Você acha que o papel de um Product Manager está em alta no mercado global atual? Com certeza estão! As vagas vem crescendo exponencialmente e do outro lado continua difícil encontrar bons profissionais para preenchê-las (mesmo com salários exorbitantes).
E se eu te falar que tem um papel que está ainda mais em alta? São os chamados Data Product Managers, profissionais que, além de Produto, possuem um conhecimento avançado em Data Science e Big Data — abrindo caminho para uma enorme oportunidade de especialização em Product Analytics!
Importância dos dados para Produto
Principal combustível para modelos estatísticos (ou Machine Learning) que sustentam uma gama enorme de produtos, os dados são cada vez mais importantes para as empresas. Seja para personalizar a experiência dos usuários em produtos digitais (Netflix, Spotify, Youtube), recomendar produtos relevantes em e-commerces (Amazon) ou analisar quanto de crédito ceder para um cliente (Nubank), existem aplicações para praticamente todas as empresas de tecnologia.
Com isso, houve uma crescente de times de profissionais que constroem esses produtos (os chamados Data Scientists) e naturalmente surgiu a necessidade de Product Managers capacitados para conduzi-los.
O que fazem Data Product Managers
É então que surge o cargo de Data Product Manager, responsável pelo processo de Product Data Management – PDM (ou gestão de dados do produto).
Além das habilidades de um PM regular, esse profissional precisa de soft skills mais bem desenvolvidas para lidar com um time mais sênior — com perfis diferentes de desenvolvedores comuns — e um pouco de conhecimento técnico de Data Science, para poder lidar com a evolução de seu produto junto ao time.
Tive a sorte de surfar esta bem no início da minha carreira e isto foi definitivamente o que me possibilitou crescer tão rápido.
Minha jornada como Data Product Manager
Comecei minha carreira do outro lado da moeda, como um Data Scientist, enquanto terminava um mestrado com especialização em Machine Learning — justamente desenvolvendo produtos de dados na GetNinjas.
Em determinado momento, decidimos criar um time multidisciplinar, focado em construir produtos de dados. Como eu tinha interesse e aptidão para a área de Produto, me tornei o Product Manager desse time. Naquele momento se iniciava minha jornada nesse papel.
Logo de cara descobri que o dia a dia desse recém formado time seria muito diferente dos outros times de desenvolvimento. Produtos de dados tem um ciclo de vida com etapas e ritmo diferentes. Além disso, os problemas têm outra natureza, o perfil dos cientistas têm particularidades, ou seja, tudo mudava! Minhas habilidades técnicas de dados combinadas com minhas habilidades como facilitador se mostraram uma combinação extremamente poderosa para condução do time, e juntos conseguimos entregar resultados em uma velocidade incrível para a empresa.
Com a experiência adquirida, após um tempo comecei a receber propostas para trabalhar como PM em times de Data de diversos países do mundo e venho trabalhando com produtos de dados até hoje (como founder e consultor).
Esse papel está extremamente requisitado e faltam muitos profissionais capacitados no mercado global, isso é uma oportunidade enorme para você leitor que gosta de ambas as áreas. Por isso, vou te ajudar a se preparar com algumas dicas ao longo deste artigo.
Como me preparar para ser um Data Product Manager?
Para exercer esse papel, você precisa entender as complexidades do time e saber como conduzi-lo, facilitando as cerimônias e trabalhando com os processos adequados em conjunto com capacidades técnicas específicas da área de Dados. Aqui vão algumas dicas:
Aprenda a lidar com as complexidades de um time de Data
Geralmente um time de Data Science é composto por pessoas mais sêniores, é muito comum ter mestres ou doutores na composição por exemplo. Esses profissionais tendem a ser lobos solitários natos, gostam de fazer tudo por conta própria e possuem opniões fortes e pouco maleáveis.
O Product Manager aqui precisa se atentar a isso e atuar como facilitador. Sempre mantendo o ambiente do time saudável durante as cerimônias, dando oportunidade para todos falarem e ajudando a conduzir as discussões para evitar ciclos intermináveis de argumentações (por vezes é preciso de um decider externo para fechar algum impasse — é importante fazer um controle do tempo nas conversas ou elas vão se extender muito).
Conseguir discutir com o mesmo vocabulário desses profissionais se torna muito importante aqui, reforçando a necessidade de conhecimento técnico sobre dados.
Seja flexível para adaptar os processos do time
A primeira distinção do ciclo de vida do produto se dá na fase de modelagem, onde uma solução deve ser proposta ao problema. Aqui, o time precisa escolher algum modelo estatístico para resolver o problema, mas este processo envolve muita pesquisa e experimentações, o que torna o tempo indefinido.
Essa etapa torna difícil o uso de algumas metodologias ágeis. É importante que o PM consiga dar espaço para os cientistas trabalharem de forma autônoma. Mas para que o time não perca completamente a noção de prazos e cometam OverEnginering, recomendo que sejam estabelecidos prazos de checkpoint de trabalho.
É possível usar o Scrum adaptado dessa maneira. Ao final das sprints, os resultados parciais da modelagem podem ser apresentados e repriorizados.
A outra diferença é que o sistema precisa ser avaliado constantemente, tendo seu modelo sempre atualizado. Para o PM e o time é importante a atenção na performance destes modelos constantemente para detectar quando há necessidade de atualizar o modelo. O mundo muda cada vez mais rápido, ou seja, os dados mudam e o modelo precisa ser adaptado.
