупнейшем для маркетплейса рынке региона, Wish и вовсе попал под блокировку.
Все эти факторы сильно подорвали модель роста Wish. Рост остановился, сделав выход на прибыльность практически невозможным для компании.
Недостаток защищенности на уровне продукте, каналов роста и рынка в конечном итоге привели к утрате позиций маркетплейсом и падением его стоимости.
Быстрый рост ≠ способность сохранить ценность.
🎓 🎓 🎓
Устойчивое масштабирование продукта — это действительно непростая работа.
Как построить эту работу правильно, как создать целостную модель роста продукта, идентифицировать ограничения, найти инструменты для реализации возможностей — вы узнаете в процессе обучения в «Симуляторе управления ростом продукта» от GoPractice.
Узнайте больше о нашем симуляторе.
P.S.
Кстати, мы ищем комьюнити-менеджера в команду GoPractice.
Все подробности — по ссылке. Будем рады, если вы поделитесь вакансией с теми, кому она может быть интересна 🙂
Наши друзья и коллеги сделали подборку каналов про продуктовое мышление.
Мы читаем их сами и рекомендуем подписаться и вам: /channel/addlist/1tW6oHxTWgo1YzRk
Симулятор SQL — теперь на английском!
Мы запустили «Симулятор SQL для продуктовой аналитики» на английском языке — SQL Simulator for Product Analytics.
Напомним, что симулятор рассчитан на тех, кто хочет научиться решать базовые задачи с данными с помощью SQL самостоятельно.
В симуляторе студентов ждут более 400 практических заданий и 50 часов обучения. Разбираемые задачи наиболее релевантны продакт-менеджерам, проджект-менеджерам, маркетологам, специалистам в UX-Research.
Наши студенты учатся доставать, изучать и чистить данные, рассчитывать ключевые метрики и отвечать с их помощью на важные вопросы о продукте и маркетинге.
Все это позволит принимать решения быстрее и эффективнее.
Мы будем рады, если вы поделитесь информацией о нашем симуляторе с вашими англоязычными коллегами. Просто пришлите им ссылку ниже, по которой они могут узнать больше о SQL Simulator for Product Analytics.
🔗 https://gopractice.io/course/sql/
Спасибо!
Дизайн A/B-тестов. Инструкция и шаблон
Успешная работа над продуктом напоминает научное открытие: вы двигаетесь от гипотезы к эксперименту и делаете выводы на основе полученных данных. Создавать продукты без экспериментов — значит полагаться на непроверенную (и часто ложную) гипотезу. И работать впустую.
С другой стороны, тщательно спланированный эксперимент поможет вам лучше понимать пользователей и продукт, видеть логические ошибки, корректировать направление развития и направлять усилия команды верным курсом.
В этом материале мы рассказываем, как частые эксперименты делают работу над продуктом более осознанной, и предлагаем шаблон для дизайна эксперимента.
🔗 https://gopractice.ru/data/design-ab-test/
💡 Проверьте свои навыки в управлении продуктом с помощью бесплатного теста от GoPractice.
💡 Пройдите путь продакт-менеджера в нашем симуляторе, чтобы усилить и систематизировать знания, которые пригодятся вам в реальной работе.
Лояльные пользователи — это то, что вы придумали
Продакт-менеджеру легко поддаться убеждению, что его продукт имеет крайне важное значение в жизни пользователей, что они испытывают к нему привязанность.
Но так происходит далеко не всегда.
Обычно все наоборот. Вы как продакт-менеджер постоянно думаете о своих пользователях, тогда как они, в свою очередь, думают о вашем продукте редко.
Представьте менеджера небольшой сети продуктовых магазинов.
Он уверен, что покупатели возвращаются в магазины, потому что лояльны. Но истинные причины могут выходить за рамки неопределенной «лояльности». Например, близкое расположение, низкие цены, фермерские товары.
Если ключевая причина вдруг исчезнет (появится другой магазин еще ближе, цены вырастут или фермерские товары уберут из продажи), то такой «лояльный» покупатель легко переключится на другое решение.
С онлайн-продуктами то же самое. Сегодня ваше решение — лучшее из им известных и доступных, но завтра они могут переключиться на альтернативный вариант. Никакая долгая история ваших взаимоотношений их не остановит. Никакой лояльности здесь и не было.
Конечно, это не всегда так. Есть обратные примеры и самый яркий из них – Apple. Но это скорее редкое исключение, чем правило.
Попробуйте применить такую логику, размышляя о вашем продукте. Подумайте, почему на самом деле пользователи его выбирают. И не переоценивайте роль их лояльности к вашему бренду или продукту.
