《人工智能产品经理-AI 时代 PM 修炼手册》核心方法论梳理

三、老本行——需求定义

以量化需求为基础，以 AB Test 为验证方式的研发过程可以被看做是一种典型的通过数据驱动决策的案例。

1. 明确需求符合产品愿景。
2. 找准需求的场景。
3. 定义场景中的可量化标准。

四、AI 产品体系发展节奏

1. 项目：单场景，自服务。
2. 产品化：单场景但支持灵活需求，自服务。
3. 服务化：多场景，支持个性化需求；模块化插件化，可提供对外服务。
4. 平台化：多场景自己快速实现需求；开放生态化。

五、机器学习基础

1. 计算能力的差异

与 CPU 相比，GPU 具备强大的并行计算能力与浮点计算能力，且可以提供更快的处理速度、更少的服务器投入和更低的功耗。

2. 知识与数据的逻辑

知识的局限性在于：知识本质上就是由于人类不具备机器这样的计算能力才选择的一种妥协办法。这种办法将有限的数据进行加工，最终实现系统化、逻辑化、因果化的逻辑方式。而这些描述方式都是人类为了理解和解释世界上发生的所有事情而给出的简化了的、概括了的答案。这种简化和概括过程必然导致精确性的牺牲。

而机器学习不同，它从海量数据出发，通过复杂的算法和运算能力，寻找一切数据背后的规律。这个过程无需总结知识更无需对知识进行解释和描述，但它就是能够解决问题，且在某些方面已经比人类强大得多。 核心逻辑：绕开知识，用数据说话。

3. 模型与算法的关系

• 算法：代表着用系统的方法描述解决问题的策略机制。
• 模型：是通过各种算法对数据进行训练后生成的一种中间件。 用不同的算法对模型进行优化和调整，最终目的都是为了让模型更高效。

六、Workflow 与评审

只有考虑每个前提条件并输出经过严谨分析后的产品目标结论，才能有把握通过公司内部的产品评审，并获得老板的支持。

1. 痛点分析

1. 场景描述：具体业务需求场景，场景中哪个流程环节，以前是什么样的替代方案，替代方案多大程度满足了需求。
2. 痛苦来源：来源于自身 or 外部压力，为什么存在这种压力，链条是什么；是否来自人性？
3. 痛点全方位剖析：该痛点涉及的面有多广？普遍问题还是个例？是否合规？是否高频？用户愿意为此买单吗，愿意付出什么样的代价来解决这个问题？
4. 市场分析：竞对有谁？各自的优势？市占率如何？
5. 综述：对产品进行一句话定义：面向 XX 客户，解决客户在 XX 场景下 XX 问题，给客户带来 XX 收益。

七、方法论、沟通与 CEO 视角

1. 端到端的产品管理

一种思维模式：端到端的产品管理。基于产品经理扮演润滑液的角色这一前提，是一种产品全生命周期管理方法论。

1. 把握流程中的关键节点：产品管理本质上就是一种固化的流程，流程不仅保证了效率（责任分明、按规矩办事），稳定可控的流程也给创新提供了丰富的土壤。体现人、周期、环节、职责。
2. 评审阶段成果：每个时间点、每个环节、每个周期都要进行评审。
3. 复盘：持续迭代优化。

2. 跨部门沟通：横向领导力

• 良好的人际网络：建立广泛的联系。
• 紧密的联盟关系：互相认可并可以互利的关系。
• 说服别人的能力：说服别人按照你的想法做事绝不是操作别人的手段，而是一种在理解对方立场和利益诉求的前提下取得对方支持的技巧。
• 谈判能力：在资源争夺中争取最大利益。

3. 沟通方式投其所好

沟通方式需要因人而异：

• 对方更喜欢正式的交流方式还是非正式的交流方式。
• 更喜欢面对面还是 IM 电子邮件。
• 更喜欢将事件的上下文了解完整还是更喜欢直接说重点。
• 更喜欢数据支撑客观谨慎表达观点还是希望通过主观判断来表达。
• 更喜欢听细节还是概括。

八、转行与入门建议

对于刚毕业的研究生或想转行的互联网人，AI 产品经理是一个不错的方向。虽然大行情波动，但 AIGC 在行业大火，AI 产品经理到底要学哪些内容，和算法工程师有哪些区别，以下是整个学习思路和方向：

1. AI 产品经理全局学习：建立宏观认知。
2. Python 系统学习：掌握基础编程能力，便于与技术团队对话。
3. 机器学习 & 深度学习：理解核心原理，而非仅仅调用 API。
4. 热门 AI 产品竞品分析：拆解优秀案例。
5. AI 产品设计学习：掌握交互与体验设计。
6. AI 产品 0-1 实操项目经验：积累实战履历。
7. AI 产品求职 & 面试：准备针对性的问答。

以上 7 点，看起来简单，内部内容其实很多，每一个篇章，展开都有夯实且丰富的内容，需要深度学习。