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

本篇文章通過推薦模型案例全面地將AI產(chǎn)品經(jīng)理需要懂的算法和模型進(jìn)行了系統(tǒng)的講解。

接上篇：在機(jī)器學(xué)習(xí)大數(shù)據(jù)日新月異的時(shí)代里，從拉新運(yùn)營到網(wǎng)紅短視頻運(yùn)營，從SEM再到精準(zhǔn)推薦，精準(zhǔn)推薦開啟了產(chǎn)品運(yùn)營的智領(lǐng)革新，智在運(yùn)營的新征程。

文章以產(chǎn)品經(jīng)理應(yīng)該懂哪些精準(zhǔn)推薦算法模型為主線，順道在上篇中先將算法按照機(jī)器學(xué)習(xí)風(fēng)格進(jìn)行劃分，下篇按照功能相似性進(jìn)行劃分，從產(chǎn)品經(jīng)理必懂的精準(zhǔn)推薦算法模型展開，實(shí)證傳統(tǒng)算法模型對(duì)產(chǎn)品精準(zhǔn)推薦的功用和缺陷，然后總結(jié)出一套AI-UTAUT模型，即整合AI技術(shù)精準(zhǔn)推薦模型供讀者落地具體產(chǎn)品實(shí)戰(zhàn)參考。

即本篇希望以精準(zhǔn)推薦模型為案例通過全面的撰寫將AI產(chǎn)品經(jīng)理需要懂的算法和模型進(jìn)行了系統(tǒng)的入門講解。

另外我在撰文之前先說明：一個(gè)產(chǎn)品經(jīng)理經(jīng)常疑惑的概念：算法和模型的關(guān)系，產(chǎn)品經(jīng)理懂得解決問題時(shí)將問題抽象為模型，對(duì)模型求解用算法，沒有誰大誰小，算法和模型沒有絕對(duì)的分界線。

上篇我們講解了常用的精準(zhǔn)推薦模型和從機(jī)器學(xué)習(xí)學(xué)習(xí)風(fēng)格的角度撰寫了內(nèi)容，這篇將主要從時(shí)下各種算 法模型用于精準(zhǔn)推薦都有其各自的優(yōu)點(diǎn)和缺點(diǎn)帶出我自創(chuàng)的精準(zhǔn)推薦模型AI-UTAUT模型和實(shí)例解析，順道講解從算法模型功能的相似性的角度為入門AI產(chǎn)品經(jīng)理的同學(xué)講解算法模型的另外一個(gè)維度。

一、傳統(tǒng)的UTAUT推薦模型

什么叫UTAUT，傳統(tǒng)上UTAUT指的是整合型科技接受模式，即通過這個(gè)模型各個(gè)因子來觀察精準(zhǔn)推薦模型中用戶的接受意愿。

整合技術(shù)接受與使用模型（Unified theory of Acceptance and Use of Technology，簡(jiǎn)稱UTAUT）是由 Venkatesh and Davis 文卡塔什和戴維斯整合了技術(shù)適配模型（Task techfit，TTF）、理性行為理論(Theory of Reasoned Action，TRA）、計(jì)劃行為理論(Throry of Planned Behavior，TPB)、創(chuàng)新擴(kuò)散理論(InnovationDiffusionTheory，IDT)、社會(huì)認(rèn)知理論(SocialCongnitive Theory，SCT)、PC利用模型(Model of PCU tilization，MPCU)、復(fù)合 ＴＡＭ＆ＴＰＢ模型(Combined TAM and TPB，C&TAM&TPB)、動(dòng)機(jī)模型(Motivational model，MM)，提煉出了四個(gè)核心變量和四個(gè)控制變量。

四個(gè)核心變量是：努力期望(Effort Expectancy)、績(jī)效期望(PerformanceExpectancy)、社會(huì)影響(Social influence)和便利條件(Facilitating Condition)。

四個(gè)控制變量是：年齡、性別、經(jīng)驗(yàn)和自愿性。

如下圖所示：

在需多大廠的產(chǎn)品經(jīng)理中經(jīng)常采用UTAUT模型來做精準(zhǔn)推薦模型因子分析。因?yàn)槊恳粋€(gè)網(wǎng)絡(luò)用戶的生活軌跡都被互聯(lián)網(wǎng)忠實(shí)地記錄著，網(wǎng)絡(luò)服務(wù)商抓取與挖掘了這些軌跡，形成“數(shù)據(jù)痕跡”，堪稱“大數(shù)據(jù)”。

