أولاً: المقدمة

برزت إدارة المنتجات الرقمية الاستراتيجية (SDPM) كنظام بالغ الأهمية في صناعة الأنظمة كثيفة البرمجيات، حيث تعالج التعقيدات الناشئة عن الرقمنة والتحول الرقمي. تهتم إدارة المنتج (PM) بـ "ماذا" نبني و"لماذا"، بينما يركز الهندسة على "كيف" نبني. تهدف مراجعة الأدبيات هذه إلى تلخيص وتركيب وتقييم الأبحاث الحالية حول SDPM، مع التركيز على إطار عمل يحدد تسعة أساليب متميزة يمكن لمديري المنتجات استخدامها لتعظيم عائد الاستثمار (RoI) في البحث والتطوير عند استخدام التقنيات الرقمية الجديدة.

ثانيًا: نظرة عامة على ممارسات إدارة المنتج

تطورت ممارسات إدارة المنتج التقليدية بشكل كبير لتشمل المنهجيات والأطر الرشيقة (Agile). تُعرَّف إدارة المنتج بأنها العملية التجارية التي تحكم المنتج من الفكرة إلى التسليم في السوق لتوليد أكبر قيمة ممكنة للأعمال. يعد دور إدارة المنتج أمرًا بالغ الأهمية لنجاح المشروع من حيث الجدول الزمني وإمكانية التنبؤ والجودة ومدة المشروع. توفر أطر عمل مثل SAFe (Scaled Agile Framework) و ISPMA (الرابطة الدولية لإدارة منتجات البرمجيات) و SPM (إدارة منتجات البرمجيات) الدعم والتوجيه لمديري المنتجات في أنشطتهم الاستراتيجية واليومية. يتم اعتماد SAFe على نطاق واسع من قبل الشركات لتوسيع نطاق ممارساتها الرشيقة وتسريع تقديم القيمة وتقصير حلقات التغذية الراجعة. يقدم إطار عمل ISPMA رؤية شاملة للأنشطة والمهام الرئيسية لتحسين ممارسات إدارة منتجات البرمجيات. يحدد إطار عمل SPM المرجعي مجالات العمليات الرئيسية وأصحاب المصلحة، ويحدد القدرات للمؤسسات لتحسين نضج إدارة المنتج.

ثالثًا: اتجاهات الرقمنة التي تؤثر على إدارة المنتج

تتحدى العديد من اتجاهات الرقمنة وتغير ممارسات إدارة المنتج الحالية بشكل كبير.

• DevOps وحلقات التغذية الراجعة القصيرة: أدت ممارسات DevOps والمنهجيات الرشيقة إلى تقصير حلقات التغذية الراجعة وزيادة تكامل مديري المنتجات مع الفرق الهندسية. يقلل DevOps من الوقت بين إجراء تغيير على النظام ووضع التغيير في الإنتاج العادي، مما يضمن جودة عالية. يشجع هذا النهج التعاون متعدد الوظائف، ويسرع التسليم باستخدام البنيات الآلية، ويعزز النشر المستمر. يصبح مديرو المنتجات أكثر تكاملاً مع الفرق الهندسية، ويحددون الميزات ويحددون أولوياتها ويكيفونها وفقًا لاحتياجات العملاء. تتحول المؤسسات الرشيقة من النهج المرتكز على المواصفات إلى النهج المرتكز على التجربة، مما يسمح لمديري المنتجات باستخدام البيانات لقياس تأثير جهود التطوير بشكل مستمر.
• البيانات والذكاء الاصطناعي (AI): تتيح البيانات والذكاء الاصطناعي المراقبة المستمرة والتحسين والتحسين الأمثل لوظائف النظام، مما يوفر قيمة مستمرة للعملاء. تسهل هذه التقنيات العروض الجديدة القائمة على البيانات والرقمية، مما يسمح للشركات بتجربة تحقيق الدخل من هذه العروض من خلال نماذج أعمال رقمية جديدة. ينتقل مديرو المنتجات من التنبؤ بالنتائج إلى طرق العمل التجريبية، باستخدام اختبار A/B والبيانات للتحقق من قيمة العملاء وتحسينها.
• النظم البيئية الرقمية: تزيد النظم البيئية والمنصات الرقمية من أهمية استراتيجيات النظام البيئي، مما يتطلب من مديري المنتجات فهم ديناميكيات النظام البيئي، وإقامة علاقات استراتيجية، وإعادة تموضع موازين القوى. النظم البيئية الرقمية هي مجتمعات مفتوحة تتميز بالتنظيم الذاتي وقابلية التوسع والاستدامة. يحتاج مديرو المنتجات إلى فهم كيفية تأثير المنصات الرقمية الجديدة على العلاقات مع أصحاب المصلحة وكيفية تحقيق الدخل من المنتجات الجديدة والحالية داخل هذه النظم البيئية.

