El ciclo de vida de un “producto de datos” se asemeja al desarrollo estándar de un producto: identificar la oportunidad de resolver una necesidad central del usuario, construir una versión inicial, evaluar su impacto y perfeccionarla. Sin embargo, el componente de datos añade una capa extra de complejidad. Para enfrentar este desafío, las compañías deberían enfatizar la colaboración interfuncional, evaluar y priorizar las oportunidades de productos de datos con la mirada en el largo plazo, y comenzar con algo simple.

Etapa 1: Identifique la oportunidad

Los productos de datos son un deporte de conjunto. Identificar las mejores oportunidades de productos de datos requiere unir la perspectiva de producto y negocio con la de tecnología y datos. Los gerentes de producto, investigadores de usuario y líderes empresariales tienen tradicionalmente la sólida intuición y la experiencia en su sector para identificar necesidades clave no resueltas de los usuarios y el negocio. Mientras tanto, los científicos de datos y los ingenieros tienen un ojo para identificar posibles soluciones impulsadas por datos y una fuerte intuición sobre lo que puede escalarse y el cómo hacerlo.

Para identificar y priorizar las oportunidades correctas de los productos de datos, reúna a ambos lados de la mesa. Algunas normas pueden ayudar:

— Eduque a los científicos de datos acerca de las necesidades de los usuarios y las empresas. Mantenga a los científicos de datos en una alineación cercana con los gerentes de producto, investigadores de usuario y oportunidades de negocio, y asegúrese de que parte de su rol sea explorar directamente los datos para entender a los usuarios y sus necesidades.

— Haga que los científicos de datos sirvan como evangelistas de los datos, socializando oportunidades con el resto de la organización. Esto puede ir desde brindarle a la organización un acceso sencillo a los datos en bruto y modelar muestras de resultados en las etapas tempranas de la idea, hasta construir prototipos completos en las etapas más avanzadas.

— Desarrolle la pericia de datos de los grupos de producto y de negocio. Individuos de diversas funciones e industrias están aumentando sus habilidades para los datos, y los empleadores pueden acelerar la tendencia al invertir en programas de aprendizaje. Cuanto mayor sea la comprensión de datos en las funciones de producto y de negocio, sus integrantes serán más capaces de colaborar con los equipos de tecnología y de ciencia de datos.

— Dele a la ciencia de datos un asiento en la mesa. La ciencia de datos puede vivir en diferentes lugares dentro de la organización (por ejemplo, centralizada o descentralizada), pero tener líderes de ciencia de datos en la sala para las discusiones de estrategia de producto y de negocios acelerará el desarrollo de los productos de datos.

Priorice con un ojo en el futuro. Los mejores productos de datos mejoran con la edad. Esto es cierto por dos razones:

Primero: Las aplicaciones de productos de datos generalmente aceleran la recopilación de estos, lo que a su vez mejora la aplicación. Considere las recomendaciones de producto impulsadas por el perfil de datos autorreportado por los usuarios. Con los limitados datos de perfil en el arranque, las recomendaciones iniciales (o “en frío”) podrían ser poco inspiradoras, pero si los usuarios están más dispuestos a llenar un perfil cuando este se utiliza para personalizar su experiencia, lanzar recomendaciones acelerará la recolección de perfiles, mejorando dichas recomendaciones con el paso del tiempo.

Segundo: Muchos productos de datos pueden construir para impulsar múltiples aplicaciones. Esto se trata de construir efectos de red a través de datos compartidos. Si los datos producidos por cada aplicación alimentan las bases de datos subyacentes, esto mejora las aplicaciones, lo que a su vez impulsa una mayor utilización y por ende la recopilación de datos, y el círculo virtuoso continúa.

Demasiado enfoque en el desempeño a corto plazo puede provocar una menor inversión en prometedoras oportunidades de mediano o largo plazo. Sin embargo, la importancia de los datos de alta calidad no puede sobreestimarse; las inversiones para reunir y almacenar datos deberían ser prioridad en cada etapa.

