產(chǎn)品經(jīng)理技能有哪些？（推薦產(chǎn)品經(jīng)理的5大技能）

不同于傳統的產(chǎn)品產(chǎn)品經(jīng)理，AI時(shí)??代的經(jīng)理技能薦產(chǎn)產(chǎn)品經(jīng)理更加注重的如何將技術(shù)應用在業(yè)務(wù)問(wèn)題上。AI時(shí)代，有推產(chǎn)品經(jīng)理最重要的品經(jīng)職責就是提供數據規范，所以這也要求產(chǎn)品經(jīng)理對數據有足夠??的大技認識。文章對AI時(shí)代產(chǎn)品經(jīng)理需要掌握的產(chǎn)品新技能進(jìn)行了總結，供大家一同學(xué)習和參考。經(jīng)理技能薦產(chǎn)

2020年1月25日,有推 在曼徹斯特產(chǎn)品思維大會(huì )上，Salesforce 愛(ài)因斯坦系統的品經(jīng)產(chǎn)品總監馬尤克·博瓦爾做了個(gè)分享，探討了在人工智能時(shí)代，大技產(chǎn)品經(jīng)理需要做哪些調整，產(chǎn)品以及如何打造成功的經(jīng)理技能薦產(chǎn)人工智能產(chǎn)品。演講主題《人工智能如何改變產(chǎn)品管理的有推職業(yè)描述? Ho(°o°)w AI Is Changing The Product Management Job Description by May??ukh Bhaヽ(′▽?zhuān)?ノow??al》

在步入正??(╥_╥)題之前，品經(jīng)我們從一些有趣的大技故事開(kāi)始：

以聊天機器人應用程序為例。在互聯(lián)網(wǎng)時(shí)代，如果我們的產(chǎn)品經(jīng)理正在設計一款新的網(wǎng)頁(yè)或APP，那畫(huà)線(xiàn)框圖是標準流程中必不可少的環(huán)節。通過(guò)圖片，產(chǎn)品經(jīng)理可以告訴工程師這款程序應該是什么樣子，而工(gong)程師將根據方案進(jìn)行實(shí)( ?ヮ?)現。這就是長(cháng)期以來(lái)，硅谷和科技公司的產(chǎn)品經(jīng)理和工程師協(xié)作的方式。

但在人工智能時(shí)代，這種舊的工作方式正在被瓦解。

如果你想做一個(gè)聊天(tian)機器人，那又會(huì )怎么樣呢？我一直幫助一家(′▽?zhuān)?)公司打造一款叫做“行為療法”的ヽ(′ー｀)ノ聊天機器人，通過(guò)機器人聊天的方式解決美國(?????)人的心理疾病。

如果展示在線(xiàn)框圖上面，應該是這樣：

機器人說(shuō):“Hi~”

用戶(hù)說(shuō)：“我不開(kāi)心”。

機器人：神奇地展示一張的圖片（這張圖片源自于自然語(yǔ)言處(chu)理技術(shù)）

通(tong)常我會(huì )說(shuō)“這完全沒(méi)有用”，我不需要知道對話(huà)??的氣泡的形狀是怎么樣的，我需要知道談話(huà)的實(shí)質(zhì)是什么，我的聊天機器人如何能夠感知到用戶(hù)發(fā)生了什么(me)。

傳統的產(chǎn)品經(jīng)理通過(guò)線(xiàn)框圖為聊天機器(qi)人提供產(chǎn)品規格，但對于工程師來(lái)說(shuō)更需要了解內在??的邏輯。

在加利福尼亞的舊金山，有一個(gè)叫???做洞見(jiàn)數據科學(xué)（Insight Data Science）的組織。

前不久，他們開(kāi)辦了一個(gè)為期(°□°)七周的集??訓項目，幫助來(lái)自不同背景的專(zhuān)業(yè)人士轉行至軟件??工程和數據科學(xué)領(lǐng)域。我的法國同事利昂·麥奎爾，她擁有神經(jīng)科學(xué)博士學(xué)位，她加入了他們的數據科學(xué)項目，并在林肯獲得了一份數據科學(xué)家的工作。

