產(chǎn)品經(jīng)理有很多┐(′д｀)┌種，大數雙重能力如何掌握？據產(chǎn)薦具經(jīng)理

產(chǎn)品經(jīng)??理有很多種，譬如有重業(yè)務(wù)的品經(jīng)B端??產(chǎn)??品經(jīng)理，有重增長(cháng)吸引用戶(hù)的理具力推C端產(chǎn)品經(jīng)理，還有SaaS，備能備AaaS，數據IaaS產(chǎn)品經(jīng)理等等種類(lèi)，產(chǎn)品當我們還沒(méi)有討論完產(chǎn)品經(jīng)理都是招數怎么進(jìn)化來(lái)的時(shí)候，發(fā)現市場(chǎng)對產(chǎn)品經(jīng)理的大數崗位能力開(kāi)始有較高的要求了。

其中有兩類(lèi)產(chǎn)品經(jīng)??理對軟硬件技能為更??高且更為市場(chǎng)所需求，據產(chǎn)薦具經(jīng)理一類(lèi)是品經(jīng)AI產(chǎn)品經(jīng)理，一類(lèi)是理具力推大數據產(chǎn)品經(jīng)理。

那么我們怎么認知這兩類(lèi)產(chǎn)??品經(jīng)理的備能備關(guān)系呢？能不能做到大數據與AI復合ヽ(′▽?zhuān)?ノ上身的產(chǎn)品經(jīng)理呢？做到后即將成為什么樣基因的產(chǎn)品經(jīng)理呢？

本篇將進(jìn)行講解。

第一招：開(kāi)門(mén)點(diǎn)題

AI產(chǎn)品經(jīng)理與大數據產(chǎn)品經(jīng)理的數ヽ(′▽?zhuān)?ノ據關(guān)系是一體兩翼的關(guān)系，(′?ω?`)

數據日常的產(chǎn)品大路路徑是匯聚、存儲、處理。

分叉后一條路線(xiàn)是形成數據集AorB，輸送給特定的模型，進(jìn)行訓練。

例如輸送給RFM模型，AI(?⊿?)產(chǎn)品經(jīng)理確認數據的業(yè)務(wù)意義，比方說(shuō)張三是高價(jià)值客戶(hù)，李四是高潛力客戶(hù)，那么那些數據代表張三是高價(jià)值客戶(hù)，RFM模型中的最近購買(mǎi)時(shí)間R，購買(mǎi)頻次F，消費金額M，究竟怎么來(lái)驗證張三是高價(jià)值客戶(hù)，(╯‵□′)╯這個(gè)時(shí)候AI產(chǎn)品經(jīng)理會(huì )就業(yè)務(wù)本身自然呈現的內容輸送到模型，幫助優(yōu)化訓練模型。

在做的過(guò)程中，會(huì )驗證發(fā)現RFM模型有缺陷，不能很好地對航司客戶(hù)進(jìn)行智能化(′?｀)識別，那么RFM模型就逐步地迭代為L(cháng)RF(′_｀)M模型，再然后就部署的具體的系統模塊供各個(gè)業(yè)務(wù)項目場(chǎng)景應用。

分叉后另外一條路線(xiàn)是供數據分析，比如某外賣(mài)平臺希望通過(guò)消費者LineLian的用戶(hù)歷史和時(shí)間序列數據達到提高LineLian的消費品類(lèi)??的目標，那么需要對Line┐(′?｀)┌Lian的消費存量數據進(jìn)行分析，這里需要分析LineLian以往消費數據，例如LineL(′?ω?`)ian以往消費都是晚餐（IT男加班多），消費晚餐的POI點(diǎn)，消費晚餐的品類(lèi)等等，然后設計算法??分析出千千萬(wàn)萬(wàn)個(gè)LineLian用戶(hù)，哪些可以從常?定晚餐到推薦午餐也定午餐的目標。

從上圖( ?ヮ?)分析可見(jiàn)AI產(chǎn)品經(jīng)理與大數據產(chǎn)品經(jīng)理有著(zhù)天然的蜜著(zhù)點(diǎn)且關(guān)系緊密，均是建立在數(shu)據的一體上發(fā)展出來(lái)的兩翼。

第二招：AI產(chǎn)品與大數據產(chǎn)品的各自?xún)热?/p>

雖說(shuō)AI與大數據的關(guān)系藕斷絲連，但是AI有AI的獨立空間，大數據也有大數據的橋頭切面。

大數據產(chǎn)品經(jīng)理圍繞著(zhù)數據平臺做產(chǎn)品（大數據平臺包含數據(ju)中臺），數據平臺從下層往上層大數據，產(chǎn)品經(jīng)理依次會(huì )陪著(zhù)大數據架構師先治理數據如何存，再治理大數據的增長(cháng)，再治理異構數據，再次才是數據的有關(guān)功能(neng)的(de)開(kāi)發(fā)??應用。例如：數據分析，數據可視化，數據資產(chǎn)管理，數(′?｀*)據質(zhì)量管理等等。

