Produktsjef for dataprodukter: Trenger du en, eller trenger du å bli en?

Vi lever i dataenes gullalder, så det kom ikke som noen overraskelse da fagområdet dataproduktledelse oppsto – en PM-rolle som spesialiserer seg på å håndtere data som et produkt. I likhet med andre PM-spesialiseringer høres denne stillingstittelen ganske tiltalende ut. Men hva handler den egentlig om?

Så før du begynner å søke på alle stillinger som dataproduktleder på LinkedIn, la oss se nærmere på finessene ved dette relativt nye yrket og finne ut om det er verdt å endre kursen for karrieren din innen produktledelse.

Hva gjør en dataproduktleder?

Dataproduktledere er svært avhengige av data for å utvikle produktene sine. De sørger også for at alle i ledelsen og produktteamet kjenner til de nyeste KPI-ene og datadrevne innsiktene, slik at de kan ta bedre strategiske og taktiske beslutninger.

En annen viktig rolle som dataproduktledere har, er å bygge bro mellom dataforskere og alle andre i selskapet (som markedsføringsspesialister, programvareingeniører, produktdesignere og så videre) som bruker funnene datateamet produserer.

Merk

Den vanligste måten data-PM-er gjør dette på, er å representere datateamet i tverrfunksjonelle møter.

Dataproduktlederens roller og ansvar

Den typiske listen over ansvarsområder for denne stillingen ligner svært mye på det en vanlig produktleder kan ha ansvar for. Alt de gjør, er imidlertid i stor grad basert på data.

La meg gå gjennom et par av disse ansvarsområdene for å illustrere dette med å være «data først».

Opprett og vedlikehold en produktkø

Data-PM-er bruker funn fra dataanalyser til å identifisere potensielle nye funksjoner, planlegge forbedringer av eksisterende funksjoner og definere hvordan de skal se ut og fungere.

Eksempel: Omsette innsikt til elementer i produktkøen

Hvis du var dataproduktleder for LinkedIns mobilapp, kunne du ha sett på resultatene til ulike varsler på LinkedIn-plattformen. Tenk deg at du oppdager at åpningsfrekvensen for varselet som minner brukerne dine om uleste meldinger, er på topp i lunsjtiden. Dette vil gi deg en idé (og en funksjon i produktkøen) om å vise disse varslene i denne travle lunsjperioden.

Definer og forbedre brukerpersonaer kontinuerlig

Dataproduktledere samarbeider med analyseteamet sitt for å finne felles kjennetegn og atferd blant brukerne av produktet, og bruker denne innsikten til å opprette datadrevne kohorter og brukerpersonaer.

Eksempel: Bruke brukeratferd til å forme personaer

Tenk deg at du jobbet i Spotify som dataproduktleder og begynte å analysere hvordan ulike brukere lytter til musikk. Når du samarbeider med datavitenskapsteamet ditt for å gruppere brukerne etter atferd, oppdager du kanskje at det finnes tre tydelige grupper:

• De som lytter til energisk musikk om morgenen (sannsynligvis joggere).
• De som lytter til avslappende musikk fra kl. 08.00 til 17.00 på hverdager (sannsynligvis personer som jobber ved et skrivebord).
• Og de som foretrekker elektronisk musikk og dansemusikk fredag- og lørdagskvelder (mest sannsynlig festarrangører eller deltakere).

Der har du det! Du har nettopp funnet tre potensielle brukerpersonaer for produktet ditt, og du kan gå videre med å dokumentere særtrekkene deres og bygge funksjoner for dem.

Fastsett OKR-er og KPI-er

Dataproduktledere går et skritt videre her, og i stedet for å bare fastsette et par grunnleggende måltall å følge opp og mål å nå i neste kvartal (som «øke retensjonsraten med 5 %»), bygger de et komplett rammeverk for å følge opp og handle på bakgrunn av måltallene.

To fremtredende måter å lage slike rammeverk på er å enten fastsette et nordstjernemåltall for produktet eller bygge KPI-trær.

Eksempel: KPI-treet

Et KPI-tre er et visuelt hierarki mellom ulike måltall som du ønsker å følge opp for produktet ditt. Du begynner vanligvis med hovedmåltallet du ønsker å forbedre, og definerer deretter flere delmåltall – hvor veksten i disse vil føre til vekst i hovedmåltallet.

