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、模型验收等。协作对象除了常规的业务方和开发团队外，还需要深度对接算法工程师。
一、需求定义
需求定义阶段需要明确以下核心问题：
- 做什么：具体的业务场景和功能边界。
- 为什么做：业务痛点、预期收益和价值。
- 目标与期限：业务预期指标（如准确率、覆盖率）、上线时间节点。
案例背景：筛选薅羊毛用户
某电商平台发现数据统计异常，经排查存在夜间批量注册账号、利用新手礼包和签到任务获取免费券，进而下载敏感数据的'薅羊毛'行为。
解决方案设计
- 功能逻辑：在领取奖励时增加手机号绑定校验；在下载操作时实时判断用户风险等级（正常、疑似、高危）。
- 处置策略：
- 疑似用户：触发极验或验证码校验。
- 高危用户：锁定账号，激活时强制绑定微信，防止再次违规。
- 业务价值：减少福利发放损失，确保资源触达真实有效用户。
- 技术指标：
- 模式：离线/实时结合，优先保证响应速度，调整为离线模型每日处理。
- 覆盖率：100% 覆盖所有用户。
- 倾向：追求高召回率，宁可误报不可漏报。
- 上线期限：双十一前完成部署。
二、模型预研
AI 产品经理需将需求同步给算法团队，共同评估可行性。
- 数据评估：现有数据是否满足特征工程需求？若不足，需通过埋点补齐、外部采购或替换相似数据源。
- 算法评估：现有算法能力是否匹配业务时效性要求？例如实时模型可能影响业务响应速度，此时可调整为离线批处理模式。
三、数据准备
AI 产品经理凭借对业务的深刻理解，能更精准地识别对模型提升有帮助的特征，并与技术团队沟通完善数据集。
特征示例
- 用户是否主要在夜间活动？
- 操作频率是否过高？
- 短时间内同一终端登录多个账号？
- 是否触发过新手引导？
数据来源分类
- 内部业务数据：从历史业务数据中选取，或通过新增埋点留存。
- 跨部门数据：提取公司中台或其他部门数据，注意合规筛选。
- 外采数据：向第三方购买（如运营商流量、App 画像）。需注意资质审核及数据合法性，确保符合隐私保护法规。
四、模型构建
1. 模型设计
- 算法选择：根据需求选择合适算法。本例中采用逻辑回归，因其计算快、可解释性强，适合多分类且能解释封号原因。
- 目标变量：定义清晰的目标变量是模型成功的关键。样本抽取需考虑季节性、周期性及时间跨度，建议结合近期数据与跨时间样本以降低偏差风险。
2. 特征工程
特征工程是将原始数据转化为数量化信息的过程，决定了模型的上限。
- 数据清洗：处理缺失值、异常值、无效值及数据不均衡问题。算法工程师需确保数据一致性。
- 特征提取：
- 数值型：消费金额、浏览次数等。
- ：有房、有车、高付费等。
