Vi lever i dataålderns guldålder, så det kom inte som någon överraskning när disciplinen dataproduktledning växte fram – en PM-roll med specialisering på att hantera data som en produkt. Precis som andra PM-specialiseringar låter den här jobbtiteln ganska lockande. Men vad handlar den egentligen om?
Så innan du börjar söka till alla jobb som dataproduktchef på LinkedIn kan vi gå igenom detaljerna i det här relativt nya yrket och se om det är värt att ändra riktningen på din karriär inom produktledning.
Vad gör en dataproduktchef?
Dataproduktchefer förlitar sig i hög grad på data när de utvecklar sina produkter. De ser också till att alla i ledningen och produktteamet känner till de senaste nyckeltalen och datadrivna insikterna, så att de kan fatta bättre strategiska och taktiska beslut.
En annan viktig roll som dataproduktchefer har är att överbrygga gapet mellan datavetare och alla andra i företaget (till exempel marknadsspecialister, programvaruingenjörer, produktdesigners och så vidare) som använder de resultat som datateamet tar fram.
Anmärkning
Det vanligaste sättet för data-PM:er att göra detta är att representera datateamet i tvärfunktionella möten.
Dataproduktchefens roller och ansvarsområden
Den typiska listan över ansvarsområden för den här tjänsten liknar mycket det som en vanlig produktchef kan ha. Allt de gör är dock i hög grad beroende av data.
Låt mig gå igenom ett par av dessa ansvarsområden för att illustrera vad det innebär att sätta ”data först”.
Skapa och underhåll en produktbacklogg
Data-PM:er använder resultaten från dataanalyser för att identifiera potentiella nya funktioner, planera förbättringar av befintliga funktioner och definiera hur de ska se ut och fungera.
Exempel: Översätta insikter till backloggposter
Om du arbetade som dataproduktchef med LinkedIns mobilapp skulle du kanske undersöka hur olika aviseringar presterar på LinkedIn-plattformen. Föreställ dig att du upptäcker att öppningsfrekvensen för aviseringen som påminner användarna om olästa meddelanden når sin topp under lunchtid. Det skulle ge dig en idé (och en funktion i din backlogg) om att visa dessa aviseringar under de mest aktiva lunchtimmarna.
Definiera och förfina ständigt användarpersonor
Dataproduktchefer samarbetar med sitt analysteam för att hitta gemensamma egenskaper och beteenden bland produktens användare och använder dessa insikter för att skapa datainformerade kohorter och användarpersonor.
Exempel: Använda användarbeteenden för att skapa personor
Föreställ dig att du arbetade på Spotify som dataproduktchef och började analysera hur olika användare lyssnar på musik. När du samarbetar med ditt datavetenskapsteam för att gruppera användarna efter deras beteende kanske du upptäcker att det finns tre tydliga grupper:
- De som lyssnar på energisk musik på morgonen (förmodligen joggare).
- De som lyssnar på lugn musik från klockan 08.00 till 17.00 på vardagar (troligen personer som arbetar vid ett skrivbord).
- Och de som föredrar elektronisk musik och dansmusik på fredags- och lördagskvällar (troligen festarrangörer eller deltagare).
Där har du det! Du har just hittat tre potentiella användarpersonor för din produkt, och du kan gå vidare med att dokumentera deras särdrag och bygga funktioner för dem.
Have an account? Log In
Fastställ OKR:er och KPI:er
Dataproduktchefer går längre än så här och i stället för att bara fastställa ett par grundläggande mätvärden att följa upp och mål att nå under nästa kvartal (som ”öka kvarhållningsgraden med 5 %”) bygger de ett helt ramverk för att följa upp och agera utifrån mätvärden.
Två framträdande sätt att skapa dessa ramverk är att antingen fastställa ett norrstjärnemått för produkten eller bygga KPI-träd.
Exempel: KPI-trädet
Ett KPI-träd är en visuell hierarki mellan olika mätvärden som du vill följa upp för din produkt. Du börjar vanligtvis med det huvudsakliga mätvärdet som du vill förbättra och definierar sedan flera delmätvärden – vars tillväxt kommer att leda till en ökning av ditt huvudsakliga mätvärde.