Du gjentar denne øvelsen et par ganger, helt til du har et tre som tydelig viser forholdene og avhengighetene mellom KPI-ene dine.

Slik ser et slikt KPI-tre ut for pengeoverføringstjenesten Wise:

Som vi kan se, er hovedformålet med å bryte ned hovedmåltallet ditt i KPI-trær å oppdage måltall på lavere nivå som er ganske enkle for deg å forbedre (f.eks. å forbedre konverteringsratene for å sende en overføring).

For å oppsummere er dataproduktledere evangelister for datadrevet beslutningstaking i selskapet.

Nå som vi har gått gjennom hva dette yrket innebærer, la oss gå videre og besvare spørsmålet du kanskje brenner etter å stille—«Har jeg de nødvendige ferdighetene for å bli en?»

Hvilke ferdigheter har dyktige dataproduktledere?

Som navnet antyder, kombinerer dataproduktledelse datavitenskap og produktledelse. Derfor kan vi naturlig anta at en dyktig produktleder vil ha et ferdighetssett som representerer begge fagområdene.

Det vil ikke ta lang tid å bekrefte denne antakelsen hvis du begynner å se på stillingsannonser for dataproduktledere. Her er en som det amerikanske IT-selskapet Blend360 har publisert via SmartRecruiters.

Basert på min egen erfaring er dette noen av de viktigste ferdighetene for denne stillingen, og derfor er de verdt å finpusse før du begynner å sende ut CV-er.

Dataanalyse

De fleste dataproduktledere jobber med et team av dataanalytikere. I dette tilfellet er kunnskap og ferdigheter innen analyse og tolkning av data en stor fordel for å kommunisere og samarbeide bedre med dem.

Det er imidlertid også en mulighet for at du er den eneste som har ansvar for dataanalyse i selskapet ditt (dette er vanlig i små oppstartsbedrifter). I så fall er det du som direkte vil jobbe med, administrere og analysere selskapets data—noe som gjør dataanalyseferdigheter til et krav for denne stillingen.

Produktutvikling

Naturligvis kommer du ikke langt som produktleder hvis du ikke har noen anelse om hvordan du skal lede et produktutviklingsteam for å bygge noe som vil imponere brukerne dine. Noen viktige underferdigheter her omfatter brukerempati, eksepsjonell kommunikasjon, prioritering, strategisk tenkning og erfaring med produktlivssyklusforvaltning, utvikling av SaaS-priser, A/B-testing og andre standardfunksjoner knyttet til produktutviklingsprosessen.

Kritisk og analytisk tenkning

Som en del av jobben din vil du hele tiden se på store mengder støyende data og filtrere ut nyttig informasjon. Derfor må du ha et sterkt analytisk sinn som er i stand til å se mønstre og sammenhenger i rådata.

I tillegg bør du ideelt sett være i stand til å tenke kritisk og vurdere informasjonen og funnene du har foran deg ved hjelp av objektive kriterier.

SQL/Python/R

Til slutt vil du sannsynligvis samhandle direkte med datasett fra produktet ditt for å analysere strukturen og foreslå forbedringer, administrere og rydde opp i dataene som er lagret der, utføre ad hoc-analyser og av mange andre grunner.

Derfor er det viktig at du vet hvordan du skriver og kjører SQL-spørringer for å få tilgang til og administrere dataene du har til rådighet. For mer komplekse oppgaver som innebærer databehandling og ulike beregninger, er SQL kanskje ikke tilstrekkelig, og du kan måtte skrive skript ved hjelp av et generelt eller spesialisert programmeringsspråk.

Når det gjelder arbeid med data, er det mest populære generelle språket Python, mens det mest populære spesialiserte språket er R.

Som vi kan se, innebærer dataproduktledelsens natur at fagpersonene på området må ha både produktorienterte ferdigheter, som sans for brukerempati, og dataorienterte ferdigheter, som gode kunnskaper i SQL og Python.

På dette tidspunktet antar jeg at du har en ganske god forståelse av hva dataproduktledelse handler om.

Men jeg forventer også at du vil hevde at datadrevne aktiviteter er viktige for vanlige produktledere også, og lure på hva forskjellen er mellom en vanlig PM som tar datadrevne beslutninger, og en spesialisert dataproduktleder.

Dataproduktleder kontra produktleder

Forskjellen mellom disse to rollene i selskapet kan virke uklar til å begynne med. Men hvis du ser nærmere på noen av de viktigste aspektene ved disse yrkene, vil du legge merke til betydelige forskjeller.