最近，我從人工智能產(chǎn)品的主管杰里米·卡拉斯科得知??，他們正在啟動(dòng)一個(gè)全新的項目。此項目稱(chēng)為數據產(chǎn)品經(jīng)理項目或者AI產(chǎn)品經(jīng)理項目。杰里米認為，對于更傳統的產(chǎn)品經(jīng)理來(lái)說(shuō)，他們需要掌握必要的技能，能專(zhuān)注于數據、更懂得如何利用AI來(lái)打造產(chǎn)品。

最后，Salesforce 愛(ài)因斯坦的產(chǎn)品副總裁馬可·卡薩萊納正與他的團隊合作開(kāi)發(fā)一門(mén)新的課程，這ヽ(′▽?zhuān)?/是一個(gè)針對的內部培訓課程ヽ(′▽?zhuān)?/，為人工智能和機器學(xué)習帶來(lái)的第四次工業(yè)革命做準備。

我問(wèn)馬??可：“這門(mén)課的目的和目標是什么？”他說(shuō)：“我們要讓我們的產(chǎn)品經(jīng)理們獲得一些感知力，讓他們能夠快速地評估用機器學(xué)習解決業(yè)務(wù)ヽ(′ー｀)ノ問(wèn)題的可行性，知道哪些業(yè)務(wù)問(wèn)題適合使機器學(xué)習或AI，又有哪些不合適?！?/p>

人工??智??能時(shí)代，產(chǎn)品管ˉ\_(ツ)_/ˉ理發(fā)生怎么樣的改變？作為產(chǎn)品??經(jīng)理，如果要打造一款成功的AI產(chǎn)品，你又需要掌握哪些技能呢？

工程學(xué)作為一門(mén)學(xué)科已經(jīng)存在了??幾千年。它的歷史可以追溯到埃及金字塔工程和軍事??引擎。一千多年里，誕生了機械工程、發(fā)明了蒸汽機，工程管理已經(jīng)是一門(mén)非常成熟的學(xué)科(ke)。

相較于工程管理，產(chǎn)品管理要年輕許多，其歷史不到一百年。最早的產(chǎn)品經(jīng)理，實(shí)際上做的是品牌管理，他們被稱(chēng)之為“品牌人”。

這讓我想起了職業(yè)體育?；仡欉^(guò)去ヾ(′?｀)?的50到100年里，電視評論里面總是在回放每一個(gè)運動(dòng)項目突破和變化。我相信，不管你是在運動(dòng)場(chǎng)上參與，還是在家中舒適地觀(guān)看，這已從根本上改變了你參與運動(dòng)方式和情感的寄托。

電影《點(diǎn)球成金》普及了體育分析方法。另外，有更多的高科技裝備和運動(dòng)器材出現在每隔四年的奧運會(huì )(′?｀)上，ヾ(′?｀)?每一次都會(huì )有新的世界紀錄。我們的確走在“更高、更快、更強”的道路上。最后，越來(lái)越多??的女性也開(kāi)始從事職業(yè)運動(dòng)。華盛頓郵報還特別提到：女性在男性運動(dòng)中的領(lǐng)導地位。

其實(shí)，產(chǎn)品管理就像是一項運動(dòng)比賽，隨著(zhù)人工智能和軟件行業(yè)的發(fā)展，它也正在被(°□°)重新定義。如果你細想一下我講的故事，就會(huì )發(fā)??現那些針對產(chǎn)品經(jīng)理的新興指標，世界正在改變，A??I產(chǎn)品經(jīng)理正在崛起。

通常，產(chǎn)品經(jīng)理需要跨職能地串聯(lián)起每一個(gè)利益相關(guān)者，如：??銷(xiāo)售、市場(chǎng)以及開(kāi)發(fā)。但是對于A(yíng)I產(chǎn)品經(jīng)理，你還需要ヾ(′▽?zhuān)??串聯(lián)起另外兩個(gè)重要人，即數據科學(xué)家和數據工程師。

同時(shí)，產(chǎn)品經(jīng)理還需要更新技能樹(shù)的??五個(gè)方面：1. 問(wèn)題映射，2. 數據素養，3. 驗收標準，4.可解釋性、倫理和偏移，5.將研究遷移到生產(chǎn)。??