«Метод персон» и Jobs to Be Done. Что лучше для работы с целевой аудиторией
Jobs to Be Done (JTBD) — это фреймворк, в основе которого лежит идея, что пользователи «нанимают» продукты для выполнения определенной «работы».
«Метод персон» подразумевает создание портрета представителя целевой аудитории определенного продукта.
Хотя может показаться, что эти подходы противоречат друг другу, на самом деле они оба могут быть полезны при затачивании продукта под потребности целевой аудитории.
Предлагаем вам прочитать адаптированный перевод статьи Personas vs. Jobs-to-Be-Done, опубликованной в блоге Nielsen Norman Group, в котором подробно разбираются преимущества этих подходов и решаемые ими задачи для продуктовых команд.
🔗 https://gopractice.ru/product/personas-vs-jtbd/ 🔗
💡 Проверьте свои навыки в управлении продуктом с помощью бесплатного теста от GoPractice.
💡 Пройдите путь продакт-менеджера в нашем симуляторе, чтобы усилить и систематизировать знания, которые пригодятся вам в реальной работе.
Как стать продакт-менеджером. Остаться внутри текущей компании или перейти в другую?
Перейти на позицию продакт-менеджера из смежной роли можно двумя способами: через рост внутри текущей компании и через поиск работы в новой.
У каждого из них есть свои особенности. Первый путь обычно проще и доступнее, поскольку вы уже знаете компанию, рынок, людей и культуру внутри. Второй путь сложнее, но эти усилия кратно окупаются, когда вы находите гораздо более интересное для себя направление или продукт.
В этом материале мы разберем две траектории перехода в продакт-менеджмент и расскажем, как увеличить шансы на каждой из них.
🔗 https://gopractice.ru/skills/current-employer-vs-new-pm/
💡 Проверьте свои навыки в управлении продуктом с помощью бесплатного теста от GoPractice.
💡 Пройдите путь продакт-менеджера в нашем симуляторе, чтобы усилить и систематизировать знания, которые пригодятся вам в реальной работе.
Jobs to Be Done: почему важно знать, какую именно задачу хотят решить ваши пользователи
Никогда прежде компании не знали так много о своих клиентах, как сегодня. Но при решении их проблем по-прежнему во многом полагаются на удачу, на авось.
Почему?
Часто создатели продуктов слишком сильно фокусируются на построении профилей покупателей и поиске различных корреляций в данных, вместо того чтобы попытаться понять — на какую же «работу» пользователи хотят «нанять» их продукт.
Эту и другие идеи на протяжении многих лет развивал и продвигал Клейтон Кристенсен, американский ученый и профессор Гарвардской школы бизнеса, автор теории «подрывных инноваций» и один из основателей и популяризаторов фреймворка Jobs to Be Done.
Мы предлагаем вам прочитать адаптированный перевод статьи Know Your Customers’ “Jobs to Be Done”, написанной Клейтоном Кристенсеном совместно с соавторами одной из самых известных его книг “Competing Against Luck”, посвященной фреймворку Jobs to Be Done. Статья была опубликована в Harvard Business Review в 2016 году, но остается важной и актуальной и сейчас.
🔗 https://gopractice.ru/stories/jtbd-christensen/
💡 Проверьте свои навыки в управлении продуктом с помощью бесплатного теста от GoPractice.
💡 Пройдите путь продакт-менеджера в нашем симуляторе, чтобы усилить и систематизировать знания, которые пригодятся вам в реальной работе.
Как стать продакт-менеджером. Пути перехода из других профессий
Простого пути стать продакт-менеджером с нуля нет.
Дело в том, что даже позиция junior продакт-менеджера подразумевает высокий уровень ответственности и требует большого количества навыков.
Но ведь как-то люди становятся продактами?
В большинстве случаев до этой позиции будет проще «вырасти» из смежной роли, чем с нее стартовать.
Оптимальный трек — переход из смежных позиций, на которые, в свою очередь, можно прийти после получения высшего образования или с меньшим опытом. Такими позициями будут, например, проджект-менеджер, аналитик, маркетолог, а также ряд других.
В этом материале мы подробно разберем:
• Из каких профессий перейти в продакт-менеджмент проще?
• Какой опыт и какие навыки можно будет переиспользовать (в зависимости от предыдущей роли)?
• Какие знания и навыки нужно будет достроить?
🔗 https://gopractice.ru/skills/get-into-pm/
💡 Проверьте свои навыки в управлении продуктом с помощью бесплатного теста от GoPractice.