رابعًا: إطار عمل إدارة المنتجات الرقمية الاستراتيجية (SDPM)

يتم تنظيم إطار عمل إدارة المنتجات الرقمية الاستراتيجية (SDPM) وفقًا لبعدين: اليقين والنهج. يساعد هذا الإطار مديري المنتجات على تعظيم عائد الاستثمار في البحث والتطوير باستخدام التقنيات الرقمية الجديدة. يحدد الإطار تسعة أساليب:

• خوارزمي ومستقر: تجمع إدارة المنتج التقليدية مدخلات نوعية من العملاء وتحدد المتطلبات.
• قائم على البيانات ومستقر: يستخدم بيانات كمية لتحديد الوظائف الجديدة ومتطلبات القاعدة على ما يفعله العملاء بالفعل.
• الذكاء الاصطناعي ومستقر: يستخدم نماذج التعلم الآلي (ML) أو التعلم العميق (DL) مع بيانات تدريب لا تتأثر بالوقت إلى حد كبير.
• خوارزمي ومتطور: يعتمد على ملاحظات العملاء لتطوير الميزات والوظائف، وتحديد طلبات التغيير بناءً على المدخلات والتأكيد.
• قائم على البيانات ومتطور: يتتبع بيانات الأداء في الوقت الفعلي لتحديد الانحرافات وتشغيل طلبات التغيير لتطوير الميزات.
• الذكاء الاصطناعي والمتطور: يستخدم إعادة التدريب الدورية أو القائمة على المشغلات لنماذج التعلم الآلي بأحدث البيانات للحفاظ على التوافق مع الواقع الحالي.
• خوارزمي ويقين منخفض: ينشئ نماذج بالحجم الطبيعي لجمع ملاحظات العملاء النوعية للميزات الجديدة ذات اليقين المنخفض.
• قائم على البيانات ويقين منخفض: يستخدم أساليب تجريبية مثل اختبار A/B لقياس تأثير الوظائف الجديدة على مجموعة فرعية من المستخدمين.
• الذكاء الاصطناعي ويقين منخفض: يستخدم خوارزميات التعلم المعزز لاستكشاف مساحات الحالة والإجراءات، وتعلم الإجراءات المفضلة بناءً على المكافآت في بيئات غير مؤكدة للغاية.

خامساً: المنهجيات المستخدمة في أبحاث SDPM

تستخدم الأبحاث حول SDPM منهجيات مختلفة، وتركز بشكل أساسي على الأساليب النوعية لفهم تعقيدات إدارة المنتج في العصر الرقمي.

• بحث دراسة الحالة المتعددة: تُستخدم أبحاث دراسة الحالة المتعددة لاستكشاف كيفية تحدي DevOps والبيانات والذكاء الاصطناعي والنظم البيئية الرقمية لممارسات إدارة المنتج الحالية. تسمح هذه الطريقة بإجراء تحقيقات تجريبية متعمقة للظواهر المعاصرة، مما يوفر رؤى مفصلة حول السياقات التنظيمية وتجارب أصحاب المصلحة.
• جمع البيانات وتحليلها: تشمل طرق جمع البيانات جلسات ورش العمل والمقابلات واجتماعات المتابعة المتكررة مع ممثلي الشركة. يتم استخدام نهج تفسيري لتحليل البيانات، حيث يفكر الباحثون في التعلم ويستخلصون الآثار من البيانات التجريبية. يتم تحليل الملاحظات من ورش العمل والاجتماعات ونصوص المقابلات لتحديد العناصر والمفاهيم المتكررة، مما يؤدي إلى تطوير الأساليب التسعة في إطار عمل SDPM.

