突发数据产品创建的重要性及相关问题创建数据产品是加速交付、复用数据资产、降低风险和管理成本的有效途径。标准化的数据产品还有助于提升分析和人工智能AI能力。数据产品有助于规范原始数据集、数据仓库视图和数据湖逻辑视图的组合与使用方式以实现分析和 AI 能力。通过开发数据产品团队可以简化大量前期的数据管道、治理和管理工作从而提供可信赖的数据资产供人员、工具和 AI 用于不同目的。这就好比做饭数据产品能像非自制的意大利面一样节省时间让分析和 AI 能力从一致、精简的“食材”开始。开发数据产品及其标准的五个问题何时构建数据产品大多数组织无法为每个数据可视化、机器学习模型或 AI 代理都开发作为中间件的数据产品。开发数据产品需要成本和时间而且一旦部署或“上架”产品经理必须监督其持续支持和生命周期管理。那么敏捷的数据团队何时应该开发数据产品又该如何确定哪些产品更重要呢一个出发点是考虑从单个数据集构建的数据产品以及将其产品化意味着什么。Crunchbase 工程副总裁 Danielle Ben - Gera 表示“当多个团队开始依赖一个数据集来做决策或驱动应用程序时这个数据集就应该真正成为一个数据产品。建立适当的治理、明确的所有权、版本控制和变更管理的生命周期非常重要否则你只是在交付脆弱的管道会破坏下游工作。”第二个考虑因素是将未受治理的数据集的使用视为一种数据债务。建立数据产品可以是一种规范使用并解决风险的策略性方法。SAP 美国实验室董事总经理兼 SAP 全球研究与创新负责人 Yaad Oren 说“当数据集在各团队间使用却没有强大的治理、明确的流程或清晰的所有权时组织应该构建数据产品。当基于统一的数据基础时数据产品可以消除数据孤岛形成共同理解并建立安全、标准化的访问使团队能够放心地利用相同的资产。”第三个考虑因素是应用制造业原则即为特定客户构建数据产品推动复用并提高效率。当数据产品需要整合多个数据源时起草数据产品的愿景声明并评估其商业价值尤为重要。这就引出了一个问题标准化如何提高效率、提升质量、降低数据安全风险以及带来其他好处。Vertex 技术战略副总裁 Christopher Zangrilli 表示“领导者应该从业务影响的角度出发思考数据是否能缩短周期时间、提高决策准确性或降低合规风险。当治理、采用变更管理、质量和价值衡量从一开始就融入其中时数据产品就会从实验工具转变为战略资产。”为何要为数据产品定义标准杂货店的产品包装上会详细列出成分、保质期和价格。数据治理领导者也应该规范数据产品的定义、编目和管理方式。Relyance AI 联合创始人兼首席执行官 Abhi Sharma 说“任何现代数据产品都应该清晰地回答四个问题数据源自何处、如何在系统间转换、谁或什么在使用它以及每一步适用的治理义务是什么。没有这种端到端的上下文团队就是在他们不完全理解的数据基础上构建功能。”虽然食品产品会公布其成分并标注饮食限制但很少会记录原材料的来源以及从农场到杂货店的物流过程。然而在构建数据产品时捕获数据谱系在受监管的行业可能是必需的而且在为 AI 应用标准化数据源时尤为重要。Astronomer 研发执行副总裁 Carter Page 表示“没有数据谱系团队就像在盲目操作治理就变成了被动的清理工作。当团队能够看到数据的来源、如何转换以及依赖它的每个系统时更新就变得可预测正确的管道会得到测试目标利益相关者会得到通知并且在重大变更引发事故之前就会记录下来。”数据产品的生命周期是怎样的API、应用程序或 AI 模型的生命周期管理需要定义一个发布计划以交付改进、修复和其他必要的升级。数据产品的生命周期管理涉及几个类似的方面。Precisely 工程、支持和运营执行副总裁 Ulf Viney 表示“生命周期管理必须包括版本控制、测试、结构化部署和利益相关者沟通。”数据产品的一个根本区别在于其生命周期管理与底层数据集的增长或结构变化密切相关。一个现在能正常工作的数据产品如果不能适应变化或者在需要修复时不能发出警报就可能破坏下游用例并削弱利益相关者和用户对数据的信任。Capital One 企业数据高级总监 Bethany Sehon 说“将数据作为产品进行管理意味着数据消费者从一开始就可以信任数据这需要一个可持续且可扩展的治理框架以确保数据易于查找、理解和使用。通过从第一天就嵌入可观测性、质量检查和互操作性你可以管理整个数据生命周期从版本控制和测试到衡量采用情况和性能。”管理关键任务、实时数据产品并为多个下游分析和 AI 用例提供支持的团队应考虑以下 DevOps 和数据治理实践确立数据治理的必要条件特别是设定数据质量基准、评估任何数据偏差以及遵守数据隐私政策支持先进的持续集成/持续交付CI/CD和持续部署实现持续测试和生产部署的完全自动化确保所有数据集成都有可观测的数据运维监控数据质量问题并在管道停止运行时发出警报定义 IT 服务以处理请求和事件与数据管理技术平台战略保持一致包括数据织物、数据安全态势管理DSPM、文档处理和向量数据库。