💡 Пройдите путь продакт-менеджера в нашем симуляторе, чтобы усилить и систематизировать знания, которые пригодятся вам в реальной работе.
Как Facebook не стал TikTok
Facebook был близок к тому, чтобы занять нишу TikTok… но сознательно решил этого не делать. Cпустя несколько лет команда Facebook передумала. Но было уже слишком поздно.
Что же пошло не так?
Новостная лента Facebook создавалась таким образом, чтобы понимать предпочтения пользователей и показывать контент, который стимулирует активность и вовлечение.
Изначально лента состояла преимущественно из публикаций друзей, но со временем контент профессиональных креаторов (преимущественно короткие видео, новости и т.д.) стал занимать все большую долю показов.
Такой профессиональный контент значительно лучше вовлекал пользователей. Возможно, вы помните, как несколько лет назад лента Facebook превратилась в сплошной поток виральных видео, от которых было сложно оторваться.
Но в 2018 году Facebook решил, что нужно вернуться к истокам и сделать ставку на контент от друзей и общение между людьми. В рамках выбранной стратегии Facebook сильно ограничил показы в ленте виральных видео, новостей и другого профессионального контента. Вес же постов от друзей или же обсуждений от них стал значительно выше.
Менеджмент Facebook обосновал свое решение тем, что потребление видео и новостей — это «пассивный опыт». А целью компании является построение глобального комьюнити, ядром ценности которого является общение.
Больше всего от этого решения пострадали креаторы, которые инвестировали много времени и ресурсов в создание контента для площадки. На тот момент это казалось хорошим шагом, который сфокусировал продукт на его ключевой и уникальной ценности. Но сейчас понятно, что это не так.
В реальности к тому моменту личное общение уже давно утекло за пределы основного приложения Facebook в мессенджеры (Messenger, WhatsApp, Telegram, Snapchat). Поэтому попытка оживить паттерны использования соцсети, с которых она начиналась была обречена на провал. Как раз наоборот, у компании была отличная возможность превратить свой главный продукт (приложение Facebook) во что-то другое, например, сфокусировать его на потреблении лучшего контента, который создает максимальное вовлечение и не ограничен социальный графом (напоминает что-то, не так ли?).
К началу 2018 года месячная аудитория TikTok составляла всего лишь 55 млн. Месячная же аудитория пользователей Facebook, у кого новостная лента уже превратилась во что-то подобное Tiktok, была в разы больше.
Но команда Facebook не прислушалась к сигналам того, что хотят пользовзатели. Она решила, что “правильнее” пользователям будет видеть контент от их друзей.
Это решение привело к серьезному падению time spent и выручки Facebook. Но что более критично, Facebook добровольно отдали новый растущий рынок TikTok.
Спустя несколько лет аудитория TikTok превысит 1 млрд активных пользователей. Во многом этот рост случился благодаря Facebook. TikTok стал одним из крупнейших рекламодателей соцсети, и неудивительно, что их вовлекающий контент прекрасно работал в роли рекламных креативов, которые эффективно перетаскивали пользователей (ну или как минимум их внимание) из одной соцсети в другую.
Когда команда Facebook осознала, что ее пользователи уходят в TikTok, то было принято решение наверстать упущенное. Они попробовали превратить Instagram и свое основное приложение в TikTok. Только трюк, который сработал при копировании Stories из Snapchat, не сработал в этот раз, и компания была вынуждена откатить часть изменений.
Копирование Stories стало большим успехом по той причине, что ключевым фактором ценности для такого продукта является граф друзей, который в Instagram/Whatsapp/Facebook был намного более полным и развитым, чем в Snapchat.
В случае же TikTok социальный граф не играет ключевой роли. Все сводится к качеству рекомендаций и контента. А качество контента зависит в первую очередь от креаторов. Тех самых, которых Facebook спугнул в 2018 году.
Большие языковые модели: основы для тех, кто хочет строить продукты на их базе
Продукты на основе генеративного искусственного интеллекта стремительно ворвались в нашу реальность за последний год.
Еще несколько лет назад было сложно представить, что модели смогут генерировать изображения на основе текста или писать эссе в форме стихов на заданную тему. Причем делать это на уровне, который не уступает человеку. Сегодня продуктами на основе таких моделей пользуются миллионы людей, решая самые разнообразные задачи.
Для многих такие технологии выглядят как магия, которая открывает невероятные возможности. Бизнес не стал исключением в погоне за этими возможностями: CEO и основатели компаний начали активно требовать от своих команд найти способы внедрения решений на базе генеративного AI в свои продукты.