سادساً: النتائج الرئيسية والمناقشة

تكشف النتائج التجريبية من ورش العمل والمقابلات عن العديد من الموضوعات الرئيسية المتعلقة باحتياجات العملاء والبيانات والفرضيات واستخدام الذكاء الاصطناعي.

• احتياجات العملاء: يعد فهم احتياجات العملاء وإدارتها أمرًا بالغ الأهمية، مع التحول من هندسة المتطلبات التقليدية إلى الاستفادة من البيانات التاريخية ووقت التشغيل. تستخدم الشركات البيانات لفهم سلوكيات العملاء واستخدام الميزات، وتكمل الملاحظات النوعية برؤى كمية.
• البيانات والفرضيات: تساعد الأساليب القائمة على البيانات في تحديد الحالات الشاذة والأنماط غير المتوقعة، مما يؤدي إلى تشغيل طلبات التغيير لتطوير وظائف النظام. يتم اعتماد ممارسات اختبار A/B والتجريب بشكل متزايد لاختبار الفرضيات والتحقق من قيمة الميزات الجديدة.
• استخدام الذكاء الاصطناعي: تُستخدم تقنيات الذكاء الاصطناعي لتحسين مجموعات البيانات الكبيرة، وتحسين الميزات الحالية، وتكملة الجهود البشرية في تطوير البرمجيات. تعمل نماذج التعلم الآلي على تحسين ضمان الجودة وتقليل التكاليف وتحسين دقة اتخاذ القرار.

تغير التقنيات الرقمية النظم البيئية للأعمال، مما يخلق فرصًا لتطوير خدمات جديدة وابتكار الأعمال. تستخدم الشركات البيانات لتزويد العملاء برؤى حول أدائهم، وتقديم حلول إدارة الأسطول وأدوات تصور حالة الشبكة. تظهر نماذج أعمال جديدة، مثل خدمات الاشتراك ونماذج "الدفع حسب الاستخدام"، مدفوعة بالبيانات والذكاء الاصطناعي.

سابعاً: التحليل النقدي والمقارنة

تتفق الدراسات التي تمت مراجعتها في إدراك التأثير التحويلي للتقنيات الرقمية على ممارسات إدارة المنتج. وهي تؤكد على حاجة مديري المنتجات إلى التكيف مع الاتجاهات الجديدة مثل DevOps وتحليلات البيانات والنظم البيئية الرقمية. يقوم إطار عمل SDPM بتجميع هذه الاتجاهات في أساليب قابلة للتنفيذ، مما يوفر طريقة منظمة لمديري المنتجات لتعظيم قيمة استثمارات البحث والتطوير.

ومع ذلك، هناك فجوات في البحث. في حين تسلط الدراسات الضوء على أهمية جودة البيانات، فإنها لا تتعمق في التقنيات والاستراتيجيات المحددة لضمان تكامل البيانات وموثوقيتها. بالإضافة إلى ذلك، لم يتم تناول الاعتبارات الأخلاقية لاستخدام الذكاء الاصطناعي في إدارة المنتج، مثل خصوصية البيانات والتحيز الخوارزمي، على نطاق واسع. هناك حاجة إلى مزيد من البحث لاستكشاف هذه الجوانب وتقديم إرشادات شاملة لإدارة SDPM مسؤولة وفعالة.

