AI产品经理-预测流失用户

业务背景

我们公司是一个电商平台，有段时间我们发现，每个月老用户流失的数量已经远高于新用户的拉新数量，为了防止这个缺口越来越大，我们决定对可能流失的用户做提前预警，同时采取一些措施来挽留这些用户，实现这个目标的前提就是要开发一套用于预测流失用户的产品。

0. 背景和价值：明确项目的背景和预期价值，即通过预测用户流失并干预降低流失率，为业务带来益处。
1. 预期目标：目标是通过干预高流失可能性的人群，使其与未干预人群相比，流失率降低5%。
2. 业务预期目标：与运营团队共同沟通确定业务预期目标，例如期望何时上线以及项目的时间节奏。
3. 模型类型和更新周期：根据运营计划按月为节奏，该模型可定义为离线模型。每月初更新一批流失人群的预测结果。
4. 覆盖率要求：期望模型覆盖率达到100%，即对业务线所有用户进行预测。
5. 技术预研需求：产品经理与算法团队沟通，评估现有积累的数据和算法是否能够满足业务需求。如果数据量或维度不足以满足模型训练要求，产品经理需要协助算法团队进行数据获取和准备工作。
6. 数据准备工作：产品经理在数据准备方面协助算法团队，尤其是对于垂直业务线的产品经理，他们更了解本领域的数据需求。
7. 调整需求内容：根据算法团队的预估结果，可能需要调整需求内容。例如，针对新注册用户没有数据的情况，需与算法团队协商确定新的覆盖率指标，并将其纳入需求文档中。

以上是根据你提供的信息对需求进行的总结。作为产品经理，你需要与算法团队进行进一步的沟通和协调，确保需求的准确性和可行性，并根据他们的反馈进行必要的调整。

当技术预研需求确定后，产品经理需要与算法同学进行沟通，请算法同学对需求进行预判。具体来说，就是要判断目前积累的数据和沉淀的算法，是否可以达到我们的业务需求。如果现有数据量和数据维度不能满足算法模型的训练要求，那产品经理还需要协助算法同学进行数据获取，也就是后面我们要说的数据准备工作。

当然，即使数据达到算法的需求，产品经理也还是需要协助算法同学做数据准备，因为垂直业务线的产品经理更了解本领域的数据。

另外，在这个环节中，你可能还需要根据算法的预估，对需求的内容进行调整。比如，我们原定覆盖率为100%，但是和算法同学沟通后发现，有部分刚刚注册的新用户是没有任何数据的。对于这部分人，算法无法正常打分，而且新用户也不在流失用户干预范围内，所以，我们后面会根据目前新老用户比例得到新的覆盖率指标，再把它放到需求中去。

数据准备阶段是非常重要的，需要根据模型预研结果和公司实际情况，协助算法团队准备数据。产品经理基于对业务的理解能够判断哪些数据集更具代表性，而算法团队只能根据现有数据分析数据对模型的用处。因此，产品经理在数据准备过程中起到重要的角色，确保数据的完整性和相关特征的获取。

在数据准备阶段，数据可以分为三类：内部业务数据、跨部门集团内数据以及外部采购数据。以下是针对这三类数据的获取方式：

1. 获取内部业务数据：内部数据指的是部门内部的业务数据，如订单数据、访问日志等，这些数据可以直接从数据仓库中获取。如果某些数据目前尚不可用，产品经理可以提出需求，要求工程研发团队保存相关数据。例如，之前可能没有保存某些用户的行为数据，这时可以增加埋点来记录这些数据。

2. 获取跨部门集团内数据：跨部门集团内数据是指其他部门或中台提供的数据，获取这些数据需要按照公司的数据管理规范，并按照规定的流程进行提取。在提取数据时，需要结合业务情况判断需要提取哪些数据。

3. 获取外部采购数据：当公司内部数据无法满足建模要求时，可以考虑购买外部公司的数据，或者与拥有所需数据的其他公司进行合作建模。在这种情况下，需要了解市场上不同公司能够提供的数据服务。例如，极光、友盟等提供开发者服务，可以提供与App相关的用户画像数据，而运营商可以提供手机通话、上网流量、话费等相关数据。

在数据准备阶段，产品经理需要密切配合算法团队，确保数据的准备工作顺利进行，以满足建模和分析的需求。

在与第三方公司采购外部数据时，确保数据安全和消费者隐私保护非常重要。合作前需要经过公司法务的审核，以避免采购到不合规的数据产品，从而对业务和公司造成不良影响。

在预测用户流失的产品中，根据经验可以提出一些常见的用户可能流失的情况。例如，可以调研用户最近是否下载了竞品的App或经常使用竞品App，这可以作为用户可能流失的一个特征。另外，分析用户的评价数据，如果负面信息较多，也可能意味着他们可能会流失。在数据准备阶段，除了根据算法要求协助数据准备工作，根据自己的经验也可以提供一些可能有助于模型提升的特征。

模型构建阶段涉及整个模型的构建流程，包括模型设计、特征工程、模型训练、模型验证和模型融合等。作为产品经理，需要与算法团队密切合作，确保数据准备工作顺利进行，以满足建模和分析的需求。即使你不需要亲自进行模型构建的实际工作，了解这个流程有助于你理解算法团队的工作，并评估整个项目的进展情况。