如何鼓励数据产品的采用遗憾的是构建数据产品并不能保证其被采用。回想一下代码复用、API 采用或标准化内部开发的 DevOps 工具所面临的挑战。这些都是旨在减少开发人员工作量和提高质量的中间产品的例子但许多团队采取了“非我发明”的态度和自行开发的做法而不是学习和采用其他团队制定的标准。数据产品面临的挑战更大特别是当它们旨在整合数据孤岛或消除电子表格时。负责数据产品的产品经理必须制定一个变更管理计划以促进采用并收集反馈。EnterpriseDB 首席技术官 Quais Taraki 表示“当数据产品能够推动实际业务决策并在大规模上值得信赖时它才有存在的价值。要像对待软件一样对待数据产品进行版本控制、测试和受控发布而不是一次性的管道。这种规范能安全地将正确的数据送到正确的地方并通过采用、速度和降低风险将数据转化为可衡量的价值。”产品经理可以通过沟通数据产品如何与企业的 AI 战略和文化转型相契合来加速其采用。例如展示数据产品如何提高 AI 素养、通过合适的业务用例实现 AI 民主化或者让员工为使用 AI 代理做好准备。如何衡量数据产品的商业价值面向客户的产品所带来的价值通常通过收入影响、使用指标和客户满意度CSat来衡量。面向员工的内部产品则可以从工作流效率、生产力提升和员工满意度ESat方面进行衡量。数据产品是中间件因此量化其价值可能更具挑战性。Verint 全球 AI 和分析副总裁 Daniel Ziv 表示“太多组织仍然将数据产品视为技术输出而不是战略资产。当评估数据的独特生成方式、它在决策中能产生多大的可衡量影响以及如何在管理风险的同时安全地提取见解时其真正价值就会显现出来。当每个组织都能使用相同的 AI 模型时竞争优势就来自于你独特的数据以及你将其转化为行动的速度。”LatentView Analytics 达索分析卓越中心负责人 Sunil Kalra 补充道“价值应该通过采用情况、使用情况和成果来衡量例如更快的洞察、减少手动工作以及提高收入或成本绩效。”最佳实践是使用数字化转型速度指标如获取数据的时间、决策时间、创新时间和实现价值的时间。随着越来越多的组织寻求通过 AI 代理实现商业价值创建数据产品将被视为加速交付、复用数据资产、降低风险和管理成本的途径。大家应根据上述提示检查相关情况并采取相应措施。
创建数据产品：加速交付、复用资产、降低风险和成本的有效途径
突发数据产品创建的重要性及相关问题创建数据产品是加速交付、复用数据资产、降低风险和管理成本的有效途径。标准化的数据产品还有助于提升分析和人工智能AI能力。数据产品有助于规范原始数据集、数据仓库视图和数据湖逻辑视图的组合与使用方式以实现分析和 AI 能力。通过开发数据产品团队可以简化大量前期的数据管道、治理和管理工作从而提供可信赖的数据资产供人员、工具和 AI 用于不同目的。这就好比做饭数据产品能像非自制的意大利面一样节省时间让分析和 AI 能力从一致、精简的“食材”开始。开发数据产品及其标准的五个问题何时构建数据产品大多数组织无法为每个数据可视化、机器学习模型或 AI 代理都开发作为中间件的数据产品。开发数据产品需要成本和时间而且一旦部署或“上架”产品经理必须监督其持续支持和生命周期管理。那么敏捷的数据团队何时应该开发数据产品又该如何确定哪些产品更重要呢一个出发点是考虑从单个数据集构建的数据产品以及将其产品化意味着什么。Crunchbase 工程副总裁 Danielle Ben - Gera 表示“当多个团队开始依赖一个数据集来做决策或驱动应用程序时这个数据集就应该真正成为一个数据产品。建立适当的治理、明确的所有权、版本控制和变更管理的生命周期非常重要否则你只是在交付脆弱的管道会破坏下游工作。”第二个考虑因素是将未受治理的数据集的使用视为一种数据债务。建立数据产品可以是一种规范使用并解决风险的策略性方法。SAP 美国实验室董事总经理兼 SAP 全球研究与创新负责人 Yaad Oren 说“当数据集在各团队间使用却没有强大的治理、明确的流程或清晰的所有权时组织应该构建数据产品。当基于统一的数据基础时数据产品可以消除数据孤岛形成共同理解并建立安全、标准化的访问使团队能够放心地利用相同的资产。”第三个考虑因素是应用制造业原则即为特定客户构建数据产品推动复用并提高效率。当数据产品需要整合多个数据源时起草数据产品的愿景声明并评估其商业价值尤为重要。这就引出了一个问题标准化如何提高效率、提升质量、降低数据安全风险以及带来其他好处。Vertex 技术战略副总裁 Christopher Zangrilli 表示“领导者应该从业务影响的角度出发思考数据是否能缩短周期时间、提高决策准确性或降低合规风险。当治理、采用变更管理、质量和价值衡量从一开始就融入其中时数据产品就会从实验工具转变为战略资产。”为何要为数据产品定义标准杂货店的产品包装上会详细列出成分、保质期和价格。数据治理领导者也应该规范数据产品的定义、编目和管理方式。Relyance AI 联合创始人兼首席执行官 Abhi Sharma 说“任何现代数据产品都应该清晰地回答四个问题数据源自何处、如何在系统间转换、谁或什么在使用它以及每一步适用的治理义务是什么。没有这种端到端的上下文团队就是在他们不完全理解的数据基础上构建功能。”虽然食品产品会公布其成分并标注饮食限制但很少会记录原材料的来源以及从农场到杂货店的物流过程。然而在构建数据产品时捕获数据谱系在受监管的行业可能是必需的而且在为 AI 应用标准化数据源时尤为重要。Astronomer 研发执行副总裁 Carter Page 表示“没有数据谱系团队就像在盲目操作治理就变成了被动的清理工作。当团队能够看到数据的来源、如何转换以及依赖它的每个系统时更新就变得可预测正确的管道会得到测试目标利益相关者会得到通知并且在重大变更引发事故之前就会记录下来。”数据产品的生命周期是怎样的API、应用程序或 AI 模型的生命周期管理需要定义一个发布计划以交付改进、修复和其他必要的升级。数据产品的生命周期管理涉及几个类似的方面。Precisely 工程、支持和运营执行副总裁 Ulf Viney 表示“生命周期管理必须包括版本控制、测试、结构化部署和利益相关者沟通。”数据产品的一个根本区别在于其生命周期管理与底层数据集的增长或结构变化密切相关。一个现在能正常工作的数据产品如果不能适应变化或者在需要修复时不能发出警报就可能破坏下游用例并削弱利益相关者和用户对数据的信任。Capital One 企业数据高级总监 Bethany Sehon 说“将数据作为产品进行管理意味着数据消费者从一开始就可以信任数据这需要一个可持续且可扩展的治理框架以确保数据易于查找、理解和使用。通过从第一天就嵌入可观测性、质量检查和互操作性你可以管理整个数据生命周期从版本控制和测试到衡量采用情况和性能。”管理关键任务、实时数据产品并为多个下游分析和 AI 用例提供支持的团队应考虑以下 DevOps 和数据治理实践确立数据治理的必要条件特别是设定数据质量基准、评估任何数据偏差以及遵守数据隐私政策支持先进的持续集成/持续交付CI/CD和持续部署实现持续测试和生产部署的完全自动化确保所有数据集成都有可观测的数据运维监控数据质量问题并在管道停止运行时发出警报定义 IT 服务以处理请求和事件与数据管理技术平台战略保持一致包括数据织物、数据安全态势管理DSPM、文档处理和向量数据库。如何鼓励数据产品的采用遗憾的是构建数据产品并不能保证其被采用。回想一下代码复用、API 采用或标准化内部开发的 DevOps 工具所面临的挑战。这些都是旨在减少开发人员工作量和提高质量的中间产品的例子但许多团队采取了“非我发明”的态度和自行开发的做法而不是学习和采用其他团队制定的标准。数据产品面临的挑战更大特别是当它们旨在整合数据孤岛或消除电子表格时。负责数据产品的产品经理必须制定一个变更管理计划以促进采用并收集反馈。EnterpriseDB 首席技术官 Quais Taraki 表示“当数据产品能够推动实际业务决策并在大规模上值得信赖时它才有存在的价值。要像对待软件一样对待数据产品进行版本控制、测试和受控发布而不是一次性的管道。这种规范能安全地将正确的数据送到正确的地方并通过采用、速度和降低风险将数据转化为可衡量的价值。”产品经理可以通过沟通数据产品如何与企业的 AI 战略和文化转型相契合来加速其采用。例如展示数据产品如何提高 AI 素养、通过合适的业务用例实现 AI 民主化或者让员工为使用 AI 代理做好准备。如何衡量数据产品的商业价值面向客户的产品所带来的价值通常通过收入影响、使用指标和客户满意度CSat来衡量。面向员工的内部产品则可以从工作流效率、生产力提升和员工满意度ESat方面进行衡量。数据产品是中间件因此量化其价值可能更具挑战性。Verint 全球 AI 和分析副总裁 Daniel Ziv 表示“太多组织仍然将数据产品视为技术输出而不是战略资产。当评估数据的独特生成方式、它在决策中能产生多大的可衡量影响以及如何在管理风险的同时安全地提取见解时其真正价值就会显现出来。当每个组织都能使用相同的 AI 模型时竞争优势就来自于你独特的数据以及你将其转化为行动的速度。”LatentView Analytics 达索分析卓越中心负责人 Sunil Kalra 补充道“价值应该通过采用情况、使用情况和成果来衡量例如更快的洞察、减少手动工作以及提高收入或成本绩效。”最佳实践是使用数字化转型速度指标如获取数据的时间、决策时间、创新时间和实现价值的时间。随着越来越多的组织寻求通过 AI 代理实现商业价值创建数据产品将被视为加速交付、复用数据资产、降低风险和管理成本的途径。大家应根据上述提示检查相关情况并采取相应措施。
