AI产品经理全攻略：从入门到精通（终极指南）非常详细收藏我这一篇就够了！！！

本文链接：https://blog.csdn.net/Z987421/article/details/142747700

一、AI产品经理工作全流程概览

AI产品经理工作全流程中与普通产品经理的区别主要是多了算法模型部分，包括模型预研、数据准备、模型构建、模型宣讲、模型验收，协作的对象相对普通产品经理也多了算法工程师。

二、需求定义

需求定义主要要定义清楚以下几点：

1、做什么? 2、为什么要做，有什么收益和价值？3、业务预期目标、上线期限？

为了方便理解，我们以开发一套筛选薅羊毛用户的产品进行举例说明。

1、项目背景

团队发现负责的项目数据统计有些异常，细查之后，发现存在夜间偷数据的情况，大致行为路径如下：

淘宝上买一批手机号，注册新账号。
通过自动薅羊毛的方式（新手礼包、每日签到、周任务等），获取免费券等资源。
夜深人静的时候，使用免费券或积分批量下载数据。

亡羊补牢，犹未晚矣。我们决定开发一套筛选薅羊毛用户的产品，彻底堵住这个缺口。

2、做什么？

开发一套筛选薅羊毛用户的产品。具体设计大概思路如下：

在领取新手礼包或周任务奖励时，需要用户绑定手机号（薅羊毛时简单卡一下，以免影响正常的用户体验）。
在使用券进行下载操作时，判断是薅羊毛用户的概率，并根据概率高低分成正常、疑似、高危三类。
针对“疑似”用户，就触发极验或验证码校验等逻辑。针对高危用户，就锁定账号，并在激活时要求绑定微信，避免再出现大量偷数据的情况。

3、为什么要做，有什么收益和价值？

减少公司做活动发放福利时被薅羊毛，让福利触达给有效的用户。

4、业务预期目标、上线期限？

离线/实时模式：支持实时判断，所以应该定义为实时模型。
覆盖率：期望该模型的覆盖率为100%，面向所有用户。
倾向：尽可能找出所有羊毛党，追求高“召回率”，可以接受一定程度的误报。宁可错杀一千，不可放过一个。
上线期限：双十一前得上线，离现在还有半年时间。

三、模型预研

AI产品经理把需求同步给算法工程师，算法工程师需判断目前积累的数据和沉淀的算法是否可以达到业务需求。

如果现有数据不满足需求，要么增加埋点补齐数据，要么想办法获取目标数据，要么替换成其他类似数据。

如果算法支持度不够，可能需要调整需求内容，以便达到更适配的效果。以该项目为例，实时模式的话，可能会对原业务的响应速度有一定影响，所以最后调整为离线模型，每天定时处理前一天的用户数据。

四、数据准备

对于算法同学而言，他只能根据现有的数据分析哪些特征对于模型有用，但是，AI产品经理对业务理解更深，通过判断哪些数据、哪些特征对模型提升有帮助，把自己想到的要点和技术沟通，得到更完善的数据集，再动手去获取数据。

比如该用户是否主要在夜间活动？操作频率是否过高？短时间内同一台终端是否登录过多个用户？用户是否触发过新手引导？

尽可能准确的找到羊毛党用户的特征，对模型质量的提升会有极大的帮助。

获取数据时，主要分为以下三类（有时也可与其他公司联合建模）：

1、内部业务数据

如果以前业务有相关数据，那么我们可以从以前业务保留的数据中选取使用；如果当前没有相关数据，而我们有相关业务可以获得数据，我们通过增加埋点的方式将数据留存。

2、跨部门数据

其他部门数据或统一的中台数据，这些数据需要我们根据公司的数据管理规范流程提取，在数据提取的时候注意筛选有效数据。

3、外采数据

根据我们的需求向外部公司购买数据。我们需要了解市场上不同公司都可以提供什么数据，比如：极光、友盟提供的是开发者服务，所以他们可以提供一些和App相关的用户画像，比如运营商可以提供上网流量、话费等相关数据。

进行外采数据需要注意两点：外采公司的资质审核、采集数据的合法性（需要考虑数据安全和消费者隐私保护）。

四、模型构建

模型构建的具体流程如下：

1、模型设计

模型设计阶段，我们需要考虑该选择什么样的算法，目标变量应该怎么设置、数据源应该有哪些、数据样本如何获取，是随机抽取还是分层抽样。

a.算法选择

于其需求定义，模型需要计算出用户是薅羊毛用户的概率，并根据概率高低分为正常、疑似、高危三类，最终技术同学决定采用逻辑回归算法来实现该需求。

逻辑回归算法具有计算速度快、可解释性强的优点，适用于解决需求中的多分类问题，而且还可以对用户“为什么封号”的质疑，有较强的解释性。

b.定义目标变量及抽取数据样本

在模型设计阶段最重要的就是定义模型目标变量，以及抽取数据样本。

不同的目标变量，决定了这个模型应用的场景，以及能达到的业务预期。

样本是用来做模型的基础。在选取样本的时候，你需要根据模型的目标、业务的实际场景来选择合适的样本。必须要考虑季节性和周期性的影响。另外，还要考虑时间跨度的问题。建议你选择近期的数据，并结合跨时间样本的抽取，来降低抽样的样本不能描述总体的这种风险。