隨著(zhù)人工智能的熱潮到來(lái)，你可能也會(huì )面臨著(zhù)新的執行壓?力，需要考慮如何將AI注入到產(chǎn)品之中。但是我們在考慮問(wèn)題的時(shí)候，卻常常忽視了將這些技術(shù)方案映射回業(yè)務(wù)問(wèn)題上。

我們先舉一個(gè)如何提升客服效率的例子。

“我的訂單(???)在哪里，為什??么還沒(méi)有收到？”

“收到了錯誤的訂單，我需要更換”

“我需要退款，Uber司機取消??了我的訂單，但是費用還沒(méi)ヽ(′ー｀)ノ有退給我！”

……

這個(gè)部門(mén)的目標就是盡可能快地解決??掉這些不斷涌現的客服案例。因此，系統的衡量??指標就是如何盡可能地縮短解決客服案例的時(shí)間。

作為一名產(chǎn)品經(jīng)理，我會(huì )先思考要解決的問(wèn)題(ti)，會(huì )考慮傳統的(de)方法、流程、基于規則的引擎。最好的引擎已持續使用了一段時(shí)間。

這個(gè)案例中存在一定的問(wèn)題，“分類(lèi)”和“產(chǎn)品”這兩個(gè)字段值是空的。

因(yin)為這些字段有助于正確地將客服案例指向到正(zheng)確的部門(mén)。從而讓它們可以得到快速解決。如果缺乏這些字段，客服案例很可能會(huì )被錯誤的分配到其??他部門(mén)。導致它們在不同的部門(mén)之間來(lái)回流轉，從而浪費了寶貴的解決時(shí)間。

可能，每個(gè)產(chǎn)品經(jīng)理會(huì )這么想：通過(guò)使用一些規則，根據客服案例中的其他字段來(lái)填寫(xiě)此字段中的值。但通過(guò)進(jìn)一步分析，我們會(huì )發(fā)現這樣的規則是很(hen)繁瑣的。它不會(huì )隨著(zhù)時(shí)(shi)間的推移而擴展，它將變得難以管理。坦率地說(shuō)，有時(shí)候一個(gè)嚴格的規則并不能真正ヽ(′ー｀)ノ抓住價(jià)值。

但倘若你有一段自由格式的文本并缺少關(guān)鍵字段和描述，您無(wú)法找出將其映射到“產(chǎn)品”和“類(lèi)別”的規則。???此時(shí)，你就可以使用人工智能了。實(shí)際上(shang)，這可?以建模為一個(gè)多分類(lèi)問(wèn)題。這些字段中的每個(gè)值??都對應多個(gè)分類(lèi)。您可以通過(guò)肉眼從歷史的客服案例中學(xué)習和獲得相應的感知，例如通過(guò)??查看標題和描述來(lái)確定預測值應該是什么。

在我們(?Д?)的“愛(ài)因斯坦”系統中，我們可以看到這些字段的預測值。每個(gè)預測值都有相應的置信等級。人們可以通過(guò)肉眼使用傳統的方法進(jìn)行評估，而不是冒著(zhù)風(fēng)險使用AI去解決問(wèn)題。請記住，我們每時(shí)每刻都應該將解決方案映??射回業(yè)務(wù)問(wèn)題上——即縮短客服案例的解決時(shí)間。