ثامناً: الخاتمة

قامت مراجعة الأدبيات هذه بتجميع وتقييم الأبحاث الحالية حول إدارة المنتجات الرقمية الاستراتيجية، مع التركيز على إطار عمل SDPM وأساليبه التسعة. تسلط النتائج الرئيسية الضوء على حاجة مديري المنتجات إلى التكيف مع اتجاهات الرقمنة، والاستفادة من البيانات والذكاء الاصطناعي، وتبني طرق العمل التجريبية. يوفر إطار عمل SDPM إرشادات قيمة للتغلب على هذه التحديات، ويقدم نهجًا منظمًا لتعظيم عائد الاستثمار في استثمارات البحث والتطوير. يجب أن يركز البحث المستقبلي على التحقق من صحة إطار عمل SDPM، ومعالجة جودة البيانات والاعتبارات الأخلاقية، واستكشاف تقنيات جديدة لتحسين إدارة المنتج في العصر الرقمي.

الأسئلة الشائعة حول إدارة المنتجات الرقمية الاستراتيجية

ما هو الفرق الأساسي بين الهندسة التقليدية وإدارة المنتج؟

تركز الهندسة على كيفية بناء المنتجات والأنظمة، مع التركيز على الجوانب التقنية لإنشاء حل، مثل تصميم البنية وتطوير البرمجيات والاختبار. من ناحية أخرى، تركز إدارة المنتج على ما يجب بناؤه، والأهم من ذلك، لماذا يجب بناء ميزة أو منتج أو نظام معين. يتعلق الأمر بفهم حاجة السوق ومواءمة جهود التطوير مع قيمة الأعمال.

كيف يغير DevOps وحلقات التغذية الراجعة القصيرة دور مديري المنتجات؟

يجعل DevOps وحلقات التغذية الراجعة القصيرة دور مدير المنتج أكثر تكاملاً مع الفرق الهندسية وأكثر تركيزًا على التجربة. يتحول مديرو المنتجات من إنشاء المواصفات في المقام الأول إلى تحديد النتائج، مما يسمح للفرق بتطوير الوظائف ونشرها بشكل متكرر. يسمح هذا النهج لمديري المنتجات بقياس تأثير جهود التطوير بشكل مستمر باستخدام البيانات، مما يعزز نهجًا يركز على العملاء في تطوير المنتج. يتم "تنمية" الأنظمة بدلاً من "بنائها"، حيث يحدد مديرو المنتجات النتائج ويسمحون للفرق بتطوير الوظائف بشكل متكرر.

كيف تؤثر البيانات والذكاء الاصطناعي على ممارسات إدارة المنتج؟

تتيح البيانات والذكاء الاصطناعي المراقبة المستمرة والتحسين والتحسين الأمثل لوظائف النظام، مما يسمح بتقديم قيمة مستمرة للعملاء. يغير هذا التحول دور مدير المنتج من التنبؤ بالنتائج وتحديد أولويات المتطلبات بناءً على التنبؤات إلى طرق العمل التجريبية التي تتضمن اختبار الفرضيات باستخدام بيانات حول سلوكيات العملاء وأداء الميزات. يمكن استخدام البيانات من المنتجات في الميدان للمراقبة المستمرة والتحقق من قيمة العملاء وتحسينها.

ما هو النظام البيئي الرقمي، وكيف يؤثر على إدارة المنتج؟

النظام البيئي الرقمي هو بيئة أعمال حيث يتعاون أصحاب المصلحة المختلفون ويتفاعلون ويستخدمون تقنيات المعلومات كموارد مشتركة. يؤدي هذا إلى زيادة أهمية استراتيجيات النظام البيئي لمديري المنتجات، بما في ذلك إقامة علاقات استراتيجية والحفاظ عليها، والقدرة على إعادة التموضع وتغيير ميزان القوى إذا / عندما يكون ذلك ضروريًا للحفاظ على الميزة التنافسية. إنهم بحاجة إلى فهم ديناميكيات النظام البيئي، وكيف تؤثر المنصات الرقمية الجديدة على العلاقات مع أصحاب المصلحة، وكيفية تحقيق الدخل من المنتجات داخل هذه النظم البيئية. يسمح لمديري المنتجات باتخاذ قرار استراتيجي بشأن ما إذا كان التطوير يجب أن يكون داخليًا أو بواسطة شريك في النظام البيئي.

