设计师应该向产品经理学习的四个方面

@5key :又到了半年一度的考核季,大家都在忙着进行总结、review。有位同学估计遇到了点问题跑来倒苦水,说产品经理觉得他设计能力不行,主管又觉得他不够坚持。做设计师真是太苦逼了。确实,在绝大部分公司中设计师只是作为一种资源而存在。做设计既要考虑到对业务的贡献,还得体现出设计师的价值。商业结果不好被指设计能力不行,商业结果好了又会问有多少是设计来解决的,做设计师确实苦逼。虽然我们经常会在网络上自嘲与吐槽,但我们依旧坚持在这份职业上未曾离开。我想这其中最重要的原因就是我们真的热爱设计,希望通过设计来为美好的生活贡献一些自己的力量。但客观来说,设计师有些时候也是“片面”的,我们还是应该理性的思考一下到底除了角色本身,产品经理有哪些地方是值得我们学习的。


01. 他们更具有全局视角
不可否认在对产品的全局视角上产品经理比绝大部分设计师都要好,这其实和角色有着很大的关系。产品经理的本质工作就是产品与商业,而设计师很多时候只盯着设计本身。关注点的局限性势必会造成设计方案的局限性,只在当前的场景中去考虑设计问题,所能产生的效果也只会在当前场景中,而往往一个产品策略的调整就能从宏观上解决很大部分用户的体验问题。我一直认为产品经理和设计师在移动端产品设计上有着更为明显的职能重合。有些好的设计师会借此“吃掉”产品经理的一部分职能,背负更大的责任和权力去帮助产品体验的提升。而有些设计师只有安静的、默默的呆在自己的圈子中给别人做资源。


02. 他们对业务细节、逻辑了解深刻
产品经理的角色决定了他们必须要对业务的细节了如指掌。这里的细节、逻辑不只是表面上所看到的,还包括了商业逻辑、开发逻辑。而这后两者往往是大部分设计师所不关心的,最后的设计方案要么是无法满足商业需求,要么就是开发投入产出不合理。某些产品经理还会用这些你所不了解的信息来推翻一个他不接受的设计方案,而对此设计师也只能默默接受。想要在项目过程中不处于被动,“平等对话”是一件非常重要的事情。而这些看似与设计本身无关的业务逻辑、开发逻辑恰恰才是重点。


03. 他们对数据了如指掌
数据,又是一个设计师的软肋。很多设计师都不关心数据,只是在写总结报告的时候才回去找一下。而对于产品经理,数据是他最重要的工作之一。我所接触过的优秀产品经理都有一个共性,业务细节和数据都了解得非常深。而且基本上无论是设计师、开发还是其他支持部分,一旦遇到分歧就能从这两个方面拍死而且你还没脾气。企业的核心目的就是追求商业利益最大化,提升用户体验也是其手段之一。绝大部分公司需要的都是设计师而不是艺术家。我们无法在一个无法量化的环境下去最大化设计师的价值。而数据同时也是我们帮助我们找到更多的机会,让大家感受到设计“四两拨千斤”的力量。我最爱和人讲的两个案例:支付失败页面改版和后台放款系统,两个都是通过数据发现的问题,仅仅通过了非常小的改动就给公司每天挽回了非常大一笔钱。至于怎样去关注移动端产品的数据,后头会专门找一期来写一下,希望能给大家提供一些思路。


04.他们善于沟通,协调能力强
很多时候项目的 PM 都是由产品经理担任,除了他们是项目的发起方更重要的是他们的沟通、协调能力更强。先来聊聊沟通,有很多设计师很有想法、设计的思考也很深,但一旦站到大家面前做项目陈述就一团糟。每一个设计方案背后都有着非常多的工作和思考,肚子里有货倒不出来。不会说的人总是吃亏,结果就是大家对设计方案未能有足够的理解,最终的效果也大打折扣,其实这不公平但也怪不得人。下次也可以写一下项目陈述的技巧,但沟通更多还是要靠讲,别无他法唯有多练习了。


至于协调能力更多还是要靠对于业务、逻辑的足够了解以及更为全局的视角做基础。建议大家可以争取一些设计体验改版的项目来练练。以上提到的几点,那位吐槽的同学也挺认可的,但觉得相对于他的工作角色来说好像挺难的。事实上任何一个角色想要做好都不容易,但做得好的人绝对不仅仅是因为他本专业的能力,它的横向能力一定也不会差。我们不愿意成为资源方,我们要做业务的共建者。首先我们得成为一个真正的 T 字型人才。虽然想要做好这些很难,但艺多不压身,让自己变得更为强大总归是好的吧。


本文来自@5key的知乎专栏
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值