Einbindung und Auswirkungen von KI im Produktmanagement: Interview mit Rutger de Wijs

Product Management Consultant Rutger de Wijs shares his view on why and how AI can be leveraged by Product Managers to increase the value of their products. The full transcript of the video can be found below the video. Feel free to explore the content of the interview in the format that best suits your preferences.

Einführung und allgemeine Einblicke

Könnten Sie uns zu Beginn einen kurzen Überblick über Ihren Hintergrund geben und wie Sie zu der Schnittstelle zwischen KI und Produktmanagement gekommen sind?
Zu Beginn meiner Karriere (in den 2010er Jahren) arbeitete ich als BI-Manager bei einem Startup für Werbetechnologie. Dort lernte ich, wie SaaS-Plattformen agil entwickelt werden und wie man mit SQL, Tableau und ein wenig R relevante Erkenntnisse gewinnen und Datengeschichten erstellen kann. So konnte ich durch das Fenster schauen, wie unser zentraler Media-Buying-Algorithmus mit Data Science verbessert werden könnte.

Wie hat sich aus Ihrer Sicht die Landschaft des Produktmanagements durch die Integration von KI-Technologien in den letzten Jahren entwickelt?
Nun, in den letzten Jahren ist KI für viele Menschen, auch für Produktmanager, zu einem Synonym für generative KI geworden. Obwohl generative KI ein sehr nützliches Werkzeug sein kann, vor allem aus der Perspektive der Rolle, ist die Welt der KI viel größer und wird meiner Meinung nach von der Welt des Produktmanagements noch nicht vollständig genutzt.

Branchentrends und Beobachtungen

Als jemand, der sich intensiv mit dem Thema beschäftigt, welche Entwicklungen beobachten Sie in
Wie versuchen Unternehmen, KI zu nutzen, um ihre Produktstrategien zu verbessern?
Ich sehe, dass fast jedes größere Unternehmen in Big Data, Advanced Analytics und Data Science investiert hat. Aber genau wie bei der Einführung von Konsumgütern gibt es auf der einen Seite Early Adopters und auf der anderen Seite Laggards, und es gibt Unternehmen, die bereits Mehrwert aus Daten schaffen, wie Spotify, als schönes Beispiel. Aber ich habe viele Berichte gelesen, die besagen, dass die meisten Führungskräfte immer noch damit zu kämpfen haben, aus ihren Dateninvestitionen einen Mehrwert zu schaffen.
Als Berater für Produktmanagement, der an Transformationen beteiligt ist, sehe ich, dass immer mehr Unternehmen die nächsten Schritte zur Nutzung von Daten und KI in ihre Roadmaps aufnehmen. Ich sehe aber auch, dass es immer noch eine Kluft gibt zwischen den Datenteams, die versuchen, ihre Arbeit in die Organisation einzubringen, und der Geschäftsseite, die dieses erstaunliche Potenzial nicht ausschöpft.

Interessant... Gibt es bestimmte Branchen oder Sektoren, in denen der Einsatz von KI besonders erwähnenswert ist?
Jede Branche profitiert bis zu einem gewissen Grad von der Nutzung von KI. Einige Beispiele mit großer Wirkung sind die Finanzindustrie mit der Betrugserkennung, die Automobilindustrie mit selbstfahrenden Autos und die (sozialen) Medien mit personalisierten Feeds.

Die Rolle der KI im Produktmanagement

Wie wird sich Ihrer Meinung nach die Rolle der KI im breiteren Kontext des Produktmanagements entwickeln, und welche Möglichkeiten ergeben sich daraus für Fachleute in diesem Bereich?
Ich sehe, dass KI zu einem integralen Bestandteil des Produktmanagements wird, da sie ein mächtiger Bestandteil ist, um Produkte für Kunden und das Unternehmen wertvoller zu machen. Ein besseres Verständnis von KI und das Wissen, wie man sie als Werkzeug einsetzt, kann die Produktmanager von denen unterscheiden, die nicht wissen, wie man sie einsetzt.

Können Sie Beispiele für die erfolgreiche Integration von KI im Produktmanagement nennen, die Ihnen aufgefallen sind?
Vorhin habe ich Spotify erwähnt. Mir gefällt sehr, wie sich das Musik-Streaming-Produkt weiterentwickelt hat, indem immer mehr Intelligenz in das Produkt integriert wurde. Im gesamten Produkt werden Daten und künstliche Intelligenz eingesetzt, um das Nutzererlebnis zu verbessern, aber auch um neue Funktionen bereitzustellen, die die Nutzung der App noch attraktiver machen, wie z. B. die 'Discover Weekly'-Wiedergabeliste mit dreißig Songs, die die Nutzer noch nie gehört haben, die ihnen aber wahrscheinlich gefallen würden, basierend auf den Erkenntnissen der gesamten Nutzerbasis.

Herausforderungen und Chancen

Um zu den Herausforderungen überzugehen: Auf welche Hürden stoßen die Produktverantwortlichen häufig, wenn sie KI in ihre Produkte einbauen, und wie können diese überwunden werden?
Meiner Meinung nach gibt es einige Herausforderungen. Eine der wichtigsten ist, dass viele Produktverantwortliche KI nicht als wichtiges Werkzeug in ihrem Produktmanagement-Werkzeugkasten betrachten. Die Welt der Datenwissenschaft ist zu weit von ihrem üblichen Fokus entfernt. Eine weitere Herausforderung besteht darin, dass viele Produktmanager, selbst wenn sie wissen, dass es ein solches Werkzeug wie KI gibt, keine Anleitung erhalten haben, wie man dieses Werkzeug richtig einsetzt.

Synergien zwischen Produktmanagern und technischen Teams

Lassen Sie uns das näher beleuchten: die Zusammenarbeit mit Data Science-Teams. Wie sollten Produktmanager mit ihnen zusammenarbeiten, um den Wert ihrer Produkte zu steigern?
Nun, ich möchte das Wort "zusammenarbeiten" betonen, denn die Schaffung von Mehrwert durch Data Science ist eine gemeinsame Anstrengung. In den meisten Unternehmen sind Data Scientists in einem zentralisierten Team tätig und nicht Teil des Produktteams. In diesem Fall müssen Sie als PO das Data Science Team aktiv einbinden und es von Anfang an einbeziehen, d.h. bei der Ideenfindung.
Außerdem ist es wichtig zu wissen, dass Data Science Teams und Produktteams einen unterschiedlichen Rhythmus haben. Bei Data Science geht es um kontinuierliches Experimentieren. Bei der Produktentwicklung hingegen geht es eher darum, die Komplexität in überschaubare Teile zu zerlegen. Als Produktmanager sollten Sie aktiv mit dem Data Science Team zusammenarbeiten und dessen Arbeit in Ihre Produktiterationen einbeziehen.

Welche Arbeitsmethoden sollten wir anwenden, um die Effektivität der Zusammenarbeit zu maximieren?
Bei Xebia haben wir einen Rahmen für die logische Kette von den Daten zum Wert entwickelt. Die Komponenten des Flusses sind Daten > Vorhersagen > Einblicke > Optimierungen > Aktionen > Messung > Wert. Um aus Daten einen Wert zu schaffen, sollte der PM am Ende, beim Wert, beginnen und zusammen mit dem Data Science-Team den ganzen Weg zurück zu den Daten arbeiten. Auf diese Weise kann die richtige Art von Daten und Datenmanipulation in Wert verwandelt werden. So fungiert dieser Rahmen als Leitplanke für den experimentellen Charakter von Data Science.

Einblicke in die Ausbildung:

Was hat Sie dazu bewogen,die Schulung"KI-gestütztes Produktmanagement"zu entwickeln?
In meiner Arbeit als Produktmanagement-Berater treffe ich viele Produktmanager, die das Instrument der KI noch nicht kennen oder sich von ihm eingeschüchtert fühlen. Ich habe diese Schulung als Teil der Xebia Academy entwickelt, um solchen Produktmanagern dabei zu helfen, dieses leistungsstarke Werkzeug in ihren Werkzeugkasten aufzunehmen. Ich bin sogar der Meinung, dass das Erlernen des Umgangs mit diesem Tool ein wesentlicher Bestandteil der Lernreise eines Produktmanagers ist.

Welche Komponenten haben Sie darin integriert?
Die Schulung besteht im Wesentlichen aus zwei Teilen. Zunächst erkläre ich das Konzept der KI und wie all die Schlagworte und der Fachjargon (z. B. der Unterschied zwischen maschinellem Lernen, neuronalen Netzen und Deep Learning) miteinander und mit der Wertschöpfung zusammenhängen. Im zweiten Teil geht es um den Prozess der Wertschöpfung. Hier geht es darum, dass das KI-Tool am nächsten Tag für die Arbeit einsatzbereit ist.

An wen richtet sich dieser Schulungskurs?
Bisher habe ich den Begriff "Product people" verwendet, weil ich denke, dass viele Rollen, die mit Produktmanagement oder Entwicklung zu tun haben, von diesem Kurs profitieren können. Neben Produktmanagern und POs können auch Produktleiter wie HoP oder CPO, die ihren Werkzeugkasten erweitern können, sowie andere Rollen, die mit dem Wertschöpfungsprozess verbunden sind, wie SM, Agile Coaches, RTEs, davon profitieren, wenn sie Teams dabei helfen, ihren Werkzeugkasten zu erweitern.

Wie schafft der Kurs ein Gleichgewicht zwischen theoretischem Wissen und praktischer Erfahrung für die Teilnehmer?
Ich selbst nehme gerne an Schulungen teil, die beides bieten. Einerseits die Theorie zu verstehen, andererseits aber auch die Möglichkeit zu haben, die Theorie mit Hilfe des Trainers an einigen praktischen Beispielen oder sogar an eigenen Anwendungsfällen auszuprobieren. So habe ich auch mein Training aufgebaut.

Welche Veränderungen oder Erkenntnisse erhoffen Sie sich von den Teilnehmern, die den Kurs absolvieren, um ihre täglichen Aufgaben als Produktmanager zu verbessern?
Ich hoffe, dass sie sich mit dem Thema KI vertraut gemacht haben und mit Begeisterung die Zusammenarbeit mit Data Science-Teams leiten werden, um den Wert ihrer Produkte mit einigen bewährten Ansätzen, die sie kennengelernt haben, zu steigern.