AI时代PM修炼手册

人工智能产品经理：AI时代PM修炼手册
• 2.1.2 三类公司对产品经理能力的要求
• B类产品的特殊性决定了在产品管理过程中要考虑产品的 CAC（ Acquisition Cost，用户获取成本）、产品的 LTV（ Time Value，用户的终身价值）以及产品的 PBP（ Period，为获得用户而付出的成本的回收周期）。
• 2.3.1 以“点”切入行业
• （ 1）人工智能产品经理应打磨自身对场景的理解和判断力，确保产品在市场中的定位是当下阶段最适合的
• 2.3.2 深挖“点”，变成“线”
• 拥有对 “点 ”的把控力，只是产品经理修炼成为行业专家的第一步。人工智能产品经理还要通过深挖场景价值，完善产品链条，即形成从 “点 ”到 “线 ”的变化。
• 人工智能产品经理可以从下面几个方面进行从 “点 ”到 “线 ”的积累。
• （ 1）深挖用户在场景中的需求，为用户提供解决方案而不仅仅是产品。
• （ 2）挖掘用户数据中的价值，为用户创造惊喜。
• 2.3.3 横向拓展“线”，变成“面”
• 人工智能产品经理可以从两个方面进行从 “线 ”到 “面 ”的整合。
• （ 1）整合外部资源，实现多元化协作：由于人工智能产品的架构复杂，数据、算法、计算能力想要实现快速积累并整合，
• （ 2）布局内部产品生态化：当公司的产品线变得丰富后，产品经理应通过构建人工智能统一平台，实现各条产品线的优势联合与价值共享。
• 3.1.2 越重要，越容易被忽视：定义非功能性需求
• 非功能性需求通常被描述为一款产品的 “质量属性（ Attributes） ”“质量目标（ Goals） ”或 “非行为需求
• 3.2.1 为什么要量化需求分析
• （ 1）评估现有数据资源，发现存在 “小数据 ”或弱标注数据的情况。
• （ 2）若要实现产品经理提出的量化标准（可能包含某一个具体的业务指标或模型指标），还需要申请更多的资源（数据、人力投入、经费等）才能按时完成产品上线。
• （ 3）基于现有资源在规定时间内可以实现量化要求。
• 3.2.2 怎么量化需求
• 1.明确需求符合产品愿景要先明确产品的业务需求，业务需求包含：业务机会、业务目标、成功标准以及产品愿景。
• 2.找准需求的场景确定了产品的宏观和微观目标，产品经理需要分析每个目标对应的使用场景。
• 3.定义场景中的可量化标准确定了具体的微观目标，并从产品的微观目标中拆分出不同的场景目标，下一步就该定义可量化的标准了。
• （ 1）考虑内部因素。
• （ 2）考虑外部因素。
• （ 3）参考同行业表现
• （ 4）输出对模型预测精度的合理期望。
• （ 5）根据具体场景定义算法特殊指标。
• 4.1 人工智能产品实现逻辑
• （ 1）基础设施提供者，为整个产品体系提供了计算能力、产品与外界沟通的工具，并通过基础平台实现支撑。
• （ 2）数据提供者，是体系的数据来源，为后续的数据处理提供充足的 “养料 ”。
• （ 3）数据处理者，代表着各种人工智能技术和服务提供商，主要负责智能信息表示与形成、智能推理、智能决策及智能执行与输出等工作。
• （ 4）系统协调者，负责系统的集成、需求的定义、资源的协调、解决方案的封装，以及除研发以外一切可以保障人工智能产品顺利运行和在行业落地所需的工作。
• 4.3.2 数据质量
• （ 1）关联度（ Relevancy）：人工智能产品中的算法模型在训练过程中，对领域数据的关联度要求极高。
• （ 2）时效性（ Recency）：数据应具有比较强的时效性，
• （ 3）范围（ Range）：数据范围也代表了数据的完整度。
• （ 4）可信性（ Reliability）：对于很多类型的人工智能产品来说，数据的可信性是获取用户信任的关键因素。
• 第5章 机器学习
• 5.2 机器学习流程拆解
• （ 1）原始数据采集原始数据作为机器学习过程中的输入来源是从各种渠道中被采集而来的。
• （ 2）数据预处理
• 训练数据（输入数据）的 “质 ”和 “量 ”从某种意义上决定了机器学习的成败，但是原始训练数据的质量常常无法满足训练要求。
• Set），开发过程中用于调参（ Tuning）的验证集（ Set）以及测试时所使用的测试集（ Set）。
• （ 3）模型训练在正式开始模型训练之前，需要针对我们的训练目标进行分类。
• （ 4）模型评估（ Evaluation）接下来，是时候看看训练后的模型质量了。
