中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導語：當人工智能逐漸被普及應用到更多場景時，產品+人工智能也逐漸成為產品人們所要考慮的事情。那么，如何挖掘AI產品需求、實現產品落地？我們又該如何定義智能服務和智能體驗？本文作者便結合其經驗向我們展示了他的看法。

如今越來越多的產品經理也在考慮為自己的產品添加AI功能，但是事實上并沒有那么容易。作為產品經理我經常能收集到各種AI產品的idea，有些甚至過于科幻，每當我們迫不及待地去實施的時候，結果總是狀況百出。

該如何選擇更好的技術方案或許是算法工程師關注的領域，但對AI產品來說，如何管理好AI產品需求也是一個重要挑戰，這也是AI產品經理的使命所在。

這兩年的實踐中，我先后做了“Get寫作”和“互鏈文檔”兩款智能寫作產品，前者是針對新媒體寫作場景，后者是針對于日常筆記場景。不管是哪個場景，擺在我們面前最大的問題并不是“我們可以用AI打造一款怎樣與眾不同的產品”，而是“我們該怎么去定義智能體驗”。

一、如何定義智能體驗？

學術界對于AI智能已經有了一些定義，人們期望AI像人一樣，能合理地思考和行動（出自《人工智能——一種現代化的方法》），如下圖。

從用戶體驗角度來看，AI產品的智能體現就是能合理地做出行為決策，換句話說就是“機器能根據輸入條件作出合理判斷并輸出結果”，我們暫且稱之為“自動化決策”。

例如，Siri能夠合理地回答你問題，雖然有些回答聽起來很搞笑，但只要輸出的結果讓人覺得合理，就依然會被人接受，如下圖。

但AI的輸出是否合理，這個取決于人的主觀評判。這也是數據標注工作所做的意義所在——盡可能通過標注讓模型更能貼近人的預期。

當我們把一連串“自動決策”串聯在一起了后，就變成了一個自動化的業務流程，幫助人類省心省力地完成業務目標，這也是AI產品的價值體現。

例如，掃地機器人通過良好的尋址算法，趁主人不在家的時候掃遍房間的每一個角落，讓人覺得省心又省力。但如果在掃地過程中不斷需要主人來處理各種狀況，如卷了電線和異物，就算這些狀況和算法無關，那也會讓人覺得不智能。

因此，AI產品的體驗效果并不一定取決于算法，而是在產品使用過程中是否能流暢地達到用戶預期的目標或價值。

綜上，最終決定產品的智能體驗感的核心還是在于經過AI的一系列自動決策后，能更好地滿足業務場景中的需求。

二、AI產品需求的挖掘與管理

根據前面的分析，所謂的AI產品需求管理，首先要挖掘那些能夠自動化決策的需求點。其次當這些需求點串聯在一起的時候，讓產品整體能達到較好的使用體驗。

前者和算法有關，后者不僅僅局限于算法，如下圖所示：

需要強調的是，不管技術手段如何變，產品經理始終都需要以實現商業價值為目標，以用戶體驗為中心，選取具有可行性的技術手段和方案。

但反觀目前市面上的一些AI產品經理的資料，通篇照搬AI技術的概念，而忽視了產品本質，這是一種舍本求末的表現。

在AI產品需求分析與整理的過程中，我們總結了以下四個關鍵步驟：

1. 收集場景案例；
2. 繪制決策流程；
3. 篩選可行性用例；
4. 制定AI產品路線圖。

1. 收集場景案例

我們要教會AI決策，我們就要必須弄清楚人是怎樣做決策的。我們應當以實現業務價值為最終目標，專注分析業務場景中的問題。在項目早期，收集實際場景中的業務案例顯得尤為重要。

