資深產(chǎn)品經(jīng)理告訴你AI產(chǎn)品經(jīng)理究竟是個什么“貨色”？

記得很久以前，程序員就叫程序員，需求就叫需求，美工就叫美工，測試就叫測試，只有管事管人的叫做經(jīng)理。后來，慢慢衍生出了一個新的角色——一個叫做產(chǎn)品經(jīng)理但不是經(jīng)理的角色。

于是乎，江湖上便開始有了產(chǎn)品經(jīng)理的傳說。

微信的張小龍讓產(chǎn)品經(jīng)理抵達了一個別人無法企及的高度，網(wǎng)上各種關于產(chǎn)品經(jīng)理的段子也層出不窮，先來兩副對聯(lián)：

上聯(lián)：這個其實很簡單；下聯(lián)：原理細節(jié)我不管。

橫批：明天上線

上聯(lián)：沒啥需求實現(xiàn)不了；下聯(lián)：有你這樣設計的嗎？

橫批：u can u up

AI產(chǎn)品經(jīng)理竟然有這種操作？

有人會問：“你是人工智能產(chǎn)品經(jīng)理，為什么不爬蟲弄一大堆招聘數(shù)據(jù)下來，然后機器學習做一個聚類算法呢？”

人工智能產(chǎn)品經(jīng)理 ≠ 人工智能科學家

產(chǎn)品經(jīng)理只是提需求并保證需求落地。

比如說，AI-PM 告訴AI-Scientist：

“我需要了解人工智能產(chǎn)品經(jīng)理這個職位，我們要把智聯(lián)招聘、獵聘網(wǎng)、拉勾網(wǎng)、秒聘網(wǎng)四個網(wǎng)站中和人工智能產(chǎn)品經(jīng)理有關的數(shù)據(jù)跑下來，做個分析對比，產(chǎn)出一份職位描述，作為我今后努力的方向。”

在 PM 和Scientist 做完充分的溝通后，確認他理解你的需求，詢問他是否需要外部支持，階段性地驗收成果或查看進度，確保項目落地。

AI產(chǎn)品經(jīng)理職位描述案例如下：

• 人工智能產(chǎn)品整體規(guī)劃、階段目標、產(chǎn)品設計和推進實現(xiàn)
• 產(chǎn)品上線后，分析使用數(shù)據(jù)，提煉使用場景，找到產(chǎn)品改進點和突破點，用豐富的交互場景推動AI創(chuàng)新
• 對用戶的交互使用體驗負責
• 有效地橫向串聯(lián)產(chǎn)品的所有功能模塊，與產(chǎn)品、算法、工程、編輯、團隊充分溝通協(xié)作，保證產(chǎn)品功能落地
• 負責行業(yè)市場分析、用戶需求調研和競品分析工作

Andrew Ng 吳恩達在 NIPS 2016 上談到AI產(chǎn)品經(jīng)理時指出：

“一個人工智能產(chǎn)品經(jīng)理的工作流：”

“一個人工智能產(chǎn)品經(jīng)理扮演的角色：”

“一個人工智能產(chǎn)品經(jīng)理的職責：”

誰說產(chǎn)品經(jīng)理不能懂技術？

作為一名產(chǎn)品經(jīng)理，似乎總是常年備受大家“不懂技術”的“冤屈”，網(wǎng)上關于此類的段子也不少：

“師兄，我們這款產(chǎn)品的核心功能是要達到XXX，可以采用XX技術來實現(xiàn)，這樣可能會比較好”

“切，你管我用什么技術，我能給你實現(xiàn)就好了，你又不懂技術，瞎扯什么蛋呢？瓜兮兮嘞……”

“帥哥，運營的過程中網(wǎng)絡要保證到XX的速度”

“靠，你懂完了，你來撒！”

可是產(chǎn)品經(jīng)理就活該背這個黑鍋嗎？

當然不是！

AI來襲，產(chǎn)品經(jīng)理自然也不能落后潮流。

今天我們就來用人工智能中最火的機器學習給大家舉個例，看看機器學習與產(chǎn)品經(jīng)理能擦出怎樣的火花。

我能讀懂你的心

作為一名產(chǎn)品經(jīng)理的關鍵是什么？

讀懂用戶的需求！

可是通常，人們會習慣性地認為機器學習是以某種方式從根本上改變了產(chǎn)品經(jīng)理的技能組合。

這是個常見的認知錯誤！

機器學習本身并不是目的，它只是解決用戶真實需求的一種工具。很多公司都有很棒的人工智能技術，并且已經(jīng)在許多實際應用中驗證了這些技術的實用性。如果你開發(fā)了一個很酷的新技術，想在現(xiàn)實中應用它，那么你需要考慮的是這項技術能夠解決什么問題，或者通過這項技術可以增強哪些方面的經(jīng)驗。

作為一個產(chǎn)品經(jīng)理，如果你嘗試構建一些機器學習產(chǎn)品來服務于用戶，那么用戶的問題及需求應該是你需要關注的焦點。

對復雜數(shù)據(jù) say no!

是不是心疼自己在海量數(shù)據(jù)中眼花繚亂找不著北？

有了機器學習，我們將對紛繁復雜的數(shù)據(jù)say no！

使用各種機器學習算法來為用戶搜索提供最佳結果。

例如，當你搜索食譜時，搜索引擎會自動學習你的搜索模式，以及與你類似的搜索和點擊行為的模式，并為你自動篩選出最貼近的食譜作為第一個結果。

不僅如此，分類問題也能夠利用機器學習來解決。如果你希望將數(shù)百萬篇教育類的帖子進行分類，并且已經(jīng)利用一些教育類的文檔訓練好一個機器學習模型，那么這個模型可以幫助你自動分類這些帖子。

機智的我早已看穿一切

你是不是經(jīng)歷過各種購物網(wǎng)站、視頻網(wǎng)站等等的花式推薦？

在這個過程中，機器學習再一次登場。

現(xiàn)實中，最常見的一類問題是預測用戶的喜好，如用戶是否喜歡新聞中的某個故事，是否會喜歡 Dropbox 中的內(nèi)容等。

同樣，如果你想預測 2018 年 12 月的銷售情況 (前提是業(yè)務基礎沒有大幅改變) ，只需要提供過去幾年的歷史銷售數(shù)據(jù)，一個機器學習模型就可以成功地預測未來的銷售情況，即使考慮到季節(jié)性問題也是如此。機器學習模型不僅可以用于銷售情況的預測，對于其他問題，如庫存的使用情況也可以解決。

最后

每次想到AI產(chǎn)品經(jīng)理，腦海中都會浮現(xiàn)出一個孤獨的劍客的形象。

他佇立在漫天黃沙的無垠沙漠中，不停地拔刀、出刀、還鞘，百次、千次、萬次……希望能夠練就一身絕世武功。每個優(yōu)秀的產(chǎn)品經(jīng)理，就像是這位劍客，在那一望無際的沙漠中，不停地練習和跋涉才能找到下一個綠洲，而那個綠洲，就是——項目已上線。

在這里引用吳恩達的一段話：

「對我而言，無論何時，當我覺得我不知道下一步應該如何做的時候，我將會嘗試大量的學習和閱讀，和某些領域的專家談話。我不知道我們的大腦是如何工作的，但它非常的神奇：當你讀了足夠多的書，或者和足夠多的專家談話之后，換句話說，當你的大腦有了足夠多的輸入信息，新的想法就會隨之產(chǎn)生?！?br />



摘自：人人都是產(chǎn)品經(jīng)理