2、特征工程

所有模型的输入都是数量化的信息（用向量、矩阵或者张量的形式表示的信息），所以我们需要通过某种方式，把各种类型的数据转化成数量化的信息，这个过程就是特征工程。

特征工程是模型构建过程中最重要的部分，如果我们可以挑选到足够优质的特征，不仅可以提升模型性能，还能降低模型的复杂度，（当选择了优质的特征之后，即使你的模型参数不是最优的，也能得到不错的模型性能，你也就不需要花费大量时间去寻找最优参数了，从而降低了模型实现的复杂度。）大幅简化构建过程。

数据和特征决定了模型的上限，而模型和算法只是逼近这个上限而已。

以薅羊毛项目为例，我们可以通过用户是否在夜间活动、操作频率、历史订单、完成活动速度、同一台终端是否登录多个账号等一系列特征，来表达是薅羊毛用户的可能性，这就是建立了薅羊毛用户的特征工程。我们可以通过这些特征来判断用户的可疑程度。

特征过程包括以下四个流程：

1. 数据清洗

数据清洗主要是算法工程师要做的工作，数据预处理的重要环节，主要是对数据进行重新审查和校验，检查数据一致性、处理无效值和缺失值等。

来解决这些数据可能存在的数据缺失、有异常值或无效值、数据不均衡（比如前面部分数据表现好，后面部分数据表现不好）、单位不一致等问题。

对数据缺失，算法工程师可以通过删除缺失值或者补充缺失值的手段来解决它。

对于数据不均衡的问题，因为数据偏差可能导致后面训练的模型过拟合或者欠拟合，所以算法工程师取数据时需要考虑均衡问题。

2. 特征提取

从原始数据中提取有用的特征，将其转化为一组更具代表性和可解释性的特征。特征提取的目的是减少原始数据的维度，提高数据的表达能力，帮助算法进行更好的完成任务。

一般提取出的特征会有 4 类常见的形式，分别是数值型特征数据、标签或者描述类数据、非结构化数据、关系型数据。

数值型特征： 如消费金额、好友人数、浏览页面次数等（相关的业务操作数据、运营数据）。一般来说，会首先提取主体特征，再提取其他维度特征。

标签或描述类特征： 如有房、有车、高付费，用来打标签。

非结构化特征： 如内容评论，需要判断是否有负面情绪。非结构化数据一般存在于 UGC（User Generated Content，用户生成内容）内容数据中。提取非结构化特征的一般做法就是，对文本数据做清洗和挖掘，挖掘出在一定程度上反映用户属性的特征。

关系型数据特征： 如通讯录、收获地址、商品分享（一般分享给亲朋）、LBS位置信息等维度数据。比如说，在京东购物时，你和一个人在同一收货地址上，如果这个收货地址是家庭地址，那你们很可能就是家人。

3. 特征选择

特征在选择时主要有覆盖度、IV 值（信息价值）、稳定性等指标。

LV值指的是表示特征对目标预测的贡献程度，LV值有限定条件，一是面向的任务必须是有监督的任务；二是预测的模型必须是二分类模型。

4. 生成训练集和测试集

算法同学为了给模型训练做最后的准备，需要把数据分成训练集和测试集，他们会使用训练集来进行模型训练，会使用测试集验证模型效果，

3、模型训练

模型训练是通过不断训练、验证和调优，让模型达到最优的过程。就是要找到一个划分条件（决策边界），使得准确率（拟合）最高的同时兼顾稳定性（泛化性能）。这里涉及几个名词需要理解：

a、决策边界

那么怎么达到最优呢？就是要绘制一条比较好的决策边界。

决策边界：就是在符合某种条件做出某种选择的条件，根据这个条件可以将结果进行划分。比如说：下午6：00不写完这篇博客我不吃饭，那么写完了就去吃，没写完就不吃。这个条件就是我们说的决策边界。

决策边界分为：线性决策边界和非线性决策边界。下图中，图1为线性决策边界，图2、图3为非线性决策边界。

决策边界曲线的平滑程度和算法训练出来的模型能力息息相关。曲线越陡峭模型的测试精度越准确（可以理解为不是一刀切），但是越陡峭的曲线模型越不稳定。

b、拟合与泛化

模型的“最优”，指的是模型拟合能力和泛化能力的平衡点。

拟合能力：模型在已知数据上（训练集）表现的好坏
泛化能力：模型在未知数据上（测试集）表现的好

如果想让模型有足够好的拟合能力，就需要构建一个复杂的模型对训练集进行训练，但是模型越复杂就会越依赖训练集的数据，就越可能出现训练集的表现很好，但在测试集上表现差的情况，泛化能力比较差，这种情况叫做“过拟合”。

如果想让提高模型的泛化能力，就要降低模型复杂度，减少对训练集的依赖，但如果过度降低复杂度，又可能导致“欠拟合”的情况。

过拟合：模型把数据学习的太彻底，甚至把噪声数据的特征也学习到了，就导致不能很好的识别未知数据，模型泛化能力下降。训练集表现很好，但是测试集很差。读的是“死书”，并没有真正掌握书里的精髓，自然就无法很好的应用了。产生过拟合的原因一般有：特征过多，模型复杂度过高，样本数据无法代表预定的分类，样本噪音干扰过大等。
欠拟合：模型不能很好的捕捉数据特征，不能很好的拟合数据。在训练集的表现就很差，需要继续努力“学习”。产生欠拟合的原因一般有：模型复杂度过低、特征量过少等。