会玩shiny的数据产品经理更好,是这样吗?

640?wx_fmt=jpeg

作者:刘洋溢  R语言中文社区专栏作者

知乎ID:https://zhuanlan.zhihu.com/p/51396601


前言

上篇我分享了自己从接触R到熟练掌握R以及如何利用R的一些见解,这篇我们来聊聊产品经理。


产品经理需要懂技术吗?

知乎上有个很火的问题“产品经理需要懂技术吗?”,浏览量超百万。对于典型的互联网产品经理/项目经理而言,这一点似乎不言自明,不懂专业IT技术,很难做好。普遍的经验也是产品经理需要有不错的技术功底。但近年有越来越多细分领域的产品,尤其是To B产品,其对相应领域的专业知识要求颇高,有着这样背景的人,往往不见得还有很深厚的技术功底。那怎么办呢?是不是他们就一定做不好产品经理的工作呢?

以我自己所在的金融研究领域为例,我们以金融市场数据库为基础,展开一系列市场分析、投资与风险管理相关的研究,并集合为系统化产品,帮助用户进行自身相应业务的管理。而投资和风险管理,本身也是内涵颇广的领域,我们的相关专业同事,具有深厚的投资专业背景,但在专业的IT技术方面,确实是不足的。那怎么办呢?

一种典型的方法是,由专业人士负责前期的需求拟定和初步的产品设计,再从IT部门找项目经理来评估,将初步的需求,重构为专业的IT需求,进而进入开发和测试等环节。理论上,这样的合作可以很好地解决问题,但由于项目经理往往不清楚复杂的业务问题,所以在沟通时,大方向容易达成一致,但在细节上(交互逻辑和计算细节上),很容易出现沟通问题。严重者,可能引发多次返工,不仅影响项目进度,也大大影响团队士气。

如何是好呢?这时,shiny就派上用场了。


产品经理可以利用shiny做什么?

Shiny是R语言中的一个package,或者说一个工具库。通过这个工具库,可以很方便地生成动态的网页,虽然可能简陋一点,但主体元素、框架是可以有的。在产品设计时,产品经理如果可以用shiny写一个简单的原型,以此作为原型图的补充,与开发人员进行沟通,应该可以大大提高沟通效率。毕竟,IT开发人员可能缺乏相应专业背景,单看静态的原型图,可能不一定有很清晰的概念,但有一个交互式的原型,则容易理解得多。而对于有着复杂交互逻辑的产品,也可以预先发现不少问题,尤其是交互方面的问题。

我自己曾经这么做过。举个简单的例子吧。前些年,我们想在我们搭建的金融数据终端里,添加一个关于理财产品收益率曲线的模块。该模块本身并不复杂,无非是构建一些金融计量模型,每天计算当天的不同类型理财产品的收益率曲线,同时为客户提供选项,依据其选择的日期、产品类型以及其他选项,展示其选择的这些类型的收益率曲线。

对于金融专业背景的人而言,这个模块是很简单的。但在我做好收益率曲线模型的研发后,产品经理犯难了,跟IT开发人员沟通,总是难以讲清楚。IT的小伙伴刚接触金融相关的开发,难以理解收益率曲线是什么展示形式,也不明白不同选项如何影响展示结果。几次沟通无果。产品经理来跟我吐槽。怎么办呢?幸好有shiny。

于是,我利用shiny写了一个简化的交互式页面,在内部服务器上一直运行着,然后让产品经理依据这个页面与IT沟通,很快,大家就达成了共识,IT小伙伴开开心心开始了开发。
当然,这只是一个非常简单的例子。但对于这类涉及大量数据分析和专业背景的产品而言,研发人员用shiny快速开发一个原型,往往都能帮助产品经理和IT开发人员节省不少时间。事实上,这也是我很喜欢的一种方式,不管是自己做研发、设计,还是带着小伙伴们做,都一样。
当然,不仅如此,由于R近年对其他语言支持的提升,在shiny里,也可以支持用其他语言做后台计算语言,例如python,只是开发更复杂一点而言。但通常而言,这些都是值得的。尤其是对于可能的交互细节,这些是很便利的。

当然,shiny也并非万能的。已经有很多专业的朋友指出过,shiny开发的界面和功能友好度,距离原生JS仍有不小的距离。但作为一个基本的示意,尤其是数据产品的示意,shiny应该是可以很好地达到目的的,而且,未来应该可以越来越好。

此外,创建一个shiny app也是很简单的。在RStudio里,选择File-New-shiny web app即可。具体的coding也很简单,ui层设计展示界面,server层存放对应的后台计算程序即可。

从这个角度看,我强烈支持产品经理至少熟练掌握R或者python,以及shiny这样的工具。退一步,实在不行,也至少找到会用这些的小伙伴,有需要时找他们帮忙实现。如此,可以大大提升与IT的沟通效率。我自己也确实是这么做的。当然,python近年也开始出现类似的工具,但目前功能尚不完善。如果完善起来,也是非常棒的工具。












640?wx_fmt=jpeg

公众号后台回复关键字即可学习

回复 爬虫            爬虫三大案例实战  
回复 
Python       1小时破冰入门

回复 数据挖掘     R语言入门及数据挖掘
回复 
人工智能     三个月入门人工智能
回复 数据分析师  数据分析师成长之路 
回复 机器学习      机器学习的商业应用
回复 数据科学      数据科学实战
回复 常用算法      常用数据挖掘算法

好看点一下 大家都知道 640?wx_fmt=png
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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