Etapa 2: Construya el producto

Reduzca los riesgos ejecutando en etapas. Los productos de datos generalmente requieren la validación de que el algoritmo funciona y de que a los usuarios les gusta. Como resultado, los constructores de productos de datos enfrentan una tensión inherente entre cuánto invertir de entrada en la investigación y el desarrollo (I&D), y cuán rápidamente sacar al público la aplicación, para validar que resuelva una necesidad central.

Los equipos que invierten excesivamente en validación técnica, antes de validar el ajuste del producto en el mercado, se arriesgan a desperdiciar esfuerzos de I&D enfocados en el problema o la solución equivocada. Por el contrario, los equipos que sobreinvierten en validar la demanda por parte de los usuarios, pero sin suficiente I&D, pueden terminar presentándole a los consumidores un prototipo deficiente, arriesgándose a un falso negativo. Los equipos en esta parte del espectro podrían lanzar a un producto viable mínimo (MVP, por sus siglas en inglés) impulsado por un modelo débil; si los usuarios no responden bien, podría ser que con una I&D más sólida impulsando la aplicación el resultado hubiera sido diferente.

La ejecución en etapas puede ayudar. Comenzar con algo simple acelerará tanto las pruebas como la recolección de datos valiosos. Una serie de enfoques MVP también puede reducir el tiempo de prueba:

— Los modelos de peso liviano son generalmente más rápidos de enviar y tienen el beneficio añadido de ser más fáciles de explicar, corregir y desarrollar con el paso del tiempo. Aunque el aprendizaje profundo puede ser útil, en la mayoría de los casos no es el lugar para empezar.

— Fuentes externas de datos, ya sean de código abierto o soluciones de compra/asociación, pueden acelerar el desarrollo. Siempre y cuando exista una fuerte señal de los datos que genera el producto, este puede adaptarse para depender de dicho diferenciador competitivo.

— Estrechar el alcance puede reducir el ámbito del desafío algorítmico inicial. Por ejemplo, algunas aplicaciones pueden inicialmente construirse y lanzarse solo para un subgrupo de usuarios o casos de usuario.

— La curación manual, donde los humanos hagan el trabajo que usted eventualmente espera que realice el modelo, o al menos revisan y perfeccionan los resultados del modelo inicial, puede acelerar el desarrollo. Esto idealmente se realiza con un ojo en cómo los pasos de curación manual podrían automatizarse con el tiempo para escalar el producto.

Etapa 3: Evaluar y repetir

Considere el futuro potencial al evaluar el desempeño del producto de datos. Evaluar los resultados después del lanzamiento para tomar la decisión de continuar o no con un producto de datos no es tan sencillo como los de una simple mejora de la interfaz de usuario. Ello es porque un producto de datos podría mejorar substancialmente conforme reúne más información, y porque los productos de datos fundacionales podrían permitir mucha más funcionalidad con el paso del tiempo. Antes de enlatar un producto de datos que no parece un ganador obvio, pídale a sus científicos de datos que cuantifiquen las respuestas a algunas preguntas importantes. Por ejemplo, ¿a qué tasa esta mejorando orgánicamente el producto gracias a la recolección de datos? ¿cuántos frutos hay al alcance para mejoras del algoritmo? ¿qué clase de aplicaciones hará posibles en el futuro? Dependiendo de las respuestas, un producto con mediciones poco inspiradoras en la actualidad podría merecer que lo mantenga.

La velocidad de la iteración importa. Los productos de datos suelen requerir iteraciones tanto de los algoritmos como de la interfaz de usuario. El desafío es determinar de dónde provendrán las iteraciones más valiosas, basado en los datos y la retroalimentación de los usuarios, de modo que los equipos sepan qué funciones están enganchadas para impulsar las mejoras. En los casos donde las iteraciones de algoritmo serán centrales –como generalmente ocurre en complejos sistemas de recomendaciones o comunicación– considere diseñar el sistema de forma que los científicos de datos puedan desplegar y probar independientemente nuevos modelos en desarrollo.

Emily Glassberg Sands es la directora sénior de ciencia de datos en Coursera.