数据产品的概念虽然并不新鲜，但在企业界的影响力越来越大。一段时间以来，这种方法一直在技术公司中使用，在这些公司中，产品本身就是核心业务或非常重要的组成部分，但最近这一战略正被转移到传统公司，在传统公司中，目的是通过这类战略促进创新和新产品或商业模式的创建。这也是数据要素X行动中提到的发推数据倍增效益的载体，数据要想发挥更大价值就必须资本化、资产化，而其前提是数据产品化。
在本文中，我将尝试回顾如何与传统战略并行地在公司内部实施数据产品战略。
但首先，让我们从基础知识开始：
一数据产品定义
2012年，美国前首席数据科学家DJ Patil将数据产品定义为：
…通过使用数据促进最终目标的产品。
这个定义非常普遍和广泛，因为当以这种方式使用数据时，任何应用程序都可以被视为这样。随着时间的推移，这个定义被进一步明确，现如下：
数据产品是一种帮助企业改进决策的服务或应用程序，其主要目标是使用和处理数据来执行决策。
作为公司数据产品的示例，我们可以找到：
公共数据聚合平台：来自不同外部源（开放数据、公共服务等）的外部数据被聚合为内部数据，并供其他应用程序使用。
B2B数据共享：与其他实体或公司共享数据的服务。
基于机器学习技术的价格推荐器。
使用计算机视觉进行自动损坏检测的服务。
所有这些产品都或多或少地影响业务改进。
二数据产品种类
我们可以将产品分为不同类型：
原始数据：经过最少处理（质量、安全性等）的数据服务，在内部或外部提供以供其他应用程序或产品使用，但用户必须进一步处理该数据才能获得价值。
派生数据：经过更高级处理的数据服务，其中数据经过丰富、聚合、从原始数据生成新实体等，并且用户可以访问和搜索改进的信息。
算法：在这种情况下，提供的不是数据，而是处理数据的算法，它是用数据开发的。数据被发送到该产品或服务、经过处理并返回给用户。这种类型的一个例子是智能搜索引擎。
决策支持：以数据表示或简单分析模型的形式进行更广泛的信息处理。在这种情况下，信息的处理方式可以帮助用户做出决策。
决策自动化：使用机器学习或人工智能等先进分析技术，并向用户规定操作。在这种情况下，由产品做出决定。
这些类型虽然不是官方的，但却是最普遍的。查看产品类型，我们可以看到可能有多个产品组成其他产品（例如，需要使用另一个产品的数据进行训练的算法，该产品从开放数据源聚合它们）。
三数据产品好处
以数据产品为导向的好处，无论是技术还是业务，可以分为3个主要类型：
由IT向业务转变：产品从由IT领导和执行转变为由业务部门领导和执行，从而使功能倍增。
创新民主化：随着这些能力的倍增，更多的资源可以专门用于创新，这有助于实现创新民主化。
专注于业务：在这种方向下，重点是最终产品和业务问题的解决，并在迭代产品和针对市场进行测试时提供更大的灵活性。
四构建以数据产品为导向的组织
这种类型的组织可以提高开发速度和效率，并在整个产品开发过程中为业务做出更大的价值贡献。通过这种方法，我们从一个以项目为导向的组织转变为：
团队被分配到项目，完成后被转移到其他项目。
可交付成果的重点是计划和之前商定的内容。
对于以产品为导向的组织，其中：
在产品的生命周期内为产品分配团队
可交付成果注重价值，而不是计划
团队拥有所有必要的能力，不依赖于其他领域
这种方法的好处是：
通过让团队专注于持续交付价值来提高效率和生产力。
随着业务参与开发，决策速度更快
团队有长期的任务，这使他们能够更好地发展业务知识并为产品开发做出更多贡献。
架构灵活，可根据技术需求进行开发
五．利用数据产品画布构建数据产品
数据产品画布它是一个基于Canvas模型的数据产品开发框架，遵循敏捷/精益方法论的原则。它的主要目标是作为一个实用的工具来生成数据产品路线图，在一个文档中调整所有相关人员对项目真实目的的完整看法。
数据产品画布分为10个模块（问题、解决方案、数据、假设、参与者、行动、KPI、价值观、风险和绩效/影响），并由3个领域组成，即：产品愿景（包括块：问题、解决方法、数据和假设）；战略愿景（包括以下部分：参与者、行动和KPI）；最后是业务愿景（价值、风险和绩效/影响）。
六治理和方法