Но чтобы действительно создать ценность с помощью этих технологий, необходимо понимать их основы: как они работают, где именно принесут пользу, какие у них ограничения и риски.
В этом материале мы простыми словами и без сложной математики разберем, как работают большие языковые модели. Это позволит вам понимать возможности и степени свободы этой технологии, чтобы строить на ее основе новые продукты.
🔗 https://gopractice.ru/product/large-language-models/
🎓🎓🎓
Присоединяйтесь к студентам «Симулятора управления ML/AI-проектами» от GoPractice, где вы проработаете типовые кейсы внедрения ML-решений.
Это даст вам фундамент для работы над практически любым ML-проектом, а интерактивный формат симулятора позволит сразу окунуться в практику.
Сложные проценты и экспоненциальный рост в продакт-менеджменте
Представьте, что вы хотите сделать вклад в банке на сумму $1000. У вас есть два варианта: положить их под простой процент и под сложный процент. В первом случае вы будете получать 0.3% к изначальной сумме ежемесячно, а во втором — 0.1% к общей сумме вклада на конец каждого месяца, то есть процент будет отсчитываться от постоянно растущей суммы.
В первом случае через год ваш депозит увеличится до $4600, а во втором — до $3138.4. Но на конец второго года ситуация изменится: $8200 против $9849.7. Еще год — $11800 против $30912.7.
Конечно, это очень упрощенный пример, но он хорошо демонстрирует, как работают сложные проценты и экспоненциальный рост. Это важные понятия не только для сферы финансов, но и для продакт-менеджера. Они необходимы для того, чтобы отслеживать, измерять и прогнозировать циклы роста в продукте.
Понимание того, как работают сложные проценты и экспоненциальный рост, позволяет обнаруживать новые рычаги для роста, принимать верные решения и избегать ошибок при масштабировании продукта.
В этом материале мы обсудим основы сложных процентов и экспоненциального роста и их применение в продакт-менеджменте.
🔗 https://gopractice.ru/channels/compound-and-exponential-growth-in-product-management/
Прокачайте свои навыки с поддержкой ментора
С поддержкой опытного наставника вы быстрее найдете рычаги, с помощью которых вы сможете влиять на рост своего продукта.
Присоединяйтесь к группе прохождения «Симулятора управления ростом продукта» с поддержкой ментора.
В группе с ментором вы пройдете курс за 18 недель.
Старт — 19 июля.
Стоимость обучения — 129 900 ₽.
Осталось 3 места.
Подать заявку = заполнить форму регистрации и выбрать «Тариф с ментором».
Переход в продакт-менеджмент внутри компании: как надо и не надо это делать
Переход внутри компании на позицию продакт-менеджера из смежной роли — один из самых эффективных способов начать продуктовую карьеру. Вы можете задействовать свои выстроенные отношения с коллегами, доменную экспертизу, глубокие понимание процессов и решаемых продуктом задач.
Идея заключается в том, чтобы начать выполнять продуктовые задачи до формального получения позиции продакта. Это позволит показать ваши знания, мотивацию и ценность для компании.
Однако в реальности на этом пути вас могут ожидать различные блокеры, самый частый из которых — нехватка времени и скепсис со стороны коллег. Но с этим можно справиться, подготовив верную стратегию.
В этом материале на реальном примере разбираем ошибки кандидата на переход в продуктовую роль и вместе с экспертами объясняем, как надо и как не стоит подходить к этому процессу.
🔗 https://gopractice.ru/skills/moving-to-pm-the-right-way/
💡💡💡
Вступайте в комьюнити GoPractice для свитчеров
Команда GoPractice скоро запустит новый образовательный курс. Он создан для тех, кто хочет перейти в продакт-менеджмент из смежной роли или индустрии.
Если вы планируете такой карьерный переход и не знаете, с чего начать, то присоединяйтесь к нашему сообществу свитчеров в телеграме, заполнив заявку.
Data Scientist и ML Engineer: в чем разница?
При работе над AI/ML-проектом или найме команды для него часто можно столкнуться с путаницей в названиях ролей. Сегодня обсудим, в чем разница между Data Scientist и ML Engineer.
Для начала оговоримся, что в разных компаниях терминология может отличаться. Например, в Meta аналитиков называют Data Scientists, хотя их работа имеет мало общего с машинным обучением. Вы можете столкнуться с такими особенностями и в других компаниях.
Но давайте рассмотрим классическое понимание зон ответственности ролей Data Scientist и ML Engineer, чтобы лучше понять разницу. Говорить будем именно про роли. Бывает и так, что их может совмещать один и тот же человек.