Du upprepar den här övningen ett par gånger tills du har ett träd som tydligt visar relationerna och beroendena mellan dina KPI:er.
Så här ser ett sådant KPI-träd ut för penningöverföringstjänsten Wise:
Som vi kan se är huvudsyftet med att bryta ner ditt huvudmått i KPI-träd att upptäcka de lågnivåmått som är relativt enkla för dig att förbättra (t.ex. att förbättra konverteringsgraden för att skicka en överföring).
Sammanfattningsvis är produktchefer för data de evangelister för datadrivet beslutsfattande i företaget.
Nu när vi har gått igenom det här yrkets natur kan vi gå vidare och besvara frågan som du kanske längtar efter att ställa—"Har jag de färdigheter som krävs för att bli en sådan?"
Vilka färdigheter har framstående produktchefer för data?
Som namnet antyder kombinerar produktledning för data datavetenskap och produktledning. Därför kan vi naturligt anta att en framstående produktchef har en uppsättning färdigheter som representerar båda disciplinerna.
Det tar inte lång tid att bekräfta det antagandet om du börjar titta på jobbannonser för produktchefer för data. Här är en som det amerikanska IT-företaget Blend360 har publicerat via SmartRecruiters.
Utifrån min egen erfarenhet är här några av de viktigaste färdigheterna för den här rollen och varför det är värt att finslipa dem innan du börjar skicka ut CV:n.
Dataanalys
De flesta produktchefer för data arbetar med ett team av dataanalytiker. I det här fallet är kunskaper och färdigheter inom analys och tolkning av data en stor tillgång för att kommunicera och samarbeta bättre med dem.
Det finns dock också en möjlighet att du är den enda personen som ansvarar för dataanalys i ditt företag (detta är vanligt i små nystartade företag). I så fall är det du som direkt skulle arbeta med, hantera och analysera företagets data—vilket gör dataanalysfärdigheter till ett måste för den här rollen.
Produktutveckling
Naturligtvis kommer du inte särskilt långt som produktchef om du inte har någon aning om hur du ska leda ett produktutvecklingsteam för att bygga något som väcker beundran hos dina användare. Några viktiga underfärdigheter här är empati med användaren, exceptionell kommunikationsförmåga, prioritering, strategiskt tänkande samt erfarenhet av produktlivscykelhantering, utveckling av SaaS-prissättning, A/B-testning och andra standardfunktioner som hör till produktutvecklingsprocessen.
Kritiskt och analytiskt tänkande
Som en del av ditt arbete kommer du ständigt att granska stora mängder brusig data och sålla fram användbar information. Därför behöver du ha ett starkt analytiskt sinne som kan se mönster och samband i rådata.
Dessutom bör du helst kunna tänka kritiskt och utvärdera informationen och resultaten framför dig utifrån objektiva kriterier.
SQL/Python/R
Slutligen kommer du sannolikt att ha direkt kontakt med produktens datamängder för att analysera dess struktur och föreslå förbättringar, hantera och rensa data som lagras där, utföra ad hoc-analyser och av många andra anledningar.
Därför är det viktigt att du vet hur man skriver och kör SQL-frågor för att komma åt och hantera den data du har tillgång till. För mer komplexa uppgifter som omfattar databearbetning och olika beräkningar kanske SQL inte räcker, och du kan behöva skriva skript med hjälp av ett generellt eller specialiserat programmeringsspråk.
När det gäller arbete med data är det mest populära generella språket Python och det mest populära specialiserade språket R.
Som vi kan se innebär produktledningens natur att yrkesverksamma inom området behöver ha både produktorienterade färdigheter, som en känsla för användarempati, och dataorienterade färdigheter, som goda kunskaper i SQL och Python.
Vid det här laget antar jag att du har en ganska tydlig bild av vad produktledning för data handlar om.
Men jag förväntar mig också att du invänder att datadrivna aktiviteter är viktiga även för vanliga produktchefer och undrar vad skillnaden är mellan en vanlig PM som fattar datadrivna beslut och en specialiserad produktchef för data.
Produktchef för data jämfört med produktchef
Skillnaden mellan dessa två roller i företaget kan till en början verka oklar. Men om du börjar titta närmare på några av de viktigaste aspekterna av dessa yrken kommer du att märka betydande skillnader.
