좋은 데이터 과학자가 좋은 PM이 될 수 있는 이유

저는 데이터 과학자에서 Product Manager(PM)로 경력을 전환 할 때 비슷한 경력 전환을 시도한 많은 사람들에게 조언을 구했습니다.
하지만, "음, 이 전환을 한 사람을 몰라요. 제겐 좀 이상해 보입니다."라는 대답을 정말 많이 들었습니다. 저는 항상 최고의 데이터 과학자가 Product에 초점을 맞추고 사용자와 그들의 요구를 염두에 두고 있다고 생각했습니다. 

데이터 과학자와 PM간의 자연스러운 관계

데이터 과학자와 PM은 데이터로 결정을 내립니다. 데이터 과학자의 주요 업무는 평가 측정 항목을 식별하고 특정 개입의 잠재적인 영향을 예측하고 해당 결과를 이해 관계자에게 적절한 기술 수준에서 명확하고 간결하게 전달함으로써 다양한 경쟁 옵션 중에서 선택을 쉽게 할 수 있도록 돕는 것입니다.
PM도 다르지 않습니다. "내 제품의 성공 여부를 어떻게 알 수 있는지", "이 새로운 기능이 얼마나 큰 영향을 미칠 것이라고 생각하는지"를 알아야하며, 그 이유를 고위 경영진과 하급 엔지니어 모두에게 전달해야합니다. 

데이터 과학자와 PM은 부서간 업무를 수행함

대부분의 데이터 과학자는 마케팅 담당자, 엔지니어, 그리고 디자이너에 이르기까지 서로 다른 역할을 가진 동료와 함께 팀간에 작업하는데 익숙합니다. 그들은 모델을 직렬화하는 방법과 모델의 예측을 사용자에게 표시하는 방법 등을 생각해야한다는 것을 알고 있습니다. 그들은 단순히 모델을 구축하고 다시 구현하기 위해 엔지니어링 팀에 넘길 수 없다는 것을 알고 있습니다.

PM은 승인 기준 및 사양을 작성하고 엔지니어에게 설명하는 것에서 제품 성능에 대한 보고로 이동하여 디자이너와 함께 와이어 프레임 및 목업 작업을 수행합니다. 그들은 제품을 배송하려면 충분히 기술적이고 비즈니스 지향적이며 디자인 중심적이어야한다는 것을 알고 있습니다.

데이터 과학자와 PM은 목적 함수를 선택하고 이를 위한 최적화를 수행함

좋은 데이터 과학자들은 최적화 문제가 항상 절충안을 수반한다는 것을 알고 있습니다. 사이트의 특정 부분에 대한 클릭률을 최대화하고 싶으십니까? 다른 부분의 클릭률이 그에 따라 감소하는지 확인하십시오. 올바른 목적 함수를 선택하는 것은 기계 학습 모델에 적합한 기능을 찾는 것만큼이나 중요하며, 당신이 만들고 있는 장단점을 명확히하는 것은 노련한 전문가의 표식입니다.
PM은 "X 작업이 Y 배송 목표를 달성하는 데 도움이됩니까?"라고 끊임없이 질문해야합니다. 시간, 돈, 사람들이 일하는 능력은 한정되어 있습니다. 어떤 일을하기로 한 모든 결정은 다른 일을하지 않기로 한 결정입니다.

… 그리고 대부분의 데이터 과학자를 불편하게 만드는 몇 가지 사항

PM은 종종 불완전하거나 데이터가 없는 상태에서 결정을 내립니다. PM으로 새로운 시장에 진입하거나 새로운 기능에 대한 작업을 시작하기로 결정할 때 데이터 과학자로서 익숙한 데이터를 확보하지 못할 수 있습니다. 하지만, 여전히 결정을 내려야합니다. 두 가지 버전의 제품을 구축하거나 여러 시장에 진출 할 수 없기 때문에 솔루션을 A / B 테스트 할 수 없습니다.

정성적인 데이터나 일화적인 데이터(데이터 과학자들이 그 표현을 믿고있는 것을 느낄 수 있음)가 있을 수 있지만 결정을 기다릴 수는 없습니다. 이것은 처음 몇 번은 매우 불편합니다. 이를 관리하기 위한 핵심은 다음과 같습니다 .a) 최대한 빨리 데이터를 수집하기 위한 계획을 세우고, b) 옳다면 일어날 것이라고 생각하는 일을 예측하고, c) 자신이 틀렸다는 사실을 인정하고 상황이 발생하면 방향을 바꿀 의향이 있습니다. 남쪽으로 가세요. 나쁜 결정보다 더 나쁜 것은 매몰 비용을 두 배로 줄이는 것입니다.

특히 초기 단계의 스타트 업이나 신제품에서는 데이터가 부족하거나 데이터 품질이 매우 낮을 수 있습니다. 데이터 수집 경로를 설정하고이 데이터에 대한보고를위한 관행을 설정하는 것은 새로운 PM으로서 큰 첫 번째 승리가 될 수 있습니다.
나는 여기서 쉽게 "당신의 직감을 믿어야한다"고 말하지는 않을 것이지만, 많은 결정이 결국 동전 던지기가 될 수 있다고 말할 것입니다. 괜찮습니다. 많은 결정이 당시 느끼는 것만 큼 중요하지 않기 때문입니다.

PM은 디자인 및 UX와 매우 밀접한 관계가 있음

데이터 과학자로서 그 어느 때보다 PM으로서 UX 및 디자인에서 동료들과 매우 밀접하게 작업하게됩니다. 매우 정량적인 토론에 익숙하다면 약간의 조정이 필요합니다. 일부 데이터 과학자의 경우 정성적 연구와 사용자 연구를 진정으로 얼마나 중요하게 생각하는지에 대한 실제 계산이 필요합니다. 이러한 원칙을 최소화하는 것은 중대한 실수이지만 PM이된 많은 데이터 과학자들이 그렇게 할 것이라고 생각합니다.

간단한 솔루션이 거의 항상 최선의 선택임

PM을 전환한 데이터 과학자들은 자신의 도구 상자에 접근하여 발생하는 모든 문제에 기계 학습을 적용하고 싶은 유혹을받을 것입니다. 그렇게 할 수 있는 적절한 엔지니어와 데이터 과학자가 있을 수도 있고 없을 수도 있지만, 이것이 좋은 아이디어인지 아닌지에 대한 합리적인 결정을 내리는 것은 훨씬 적습니다. 새로운 PM으로서 저는 기계 학습이 문제에 대한 적절한 해결책이라는 것을 매우 확신 할 것을 촉구합니다.
간단한 휴리스틱이나 사용자 경험의 변화로 얼마나 멀리 갈 수 있습니까? 아마 꽤 멀 겠죠. 인프라를 가동하고, 데이터를 수집하고, 모델을 교육하고, 생산할 때 쯤이면 경쟁 업체가 이미 간단한 경로를 택했을 것입니다. 기계 학습이 보장되는 경우를 제외하고는 편안해야합니다.

---

올바른 유형의 데이터 과학자라면 PM으로 도약하는 것이 여러운 일이 아닐 것입니다. PM의 커리어 패스는 데이터 과학자에게 훨씬 더 잘 정의되어 있으며 앞으로 몇 년 동안 더 많은 사람들이 이러한 전환을 수행 할 것으로 예상됩니다. 그동안 데이터 과학자의 이력서가 책상 위에 놓일 기회를 제공하세요.