數(shù)據(jù)產(chǎn)品利用數(shù)據(jù)科學來提升產(chǎn)品表現(xiàn)。它們依賴一種良性循環(huán)，產(chǎn)品收集的數(shù)據(jù)能夠改進算法，而算法的改進又會提升用戶體驗。
在你收集到這些數(shù)據(jù)前會發(fā)生什么呢？產(chǎn)品的最初版本必須解決數(shù)據(jù)科學所謂的“冷啟動”問題——它必須提供“足夠好的”體驗來開啟數(shù)據(jù)收集和數(shù)據(jù)驅(qū)動的良性循環(huán)。要拿出這種足夠好的解決方案，我們要依賴產(chǎn)品經(jīng)理和工程師。
舉例來說，當Instacart的用戶訪問網(wǎng)站時，我們的應(yīng)用會在“再次購買”標簽下展示其最近購買的商品。這是一項用戶喜歡的功能，但它幾乎不需要用到數(shù)據(jù)科學——或者大量數(shù)據(jù)。當我們希望向用戶推薦他們之前沒有買過的產(chǎn)品時，數(shù)據(jù)科學就有了用武之地。這需要分析所有用戶的購買行為，找出哪些用戶是相似的，最終基于相似用戶的購買記錄來推薦產(chǎn)品。這就是數(shù)據(jù)科學的舞臺，利用數(shù)據(jù)創(chuàng)造價值，讓用戶能夠輕易發(fā)現(xiàn)自己可能忽視的新產(chǎn)品。
為了提升產(chǎn)品，數(shù)據(jù)科學家必須跟工程師長期密切合作。你還需要決定，是讓數(shù)據(jù)科學家獨自完成產(chǎn)品的提升，還是讓他們與工程師合作。兩種方式都可以，但最好將之規(guī)范化，并在整個公司內(nèi)形成一種預期。否則，產(chǎn)品改進將難以應(yīng)用到生產(chǎn)中，而且你會失去那些有才華的數(shù)據(jù)科學家，因為他們感到勞無所獲，遭到輕視。
利用數(shù)據(jù)科學做出更好的決策
決策科學利用數(shù)據(jù)分析和可視化技術(shù)來為業(yè)務(wù)和產(chǎn)品決策提供信息支持。決策者可能身在公司的任何位置——可能是需要確定優(yōu)先事項的產(chǎn)品經(jīng)理，也可能是負責公司戰(zhàn)略決策的高管團隊。
決策科學涵蓋的范圍很廣，但它們往往具有幾個共性：它們是公司之前沒有遇到過的新問題；它們往往是主觀性的，需要數(shù)據(jù)科學家應(yīng)對未知變量和缺失的背景信息；它們是復雜的，涉及大量缺乏明確因果關(guān)系的不確定因素。與此同時，決策科學又至關(guān)重要——決策的結(jié)果是具體的，對業(yè)務(wù)有著重大影響。
以上所說的可能很像是數(shù)據(jù)分析，實際上，數(shù)據(jù)分析與決策科學之間的差異并不總是很明顯。盡管如此，決策科學不應(yīng)該僅僅只是制作報表和指示板，數(shù)據(jù)科學家所做的工作不應(yīng)是那種可以利用現(xiàn)成商業(yè)工具便可完成的工作。
LinkedIn的高管團隊利用決策科學做出了一項關(guān)鍵的業(yè)務(wù)決策，即讓用戶資料出現(xiàn)在搜索結(jié)果中。以往情況下，只有付費用戶才可以看到自己網(wǎng)絡(luò)中所有人的完整資料。可見性的規(guī)則很復雜，LinkedIn希望簡化它們——但使用的方法不能損害公司營收。這里面的賭注是巨大的。
LinkedIn提出的可見性模式是對非付費用戶的每月用量進行限制，超出用量即停止服務(wù)。該公司的決策科學家模擬了這一改動帶來的影響，他們利用歷史行為數(shù)據(jù)來預測營收和用戶黏性可能受到的影響。分析結(jié)果表明，公司可以走出這一步。
結(jié)果，新模式不僅對公司業(yè)務(wù)產(chǎn)生了積極影響，也令數(shù)百萬用戶拍手稱贊，不僅如此，它還消除了產(chǎn)品開發(fā)過程中的一大難題。有些人對用量限制發(fā)出抱怨，但這部分人正是LinkedIn認為應(yīng)該付費的用戶。
并非所有的決策都需要運用決策科學。有些決策太過瑣屑，運用數(shù)據(jù)科學所產(chǎn)生的成本并不值當。其他決策可能很重要，但公司可能缺乏能夠進行有效分析的數(shù)據(jù)。在這些情況下，公司需要依靠直覺和實驗來進行決策。優(yōu)秀的決策科學家了解自身的局限性，并可以判斷自己的努力是否會徒勞無功或適得其反。
雖然決策科學和數(shù)據(jù)產(chǎn)品需要某些相同的技能，但很少有數(shù)據(jù)科學家能夠同時擅長兩個領(lǐng)域。決策科學依靠的是業(yè)務(wù)和產(chǎn)品意識、系統(tǒng)思維以及強大的溝通能力。而數(shù)據(jù)產(chǎn)品則要求機器學習知識和生產(chǎn)層面的工程學技能。如果你有一支小型數(shù)據(jù)科學團隊，你可能需要找到同時擅長這兩個領(lǐng)域的優(yōu)秀人才。不過，隨著團隊規(guī)模的擴大，你將從專業(yè)分工中受益。
