Hoe onderscheid je je IoT-product:geef inzichten, geen gegevens

Het doel van IoT-producten zou productinzichten moeten zijn, niet gegevens. Sommige mensen beweren zelfs dat de reden om IoT-producten in te zetten is om al deze gegevens te produceren en te verzamelen, dat de gegevens op zich de waarde bieden. Ik denk het niet. In dit bericht beschrijf ik het belang van het hebben van een datastrategie om inzichten te verschaffen, niet data, en deel ik met je hoe ik dit op de harde manier ontdekte.

Wat is uw datastrategie?

Uiteindelijk is een IoT-product in het hoofd van de klant niet anders dan enig ander product. Het levert waarde op of niet. Het lost het werk op waarvoor het is ingehuurd of niet.

Waarom vertel ik je dit? Omdat een van de grootste uitdagingen waarmee bedrijven worden geconfronteerd bij het bouwen van IoT-producten, het hebben van een datastrategie is:een plan voor hoe u waarde uit uw data kunt halen. Een manier om inzichten te leveren, geen gegevens.

Een datastrategie gaat verder dan het verzamelen en beheren van de data. Het begint met het definiëren van een ultiem doel dat u met uw product wilt bereiken en vervolgens door de IoT Technology Stack te lopen om te begrijpen welke gegevens u op elke laag van de stack moet verzamelen, opslaan, analyseren en overdragen.

Dit is een van de belangrijkste doelstellingen bij het doorlopen van het gegevensbeslissingsgebied in het IoT-beslissingskader.

 Hoe meer gegevens, hoe beter, toch?

Fout. Laat me een verhaal vertellen over het belang van een duidelijke datastrategie.

In het begin van mijn carrière ontwikkelde ik een kant-en-klare IoT-oplossing voor een bedrijf dat halfgeleiders produceert. Mijn klant, laten we hem Kevin noemen, huurde het bedrijf waarvoor ik werkte in om hun proces voor het karakteriseren van nieuwe hardwarechips te automatiseren.

Karakterisering is gewoon een mooi woord om een ​​computerchip door elke mogelijke invoer te leiden die u maar kunt bedenken, en vervolgens de uitvoer ervan op te nemen om ervoor te zorgen dat deze zo dicht mogelijk bij de wiskundige modellen werkt die de ingenieurs hebben gebruikt om dat te ontwerpen. chippen.

Elke mogelijke invoercombinatie handmatig configureren is een onmogelijke taak. Maar als u een computer de invoer voor u zou kunnen laten doen en alle uitvoergegevens in de cloud zou kunnen opslaan, dan zou u veel tijd kunnen besparen en de algehele kwaliteit van uw product kunnen verbeteren. Dat is waar we binnenkwamen. 

Toen we de oplossing eenmaal hadden geïnstalleerd en beschikbaar gesteld, waren Kevin en zijn team erg enthousiast, omdat ze voor het eerst allerlei invoercombinaties konden uitvoeren die ze eerder niet konden testen. Het project was een groot succes.

Een paar maanden later kreeg ik een telefoontje van Kevin met de vraag om hulp. "We verdrinken in gegevens", zei hij, "en we weten niet wat we ermee moeten doen." Het systeem dat we ontwikkelden had veel snelle sensoren en actuatoren, die vele gigabytes aan data per seconde produceerden. Ja, per seconde.

Als je het systeem maar een paar minuten laat draaien, zouden er zoveel gegevens worden gegenereerd dat ze weken nodig zouden hebben om alle nieuwe informatie te begrijpen. Ze hadden het zichtbaarheidsprobleem opgelost, maar door dat te doen, hadden ze een ander (misschien groter) probleem gecreëerd door veel gegevens te hebben die ze niet op een zinvolle manier konden beheren, analyseren of verwerken.

Focus altijd op het leveren van inzichten, niet op gegevens

Ze zeggen achteraf is 20-20. Vandaag is het me duidelijk dat ik beter mijn best had moeten doen om het uiteindelijke doel van de klant te begrijpen, in plaats van alleen te leveren wat ze vroegen in deze aangepaste oplossing. Begrijp me niet verkeerd, vanuit het perspectief van mijn bedrijf was de implementatie een succes. We leverden op tijd en binnen budget, en de klant tekende graag zijn glimmende nieuwe systeem. Maar in werkelijkheid hebben we het probleem erger gemaakt.

Dit verhaal is niet eenmalig. Ik zie dit zelfs keer op keer gebeuren als ik met productmensen over de hele wereld praat. Bedrijven richten zich te vaak op het aanpakken van de symptomen van het probleem, in plaats van dieper te graven om te begrijpen wat de klant echt probeert te bereiken. Vaker wel dan niet, leggen we veel nadruk op het verstrekken van alleen gegevens, niet inzichten.