Data Scientist
Фокусируется на этапе от запуска до доказанной ценности в AI/ML-проекте. Это значит, что он вовлечен в проработку проблемы и целей проекта, погружается в специфику бизнеса, общение с экспертами предметной области. Он отвечает за подготовку датасета, поиск инсайтов в данных, обучение и выбор оптимальных ML-моделей, проведение и оценку экспериментов.
ML Engineer
Подключается на этапе, когда Data Scientist смог создать полезную модель. ML Engineer отвечает за путь от доказанной ценности к масштабированию в AI/ML-проекте. Его задача в том, чтобы взять работающую «на коленке» ML-модель и выстроить вокруг нее необходимую инфраструктуру и системы, чтобы она могла надежно работать в продакшене и под нагрузкой.
Аналогия
Если проводить аналогию с продуктом, то Data Scientist ответственен за создание работающего прототипа, а ML Engineer — за превращение этого прототипа в полноценный продукт, рассчитанный на массовую аудиторию.
🎓🎓🎓
AI/ML-проекты часто обладают высокой сложностью и неопределенностью, как в технической плоскости, так и в продуктово-бизнесовой. Именно поэтому сейчас набирает популярность роль AI/ML Product Manager.
Освоить ее вы можете в «Симуляторе управления ML/AI-проектами» от GoPractice. Получите бесплатный доступ к первым главам, запросив триал через почту contacts@gopractice.ru.
Если вы планируете переход в продакт-менеджмент из смежной роли
Команда GoPractice работает над новой образовательной программой для тех, кто планирует перейти в продакт-менеджмент из смежной роли.
Программа в активной разработке, но уже сейчас мы делимся полезной информацией, проводим закрытые встречи с экспертами и вместе тренируемся решать кейсы для начинающих продакт-менеджеров.
Одним из этих кейсов в своем канале «Продукторий» поделился Владимир Меркушев.
Если вам релевантна тема перехода, присоединяйтесь к закрытому сообществу GoPractice. Заполнить заявку на участие можно по этой ссылке.
Все участники сообщества получат приглашение на вебинар с экспертом и возможность разобрать кейс вместе.
Ошибки начинающих продакт-менеджеров. Примеры и способы самопроверки
Роль продакт-менеджера подразумевает большой уровень ответственности. Решения, которые принимает продакт, могут оказывать большое влияние как на опыт пользователей, так и на бизнес. Но принимать такие решения и никогда не ошибаться — невозможно.
Все возможные ошибки продакт-менеджеров перечислить трудно, но мы выбрали те, которые чаще всего упоминают опрошенные нами эксперты и нанимающие менеджеры.
Чтобы материал был максимально полезным для вас, постарайтесь при чтении каждого пункта задавать себе вопрос: «А не делаю ли я так?». Это простое упражнение может оказаться очень эффективным и позитивно отразиться на качестве вашей работы.
🔗 https://gopractice.ru/skills/junior-pm-mistakes/
👀 Станьте частью закрытого сообщества свитчеров
Команда GoPractice работает над новой образовательной программой для тех, кто планирует перейти в продакт-менеджмент из смежной роли.
Если вам это интересно, присоединяйтесь к закрытому сообществу GoPractice. Заполнить заявку на участие можно по этой ссылке.
Зачем продакт-менеджеру изучать ML и AI
В этом материале рассказываем, чем обусловлен столь быстрый прогресс в сфере ML и AI и как эти технологические прорывы влияют на роль продакт-менеджера сегодня.
В 2023 году продукты вроде ChatGPT и Stable Diffusion окончательно захватили внимание людей. Эти генеративные модели рисуют картины, пишут тексты и проходят экзамены на уровне лучших выпускников Стэнфорда.
Кто-то вне себя от восторга, а кто-то — от страха.
Но что это значит для продакт-менеджеров? Нужны ли продактам знания и навыки в ML и AI? Если да, то зачем?
🔗 https://gopractice.ru/skills/ml-ai-for-product-managers/
💡Чтобы научиться работать над ML/AI-проектами и узнать больше кейсов, станьте студентом нашего «Симулятора управления ML/AI-проектами».
Почему идеальной ML-модели недостаточно, чтобы построить бизнес вокруг ML
🎓
Перед тем как перейти к кейсу, небольшое напоминание.
Cегодня — последний день, когда можно приобрести «Симулятор управления ML/AI-проектами» по сниженной цене. Завтра стоимость курса вырастет с 59 900 рублей до 65 900 рублей.
Ниже — поучительная история о том, как даже крайне продвинутая ML-модель не помогает избежать провала бизнес-проекта. В нашем симуляторе мы обучаем, как не допустить подобных ситуаций.
