Продуктовые команды: формула успеха одна, формул неуспеха много
Доклад отклонён
Целевая аудитория
Тезисы
Команды разработки могут формироваться горизонтально на основе функциональной экспертизы и вертикально, то есть кроссфункционально. В докладе обсудим плюсы и минусы этих подходов.
В организации процессов разработки продуктов мы, как и многие другие компании, отдали предпочтение кросс-функциональному. Кроссфункциональные команды, которые поддерживают и развивают один или несколько продуктов, называют продуктовыми командами.
Продуктовая команда может состоять из различных ролей: аккаунт менеджер, владелец продукта, проджект-менеджер, сейл менеджер, архитектор решений, бизнес аналитик, системный аналитик, разработчики, DS инженеры, тестировщики, девопсы и др. Организация разработки через продуктовые команды обеспечивает высокую скорость создания продуктов за счет уменьшения времени взаимодействия членов команды и высокое качество продуктов за счет взвешенных и всесторонне принятых решений - каждый участник независимо от позиции может влиять на них. Однако случаи неуспешных организаций команды заставили нас более глубоко погрузиться в используемый подход.
Успех продуктовых команд складывается из различных факторов: наличие необходимой экспертизы, финансирование, востребованность продукта на рынке, организационные процессы в компании. Однако наш опыт показал, что одним из ключевых факторов успеха продуктовой команды является наличие специалистов, которые перекрывают все необходимые роли в команде. Например, владелец продукта часто выполняет роль и проджект менеджера, аналитик способен протестировать функциональность продукта, а DS инженер может обладать необходимой экспертизой для помощи в принятии архитектурных решений команде разработки. Такое перекрытие позволяет восполнить дефицит экспертизы и убрать ряд факторов риска, связанных с текучкой кадров в команде.
В докладе разберем примеры успешных и неуспешных организаций команд разработки DS продуктов и обсудим формулу успеха.
Head DS beeline business. Команда DS beeline business решает различные задачи: анализ геоданных, построение скоринговых моделей, видеоаналитика, ASR и другие.
Дмитрий более 10 лет в анализе данных. Опыт внедрения MLOps-процессов, построения платформ анализа данных, создания высоконагруженных ML-систем. Работал в компаниях: Master Delivery, НТЦ ЕЭС ИК, beeline и др.
билайн
Видео
Другие доклады секции
Трансформационные изменения в командах