為什麼僅僅依靠數據科學無法讓您的產品成功

VentureBeat/表意文字

在過去的十年裡，技術團隊和商業團隊之間的鴻溝幾乎縮小到了不存在的程度。商業和技術之間的界限，這意味著我們可以安全地建立和運輸產品，因為我們知道產品會受到譴責、廣泛採用（並不總是既定的）並做出有意義的貢獻底線。好的我會詳細闡述這種激勵技術團隊實現高績效的方法。

這是一種加速的變化——如果不是由數據技術引起的話。其帶來的有了新的技能、問題和合作者，讓我們與組織的其他部分更進一步；沒有人可以做我們所做的事情，但每個人都需要這樣做。

技術團隊本質上不是商業性的，隨著這些角色包括提供數量和交付工具來支援整個組織中的各個團隊，這種差距變得越來越明顯。是那些從未投入生產的專案——這並不奇怪。

在人工智能的早期，這種技術的資金浪費是非常合理的——投資者希望看到對技術的投資，而不是結果——但技術已經成熟，市場已經改變了。實際上，這意味著提供對利潤產生可減少影響的創新。

從扶持性職能轉變為核心職能

資料技術炒作週期的陣痛為現代 CTO 及其團隊帶來了兩個令人難以置信的好處（除了機器學習（ML）和 AI 等工具的引入）。消除了整個企業的歷史資料孤島，並讓我們第一次清楚地了解商業層面上正在發生的事情以及一個團隊的行為如何影響另一個團隊。

第二個很重要。什麼以及如何影響業務。

這反過來又催生了新的工作方式。他們這是一種有益的觀點，並且催生了一種新的工作方式；一種最大化的貢獻並旨在加速產生需要多的價值的方法。

引進精實價值

我擔心是否要在字典中添加另一種專案管理方法，但精益價值值得考慮，特別是在技術投資回報受到如此嚴格審查的環境下。 。

我們專注於獲得最小化便攜式產品（MVP），本著工程和架構中應用精益原則，並且 – 棘手的一點 – 積極避免在初始階段進行完美構建。我們的目標重新確定了其優先順序。一個非常響亮的供水系統。

結果是加速了產品的推出。 我們擁有分散的國際團隊，並經營模組化的微服務架構，這非常精實的價值方法。就可以允許節省時間），同時我們逐步進行更改，從而避免廣泛的重新設計。

利用法學提高品質並加快交付速度

我們設定了必須達到的品質水平，但選擇效率而不是完美意味著我們要使用人工智能生成程式碼等工具持務實態度。 ，我們的高階員工會花時間批判性地評估和完善這些建議，而不是自己從頭開始製定計劃代碼。

很多人會覺得這種特定方法厭煩或短淺，但我們會嚴格地降低風險。是人類分割循環的。

Data Lakehouse：精益價值資料架構

首先，精實價值框架傳播到我們流程的其他領域，並採用大型語言模型（LLM）作為節省時間的工具，使我們進入了資料湖庫；資料湖和資料錢包的組合。

標準化資料和非結構化資料以交付企業現場資料（EDW）是一個長達數年的過程，並且存在缺陷。

儘管數據Lakehouse 可以進行格式化和非格式化數據，但使用方法學碩士來處理這些數據可以減少標準化和格式化數據所需的時間，並自動將其轉換為有價值的意見。的解決方案的資料管理平台，可以支援分析和機器學習的工作流程，並且需要更少的團隊資源來設定和管理。限度地提高投資報酬率。

與產品開發的精實價值方法一樣，資料架構的精實價值方法也需要一些護欄。在效率的情況下同時平衡查詢大型資料集的故障也是一個持續的挑戰，需要不斷的最佳化。

桌子上有一個座位

精益方法是一個框架，有可能改變技術團隊將人工智能洞察力與策略規劃相結合的方式。說關鍵的是，它確保技術投資的回報是明確且可減緩的，從而創造一種文化，讓技術部門推動商業目標，並與銷售或行銷等部門一樣為收入做出貢獻。

Raghu Punnamraju 是首席技術官 速度臨床研究。