A Era dos Data Product Managers: Como se preparar!

Por Lucas Fonseca Navarro

Você acha que o papel de um Product Manager está em alta no mercado atual pelo mundo? 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 o que chamo de Data Product Managers, profissionais que além de produto possuem um conhecimento avançado em Data Science — aqui há uma enorme oportunidade!

Principal combustível para modelos estatísticos (ou machine learning) que sustentam uma gama enorme de produtos, Dados são cada vez mais importantes para as empresas. Seja para personalizar a experiência dos usuários(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 estes produtos (os chamados Data Scientists) e naturalmente surgiu a necessidade de Product Managers capacitados para conduzi-los.

Nasce então o Data Product Manager, que além das habilidades de um PM regular, 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 um 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 e como eu tinha interesse e aptidão para a área de produto, me tornei o Product Manager deste time. Neste momento se inicia minha jornada neste papel.

Logo de cara descobri que o dia-a-dia deste recém formado time seria muito diferente dos outros times de desenvolvimento. Produtos de dados tem um ciclo de vida com etapas e ritmo diferente, os problemas tem 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). Este 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 e vou te ajudar a se preparar com o restante deste artigo.

Para exercer esse papel, você precisa entender as complexidades do time, e saber como conduzi-lo, facilitando as cerimonias e trabalhando com os processos adequados em conjunto com capacidades técnicas específicas da área de Dados.

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. Estes profissionais tendem a ser lobos solitários natos, gostando de fazer tudo por conta própria além de possuírem opniões fortes e pouco maleáveis. O PM aqui precisa se atentar a isso e atuar como facilitador. Sempre mantendo o ambiente do time saudável durante as cerimonias, dando oportunidade pra todos falarem e ajudando a conduzir as discussões para evitar ciclos intermináveis de argumentações, ss 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 destes profissionais se torna muito importante aqui, reforçando a necessidade de conhecimento técnico em dados.

O ciclo de vida dos produtos de dados é diferente, os processos do time também devem ser adaptados. A primeira distinção 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. Esta etapa torna difícil o uso de algumas metodologias ágeis. É importante que o PM consiga dar espaço para os cientistas trabalharem autonomamente, mas para o time não perder completamente a noção de prazos e cometam OverEnginering recomendo que sejam setados prazos de checkpoint de trabalho. É possível usar o Scrum adaptado desta maneira com Sprints por exemplo, e ao final da Sprint os resultados parciais da modelagem são apresentado e re-discutidos ou re-priorizados (Tem uma referência ótima para isso de Doug Rose no final do artigo).

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 pra 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.

Estruturar um time de dados dentro de uma empresa também é um grande desafio. Pensando nos dois 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. No outro extremo o time pode ser completamente autônomo, construindo seus produtos 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 todas é uma carga enorme de comunicação e alinhamento do PM com os stakeholders de outros times e áreas da empresa, pois estes 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 destes.

 

Estatística: Este é o ponto mais básico entre todos, você precisa ter noções de estatística e probabilidade básicas. Ser capaz de interpretar um sumário dos dados com média, mediana, quartis. Correlação entre variáveis, compreender distribuições de probabilidade mais difundidas como a normal e a binomial e assim por diante.

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 estes processos para que se encontre algo que funcione para seu time. Mantendo sempre a agilidade e qualidade nas entregas, além de um ambiente saudável e inclusive 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 estas técnicas um pouco de matemática também é necessário, mas não se assuntem, como PMs o básico já é suficiente. Fiquei tentado a colocar este tópico como básico, pois acho imprescindível que o PM 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 nesta área também, apesar de muita prática ser o melhor caminho existem alguns bons livros e artigos para te ajudar nesse campo.

Conclusão

O papel de um Data Product Manager é ainda mais recente que o de PMs e Data Scientists, este movimento de alta do mercado está apenas começando. É uma oportunidade enorme para você leitor que atua em algumas das áreas explorar uma alternativa e surfar 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 idéia, caso queira aprofundar no assunto!

Referências

Os livros abaixo em conjunto passam por todas as dimensões técnicas que mencionei acima (com excessão de SQL) e seus preços médios:

  • Estatística: O que é, para que serve, como funciona,Charles Wheelan — R$49,00
  • Data Science para Negócios: O que você precisa saber sobre mineração de dados e pensamento analítico de dados — R$55,00
  • Data Science do zero com Python, Joel Grus — R$45,00
  • Data Science: Create Teams That Ask the Right Questions and Deliver Real Value — R$127,00
  • Machine Learning,Tom M. Mitchell — R$246,00
  • Multiplicadores, Liz Wiseman — R$20,00

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.

No curso de Product Manager da PM3, nós temos um módulo focado neste assunto de product data com o instrutor Bernardo Srulzon, Diretor de Produto na Quanto. Ele fala desde o papel de BI em Produto até a importância de um PM saber SQL, além de trazer um case real do Getninjas. 💪

Que tal conhecer mais sobre a gestão de produtos digitais?

Se quer se tornar um Product Manager mais preparado(a) para enfrentar o mercado, baixe a ementa do curso referência em produto no país e aprenda com 17 instrutores de empresas como OLX, Nubank, Booking.com, iFood, Creditas, Grupo ZAP, entre outras grandes Tech companies brasileiras. 

A PM3 também está lançando um curso focado em Product Discovery. Para se tornar um especialista em Product Discovery e colocar em prática tudo o que você viu até agora, garanta sua vaga na pré-venda do nosso novo curso de Product Discovery! Tenha acesso por um ano, 24/7, a mais de 20 horas de conteúdo em vídeo-aulas, artigos cuidadosamente selecionados e instrutores altamente qualificados. 

E aproveite, pois as gravações já começaram e adquirindo o curso em pré-venda você tem a oportunidade de assistir ao vivo e em primeira mão e ainda fazer networking com instrutores e outros alunos do curso. 

Mais conteúdos para te ajudar a ser um(a) PM melhor:
Ver todos os conteúdos do blog

Torne-se um PM completo(a)!

Faça como nossos mais de 2.000 alunos, estude no curso que é referência na educação em Product Management no país e eleve a barra em produto!

Close