La meg gå gjennom et par av disse aspektene og vise deg hvordan arbeidet til tradisjonelle produktledere og dataproduktledere skiller seg fra hverandre.

Ansvarsområdene og målene de arbeider mot

Likheter

For begge rollene er hovedmålet å utvikle og videreutvikle produktet og bidra til produktets og virksomhetens samlede suksess. I begge tilfeller står brukeren i sentrum, og alle funksjoner og forbedringer er rettet mot å løse brukernes problemer.

Forskjeller

Hvis du husker det berømte Venn-diagrammet for produktlederes ferdigheter og fokusområder, er det slik det ville sett ut for begge yrkene.

Her ser vi at teknisk kunnskap er viktig i begge tilfeller, ettersom begge typer produktledere etter hvert vil samarbeide med programvareutviklere for å gjøre visjonen sin til virkelighet.

Den samme regelen gjelder også for forretningskunnskap, ettersom innsatsen til begge bør føre til forretningsmessige resultater. Det tredje punktet er imidlertid der vi ser den viktigste forskjellen.

Dataproduktledere vil vie spesielt stor oppmerksomhet til hvilken type data du samler inn fra brukerne dine. De vil også kontinuerlig vurdere kvaliteten på dataene og foreslå forbedringer i den eksisterende databasearkitekturen og i de brukerrettede produktfunksjonene som samler inn disse dataene, for å holde kvaliteten på et høyt nivå.

Tradisjonelle produktledere vil på sin side sørge for at brukerreisene er godt utviklet og optimalisert. De følger med på hvordan brukerne samhandler med funksjonene, og om de enkelt kan navigere gjennom applikasjonen.

Avhengighet av data

Likheter

Ja, jeg er enig—produktledere av alle typer bør følge med på data og sørge for at beslutningene deres er datadrevne. Begge typer produktledere vil arbeide med å sette opp et dataanalyseverktøy for produktet sitt og kontinuerlig overvåke viktige produktmåltall, som trakter for aktivering og konvertering, brukerbevaring, hvor lett det er å oppdage funksjoner og mer.

Forskjeller

For tradisjonelle produktledere er data én av kildene til læring og informasjon som de bruker i det daglige arbeidet. I tillegg til å basere seg på analyser og SQL-spørringer fra produktdatabasen innhenter de også informasjon fra andre kilder, som kundeundersøkelser, brukerintervjuer, brukervennlighetstester og annet.

Dataproduktledere lever og ånder data. Databaser samt analyseverktøyene og dashbordene som er bygget rundt dem, er deres viktigste kilde til læring og kundeinnsikt. Mens tradisjonelle produktledere er databevisste, er dataproduktledere datadrevne og setter data først.

Hvis du ser på deg selv som svært dataopptatt, høres det utvilsomt fristende ut å bli dataproduktleder. Men er det en jobb som betaler regningene? Så hyggelig at du spør.

Hvordan ser arbeidsmarkedet ut for dataproduktledere?

Dataproduktledere er svært verdifulle fagpersoner som kan ha stor innvirkning på veksten og suksessen til en programvarevirksomhet, og betydningen deres gjenspeiles direkte i lønnsnivået.

Ifølge Glassdoor er medianinntekten for denne stillingen i USA rundt $130,000.

Dette inkluderer en grunnlønn på $103,000 samt rundt $27,000 i bonuser og andre fordeler. Dette tallet kan variere betydelig avhengig av bransjen og dataproduktlederens erfaring.

Hvis du er en toppkandidat som kan tilføre betydelig kunnskap og erfaring til selskapet som ansetter deg, kan du be om opptil $200,000 i kompensasjon for arbeidet ditt.

Disse tallene varierer også avhengig av hvilket land selskapet som ser etter en dataproduktleder, befinner seg i. I det britiske arbeidsmarkedet er medianlønnen for eksempel rundt £63,000 eller ~$78,000 med dagens valutakurs.

Som vi kan se, er lønnsspennet som selskaper tilbyr for stillingen som dataproduktsjef, ganske høyt. Men hva med utsiktene for dette yrket generelt? Har data-PM-er en lys fremtid?

Ja, det har de.

Vi lever i dataens tidsalder, og mange makroøkonomer anser stordata som den nye oljen.

Det skjuler seg et enormt vekst- og forretningspotensial i de millioner av datarader som er lagret i produktets databaser.