我們可以將收集的案例整理成一個個表格或者卡片，包含要素有：場景概述、業務目標、業務流程、關鍵決策點、業務痛點、過往案例。

• 場景概述：用最簡潔的一句話說明該場景中的業務要點“誰——做什么——為什么做”，這類似于敏捷開發中的“用戶故事”;
• 業務目標：用于明確業務要達成的最終結果，并為自動決策獲得一個可衡量標準。我們可以尋找業務中一些量化的KPI，這不僅是對人的考核也是對AI的考核；
• 主要業務流程：主要是為了弄清楚當前的系統運行情況，比如在原有的人工的業務流程是怎么樣的？現有的業務流程中有哪些優點或者缺點？
• 關鍵決策點：找到關鍵邏輯決策點，在流程中人是如何做決策的？判斷的效率怎么樣？判斷規則是什么？要輸出怎樣的結果？
• 業務痛點：找到產品能夠發揮價值的地方，有哪些痛點？有哪些抱怨？
• 過往的成功與失敗的案例：主要是為了弄清楚一些真實情況。能否舉出一個或者多個成功的案例？能否舉出一個或者多個失敗的案例？失敗的原因是什么？會怎么樣處理？

在我接觸過的項目中，一些業務方對表格中的問題會表現得一臉懵逼，原因很簡單，自己都沒有弄清楚自己業務的SOP（標準作業程序），就期望AI來幫他們解決問題。

這種情況，還是需要由人類先摸索出有價值的SOP，因為人做不好的，AI肯定也做不好。

如下圖，CRM客戶挖掘的業務場景案例。每天，客服人員需要撥打大量的電話，找到對產品感興趣的客戶，以便于銷售人員跟進。對于客服人員來說，工作量大而且重復，容易讓人煩躁。

通過這樣的收集和整理，讓我們對要解決的問題和場景有一個直觀的感知，但隨著調查的深入我們還可能會發現新的問題。

為了不遺漏有價值的信息，這個階段我們收集的案例，應該有更多發散性。

2. 繪制決策流程圖

通過業務案例的收集，我們可以梳理出一個業務流程圖，我們可以使用“UML活動圖”來繪制，并且我們還要重點標識出決策的判斷點。如下圖：

如圖所示，起點是挑選客戶資料，結束點是標記出有意愿的A類的客戶。

為了更加明確，我們將主流程（Happy path）放到主軸上面，代表決策的菱形節點放在兩邊，我們可以一目了然，看到那些通向“幸福Happy”的關鍵決策。

先不考慮任何實現手段，我們需要先弄清楚，每一個決策點的輸入、輸出和規則是什么。我們可將這些決策點整理成一份“決策用例清單”，然后再綜合考慮是否合適AI自動化決策。

注：用例（Use Case）是UML中術語，一個用例代表一個完整的系統功能單元，但不考慮該系統的內部實現細節。

另外，我們還可以將此清單整理成UML用例圖，這個系統參與者有三個：客服、客戶、AI。

3. 篩選可行性用例

根據上面的用例，AI該如何與人類一起工作呢？

并不是所有“決策”都是適合機器做，機器做決策的特點是效率高速度快，但應變性弱。人類做決策的特點是靈活性高，但是容易產生疏忽和遺漏等問題。我們可以用場景決策矩陣判斷，如下圖：

按照場景和決策兩個維度進行拆分，分成四個象限：

• 常規性場景+信息性決策：對細節要求不高，學習案例多，AI學習效果較好，AI只提供信息建議，輔助人類決策，出錯的風險很低，特別適合AI來做；
• 細膩性場景+信息性決策：對細節要求極高，學習案例少，AI做出正確判斷有難度，AI提供信息建議，由人類為主導AI輔助做決策，出錯風險低；
• 常規性場景+行動性決策：對細節要求不高，學習案例多，AI學習效果較好，AI代替人類做行動決策，出錯有一定風險性，適合人類為主導AI做輔助；
• 細膩性場景+行動性決策：對細節要求極高，學習案例少，AI做出正確判斷有難度，讓AI代替人類做行動決策有很大風險，建議人來做。

我們可以將上面的決策用例做一個基礎的判定。排布在場景決策矩陣如下：

通過這樣的分類方法，我們能很清楚的知道機器和人類應該怎樣分工，案例中大部分決策用例都可以交給機器，但“詢問進一步溝通的意圖”是很關鍵的一步，如果全權交給機器，效果將大打折扣。

這樣，我們就有了一張人與AI的分工圖：

這時我們有了兩條思路：

1. 第一條思路，如果AI效果好的話，那么全權負責整條鏈路，讓人在最后一步把關，這樣的好處是效率高；
2. 第二條思路，AI作為一個輔助工具，幫助客服自動化篩選客戶信息，做好通話情況記錄和打分，一定程度有效提升客服效率，而且結果也可控。