完成模型构建后，你需要组织算法团队对模型进行宣讲，让他们向你解释选择的算法、使用的特征、建模样本和测试样本，以及模型的测试结果。对于流失预测模型，你需要了解其主要特征、建模样本选择情况，特别是测试结果是否满足业务需求。在模型宣讲环节，需要注意评估模型的覆盖度、召回率、KS值等指标。如果在预期覆盖度以下，但业务侧只需挽留部分流失用户，这种情况可能是可接受的。

之后，你需要对模型进行评估验收，从产品经理的角度评判模型是否满足上线标准。对于流失用户预测项目，重点关注模型的准确率，即模型预测的用户在一定周期后是否确实发生了流失。如果模型准确率较低，将优惠券等营销资源分配给没有流失意愿的用户，会造成营销预算的浪费。

模型宣讲和模型评估验收是重要环节，需要从产品经理的角度关注和评估。具体内容和评估指标，可以在模型验收的章节中

进一步了解。完成模型评估验收后，进入工程开发环节。工程开发和算法模型构建通常是同步进行的，双方约定好模型的输入输出后，工程同学可以进行开发工作。工程开发完成后，进行工程测试验收，最后由产品经理进行验收和走查，确保产品上线前的质量。

在工程上线后，为了评估AI产品的整体效果，可以进行线上测试和数据分析，以及根据业务指标和用户反馈进行产品优化和调整。

AI产品的工作流程 1、产品定义 2、准备数据 3、模型构建、宣讲、验收 4、对上线后的数据持续关注，以及关注模型是否达到产品定义前期预期的指标和期望 个人的工作流程 1、需求深入了解、调研 2、创建原型 3、原型交付讨论（宣讲） 4、签订合同 5、交付开发 6、产品测试、产品经理上线前走查 7、交付系统 8、后续查看是否需要迭代或修复bug。（一年的运维期）

不同之处： 1、对于产品，更多的是从需求着眼，没有对整个产品有明确的定义 2、无需准备数据，更多的是需要对现场进行调研以及对业务进行梳理明确 3、AI的模型构建与传统产品经理的原型构建不一致。原型构建主要是对功能以及业务的流程进行构建。与AI的模型构建不同。要考虑（算法、召回率，Ks等等等） 4、与AI产品模型构建不同的是。传统产品经理需要对原型进行明确才能交付开发。无法在构建模型的同时进行工程研发 5、较少对数据进行关注，更主要的是对功能流程的bug进行关注。

在流程上最大的不同在于AI产品经理在整个项目的过程中，需要围绕数据做很多其他产品经理不那么关心的事情。 例如 在准备阶段，基于各种方法论的特征调研，基于特征的数据源调研，数据的质量与可信度分析，制定数据清洗规则等等。 在研发阶段，基于算法工程师的反馈，调整特征数据，以满足模型需求，并持续理解业务，输出新的特征。 在验收阶段，充分利用AB测试验收效果，同时还需要重点关注流量本身是否有偏，是否会影响模型的稳定性等等

AI产品经理在整个项目过程中需要关注数据相关的事项，包括数据准备、特征调研、数据质量分析和清洗规则制定等。此外，与算法团队合作，调整特征数据以满足模型需求，并持续理解业务，输出新的特征是重要的工作。在验收阶段，除了关注模型的效果，还需要考虑流量的偏差和对模型稳定性的影响，可以通过AB测试来评估模型的效果。

相比之下，传统产品经理更加注重需求理解、功能流程构建和产品的用户体验，而AI产品经理在此基础上还需要关注数据、模型构建和模型的性能评估等特定领域。AI产品经理需要具备一定的数据分析和机器学习的知识，以便与算法团队进行有效的沟通和协作。

总体而言，AI产品经理在传统产品经理的基础上，需要在数据方面有更深入的了解和关注，并与算法团队紧密合作，以确保AI产品的成功开发和上线。

目前做业务系统-工作内容核心是分析和决定：哪些需求不做，定义要做需求的细节如流程和IO。 就这个层面来看： ① AI产品经理和普通产品一样，都需要分析ROI ，决定哪些需求要做，哪些不做。

区别是AI产品更关注技术上可行性； ② AI产品的资料准备工作，更多是通过业务产品经理筛选出完整、有效的特征集；业务产品更多是定义出IO; ③ 而建模把关上，可能是两者区别最大的地方。 虽然业务PM也适当关注系统设计，但是深度肯定是不如AI PM的； 后在上线前的验证和上线后的评估方面，对数据分析的能力要求，可能AI PM更高一些

最大的不同： 1，需求定义阶段需要考虑是否需要使用AI支持，AI能力是否能达到目标 2，技术预研阶段可能做调整 3，数据准备阶段提供相关业务指标辅助模型构建 4，模型评估 5，上线验收和跟踪，是否需要调整模型

如何转行/入门AI产品经理？

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，转行/入门AI产品经理，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI产品经理入门手册、AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI产品经理入门手册

三、AI大模型视频教程

四、AI大模型各大学习书籍

五、AI大模型各大场景实战案例

六、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。