根據(jù)這些大數(shù)據(jù)，產(chǎn)品運(yùn)營可以對(duì)消費(fèi)者的興趣愛好、購買行為進(jìn)行科學(xué)的分析和預(yù)測(cè)，透過大數(shù)據(jù)找到商業(yè)價(jià)值，從而向消費(fèi)者進(jìn)行精準(zhǔn)定向推薦。雖然產(chǎn)品運(yùn)營利用大數(shù)據(jù)實(shí)施精準(zhǔn)推薦后，大幅提升了營銷效果，改變了企業(yè)“知曉浪費(fèi)了50%的廣告費(fèi)，卻不知曉哪50%被浪費(fèi)”的尷尬局面，但運(yùn)營的精準(zhǔn)推薦不僅給用戶帶來了“確實(shí)想要的東西”，也帶來了垃圾信息、無用信息，既給用戶帶來了便利又造成了困擾。

因此，產(chǎn)品運(yùn)營用大數(shù)據(jù)精準(zhǔn)推薦信息推送的結(jié)果是，并不是所有接觸到精準(zhǔn)推薦信息的用戶都會(huì)接受并采取購買產(chǎn)品的行動(dòng)。消費(fèi)者對(duì)大數(shù)據(jù)精準(zhǔn)推薦的接受意愿的影響因素有哪些？UTAUT模型回答了一部分，但是也不充足。

原來的UTAUT模型在時(shí)下的產(chǎn)品運(yùn)營需求中問題如下：

• 其一，UTAUT模型對(duì)便利條件依賴占據(jù)1/4這是無必要的，因?yàn)楫a(chǎn)品運(yùn)營用大數(shù)據(jù)精準(zhǔn)推薦是通過手機(jī)短信、電子郵件廣告、搜索引擎、個(gè)性化引擎推薦、門戶網(wǎng)站、微信、微博、競(jìng)價(jià)排名搜索、關(guān)鍵詞搜索廣告、點(diǎn)告、窄告等工具向消費(fèi)者進(jìn)行精準(zhǔn)信息推送的，而當(dāng)今社會(huì)，智能手機(jī)和 PC機(jī)已經(jīng)進(jìn)入千家萬戶，所以消費(fèi)者可以借助智能手機(jī)和 PC機(jī)接收企業(yè)向自己推送的精準(zhǔn)營銷信息，便利性不存在問題。
• 其二，過于依賴年齡結(jié)構(gòu)因素，我國網(wǎng)民的年齡結(jié)構(gòu)依然偏向年輕，以10~39歲群體為主，占整體的72.1%。因此，產(chǎn)品的大數(shù)據(jù)精準(zhǔn)營銷的主要對(duì)象以年輕人為主。
• 其三，給予性別因子的比重過高，在我的新AI-UTAUT模型中是權(quán)重降低的，原因是由于產(chǎn)品運(yùn)營大數(shù)據(jù)精準(zhǔn)推薦的特點(diǎn)是在合適的時(shí)間、合適的地點(diǎn)，憑借合適的媒介，通過合適的渠道，將合適的商品銷售給合適的消費(fèi)者，因此，只要企業(yè)大數(shù)據(jù)推送的信息是精準(zhǔn)的，無論男女，皆能接受。

二、創(chuàng)新的AI-UTAUT模型-以AI新零售企業(yè)為例

先介紹一下投資的這家企業(yè)的產(chǎn)品形態(tài)，這家企業(yè)有線下部分職能零售店，也有線上部分軟件產(chǎn)品包含，小程序APP、ERP、CRM等系統(tǒng)產(chǎn)品。特別介紹一下這家產(chǎn)品的場(chǎng)景是在地鐵和地鐵站附近的大型ShoppingMall。用戶主要是居住工作在城市的白領(lǐng)為主。

精準(zhǔn)推薦的目標(biāo)是：用自有的用戶為基礎(chǔ)數(shù)據(jù)訓(xùn)練算法模型，這個(gè)模型是當(dāng)用戶到達(dá)某個(gè)興趣點(diǎn)位附近時(shí)可以精準(zhǔn)為其希望搜索到的品牌恰巧運(yùn)用系統(tǒng)推薦用戶感興趣的品牌，這個(gè)模型暫時(shí)命名為AILBA。

1. 模型構(gòu)建

利用AI技術(shù)整合UTAUT模型與4C理論的接受意愿影響因素模型，雖然UTAUT模型被普遍地應(yīng)用于技術(shù)接受因素的研究，但對(duì)于大多數(shù)實(shí)際情況下———用戶對(duì)大數(shù)據(jù)精準(zhǔn)推薦的接受意愿的影響因素，其不僅受模型中因素的影響，還受消費(fèi)者需求是否得以滿足的影響。

因此，在模型設(shè)計(jì)過程中，我為所投資的企業(yè)產(chǎn)品搭建了AI技術(shù)為引擎以UTAUT模型為框架，結(jié)合4C理論，加以修改，構(gòu)建整合了AI-UTAUT模型以期待該模型精準(zhǔn)的為用戶推薦符合消費(fèi)者需求的產(chǎn)品。模型如下圖：

2. 模型解釋

該模型主要工作站是推薦引擎和人工規(guī)則，推薦引擎中所用的算法將在下一個(gè)段落根據(jù)算法的功能相似性一節(jié)里面細(xì)講。

場(chǎng)景數(shù)據(jù)是指用戶所處的環(huán)境例如用戶剛剛下地鐵，用戶剛剛在某個(gè)購物中心某家店有過消費(fèi)過某個(gè)商品A，根據(jù)上篇講述的交叉關(guān)聯(lián)銷售可以為用戶推薦關(guān)聯(lián)商品B。

用戶畫像人人都在說，用戶畫像貴在準(zhǔn)。

廣義上，” 用戶畫像 ” 指的是企業(yè)從各個(gè)渠道收集用戶信息，再根據(jù)所獲信息對(duì)用戶進(jìn)行人格化分析，包括人口屬性、興趣愛好、購物偏好、社交屬性等等，為每一位用戶打上專屬標(biāo)簽。

用戶畫像的分析維度：

其一、人口屬性：

地域、年齡、性別、文化、職業(yè)、收入、生活習(xí)慣、消費(fèi)習(xí)慣等;

其二、產(chǎn)品行為：

產(chǎn)品類別、活躍頻率、停留時(shí)間、問題咨詢、產(chǎn)品喜好、產(chǎn)品驅(qū)動(dòng)、使用習(xí)慣、產(chǎn)品消費(fèi)等;

用戶畫像對(duì)精準(zhǔn)推薦的好處，隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，各類手機(jī)應(yīng)用的頻繁使用，用戶的時(shí)間越來越趨于碎片化，各維度的信息也更豐富，移動(dòng)應(yīng)用開發(fā)者們也從以技術(shù)為中心的產(chǎn)品設(shè)計(jì)漸漸轉(zhuǎn)向了以用戶為中心。

對(duì)用戶的精準(zhǔn)畫像，一方面可以很好地描述用戶的許多特征，有助于產(chǎn)品人員展開針對(duì)性的設(shè)計(jì)產(chǎn)品;另一方面，對(duì)運(yùn)營人員開展精準(zhǔn)化營銷、個(gè)性化推薦也起到了至關(guān)重要的作用。

如今，”用戶畫像”被越來越多的談及，它是產(chǎn)品經(jīng)理、運(yùn)營者們津津樂道的寶貝。作為銷售員們喜愛的一款工具，我們來看看我所投資企業(yè)人工智能推薦引擎是如何進(jìn)行用戶畫像，幫助企業(yè)實(shí)現(xiàn)精準(zhǔn)營銷的。

企業(yè)管理者或銷售人員借助我搭建的AI-UTAUT模型，便能夠?qū)崟r(shí)獲取客戶的信息和行為軌跡，包括他們的基本特征、聯(lián)系方式，他們?yōu)g覽過哪個(gè)頁面，他們喜歡點(diǎn)擊、分享怎樣的內(nèi)容，他們會(huì)咨詢什么樣的問題。

AI-UTAUT模型還能實(shí)時(shí)把客戶的行為與銷售員進(jìn)行關(guān)聯(lián)，例如一旦監(jiān)測(cè)到客戶點(diǎn)擊小程序中的任何頁面，即會(huì)通知銷售人員，幫助銷售獲取潛在客戶，實(shí)現(xiàn)標(biāo)簽化管理。銷售員還可以與客戶發(fā)微信消息，而且無需加好友、不用跳轉(zhuǎn)，即可隨心實(shí)現(xiàn)。

根據(jù)客戶的行為分析,AI-UTAUT模型運(yùn)用獨(dú)特的人工智能算法,可以自動(dòng)生成成交幾率預(yù)測(cè),以漏斗圖的形式，把客戶按照成功率由高往低排,讓銷售員一眼便能知道誰才是潛在用戶，避免銷售人員多做無用功。