在A(yíng)I時(shí)代，產(chǎn)品經(jīng)理的(de)職責是什么呢？我認為，??產(chǎn)品經(jīng)理最重要的職??責之一就是提供數據規范。眾所周知，數據是任何機器學(xué)習算法的基礎。

第三個(gè)要問(wèn)的是：歷史數據中是否存有用來(lái)給機器做監督訓練的樣例？也就是所謂的監督分ヾ(′▽?zhuān)??類(lèi)問(wèn)題。如果??沒(méi)有樣例來(lái)訓練機器學(xué)習模型，數據??科學(xué)家還得想其他的辦法。

以一種通用的圖像識別的AI產(chǎn)品??為例：

一般的目的數據集，在互聯(lián)網(wǎng)上面可能都能找得到。如果你用這個(gè)來(lái)分類(lèi)貓和狗，它會(huì )表現會(huì )令你大吃一驚，大概100%的準確率。但是如果你用同樣的產(chǎn)品從醫學(xué)診斷中檢測腫瘤，它的表現很差，因為它從來(lái)沒(méi)有真正看到過(guò)數據，也從來(lái)沒(méi)有真正地??訓練過(guò)。實(shí)際上，通常情況下你可??能甚至沒(méi)有標注好的數據來(lái)滿(mǎn)足機器學(xué)習的訓練需求。

必須強調的是，數據是一個(gè)全新的維度，這在傳統的產(chǎn)品文檔中是完全沒(méi)有的。正如一些人對智能產(chǎn)品??說(shuō)的那樣：數據是新的用戶(hù)界面，數據是新的用戶(hù)體驗。

3. AI世界的驗??收標準（Acceptance Criteria in the(′ω｀) world of AI）(?_?;)

在產(chǎn)品應用于現實(shí)世界之前，它的驗收標準是什么？在傳統的產(chǎn)品管理(′▽?zhuān)?)中，這可能是功能的完整??性、打開(kāi)頁(yè)面的數量、合適的完成提示等等。對于智能產(chǎn)品來(lái)說(shuō)，您還需要考慮數據科學(xué)的指標，例如準確率、精確率、召回率。

這里舉一個(gè)欺詐分類(lèi)的例子，我們試圖將欺詐交易從正?；蛄夹越灰字蟹诸?lèi)出來(lái)。

這是一個(gè)理想分類(lèi)器的例子，它能將每一筆欺詐性交易都歸為欺詐，良性的交易依然還是良性。數據科學(xué)家會(huì )做出反應 并說(shuō)這是(shi)完美的精確和完美召回率，但(′ω｀*)這只是一個(gè)永遠無(wú)法實(shí)現的夢(mèng)想分類(lèi)??器。

在現實(shí)世界中??(zhong)，??它可能會(huì )滑向兩個(gè)方向：要么會(huì )漏掉一些欺詐行為，但它仍然有完美精確率（如下左圖）；要么在識別出欺詐行為同時(shí)也將一些良性行為誤判為欺詐行為，也就是引入了假陽(yáng)性（如下右圖）??。

作為產(chǎn)品經(jīng)┐(′д｀)┌理有責任根據服務(wù)所在的領(lǐng)域來(lái)明確清楚正確的用(′?_?`)例度量指標，以便數據科學(xué)家能(neng)夠采取相應的舉措。在這個(gè)例子里面，產(chǎn)品經(jīng)理不需要擁有航天科學(xué)家一般的智慧，但需要知道欺詐交易是有害的，(′ω｀)其代價(jià)遠遠大于在實(shí)際中引入的假陽(yáng)性。

不過(guò)這還不夠，一旦你找到了正確的度量指標，你還需要弄???清楚閾值是多少，什么時(shí)候需要達到你認為的合理數值，精確率是否要達到80%或90%。當你思考這個(gè)數值是多少的時(shí)候，你必須再次考慮業(yè)務(wù)指標再回溯到數據科學(xué)的指標上。