Det pågår også et gullrush når det gjelder å bygge og bruke maskinlæringsmodeller for ulike oppgaver i produkter. En dataproduktsjef kan også være til stor hjelp her, ettersom vedkommende eier aspektene ved datakvalitet og brukervennlighet og kan hjelpe KI-ingeniører med å bygge bedre maskinlæringsalgoritmer.

Selskapets perspektiv: Hvorfor du bør vurdere å ansette en dataproduktsjef

Alt dette er gode nyheter for håpefulle og nåværende data-PM-er – men hva med arbeidsgiverne? Basert på lønnsestimatene virker det som om rollen som dataproduktsjef kan være kostbar for selskapets resultat, spesielt for mindre oppstartsselskaper. Derfor lurer du kanskje på om det egentlig er verdt å ansette en dataproduktsjef.

Før jeg begynner å ramse opp grunnene til at det å ansette en god dataproduktsjef er en bunnsolid investering, må jeg komme med en kort ansvarsfraskrivelse.

Dataproduktsjefer er verdifulle i selskaper med mye data. Hvis du fortsatt driver en liten oppstartsbedrift som nettopp har begynt å ta imot sine første kunder, eller hvis produktet ditt av natur ikke genererer mye data, kan det være bedre å bare ansette tradisjonelle produktsjefer.

Hvis du derimot har betydelige datamengder til rådighet, vil data-PM-er hjelpe deg med å:

• Avdekke kundenes behov bedre og forbedre brukeropplevelsen ved å analysere atferden deres og finne felles mønstre.
• Forbedre effektiviteten i dataingeniørenes arbeid ved å kommunisere forretnings- og brukerbehov samt prioriteringer til dem og veilede dem i riktig retning.
• Utnytte data når du definerer produktstrategien ved å legge frem mange verdifulle funn når ledergruppen og interessentene tar strategiske beslutninger.
• Hjelpe deg med å forbedre produktmålingene dine ved å identifisere områder som kan optimaliseres, og utvikle ulike initiativer for å få det til.

Kort sagt vil dataproduktsjefer hjelpe deg med å få mest mulig ut av dataene dine.

PM-ens perspektiv: Er det verdt å gå over til dataproduktledelse?

«Så,» hører jeg deg spørre, «Hvis denne jobben er så godt betalt og verdifull for programvareselskaper, bør jeg vurdere å endre retning i PM-karrieren min og spesialisere meg innen dataproduktledelse?»

Det kommer an på. Arbeidet som dataproduktsjefer gjør, er både interessant og betydningsfullt. Det er imidlertid ikke noe alle vil trives med – eller, for å være ærlig, være flinke til.

Før du bestemmer deg for å prøve deg på dataproduktledelse, bør du ta følgende i betraktning:

Trives du med de kundeorienterte aktivitetene som produktsjefer utfører?
Jeg snakker om å gjennomføre brukerintervjuer, opprette og drifte Discord-fellesskap og andre funksjoner som krever mye mellommenneskelig kompetanse. Hvis du liker disse tingene, bør du være klar over at dataproduktsjefer sjelden driver med dem. De lærer om kundene sine ved å analysere data i stedet for å snakke direkte med dem.

Trives du med å bruke timer på problemløsningsoppgaver?
Hvis ja, er dataproduktledelse et godt valg for deg, ettersom du hele tiden vil møte ulike typer logiske problemer som du må analysere og løse.

Er du komfortabel med å arbeide med spørrings- og skriptspråk?
Hvis du ikke er komfortabel med å skrive kode, vil du ikke få problemer som tradisjonell produktsjef. Kunnskap om Python eller SQL er en «fordel, men ikke et krav» i den verdenen.

Innen dataproduktledelse har du imidlertid ikke noe valg annet enn å skrive spørringer og skript nesten hver dag. Hvis det høres ut som en drøm, har du kanskje funnet ditt kall!

Data er uten tvil den mest verdifulle ressursen på planeten nå.

Dataproduktsjefer kan oversette forretningsbehov til SQL-spørringer og komme opp med verdifulle ideer for å forbedre produktet ditt og begeistre kundene dine. Så kanskje du trenger en – eller kanskje du bør bli en.

Hvis du vil ha flere innsikter om alt som handler om produkter og produktledelse, må du ikke glemme å abonnere på nyhetsbrevet fra The CPO Club.