例如，某汽車4S店銷售員小王周一上午到達(dá)公司后，第一件事就是打開自己的微信，這時(shí)他看到AI-UTAUT模型助理已經(jīng)推送了幾十條銷售線索。當(dāng)他點(diǎn)開”客戶”,可以查看AI所分析的預(yù)計(jì)成功率,并且系統(tǒng)已經(jīng)自動(dòng)按成功率高低排出客戶的優(yōu)先級(jí)。

這時(shí)系統(tǒng)顯示一位叫阿蓮的女士的預(yù)計(jì)成交率在85%,她留言詢問某款SUV是否有更緊湊的型號(hào),小王立馬進(jìn)行回復(fù)。5分鐘后,他的手機(jī)鈴聲響起,來電顯示正是阿蓮。短短5分鐘，一筆20萬以上的業(yè)務(wù)就被敲定了。

此外，用戶畫像除了在溝通和識(shí)別客戶方面有幫助外，還能對(duì)維系老客戶和促進(jìn)二次轉(zhuǎn)化，發(fā)揮更多價(jià)值。

例如，我們還可以在AI-UTAUT后臺(tái)選取一批用戶的某些屬性，做一些預(yù)測(cè)功能，例如預(yù)測(cè)用戶是否會(huì)流失;或者預(yù)測(cè)用戶是否會(huì)對(duì)新上線的功能感興趣。對(duì)應(yīng)的，預(yù)測(cè)出很可能會(huì)流失的用戶，針對(duì)性進(jìn)行挽留的營銷活動(dòng)，比如發(fā)紅包、發(fā)優(yōu)惠券等。針對(duì)會(huì)對(duì)新功能感興趣的用戶，可以給其推送新功能，來增加用戶的粘性。

我所搭建的AI-UTAUT模型在所投資的這家正好解決了原來商家的優(yōu)惠券使用率低、用戶粘性低的問題。

綜合來看AI-UTAUT模型不僅僅幫我所投資的這家企業(yè)的銷售額提升，同時(shí)這套模型算法也為周邊的商家進(jìn)行了賦能。例如上文中所舉的例子賦能4S點(diǎn)銷售人員更好的服務(wù)客戶的例子。

三、AI-UTAUT模型深度解析

1. 模型中的績(jī)效期望因素

績(jī)效期望正向影響消費(fèi)者接受企業(yè)大數(shù)據(jù)精準(zhǔn)推薦意愿是因?yàn)橄M(fèi)者接受企業(yè)大數(shù)據(jù)精準(zhǔn)推薦的信息有可能提高其信息搜索的效率。企業(yè)要推送切實(shí)滿足消費(fèi)者需求的信息，企業(yè)就必須做好消費(fèi)者畫像的識(shí)別工作，完善數(shù)據(jù)分析推薦模型，及時(shí)根據(jù)消費(fèi)者多元、動(dòng)態(tài)、不可持續(xù)的需求進(jìn)行數(shù)據(jù)推薦模型的完善和修正，做好消費(fèi)者畫像特征分析工作，保證向消費(fèi)者推送的信息是消費(fèi)者需求的，真真正正地提高消費(fèi)者信息搜索的效率。

2. 模型中的基于消費(fèi)者需求和期望的信息方面

基于消費(fèi)者需求和期望的信息正向影響消費(fèi)者接受企業(yè)大數(shù)據(jù)精準(zhǔn)推薦意愿是因?yàn)榛谙M(fèi)者需求和期望的信息是適當(dāng)?shù)摹?zhǔn)確的、有質(zhì)量的信息。企業(yè)要根據(jù)消費(fèi)者經(jīng)瀏覽、訪問、購買形成的各式大數(shù)據(jù)進(jìn)行細(xì)致分析，洞察消費(fèi)者的顯性需求和潛在需求，做好消費(fèi)者產(chǎn)品喜好、心理接受價(jià)位、產(chǎn)品品牌等信息的預(yù)測(cè)，及時(shí)地以合適的方式，在合適的時(shí)間，將合適的產(chǎn)品信息推送給消費(fèi)者，提高消費(fèi)者和產(chǎn)品的匹配度，提高消費(fèi)者轉(zhuǎn)化率。