👇
В 2021 году Zillow — один из крупнейших маркетплейсов недвижимости в США — объявил о сокращении 25% сотрудников и списании $304 миллионов убытков. На фоне новостей акции Zillow обвалились.
Что же пошло не так?
Дело в том, что значительная часть бизнеса Zillow к этому моменту была выстроена вокруг ML-технологий, крайне точно прогнозирующих текущую стоимость недвижимости. И даже несмотря на то, что сами по себе ML-модели были хорошими и качественными, их интеграция в бизнес-процессы оказалась, можно сказать, катастрофической.
Давайте обсудим, как же так вышло.
Один из известных сервисов Zillow называется Zestimate, и он позволяет владельцам домов в реальном времени отслеживать стоимость своей недвижимости. Работает он, как вы уже догадались, на основе ML-моделей, дающих весьма точные прогнозы.
Изначально Zestimate разрабатывался как механизм повышения Retention маркетплейса. Ведь люди покупают и продают дома не слишком часто, а заходить в Zillow в другие моменты жизни не имеет особого смысла. Зато отслеживать стоимость своего дома на регулярной основе — это уже вполне себе ежемесячный юзкейс, который легко может стать привычкой.
В 2018 году на основе наработок для Zestimate было решено запустить новое направление работы в Zillow. Теперь маркетплейс стал покупать дома для последующей их перепродажи по более высокой цене.
Ценность нового продукта для пользователей была в возможности закрыть сделку по продаже дома очень быстро. После этого Zillow планировали делать ремонт в доме и продавать его с наценкой.
Идея не была оригинальной, но у Zillow были преимущества перед конкурентами: доступ к капиталу и суперточные ML-модели для прогнозирования стоимости дома.
Но ставка на бизнес, выстроенный вокруг ML, не сработала. В 2021 году компания объявила о закрытии программы выкупа домов, а также сократила четверть сотрудников и списала колоссальные убытки.
Проблема была не столько в ML-моделях, сколько в том, как именно их интегрировали в бизнес. Модели хорошо оценивали стоимость домов в текущем моменте. Но сделки по покупке и последующей продаже занимают время, в течение которого стоимость домов может существенно меняться. Именно это случилось в 2021 году, когда на фоне ряда глобальных процессов в экономике произошло охлаждение рынка недвижимости и взаимосвязи между характеристиками домов и их стоимостью поменялись. Все это привело к тому, что примерно 2/3 приобретенных домов оказались куплены по более высоким ценам, чем цена их возможной продажи.
Какие выводы можно сделать из этой истории
Успех бизнеса, выстроенного вокруг ML, зависит не только от технологий машинного обучения как таковых и качества созданных моделей. Важно правильно внедрить эти модели в бизнес. Риск потерпеть неудачу возникает из-за ошибочных предположений, которые с машинным обучением, собственно, никак не связаны.
Какие вопросы можно себе задать, чтобы избежать подобных ошибок
▪️Обеспечены ли ваши ML-модели достаточным мониторингом и актуализацией?
▪️Есть ли скрытые риски за пределами ML, которые могут сильно повлиять на бизнес?
💡Чтобы еще лучше разобраться в работе над ML/AI-проектами и узнать больше кейсов, присоединяйтесь к студентам нашего «Симулятора управления ML/AI-проектами».
Junior продакт-менеджер. Что он делает и как встроен в продуктовую команду
То, чем именно будет заниматься конкретный начинающий продакт-менеджер, зависит от набора факторов:
• предыдущего профессионального опыта;
• доменной экспертизы на уровне рынка;
• экспертизы на уровне отдельных частей продукта;
• других факторов.
Обычно руководитель подбирает начинающему продакту задачи, которые опираются на его сильные стороны и помогают постепенно подтягивать слабые.
Именно поэтому реальная работа двух начинающих продакт-менеджеров будет сильно отличаться.
Тем не менее во многом зоны ответственности начинающих продуктовых специалистов близки.
В этом материале мы обсудим, что ждет начинающего продакт-менеджера в первые месяцы работы: как он будет встроен в команду, какая у него зона ответственности и какие задачи он решает.
🔗 https://gopractice.ru/skills/junior-product-manager/
💡 Проверьте свои навыки в управлении продуктом с помощью бесплатного теста от GoPractice.
💡 Пройдите путь продакт-менеджера в нашем симуляторе, чтобы усилить и систематизировать знания, которые пригодятся вам в реальной работе.
Встречайте «Симулятор управления ML/AI-проектами»
Долгое время основные вызовы в применении ML-технологий лежали в инженерной и научной плоскостях.