到底哪個方案好呢？

一方面需要根據實際的業務需求判斷。例如，針對高端人群的產品，獲取客資成本高，對于這些高端客戶來說冷冰冰的機器人電話顯得沒有誠意，但是普通話不標準的銷售人員也可能讓人覺得是山寨推銷。

另外一方面，我們需要將需求對應到不同的技術模塊上，因為算法產品有一定不確定性，貿然使用不成熟的技術，也承擔著巨大風險。作為產品經理，我們應積極與數據科學家和工程師溝通，或許他們也有更好的建議，對于產品經理來說，溝通永遠都是第一要務。

4. 制定AI產品路線圖

AI和人一樣，需要一個成長過程，這個過程中需要不斷的積累數據和調整算法策略。一個好的AI產品路線圖，需要給我們的產品規劃一個學徒期，從簡單的決策開始，再逐漸演變為更復雜的決策。

我們可以根據前面的算法模塊的拆解，挑選出哪些需要優先做的模塊，我們可以從影響、努力、風險三個維度考慮。

我們優先選性價比高和風險較低的模塊，如果是一些通用性的算法模塊也可以考慮使用大廠提供的服務。這樣保證產品功能完整性的同時，也降低了不確定性帶來的問題。

AI產品相比傳統產品更需要大量數據，我們需要提前做好數據埋點和反饋機制，確保產品上線后，能夠收集足夠的數據，充分了解各種決策及其完整上下文。這樣便于算法工程師，持續的優化模型和算法。

另外，為了更早的發現真實場景中的問題，我們需要讓用戶盡早地使用我們的產品。但是由于產品還在學徒期，功能不完善、體驗不確定，并不適宜大規模推廣。我們可以考慮通過邀請制，讓愿意嘗鮮的用戶先體驗，這些用戶往往比普通用戶包容性更強也更加積極，愿意提更多的意見和想法。

基于上面的幾點考慮，我將路線圖中的需求分成應用層需求和算法層需求兩類。

應用層主要是指直接與用戶打交道的需求，這部分是偏傳統的軟件開發內容。

細分下去包含：決定產品使用體驗的功能性需求；和運營節奏息息相關的增長性需求，如邀請、裂變、積分等；還有用戶看不到的但能讓產品和服務變得更好的支持性需求，如產品后臺、數據統計平臺等。

算法層是指與自動化決策息息相關的需求。

應用層與算法層通過算法服務提供API打交道，這些API需要根據應用層場景進行調整和優化。但算法只有API是不夠的，還需要一些支持性的模塊，例如網絡爬蟲和一些基礎算法模型。

在產品早期，我們需要迅速驗證我們的業務方向和價值。所以，我們首先需要為用戶做好基礎場景的建設，并為AI的嶄露頭角預留出更多的空間，于此同時我們也需要做好算法層的技術建設，然后再逐步引入種子用戶不斷優化產品。

而中期，我們需要提供更多的業務數據反哺算法，做到人無我有的極致體驗。

最終，我們整理出我們的AI產品路線，讓我們的AI產品能夠從學徒期慢慢走向成熟。

三、結語

在這兩年的AI產品實踐中，我在產品經理、設計師、工程師之間來回切換角色，不僅僅是為了打造心中所想的產品，也是為了探尋心中的一個答案：AI時代，產品經理應該如何做產品。

過去一年，可謂一路狂奔，將原本寫產品需求的時間放到了寫代碼上，不知不覺中，我的github瓦片圖也快要被綠色占滿。但值得慶幸的是，通過親手打造的產品，團隊也成功拿到了融資。

AI產品其實并不神奇，任何產品的商業價值都在于其對人類的價值。

只是不同的技術方案需要考慮的側重點會有所不同。

對于產品經理來說，科技在進步，思維方式需要迭代更新，但也不能全部舍棄，用“進化”這個詞來形容我們AI時代的產品經理可能更為貼切。

#專欄作家#

PM熊叔，微信公眾號：PM熊叔，人人都是產品經理專欄作家。教育類產品產品經理出身，學過設計，做過開發，做過運營的產品經理。

本文原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自 Unsplash，基于 CC0 協議