• （ 5）调参（ Tuning）对模型的评估结束后，可以通过调参的手段对训练（学习）过程进行优化。
• （ 6）推断（ Inference）机器学习的目标是利用数据来回答某种问题，因此推断或预测是机器学习回答问题的关键一步，同时也是机器学习价值体现的重要环节。
• 5.3.1 算法分类
• 人工智能产品经理应主动了解和掌握每种常见算法的基本逻辑、最佳使用场景以及每种算法对数据的要求。
• 1.监督学习（ Learning）从给定的一组输入 x输出 y的训练集中，学习将输入映射到输出的函数（如何关联输入和输出），且训练集中的数据样本都有标签（ Label）或目标（ Target），这就是监督学习。
• 2.无监督学习（ Learning）无监督学习和监督学习最大的区别就是无监督学习的训练数据没有标签。
• 3.半监督学习（ Learning）在很多机器学习场景中，由于有标签数据的获取成本较高，因此往往训练数据中的一部分有标签，另一部分没有标签，而且在工程实践中通常只有少量的有标签数据和绝大多数的无标签数据。
• 4.强化学习（ Learning）强化学习是一种让计算机通过不断尝试，从错误（反馈）中学习如何在特定的情境下，选择可以得到最大的回报的行动，最后找到规律、达到目标的方法。强化学习与监督学习不同，它不是利用明确的行为（有标签的训练数据）来指导，而是利用已有的训练信息来对行为进行评价。强化学习与无监督学习也不同，无监督的学习的本质是从一堆未标记样本中发现隐藏的结构，而强化学习的目的主要是通过学习怎样获得最大化奖励信号来反复尝试直到模型收敛。
• 5.深度学习深度学习（ Learning）是一种试图使用由多重非线性变换构成的多个处理层，对数据进行高层抽象的算法。
• 6.迁移学习（ Learning）迁移学习是一种把已经训练好的模型参数，迁移到新的模型上来帮助新模型训练的学习方法。
• 5.3.2 算法的适用场景
• （ 1）数据量的大小、数据质量和数据本身的特性。（ 2）机器学习要解决的具体业务场景中问题本质是什么？（ 3）可以接受的计算时间是什么？（ 4）算法精度要求有多高？
• 6.3.2 人工智能产品常见设计原则
• （ 1）认知共鸣产品经理需要和用户在认知上达成一致。
• （ 2）情感共鸣。
• 产品经理需要感受用户的情感比如快乐、痛苦、无助、孤独、恐惧等。
• （ 3）身体感受的共鸣产品经理需要想象用户在使用产品时的身体感受
• 6.3.3 合理制定产品需求优先级
• 1.价值 vs复杂度矩阵你可以根据需求的价值和研发 /部署的复杂程度对每个需求进行评估。
• 2.卡诺模型（ Model）卡诺模型将需求分为三种
• （ 1）第一类，基础功能，代表产品进入市场的 “基本门槛 ”，保证产品满足行业或用户普遍需求的最低标准。
• （ 2）第二类，性能功能，即在实现了基础功能后，为了提升和优化产品性能而需要开发的产品需求。
• （ 3）第三类，尖叫（兴奋）功能，即给用户创造喜悦和兴奋感受的功能。
• 3.相似组分类法（ Grouping）
• 4.加权得分法加权得分法实际上是通过对不同需求进行多维度打分，横向对比综合加权得分并将得分最高的需求作为高优先级的一种量化衡量办法。
• 7.2.1 什么是跨部门沟通
• （ 1）良好的人际网络
• （ 2）紧密的联盟关系。
• （ 3）说服别人的能力。
• （ 4）谈判能力。
• 总结：
• 1.时代发展很快，AI产品逐渐出现，通过人工智能的方式满足目前的是市场需求，对于新的AI产品经理提出了新的要求，之于之前的产品经理来说，AI产品经理需要更多的产品技能和技术技能，AI产品经理需要了解数据的采集，数据算法种类及使用，训练模型。
• 2.人工智能产品相对于传统的产品对于功能及流程出现了"千人千面"需求，在设计时出现的人工智能推荐结果，设计中应留有预设的范围内结果。
• 3.产品经理需要了解市面的最新技术，以及用户的核心诉求，采用人工智能技术需要更好的服务用户，及符合实际的用户使用场景。要以用户使用为中心，不能采用很牛的技术，但是不符合用户的使用习惯及场景，导致产品半截化。
• 4.以技术驱动产品是AI产品时代的方向，在用于技术革新，产品需要平衡技术，使用人，场景，成本，实用性等进行综合考虑。
• 5.智能是趋势，随着算法的越来越多，网络通讯越来越便捷，这个当下企业新的商业价值新的增长点。