一个需要考虑的重要问题是如何开发这些产品及其治理。对于这些的开发，市场上已经成功实施了专为产品开发而设计的敏捷方法。
还需要有一个人负责定义、推动和实施此类战略，协调所有利益相关者。
为此，应该增加治理，因为对正在开发的产品具有全球视野非常重要。这种治理方式有以下主要优点：
避免了同类产品的产生
它有助于产品的重复利用
协调产品的演变，避免影响其他产品或业务领域
优先开发用例
标准化方法、技术等。
出于这些原因，设立一个负责此类战略的制定和所开发项目的治理的领域是很重要的。该实体应由首席产品官等人物领导，这是一个有能力推动此类转型的C级管理委员会。
七技术保障
为了实施产品战略，有一定的战略和技术杠杆可以加速转型。总而言之，我们可以考虑以下几点：
1.产品平台
当我们谈论产品平台时，我们不是在谈论特定的平台，而是在谈论技术数据和应用程序架构，该架构允许以最自动化的方式管理数据、数据和人工智能生命周期及其应用程序。
该平台将提供必要的自动化功能，以便业务分析师和开发人员团队可以创建具有业务应用程序可靠性的数据产品，并在获取资源、部署组件、监控性能和消耗等方面自给自足。这给了更多产品团队在产品的开发和演进过程中的责任。
2.开发运营
当然，在自动化领域，DevOps方法是基础。由于这在市场上已经众所周知并广泛传播，因此我们将继续解释下一级别的自动化。
MLOps
与DevOps一样，我们指的是在高级分析开发生命周期中涉及的每个人（从业务用户到数据科学家，再到将分析模型部署到生产中所需的操作人员）之间实现协作和沟通的实践，从而能够简化流程整个过程，并允许在分析模型的开发中频繁迭代。
3.数据操作
着眼于数据领域，这种做法正变得越来越普遍。该方法是尽可能简化和自动化数据生命周期的管理。为此，我们正沿着以下思路开展工作：
实施协作数据策略，实施以产品为导向的敏捷组织模型。
在数据应用程序开发中实施敏捷方法，应用最小可行产品方法并持续为业务交付价值。
尽可能致力于数据治理（质量、安全等）和自动化生命周期管理，以促进数据民主化。
还可以自动化数据应用程序生命周期管理和架构的所有方面。
4.金融运营
我们还有FinOps的概念。特别是在云环境和这个产品策略中非常重要，因为我们将允许多个团队使用云组件，这可以产生一些成本控制。为此，FinOps寻求赋予产品团队独立性和责任，以便他们能够控制消耗、优化消耗等。
这种方法的优点是：
每个人都对使用和消耗负责，而不仅仅是操作。
成本是按产品确定的，因此可以在每个产品的业务计划中将其考虑在内。
利用云的可变成本模型并可以应用使用优化。
为此，需要满足某些先决条件：
团队需要协作。
生成的使用情况和消耗报告需要能够及时访问，以加速决策制定。
必须有一个集中的团队来推动这种策略。
5.NoOps
对自动化的关注最终引导我们提出NoOps的概念，其中IT环境变得如此自动化，以至于不需要专门人员来管理软件操作。
这种方法有几个考虑因素：
它并没有完全消除操作。总是需要有一个运营团队，因为所有这些自动化都涉及其自身的发展和维护。所实现的是运营团队不必干预开发生命周期。
它在云中是可行的，但在混合和本地环境中它变得更加复杂，因为这些环境缺乏必要的工具。
6.云
最后一个杠杆是使用云技术来实施围绕数据产品的成功战略。在云环境中，有一些在本地架构中找不到的方法和工具。主要列举如下：
对效率的承诺：云技术有助于在使用数据、基础设施和应用程序时采用有效的策略，以实现可持续目标的系统化业务转型。
人工智能服务：借助最先进的人工智能开发工具，加速应用于运营和分析领域的高级分析和解决方案工业化进程。
安全性和合规性：云服务保证数据治理的最高可靠性，以负责任地使用数据，包括隐私、控制、透明度和法规遵从性。
自动化：所有组件均已准备好API和IaC，以促进其自动化管理，从而在整个产品生命周期中实现敏捷使用。
结论
正如我们在本文中所看到的，有一些工具可以加速数据产品战略的实施。技术和组织方面都存在挑战，其中后者实施起来最复杂，因为它们通常需要改变公司文化。但这是一个必要的变化，因为它伴随着公司战略的变化，公司战略寻求以更敏捷的方式依靠数字技术来驱动业务发展。