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核心区别在于引入了算法模型环节。除了常规的需求分析、产品设计、项目管理和上线运营外，AI 产品经理需要深度参与模型预研、数据准备、模型构建、模型宣讲及模型验收等阶段。协作对象也相应增加了算法工程师和数据科学家。
二、需求定义
需求定义是 AI 项目的起点，必须明确以下核心要素：
- 做什么：具体的业务场景与功能目标。
- 为什么做：业务痛点、预期收益与商业价值。
- 业务预期目标：包括技术指标（如准确率、召回率）和业务指标（如转化率提升、损失减少）。
- 上线期限：明确的时间节点与里程碑。
1、项目背景示例
以开发一套'筛选薅羊毛用户'的产品为例。团队发现项目数据统计存在异常，经排查发现存在夜间批量注册账号、领取新手礼包、使用免费券下载数据的行为路径。为堵住这一漏洞，决定开发风控模型进行识别。
2、具体方案
- 触发机制：在领取奖励或下载操作时，实时判断用户身份。
- 分级策略：根据风险概率将用户分为'正常'、'疑似'、'高危'三类。
- 处置逻辑：疑似用户触发验证码校验；高危用户锁定账号并要求二次验证（如绑定微信）。
3、业务价值
减少活动福利被恶意刷取，确保资源触达真实有效用户，降低公司运营成本。
4、业务预期目标
- 模式选择：需支持实时判断，定义为实时模型。
- 覆盖率：期望覆盖 100% 相关用户流量。
- 性能倾向：追求高'召回率'，宁可错杀不可放过，允许一定误报。
- 时间节点：特定大促活动前上线。
三、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，需增加埋点、获取外部数据或调整业务逻辑。
- 算法评估：现有算法能力能否支撑业务指标？例如实时性要求可能影响响应速度，需权衡调整为离线模型或优化架构。
四、数据准备
数据是 AI 模型的燃料。AI 产品经理凭借对业务的深刻理解，能更精准地指导特征挖掘。
1、内部业务数据
优先利用历史业务留存数据。若无直接相关数据，通过新增埋点采集关键行为日志。
2、跨部门/中台数据
提取公司内部其他部门或统一数据中台的可用数据，注意遵循数据管理规范，筛选有效字段。
3、外采数据
向第三方购买数据（如运营商数据、设备指纹等）。需严格审核供应商资质，确保数据采集的合法性与隐私合规性。
五、模型构建
1、模型设计
- 算法选择：根据任务类型选择。本例为多分类问题，且需强可解释性，故选择逻辑回归算法。
- 目标变量：定义明确的标签（如'是否为羊毛党'），这是模型训练的基础。
- 样本抽取：考虑季节性、周期性影响，采用分层抽样或近期数据结合跨时间样本，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、单位不一致及数据不均衡问题。
- 特征提取：