Развитие технологий привело к тому, что сейчас эти вызовы стремительно смещаются в плоскость продуктовую.
Все чаще вопрос оказывается не в том, как что-то реализовать, а в том, где есть возможности для применения ML-технологий: создадут ли они ценность, принесет ли это выгоду бизнесу, как организовать разработку и довести проект до успешного внедрения.
Все это создает спрос на специалистов, которые способны увидеть возможности для применения машинного обучения и реализовать ML-проект. Уже сейчас зарплата, например, ML/AI-продакта превышает доход обычного продакт-менеджера на 20–40%.
Как стать таким специалистом?
Эту задачу и призван решить наш новый «Симулятор управления ML/AI-проектами».
Почему мы создали симулятор
Представления большинства нетехнических специалистов про ML находятся в одной из двух крайностей:
🪄 Одни видят ML/AI как магию, которая позволяет сделать все, что угодно. Надо лишь поставить задачу разработчикам;
⚙️ Другие же считают, что ML — это что-то очень сложное, глубоко техническое и недоступное.
Такая ситуация возникает по той причине, что человеку со стороны бизнеса достаточно сложно разобраться в ML.
Но на самом деле, если десять лет назад глубокое понимание математики и программирования было необходимым знанием для погружения в ML-индустрию, то на текущем этапе развития алгоритмы и модели стали уже общедоступными.
На этом фоне ключевая ценность работы с ML смещается в способность увидеть возможность для применения машинного обучения, а потом адаптировать существующие алгоритмы и технологии для конкретной прикладной задачи.
Но научиться управлять ML-проектами можно только на практике. А для того чтобы менеджеру доверили такой проект, нужен опыт. Замкнутый круг.
«Симулятор управления ML/AI-проектами» нацелен на то, чтобы разорвать этот круг и дать необходимые навыки и опыт для работы менеджеров ML-проектов.
Чему учит симулятор
🔦 Видеть, где машинное обучение может принести пользу бизнесу;
🤖 Создавать продукты на основе технологий машинного обучения;
🏗 Строить процесс создания и внедрения ML-решений, предотвращать типичные ошибки и проблемы заранее;
💵 Организовать работу над ML-проектами так, чтобы они приносили пользу бизнесу.
Как устроено обучение в симуляторе
Как и в других симуляторах GoPractice, вы погружаетесь в интерактивную историю, в которой вам предстоит помочь компании выбраться из кризиса и стать лидером рынка.
Вы будете учиться, принимать решения, ошибаться, анализировать ошибки, находить новые пути, тестировать и внедрять ML-модели и в конце концов достигать успеха.
Обучение в симуляторе построено вокруг работы над тремя проектами, каждый из которых научит вас решать распространенную ML-задачу:
👓 Задача на основе компьютерного зрения (computer vision);
📊 Прогнозирование продаж;
💡 Создание рекомендательной системы.
Этот симулятор — многолетний практический опыт создания ML-решений, упакованный в двухмесячную интерактивную образовательную программу.
Узнать подробнее о том, зачем продакт-менеджерам, предпринимателям и другим специалистам изучать ML, а также прочитать отзывы наших первых студентов вы можете в нашем блоге по ссылке.
Стоимость и специальное предложение
Стоимость обучения в симуляторе составит 65 900 рублей.
А для тех, кто начнет учиться до 15 мая, цена будет ниже — 59 900 рублей.
Обучение в симуляторе проходит онлайн и в своем темпе. При этом вы всегда можете задать вопрос авторам и получить от них всю необходимую поддержку.
Начать обучение можно прямо сейчас.
Фундамент роста продукта
Можете ли вы убедить хотя бы одного человека переключиться на ваш продукт?
Если да, то у вашего продукта есть фундамент роста.
Готовность хотя бы одного пользователя сменить его текущий способ решения задачи на ваш — это первый сигнал о возможности масштабировать продукт. Он подскажет вам, что именно вынуждает пользователя переключиться и в чем заключается ценность вашего решения.
Скорее всего, убедить первого пользователя перейти на новое решение окажется непростой задачей. Но если у вас получилось, далее вы продолжаете процесс с новыми пользователями.
Задайте себе несколько вопросов:
— Какой процент пользователей переключается на ваше решение?
— Знаете ли вы факторы, которые мешают им переключиться?
— Становится ли процесс привлечения людей проще после нескольких итераций по изменению продукта и целевой аудитории?
— Набирает ли процесс обороты со временем?
Если да, то найдите способ автоматизировать процесс — через изменения на уровне продукта или через расширение команды привлечения.
