如何让产品经理不再逼疯数据科学家？

现如今，在产品管理中，数据的关键性更胜从前。产品经理们越来越需要负责传递出受机器学习驱动的产品特性，基于机器学习技术做出重要的产品决策，并与数据科学领域的同事建立牢固的合作关系。

但是，当询问数据科学家和机器学习工程师，他们的产品经理（PM）同事在做什么时，往往得到的回答是：

我的PM不知道要问什么问题。PM无法将他们试图解决的问题构建为机器学习问题。PM和高管对他们自己的理解，和对可能或容易的事的判断过于自信。不明白的时候要承认。不要不懂装懂。在和工程师交谈之前，不要对客户做出承诺。

太多公司在招聘数据科学家团队时，不同时为其他员工学习数据和AI进行投资。因此，有太多产品经理会逼疯数据科学家（反之亦然）。

这就是为什么产品经理需要具备一定的AI知识。

你的用户需要被个性化对待

有个心照不宣的事实——那就是每个人都希望（或期待着）自己是一个独特个体。你、我和所有的用户，都需要智能且个性化的体验，让人感到自己是独特的个体。“如果别人和我的待遇一样，那有什么可兴奋的呢？”

当用户通过注册帐户、使用软件和提供反馈，让相关公司获得数据时，用户希望产品能不断优化改进，变得更加智能。通常，这些改进需要把用户使用产品时产生的相关数据产品化。

我们身边有很多运用了AI技术的产品。Spotify，会根据你的播放历史，来定制个性化播放列表；Gmail，能够利用你之前的邮件内容，来补写语句；Woebot，会记住已发生的谈话，以便为你提供个性化的心理咨询；而IntelligentX的AI算法，会根据你对前批啤酒的反馈，来设计依你口味订制的配方。

即使“AI个性定制服务”只是营销炒作，但我们身边充斥着的种种令人兴奋的科技进步，源源不断地增加着我们的期望和“需求”（或欲望）。但对于产品经理来说，这可不仅是炒作——实现人们的期望是产品经理的职责。

一名合格的产品经理：不太过技术性，也不过度炒作

产品经理（PM）的工作包括：构想未来可能出现的产品，并提供有价值的意见。为了做到这一点，PM需要对当前的数据科学技术有“刚刚好”的了解。这种恰到好处的理解，一方面使PM能弥合不同专业团队（业务，技术和设计）之间的鸿沟，同时，他也不会过度在意对AI的炒作，或者过于在意技术细节。

总的来看，在传统软件的开发过程中，PM展现出了较高的职业素养。但他们的知识储备就像牌桌上的筹码一样不稳定。在数据科学技术方面，大多PM对此类专业技术的理解程度，比不上其对业务、工程和设计的理解。这是因为PM并不总是需要了解专业技术。

现在不一样了。为了满足每个用户的个性化需求，产品日益“智能化”，越来越多的应用的决策点将被预测模型所替代，而不是启发法和直观的if-then-else逻辑。

很多情况下，PM们会因过于纠结技术细节（不太可能），或过度热衷于被炒作出来的应用功能（更有可能），从而逼疯他们的数据科学同事。最佳的情况是介于两者之间。一名成功的PM需具备数据建模、数据基础架构、机器学习模型和模型评估指标的基础知识。掌握“刚刚好”的相关知识，PM们不仅能提供令当前用户满意的产品，还能描绘出未来可能诞生的产品的蓝图。

“机器学习（ML）不是魔法”：产品经理需要了解ML的开发过程，以便与数据科学团队进行有效合作

为了与数据科学家和机器学习工程师更好地合作，以及构建更优质的产品，PM需要了解开发过程中的主要差异，以及他或她需要在哪个环节发挥作用。

具体来讲，PM可以影响这两个环节：模型输入和模型输出。 “输出”是指ML模型生成的预测。

关键在于，PM必须清楚阐明此算法输出的业务价值，以及相关局限性——精确的模型预测并不能保证业务的成功。 “输入”是指写入模型的特征（也称为属性，自变量，列表等）。垃圾进，垃圾出。如果PM能与数据科学团队共享各自领域的知识及背景，就可以帮助团队找到更清晰的交流信号，有利质量更高、解释性更强的输出。

至于其他事——PM就别参与了，把它们留给机器学习黑盒，是吗？不，PM先别忙着收手。正如一位数据科学家所说，“PM需要知道ML不是魔法。”除了输入和输出之外，在开发过程中，PM还可能会被很多意料之外的问题难住。以下是一些可能的情况：

• 可解释性：那些生成个性化优惠的模型，会向成千上万的顾客发出75％的优惠券。首席财务官注意到本周的毛利润下降，并询问PM为何发出了这么多优惠券。然而，没人能够准确解释，为什么模型会向这么多顾客发出这极其慷慨的优惠的。
• 模型监控：一款个性化的视频健身应用大张旗鼓地上线了。三个月后，一位用户写信给技术支持团队，想知道为什么该应用连续五天，给他推荐了同样的15分钟腹肌教程，即使他已经完成了两次。而这时，已经开始开发新功能的数据科学团队，才去检查了模型，发现模型性能已经下降了。
• 数据收集：PM认为，学生的每周学习时间是预测学生能否获得在线课程的结业证书的相关特征输入。然而，此信息不是学生档案的一部分，因此无法包含在功能工程的流程中。

偏差，数据清理，模型评估......这些足以说明，开发机器学习产品的过程中到处是陷阱，这些陷阱会轻易破坏掉精心策划的产品路线图。在遇到陷阱之前，具备AI知识的PM们更易预见并主动解决这些潜在状况。

编译组：纪宣羽、韦振琛

相关链接：

https://towardsdatascience.com/leveling-up-ai-literacy-for-pms-dc293b79fe17

如需转载，请后台留言，遵守转载规范