再舉一個(gè)銷(xiāo)售領(lǐng)域潛在客??戶(hù)評分的例子。

我們正試圖預測潛在客戶(hù)銷(xiāo)售成功的可能性。例如，格雷格·湯姆森先生得分是88。這意味著(zhù)他有8??(′▽?zhuān)?8%的可能性轉化為銷(xiāo)售訂單。但比較棘手地方在于它是一個(gè)轉化率，我們還需要考ヽ(′ー｀)ノ慮整體的轉化漏斗。

這里有兩個(gè)重要的指標：一個(gè)是由產(chǎn)品經(jīng)理根據業(yè)務(wù)需求所決定的業(yè)務(wù)指標；另一個(gè)是針對當前的案例，與數據科學(xué)家和數據工程師合(′_｀)作得(de)出的數據科學(xué)指標。而后者能幫助你在商ヽ(′▽?zhuān)?ノ業(yè)中樹(shù)立競爭壁壘。

因此，當你準備向實(shí)際用戶(hù)推出AI產(chǎn)品時(shí)候，你可以先明確這些額??外的驗收??標準。

4. 可解釋性、倫??理和偏見(jiàn)（Explainabil??ity, Ethics & Bias）

如今，我們ヽ(′▽?zhuān)?ノ的許多客戶(hù)正在體驗我們的這套預測應用。其中最常的問(wèn)題是：“為什么機器學(xué)習模型沒(méi)有做出它所做的決定呢？”

事實(shí)上，人工智能軟件根本不同于傳統軟件。因為它的結果并不是基于一組寫(xiě)好的代碼產(chǎn)生的。隨著(zhù)時(shí)間的推移，隨著(zhù)數據和反饋循環(huán)加深，該軟件的會(huì )越來(lái)越像一個(gè)黑盒。但我們還需要考慮可解釋性，因為這將有助于建立用戶(hù)對產(chǎn)品的信任。

這里有一張圖，能夠幫助我們評估可解釋性和精確性：

從圖中可以看出，我們需要為(′ω｀)機器學(xué)習的可解釋性和精確性做極大地權衡。相對簡(jiǎn)單的模型，如線(xiàn)性回歸或決策樹(shù)，準確性較差但可解釋性較好；而神經(jīng)網(wǎng)絡(luò )、深度學(xué)習的準確性(′?ω?`)極高，但卻更像個(gè)黑盒??。產(chǎn)品經(jīng)理需要根據特定的應??用場(chǎng)景和用例來(lái)做出決策。

如果你的產(chǎn)品面向于一個(gè)高度監管的行業(yè)，法律要求這些預測是可解釋的??。比如，醫療健康和法律領(lǐng)域需要符合歐盟的《通用數據保護條例》?？山忉屝院途_率之間應該如何平衡？

作為產(chǎn)品經(jīng)理需要相應的保(O_O)持洞察力，并在第一時(shí)間與數據科學(xué)家和數據工程師保持同步。

另外，產(chǎn)品經(jīng)理也需要想想這個(gè)產(chǎn)品是否有性別和倫理方面的影響：如數據需要具有足夠的多樣性、典型性，或者不能產(chǎn)生如種族歧視和性別的偏見(jiàn)問(wèn)題。

我最喜歡舉的一個(gè)例子這是谷歌翻譯，左邊是無(wú)性別區分的土耳其語(yǔ)，右邊是對應的英文翻譯??。如果你順著(zhù)往下念很快就能發(fā)現這個(gè)偏見(jiàn)：他（男性）很努力地工作，她（女性）很懶?？梢?jiàn)災難性的性別偏見(jiàn)已經(jīng)滲透到這個(gè)產(chǎn)品中。(/ω＼)

或許你會(huì )想到一個(gè)功能來(lái)去(qu)剔除掉性別。但事情沒(méi)有那么簡(jiǎn)單，性別是醫學(xué)診斷的一個(gè)極其重要的特征和信號。例如，前列腺癌只發(fā)生在男性身上。