而AI產(chǎn)品經(jīng)理主要(T_T)圍繞著(zhù)AI需要的算法、AI需要的算力、AI應用于哪些場(chǎng)景為核心而工??作，AI平臺如上圖。

一名AI產(chǎn)品經(jīng)理先從下面云、芯片等算力開(kāi)始著(zhù)手，一直到中間層的機器視覺(jué)、機器聽(tīng)覺(jué)、NLP等算法，最后到A??I應用的場(chǎng)景譬如智能駕駛、智能家居等等場(chǎng)景。

第三招：AI產(chǎn)品經(jīng)理+大數據產(chǎn)品經(jīng)理=數智化產(chǎn)品經(jīng)理

雖說(shuō)大數據產(chǎn)品經(jīng)理與AI產(chǎn)品(′?｀*)經(jīng)理現階段有著(zhù)各自的內容，但是中期大數據產(chǎn)品經(jīng)理與AI產(chǎn)品一定(╯°□°）╯有協(xié)同混合的市場(chǎng)需求，即市場(chǎng)老板不會(huì )將AI拆分成AI，也不會(huì )簡(jiǎn)單的將大(da)數據單獨的作為大數據??，長(cháng)期看是數智化產(chǎn)品為主導趨勢！( ?ω?)

早期，宜即時(shí)下市場(chǎng)上典型的案例是，許多企業(yè)需求是要構??建自己的數據中臺，一個(gè)數據中臺里是很難看到AI的核心使命的。但是中期看??AI與大數據會(huì )有融合，即當數據治理以后，下一層自然推送到機器學(xué)習平臺，當然早期和中期之間是有銜接的過(guò)渡地帶的。但是??長(cháng)期來(lái)看，數智一體(ti)化產(chǎn)品才是產(chǎn)品經(jīng)理進(jìn)化的深度趨勢，

數智化產(chǎn)品經(jīng)理基礎是數據工作‘其次是具有通用級別的大數據治理能力，例如有適應性頗高的算法+算力能力來(lái)計算大數據，然后是客客制化的AI模型算法能力，最后是場(chǎng)景挖掘應用思維，具備這種數智化系統的產(chǎn)品是未來(lái)市場(chǎng)的產(chǎn)品經(jīng)理！

除了明白上面3招外AI產(chǎn)品與大數據產(chǎn)品的關(guān)系和內涵知識ヽ(′▽?zhuān)?ノ外，還有如下3招幫助我們上手大數據與AI產(chǎn)品經(jīng)理。

AI產(chǎn)品與大(da)數據產(chǎn)品需懂的技術(shù)層面

想成為AI產(chǎn)品經(jīng)理和大數據產(chǎn)品經(jīng)理注定需要先吃一番風(fēng)霜苦。

首先，自己有無(wú)抓住AI和大數據的紅利期，實(shí)現從傳統產(chǎn)品經(jīng)理轉型到AI大數據產(chǎn)品經(jīng)理的思維方式；其次有無(wú)做好接受數據匯聚、數據存儲、數據分析、算法針對行業(yè)業(yè)務(wù)的類(lèi)型、模型在不同??的數據集訓練測試持續優(yōu)化的準備，需要準備哪些呢？譬??如：打破小(xiao)產(chǎn)品的認知，走向大產(chǎn)品。

學(xué)著(zhù)(zhe)做一個(gè)AI大數據產(chǎn)品的融資方案，市場(chǎng)規模調研，可行性分析報告，還有最最核心的以用戶(hù)需求和客戶(hù)要求做的具體的AI大數據產(chǎn)品的產(chǎn)品界面、功能、后臺數據治理的文檔。

硬件基礎層的CP(′▽?zhuān)?)U(╯‵□′)╯/GPU/FPGA/ASIC等；引擎框架層的高性能??計算引擎如分布式計算框架/交互式分析框架/深度學(xué)習框(?_?;)架等，Hadoop生態(tài)圈組件的HDFS/Hbase/Kafka等，數據庫的時(shí)序數據庫/高性能的OLAP數據庫等，還有容器??云管理等；平臺級產(chǎn)品層，大數據管理數據集成??的流程/元數據管理/數據質(zhì)量管理/數據資產(chǎn)管理/數據安全管理等，大數據AI機器學(xué)習??的模型部署管理/邊緣AI/可視化開(kāi)發(fā)/IDE集成開(kāi)發(fā)等，當然還有集(ji)群管理，用戶(hù)管理，權限管理，監控管理等。

以上技術(shù)懂的尺度和邊界是你所在的??團隊技術(shù)不懂的你得懂，技術(shù)懂的你得能跟他交流。

最后，大數據AI產(chǎn)品經(jīng)理或者說(shuō)數智產(chǎn)品經(jīng)理，如何尋找新的場(chǎng)景需求，ヾ(′▽?zhuān)??并具有發(fā)展性產(chǎn)品思維留做下篇講解，謝謝觀(guān)看。