ما هو إطار عمل "إدارة المنتجات الرقمية الاستراتيجية" (SDPM)، وما هي مكوناته الرئيسية؟

تم تصميم إطار عمل SDPM لمساعدة مديري المنتجات على اختيار وتحديد أولويات تطوير الوظائف الجديدة، مما يزيد من عائد الاستثمار (RoI) في البحث والتطوير باستخدام التقنيات الرقمية الجديدة. يتم تنظيمه وفقًا لبعدين: اليقين (مرتفع، متطور، منخفض) والنهج (خوارزمي، قائم على البيانات، الذكاء الاصطناعي). يحدد تسعة أساليب بناءً على هذه الأبعاد.

ما هي الأساليب التسعة الموضحة في إطار عمل SDPM؟

يتضمن إطار عمل SDPM تسعة أساليب، كل منها مناسب لمستويات مختلفة من اليقين ويستخدم تقنيات مختلفة: 1. خوارزمي ومستقر: إدارة المنتج التقليدية التي تعتمد على المدخلات النوعية من العملاء والمواصفات. 2. قائم على البيانات ومستقر: استخدام البيانات الكمية بدلاً من المدخلات اللفظية للعملاء لتحديد الوظائف الجديدة ومقاييس النجاح. 3. الذكاء الاصطناعي ومستقر: استخدام نماذج التعلم الآلي (ML) والتعلم العميق (DL) المدربة على بيانات لا تتأثر بالوقت إلى حد كبير. 4. خوارزمي ومتطور: تطوير الوظائف بناءً على ملاحظات العملاء في حالة عدم وجود بيانات كمية. 5. قائم على البيانات ومتطور: استخدام البيانات في الوقت الفعلي لتتبع الأداء وتشغيل طلبات التغيير عند انحراف مؤشرات الأداء الرئيسية. 6. الذكاء الاصطناعي والمتطور: إعادة تدريب نماذج التعلم الآلي بشكل دوري أو عند تشغيلها بسبب تدهور الأداء بسبب زحف البيانات. 7. خوارزمي ويقين منخفض: إنشاء نماذج بالحجم الطبيعي لجمع ملاحظات العملاء النوعية للميزات الجديدة ذات التأثير غير المؤكد. 8. قائم على البيانات ويقين منخفض: استخدام أساليب تجريبية مثل اختبار A/B لقياس تأثير الوظائف الجديدة مع بعض المستخدمين. 9. الذكاء الاصطناعي ويقين منخفض: استخدام التعلم المعزز لتحديد أفضل إجراء والتكيف مع البيئات المتطورة ذات اليقين العالي.

لماذا من الضروري فهم مستوى عدم اليقين عند إدارة المنتجات الرقمية؟

يساعد التعرف على مستوى عدم اليقين مديري المنتجات على اختيار النهج والتقنيات المناسبة، مما يزيد من دقة التنبؤات ويقلل من الهدر المرتبط بالوظائف غير ذات الصلة. يعد قبول وإبلاغ عدم اليقين المتأصل في الوظائف الجديدة أمرًا بالغ الأهمية للتخطيط والاستثمار الواقعيين.

كيف يساعد إطار عمل SDPM مديري المنتجات على تعظيم عائد الاستثمار (RoI) في البحث والتطوير؟

من خلال توفير نهج منظم لاختيار التطوير وتحديد أولوياته بناءً على مستوى اليقين والتقنيات المتاحة (الخوارزمية، القائمة على البيانات، الذكاء الاصطناعي)، يمكّن إطار عمل SDPM مديري المنتجات من اتخاذ قرارات أكثر استنارة. يقترح الإطار اختيار نماذج ML / DL على التطوير القائم على الخوارزمية متى كان ذلك ممكنًا ومعالجة الوظائف الجديدة بقدر أكبر من عدم اليقين. تسمح هذه الخطوات باتخاذ القرارات القائمة على البيانات وتقليل جهود التطوير، مما يؤدي في النهاية إلى تعظيم عائد الاستثمار.

(Olsson & Bosch, 2025)

Reference:

Olsson, H. H., & Bosch, J. (2025). Strategic digital product management: Nine approaches. Information and Software Technology, 177. https://doi.org/10.1016/j.infsof.2024.107594