Ik had het geluk dat Kevin mijn bedrijf genoeg vertrouwde om ons terug te halen om hen te helpen bij fase 2 van het project, om het probleem van te veel gegevens aan te pakken. Deze keer waren we voorzichtig om dieper in de behoeften van het hele bedrijf te duiken, niet alleen van zijn team.

We kwamen er al snel achter dat ze geen expertise hadden in het manipuleren van gegevens, dat ze geen data-analisten in dienst hadden en dat ze echt niet de nodige kennis hadden om het systeem over te nemen dat we voor hen hadden ontwikkeld. Ik heb de volgende maanden met hen samengewerkt bij het implementeren van een datastrategie en een databeheeroplossing om deze problemen aan te pakken. We hebben de hoeveelheid gegevens die ze produceerden teruggebracht en waren in staat om alle gegevens (zelfs de gegevens van andere afdelingen) te centraliseren in een privécloud, waar we later een analyse- en visualisatielaag aan toevoegden. Daarna zag het er veel beter uit.

Ik zal die les nooit vergeten. Machines of 'dingen' kunnen een enorme hoeveelheid data produceren. Ze worden nooit moe, dus ze kunnen dag en nacht data produceren. Non-stop. Zonder een duidelijke datastrategie en een duidelijk pad om waarde te leveren met die data, zijn IoT-oplossingen nutteloos. Ze dragen alleen maar bij aan het lawaai.

Het belang van branchekennis

Er is een oude grap die ongeveer als volgt gaat:een herder zorgt voor zijn kudde als er plotseling een jonge man in een sportwagen langskomt. De jonge man vraagt ​​aan de herder:"Als ik kan raden hoeveel schapen je hebt, mag ik er dan één houden?" De herder is het daarmee eens. De jonge man begint berekeningen uit te voeren met behulp van de nieuwste en beste technologie. 'Je hebt 280 schapen', zegt hij.

De herder zucht en zegt tegen de jongeman:"Als ik raad wat je beroep is, kan ik dan mijn schapen terugkrijgen?" De jonge man is het daarmee eens. 'Je bent adviseur', zegt hij. Verbaasd vraagt ​​de jonge man:"Hoe wist je dat!" "Nou, je rekent me een hoge prijs, je vertelt me ​​iets dat ik al weet, en je weet duidelijk niets van mijn bedrijf omdat je mijn hond afpakt!"

Dit verhaal geldt ook voor Product Managers. Het is niet ongebruikelijk dat PM's producten ontwikkelen voor industrieën waar we niet zo bekend mee zijn, en dus lossen we een probleem op dat niet opgelost hoefde te worden of gewoon veel data produceerde en geen waarde had.

Terugkijkend heeft een gebrek aan kennis van de branche bijgedragen aan de problemen die we hadden bij het bouwen van Kevin's systeem. Het was een nieuwe branche voor mij (en mijn bedrijf). We wisten hoe we krachtige IoT-oplossingen voor andere industrieën moesten bouwen, en hoewel de oplossingsruimte heel goed vertaalde, was de probleemruimte heel anders.

We hadden veel tijd besteed aan het leren kennen van onze klant en hun pijn, maar we hadden geen referentiekader voor de uitdagingen van die branche. Het resultaat:een product dat deels waardevol was, maar het probleem niet helemaal oploste.

Dus wat is de moraal van ons verhaal over herder-adviseur? Ken de branche van uw klant. Productmanagers moeten zoveel mogelijk inzicht krijgen in het bedrijf van hun klant. Met andere woorden, u moet over diepgaande domeinkennis beschikken. Wanneer u een expert wordt in de uitdagingen waarmee uw klant en hun branchegenoten worden geconfronteerd, kunt u betere vragen stellen en betere beslissingen nemen voor uw product, en op uw beurt meer waarde voor uw klant bieden.

Waar het op neerkomt

Veel IoT-producten zijn tegenwoordig gericht op het produceren van data in plaats van inzichten. Dit resulteert in teleurgestelde klanten die de waarde van de oplossing niet kunnen verzilveren en gedwongen worden extra werk te doen om nuttige informatie uit de data te halen.

Als productmanagers is het onze verantwoordelijkheid om de wereld van onze klanten te begrijpen, inclusief een goed begrip van de meest voorkomende uitdagingen van onze doelsector. Alleen dan kunnen we een solide datastrategie ontwikkelen die voldoet aan de behoeften van onze klanten.