Låt mig gå igenom ett par av dessa aspekter och visa hur arbetet för traditionella produktchefer och dataproduktchefer skiljer sig åt.
Ansvarsområdena och målen de strävar efter
Likheter
För båda rollerna är huvudmålet att utveckla produkten, få den att växa och säkerställa dess övergripande affärsframgång. I båda fallen står användaren i centrum för deras uppmärksamhet, och alla funktioner och förbättringar syftar till att lösa användarnas problem.
Skillnader
Om du minns det berömda Venn-diagrammet över produktchefers färdigheter och fokusområden skulle det se ut så här för de båda yrkesrollerna.
Här kan vi se att teknisk kunskap är viktig i båda fallen, eftersom båda typerna av produktchefer så småningom kommer att arbeta med mjukvaruutvecklare för att förverkliga sin vision.
Samma regel gäller även för affärskunskap, eftersom bådas insatser bör leda till affärsnytta. Den tredje punkten är däremot där vi ser den huvudsakliga skillnaden.
Dataproduktchefer kommer att ägna särskild uppmärksamhet åt vilken typ av data du samlar in från dina användare. De kommer också kontinuerligt att bedöma datakvaliteten och föreslå förbättringar av den nuvarande databasarkitekturen samt de användarinriktade produktfunktioner som samlar in dessa data, för att hålla kvaliteten på en hög nivå.
Traditionella produktchefer kommer däremot att se till att användarresorna är välutvecklade och optimerade. De uppmärksammar hur användarna interagerar med funktionerna och om de enkelt kan navigera genom applikationen.
Beroendet av data
Likheter
Ja, jag håller med – produktchefer av alla slag bör vara uppmärksamma på data och se till att deras beslut är datadrivna. Båda typerna av produktchefer kommer att arbeta med att konfigurera ett dataanalysverktyg för sin produkt och kontinuerligt övervaka viktiga produktmått, såsom konverteringstrattarna för aktivering och konvertering, kvarhållning, möjligheten att upptäcka funktioner med mera.
Skillnader
För traditionella produktchefer är data en av de källor till lärdomar och information som de använder i sitt dagliga arbete. Utöver att förlita sig på analyser och SQL-frågor från produktdatabasen hämtar de också information från andra källor, till exempel kundundersökningar, användarintervjuer, användbarhetstester och annat.
Dataproduktchefer å andra sidan lever och andas data. Databaserna samt analysverktygen och instrumentpanelerna som byggts kring dem är deras främsta källa till lärdomar och kundinsikter. Traditionella produktchefer är datamedvetna, medan dataproduktchefer är datadrivna och sätter data främst.
Om du anser dig vara ganska datafixerad låter det utan tvekan lockande att bli dataproduktchef. Men är det ett jobb som betalar räkningarna? Jag är så glad att du frågade.
Hur ser arbetsmarknaden ut för dataproduktchefer?
Dataproduktchefer är mycket värdefulla yrkespersoner som kan ha stor inverkan på tillväxten och framgången för ett mjukvaruföretag, och deras betydelse återspeglas direkt i deras lönespann.
Enligt Glassdoor ligger medianinkomsten för denna tjänst i USA på omkring $130,000.
Det inkluderar en grundlön på $103,000 samt omkring $27,000 i bonusar och andra förmåner. Denna summa kan variera kraftigt beroende på bransch och dataproduktchefens erfarenhet.
Om du är en stjärna som kan bidra med betydande kunskap och erfarenhet till företaget som anställer dig kan du begära upp till $200,000 i ersättning för ditt arbete.
Dessa siffror skiljer sig också beroende på vilket land företaget som söker en dataproduktchef befinner sig i. På den brittiska arbetsmarknaden ligger medianlönen exempelvis på omkring £63,000 eller ~$78,000 med aktuell växelkurs.
Som vi kan se är löneintervallet som företag erbjuder för tjänsten som dataproduktchef ganska högt. Men hur ser framtidsutsikterna för yrket i allmänhet ut? Har dataproduktchefer en ljus framtid?
More Articles
Ja, det har de.
Vi lever i dataåldern, och många makroekonomer anser att stordata är den nya oljan.
Det finns en enorm tillväxt- och affärspotential dold i de miljontals rader data som lagras i din produkts databaser.
Det pågår också en ny guldrusch kring att bygga och använda maskininlärningsmodeller för olika uppgifter i produkter. En dataproduktchef kan vara till stor hjälp även här, eftersom de ansvarar för datans kvalitet och användbarhet och kan hjälpa AI-ingenjörer att bygga bättre maskininlärningsalgoritmer.
Företagets perspektiv: Därför bör du överväga att anställa en dataproduktchef
Allt detta är goda nyheter för blivande och nuvarande dataproduktchefer—men hur är det för arbetsgivare? Baserat på löneuppskattningarna verkar rollen som dataproduktchef kunna bli kostsam för ett företags resultat, särskilt för mindre nystartade företag. Därför kanske du undrar om det verkligen är värt att anställa en dataproduktchef från första början.
Innan jag börjar räkna upp anledningarna till att en bra dataproduktchef är en bergsäker investering behöver jag göra ett kort förtydligande.
Dataproduktchefer är värdefulla i företag med mycket data. Om du fortfarande driver ett litet nystartat företag som precis har börjat ta emot sina första kunder, eller om din produkt av naturliga skäl inte genererar särskilt mycket data, kan det vara bättre att bara anställa traditionella produktchefer.
Om du däremot har betydande mängder data till ditt förfogande kommer dataproduktchefer att hjälpa dig att:
- Bättre upptäcka kundernas behov och förbättra användarupplevelsen genom att analysera deras beteende och hitta gemensamma mönster.
- Förbättra effektiviteten i dina dataingenjörers arbete genom att kommunicera affärs- och användarbehoven samt prioriteringarna till dem och vägleda dem i rätt riktning.
- Använda data när du definierar din produktstrategi genom att presentera många värdefulla insikter när ledningsgruppen och andra intressenter fattar strategiska beslut.
- Hjälpa dig att förbättra dina produktmått genom att identifiera områden som kan optimeras och utveckla olika initiativ för att genomföra det.
Kort sagt hjälper dataproduktchefer dig att få ut mesta möjliga av dina data.
PM:ets perspektiv: Är det värt att gå över till dataproduktledning?
”Så,” hör jag dig fråga, ”om det här jobbet är så välbetalt och värdefullt för mjukvaruföretag, bör jag överväga att byta inriktning på min PM-karriär och specialisera mig på dataproduktledning?”
Det beror på. Arbetet som dataproduktchef är både intressant och betydelsefullt. Det är dock inte något som alla kommer att trivas med—eller, ärligt talat, vara bra på.
Innan du bestämmer dig för att prova på dataproduktledning bör du ta följande i beaktande:
Tycker du om de kundinriktade aktiviteter som produktchefer ägnar sig åt?
Jag syftar på att genomföra användarintervjuer, starta och driva Discord-communities och andra uppgifter som kräver mycket social kompetens. Om du tycker om sådant bör du tänka på att dataproduktchefer sällan ägnar sig åt det. De lär känna sina kunder genom att analysera data i stället för att prata direkt med dem.
Tycker du om att lägga timmar på problemlösning?
Om svaret är ja är dataproduktledning ett utmärkt val för dig, eftersom du hela tiden kommer att ställas inför olika typer av logiska problem som du behöver analysera och lösa.
Känner du dig bekväm med att arbeta med fråge- och skriptspråk?
Om du inte känner dig bekväm med att skriva kod kommer du inte att ha några problem som traditionell produktchef. Att kunna Python eller SQL är en ”merit” i den världen.
Inom dataproduktledning har du däremot inget annat val än att skriva frågor och skript nästan varje dag. Om det låter som en dröm kan du ha hittat ditt kall!
Data är utan tvekan planetens mest värdefulla resurs just nu.
Dataproduktchefer kan översätta affärsbehov till SQL-frågor och komma på värdefulla idéer för att förbättra din produkt och göra dina kunder nöjda. Så kanske behöver du en—eller kanske behöver du bli en.
För fler insikter om allt som rör produkter och produktledning, glöm inte att prenumerera på nyhetsbrevet från The CPO Club.