可能在翻譯產(chǎn)品中關(guān)系不大，但在人力資源招聘系統中匹配求職者的職位描述關(guān)系非常大。我們似乎應該要提供一些關(guān)于如何處理偏見(jiàn)引ヽ(′▽?zhuān)?ノ導。

去年12月，谷(′?｀)歌發(fā)(′?｀)布了一個(gè)版本，解決了翻譯中存在偏見(jiàn)，每一個(gè)中性的短語(yǔ)，它都會(huì )給出男性化和女性化的翻譯。

5. 將研究投入生產(chǎn)（Scaling from Research to Production）

最具有挑戰性的問(wèn)題是，機器學(xué)習項目所需要的成功要素，研究環(huán)境和實(shí)(??ヮ?)?*:???際投產(chǎn)環(huán)境完全不同。下圖源自一本非常有名的出版物??，叫做《機器學(xué)習的隱性債務(wù)》：

真實(shí)世界的機器學(xué)習系統只有一小段機器學(xué)習代碼，如中間的???小黑盒所示。但其所需的周邊基礎設施龐大而復雜。這與大家普遍??認知(′ω｀)相反，您可能會(huì )認為(wei)機器學(xué)習是你(′?｀)的人工智能產(chǎn)品的最大和最主要組件，但在現實(shí)世界中它只是一小塊。

在我們的Salesforce的愛(ài)因斯坦系統，也有一張非常相似的圖。

數據科學(xué)家和數據工程師實(shí)(′_｀)際上正在設計這樣的一款產(chǎn)品，它??需要能夠回答各式(shi)各樣的問(wèn)題才能真正被帶到生產(chǎn)環(huán)境中去。

“是否確認你的數據是本地還是在云端？”

“是否確認你的機器學(xué)習模型是在服務(wù)器上，或者不需要分發(fā)到移動(dòng)設備？”

“你是否準備重新訓練你的機器學(xué)習模型(xing)，因為什么動(dòng)機呢？”

“你是否確認產(chǎn)品需要實(shí)時(shí)預測？因為實(shí)時(shí)預測是非常有用的，但這又是非常復雜和難以設計的，又或許您可??以(???)使用一個(gè)離線(xiàn)批處理系統”……

每一天都會(huì )有成千上萬(wàn)的(′?｀)研究成果發(fā)表，但卻少有應用到實(shí)際的規模生產(chǎn)。所以作為AI產(chǎn)品經(jīng)理，我們必須建立起敏銳的洞察力：判斷哪些產(chǎn)品值得投入，判斷哪一種產(chǎn)品能夠為實(shí)際的用戶(hù)真正地生產(chǎn)。

雖然最近AI很火，但它在2??0年前就已經(jīng)存在了。過(guò)去主要應用在搜索和廣告領(lǐng)域，你在谷歌時(shí)看到的搜索建(╯°□°）╯︵ ┻━┻議、你在雅虎上看到的推薦廣告、你在亞馬遜上搜索時(shí)的自動(dòng)更正……如果你在搜索和廣告領(lǐng)域工作那必須提供明確說(shuō)明，并且與數據工程師緊密的??合作。

如今人工智能的應用領(lǐng)域呈指數級增長(cháng)， 同時(shí)也需要產(chǎn)品經(jīng)理提供大量明確的產(chǎn)品規范說(shuō)明。不管你的數據科學(xué)家們是多么的喜歡你們的小花園，或者你的營(yíng)銷(xiāo)演示多么有創(chuàng )意和多么酷?！癆I產(chǎn)品鴻溝”很可能會(huì )成為你的AI產(chǎn)品普及的障礙。

最后，請你回答一個(gè)問(wèn)題：

當你面對一個(gè)真實(shí)的具體的客戶(hù)痛點(diǎn)，你是否有能力打造一款有用的產(chǎn)品，而不是僅僅地做一個(gè)很酷的功能？