Estruture o time de acordo com a realidade da empresa
Estruturar um time de dados dentro de uma empresa também é um grande desafio.
Pensando nos 2 extremos, de um lado temos um time que é responsável apenas pelos “pedaços” do produto que requerem modelagem de dados, construindo, por exemplo, um Black-Box de Machine Learning que outro time vai consumir para agregar valor ao cliente final direta ou indiretamente.
Enquanto isso, no outro extremo, o time de Produto pode ser completamente autônomo, construindo seus produtos de ponta a ponta, dos modelos até a interface que o usuário final interage.
Eu, particularmente, acho melhor que o time atue no máximo possível de etapas do produto, ou seja, da maneira mais autônoma possível (assim foi minha experiência na GetNinjas), porém isso depende da estrutura e necessidade da sua empresa.
Algo imprescindível para todos os cenários é ter uma comunicação e alinhamento impecáveis entre o PM e stakeholders de outros times e áreas da empresa, pois esses modelos sempre tendem a impactar ou fazer parte de outros pedaços do produto geral da empresa.
Estude bastante! Conhecimento técnico é necessário
Dividirei os conhecimentos em tópicos básicos (estatística, SQL, processos) e avançados (Machine Learning, tecnologias, inteligência emocional). Acho importante que um Data Product Manager estude ao menos um pouco de cada um desses.
Estatística
Este é o ponto mais básico entre todos, você precisa ter noções básicas de estatística e probabilidade. Ou seja, ser capaz de, por exemplo::
- Interpretar um sumário dos dados com média, mediana, quartis;
- Fazer a correlação entre variáveis,
- Compreender distribuições de probabilidade mais difundidas (como a normal e a binomial).
SQL
Um passo além de interpretar a estatística, é ser capaz de extrai-la. Para isso o mecanismo mais comum é o uso de SQL para extração de dados e medidas mais simples diretamente do banco de dados da sua empresa. SQL é uma linguagem com um vocabulário bem restrito e poucas regras, é relativamente rápido pra aprendê-la além de ser bem intuitiva. Vale a pena procurar sites e exercitar um pouco aqui, colocar a mão na massa.
Processos
Como mencionado acima, os produtos e a dinâmica de um time de dados requerem processos diferentes do comum. É importante que o PM estude o máximo de processos possível e crie um mindset de experimentação, moldando esses processos para encontrar algo que funcione para seu time. Isso garante a agilidade e qualidade nas entregas, além de um ambiente saudável e inclusivo para todos os membros da equipe.
Machine Learning
Um tópico mais avançado que estatística, porém na mesma linha é o conhecimento de técnicas e sistemas de Aprendizagem de Máquina. Hoje é difícil falar em Data Science, sem associar diretamente a aprendizagem de máquina, dado que é um campo muito abrangente com aplicações em praticamente qualquer segmento.
Para entender essas técnicas um pouco de matemática também é necessário, mas não se assustem! Como PMs, o básico já é suficiente. Fiquei tentado a colocar este tópico como básico, pois acho imprescindível que o Data Product Manager consiga detectar oportunidades para aplicar ML em seu produto tornando-o exponencialmente melhor.
Tecnologias
Se você é aquele tipo de PM que gosta de conhecer um pouco do código e das tecnologias que seu time trabalha existem outras coisas para aprender além de SQL aqui. A linguagem mais utilizada na área atualmente é Python, principalmente para criação de sistemas de ML (por sorte é também de fácil compreensão). Outra linguagem bastante utilizada, tanto para sistemas quanto manipulação de dados é Scala.
Inteligência emocional
Como mencionado na sessão anterior, o perfil dos membros de times de Data Science tende a ser mais sênior e com algumas particularidades que podem exigir uma carga emocional e jogo de cintura maiores do PM nas reuniões e situações do dia a dia.
Acho muito importante se preparar nessa área também, apesar de muita prática ser o melhor caminho existem alguns bons livros e artigos para te ajudar nesse campo.
Dicas finais
O papel de um Data Product Manager é ainda mais recente que o de PMs e Data Scientists, então esse movimento de alta do mercado está apenas começando.
Por isso, aqui temos uma oportunidade incrível para você que atua em algumas das áreas, explorando uma das alternativas e surfando uma onda que pode potencializar muito sua carreira.
Finalizo o artigo com as principais referências que recomendo para se preparar pra este papel e com um convite para trocar ideia, caso queira aprofundar no assunto!
Os livros abaixo em conjunto passam por todas as dimensões técnicas que mencionei acima (com excessão de SQL):
- Estatística: O que é, para que serve, como funciona,Charles Wheelan;
- Data Science para Negócios: O que você precisa saber sobre mineração de dados e pensamento analítico de dados;
- Data Science do zero com Python, Joel Grus;
- Data Science: Create Teams That Ask the Right Questions and Deliver Real Value;
- Machine Learning,Tom M. Mitchell;
- Multiplicadores, Liz Wiseman.
Para aprender SQL por conta recomendo que utilize alguma plataforma prática como a w3School, mas uma maneira mais fácil é pedir ajuda pra algum analista na sua empresa e começar a praticar com análises simples no seu dia a dia.
Continue lendo:
