一、AI 产品经理工作全流程概览
AI 产品经理的工作流程与普通产品经理的主要区别在于增加了算法模型相关的环节，包括模型预研、数据准备、模型构建、模型宣讲及模型验收。协作对象除了常规的业务方和开发团队外，还多了算法工程师。
二、需求定义
需求定义阶段需要明确以下核心问题：
- 做什么：具体的产品功能或业务目标是什么？
- 为什么做：解决什么痛点？有什么收益和价值？
- 预期目标与期限：业务指标（KPI）、上线时间节点。
以开发一套筛选薅羊毛用户的产品为例进行说明。
1. 项目背景
团队发现负责的项目数据统计存在异常，经排查发现存在夜间批量偷取数据的行为。典型路径如下：
- 购买手机号注册新账号。
- 利用自动化工具领取新手礼包、签到奖励等免费资源。
- 在深夜使用免费券或积分批量下载数据。
为堵住这一漏洞，决定开发一套识别并拦截薅羊毛用户的产品系统。
2. 做什么？
开发一套用户风险筛选系统。具体设计思路如下：
- 触发时机：在用户领取新手礼包或完成周任务时，要求绑定手机号（初期可适度卡控，避免影响正常体验）。
- 风险分级：在使用优惠券进行下载操作时，实时计算用户是薅羊毛用户的概率，并根据概率高低分为'正常'、'疑似'、'高危'三类。
- 处置策略：针对'疑似'用户，触发极验或验证码校验；针对'高危'用户，锁定账号并在激活时强制绑定微信，防止大规模数据泄露。
3. 为什么要做，有什么收益和价值？
减少公司活动福利被恶意刷取，确保福利触达给真实有效的用户，降低运营成本，提升用户体验公平性。
4. 业务预期目标、上线期限？
- 模式：离线/实时模式。因需实时判断风险，定义为实时模型。
- 覆盖率：期望覆盖率为 100%，面向所有活跃用户。
- 倾向：追求高'召回率'，宁可错杀一千，不可放过一个，允许一定程度的误报。
- 上线期限：双十一前上线，预留半年时间进行开发与调优。
三、模型预研
AI 产品经理将需求同步给算法工程师后，算法团队需评估现有数据积累和沉淀的算法能力是否满足业务需求。
- 数据不足：若现有数据不满足，需增加埋点补齐数据，或寻找替代数据源。
- 算法支持度不够：若技术实现难度大，可能需要调整需求内容以适应更适配的效果。例如，实时模式可能影响原业务响应速度，最终调整为离线模型，每天定时处理前一天的用户数据。
四、数据准备
算法工程师通常根据现有数据分析特征有效性，但 AI 产品经理对业务理解更深，应主动提出哪些数据、特征对模型提升有帮助，与技术沟通完善数据集。
关键特征示例：
- 用户是否主要在夜间活动？
- 操作频率是否过高？
- 短时间内同一终端是否登录多个账号？
- 用户是否触发过新手引导？
准确找到羊毛党用户的特征对模型质量提升至关重要。数据来源主要分为三类：
1. 内部业务数据
优先从历史业务保留数据中选取；若无相关数据，通过增加埋点方式留存。
2. 跨部门数据
提取其他部门或统一中台的数据。需注意符合公司数据管理规范，筛选有效数据。
3. 外采数据
向外部公司购买数据。需了解市场供应商能力（如运营商提供流量数据、第三方服务商提供用户画像）。注意两点：
- 外采公司的资质审核。
- 采集数据的合法性，必须考虑数据安全和消费者隐私保护。