Так начинается путь к устойчивому росту продукта.
Не оправдывайте плохие метрики
Представьте, что вы выкатили новую фичу спустя недели ее разработки. Или сделали редизайн всего продукта.
Но после запуска вы замечаете резкое снижение метрик.
Что бы вы предприняли?
Многие продакты в такой ситуации начинают искать всевозможные оправдания. Например:
– «Это эффект новизны. Когда пользователи разберутся с изменениями, метрики снова вырастут обратно»
— «Мы достигли локального максимума с прошлой версией продукта. Новой версии нужно время, чтобы набрать обороты»
В большинстве случаев все это не так. Ни время, ни точечные улучшения не помогут выправить метрики.
Такие оправдания — защитный механизм. Признать факт, что вы потратили много времени и усилий впустую, очень трудно. Еще труднее объяснить команде, что пользователи не увидят плоды их труда.
Однако останавливаться на версии продукта, которая демонстрирует более слабые результаты, — худшая альтернатива. Ваш продукт станет менее эффективным не только для текущих пользователей, но и для всех будущих.
Признавать неудачные продуктовые решения важно — и важно извлекать из них инсайты, которые помогут находить лучшие решения в будущем.
Как улучшить Retention и при этом ухудшить продукт
Метрики продукта не всегда отражают то, насколько эффективно этот продукт решает задачи пользователей.
Рассмотрим эту идею на примере.
Представьте, что вы работаете над продуктом «лопата».
Люди «нанимают» ее, чтобы выкопать траншею.
С текущей версией продукта процесс решения задачи занимает 10 дней. Затем Retention лопаты резко падает — в данном контексте у пользователей нечасто возникает задача копать траншеи.
Продуктовая команда приоритизирует и оценивает свою работу с помощью метрик продукта. В частности, с помощью Retention.
В качестве эксперимента команда уменьшает размер ковша лопаты. Как следствие, Retention лопаты в новой когорте пользователей увеличивается: людям требуется уже 15 дней на решение той же задачи.
Получилось, что продуктовая метрика выросла, но эффективность решения задачи пользователей только упала.
Пример может показаться абсурдным, но такое часто случается в продуктовых командах на самом деле. Они оптимизируют метрики, упуская из вида то, что их продукт начинает решать задачи пользователей все хуже.
Помните, что задача продакт-менеджера — создавать ценность для пользователей через более эффективное выполнение «работ», которые они делегируют.
Начинайте с простого, или о цикле усложнения и упрощения продуктов
Если первая версия вашего продукта настолько сложная, что пользователи в нем путаются, то что-то пошло не так.
Первые версии успешных инновационных продуктов обычно простые и интуитивно понятные для конечных пользователей, даже если за ними стоит сложная технология.
Крупнейшие сегодня технологические компании начинались с того, что решали одну специфическую проблему для одного сегмента пользователей.
— Amazon: возможность покупать книги онлайн.
— Uber: возможность заказать лимузин в Сан-Франциско.
— Airbnb: возможность сдать и найти жилье для посетителей конференций и массовых мероприятий.
Если пользователи находят ценность в ранней версии продукта, он эволюционирует.
Шаг за шагом, отвечая на растущие потребности нынешних пользователей и привлекая целевую аудиторию из других сегментов, продукт начинает усложняться.
Усложнение продукта — не результат тщательного и сложного плана, созданного с самого начала. Скорее, это результат эволюционного процесса. Процесса добавления фич, которые просят разные сегменты клиентов, затачивания под запросы крупных клиентов, расширения в смежные рынки.
Каждый из этих процессов и каждое изменение сами по себе не делают продукт сильно сложнее. Но проходит несколько лет, и простой сервис превращается в сложную систему.
Это естественное усложнение продуктов, в свою очередь, открывает окно возможностей для новых продуктов.
Эти новые продукты создают ценность в том числе за счет своей простоты и фокуса на конкретной задаче. Это привлекает к ним пользователей, у которых самые простые запросы и потребности. Им не нужны горы фич. Текущие продукты для них стали слишком продвинутыми, сложными и дорогими.
Это контринтуитивно. Кажется, что для доминирования рынка нужно скопировать функциональность лидирующих конкурентов и добавить к этому еще что-то. Но на самом деле, все работает иначе. Новые продукты выделяют одну задачу и делают ее лучше альтернатив. Они сужают фокус, как минимум на уровне решаемых задач клиентов.
Если вам трудно объяснить пользователям, что делает ваш новый продукт, то сделайте шаг назад. Сфокусируйтесь на самой простой задаче, которую он решает лучше альтернатив.