3. 模型中在線及時(shí)溝通方面

在線溝通正向影響消費(fèi)者接受企業(yè)大數(shù)據(jù)精準(zhǔn)營銷意愿是因?yàn)樵诰€溝通能縮短消費(fèi)者與企業(yè)人員的溝通距離，在避免向消費(fèi)者單向推銷，令消費(fèi)者反感的同時(shí)，還可以讓消費(fèi)者互相了解購后感受，降低信息不對(duì)稱給消費(fèi)者帶來的負(fù)面影響的概率。

企業(yè)要搭建營銷全過程的消費(fèi)者參與互動(dòng)平臺(tái)。企業(yè)可通過微博、微信與消費(fèi)者進(jìn)行互動(dòng)，也可通過設(shè)置商品評(píng)價(jià)區(qū)、討論區(qū)讓消費(fèi)者留言，在及時(shí)了解消費(fèi)者對(duì)企業(yè)產(chǎn)品或服務(wù)評(píng)價(jià)的同時(shí)，也可為企業(yè)產(chǎn)品或服務(wù)營造良好的口碑。

當(dāng)然，消費(fèi)者對(duì)企業(yè)的產(chǎn)品或服務(wù)不滿意時(shí)，也可通過互動(dòng)平臺(tái)及時(shí)反饋，企業(yè)也可及時(shí)處理，降低不良口碑對(duì)企業(yè)的影響。企業(yè)還可鼓勵(lì)喜歡購后分享、有公眾影響力的消費(fèi)者進(jìn)行分享，以期帶動(dòng)其他消費(fèi)者選擇企業(yè)的產(chǎn)品或服務(wù)。

我利用AI-UTAUT模型所賦能的地鐵新零售企業(yè)旗下的一類是智能販?zhǔn)蹤C(jī)，我建議廠家在機(jī)器上安裝一鍵在線溝通功能，就是為了上述原因。

企業(yè)在開展精準(zhǔn)推薦的過程中，若企業(yè)人員能與消費(fèi)者進(jìn)行溝通，就可將單向促銷轉(zhuǎn)換為“互動(dòng)、雙贏、關(guān)聯(lián)關(guān)系”的溝通，最大化地縮短了企業(yè)和消費(fèi)者間的溝通距離，避免一味地向消費(fèi)者進(jìn)行單向推銷，在無法觸及消費(fèi)者需求點(diǎn)的情況下，使消費(fèi)者產(chǎn)生反感、抵觸的情緒。

當(dāng)然，企業(yè)開展的大數(shù)據(jù)精準(zhǔn)推薦并不是一次性的活動(dòng)，而是一個(gè)循環(huán)往復(fù)的過程，企業(yè)人員在與消費(fèi)者周而復(fù)始的溝通中能不斷地收集消費(fèi)者的信息，對(duì)自身的精準(zhǔn)推薦模型算法不斷調(diào)整和優(yōu)化，進(jìn)而提升消費(fèi)者接受企業(yè)大數(shù)據(jù)精準(zhǔn)推薦的意愿，提升對(duì)企業(yè)產(chǎn)品或服務(wù)的購買意愿。

四、設(shè)計(jì)AI-UTAUT模型時(shí)所研究過的算法模型

算法模型在《AI產(chǎn)品經(jīng)理從懂精準(zhǔn)推薦模型到產(chǎn)品創(chuàng)新》上篇中按AI機(jī)器學(xué)習(xí)風(fēng)格進(jìn)行過分類，者下篇中我們將按功能相似性講解算法模型，這里所講解的模型算法是我在創(chuàng)造AI-UTAUT模型過程中多數(shù)檢驗(yàn)過的。所以在講解算法模型的時(shí)候會(huì)總結(jié)哪些算法模型用在哪個(gè)場(chǎng)景比較多，哪些算法模型是AI產(chǎn)品經(jīng)理經(jīng)常會(huì)遇到的。

由功能的相似性分組的算法模型如下：

機(jī)器學(xué)習(xí)算法通常根據(jù)其功能的相似性進(jìn)行分組。例如，基于樹的方法以及神經(jīng)網(wǎng)絡(luò)的方法。但是，仍有算法可以輕松適應(yīng)多個(gè)類別。如學(xué)習(xí)矢量量化，這是一個(gè)神經(jīng)網(wǎng)絡(luò)方法和基于實(shí)例的方法。

在讀者閱讀本段文字的時(shí)候如果有些屬于不太熟悉，或者有些模型算法聽到的比較少請(qǐng)不用擔(dān)心，一方面可能是這類算法模型以后也很好用，如果需要用到的話，到時(shí)候再針對(duì)性的學(xué)習(xí)這類算法模型也不遲。另外一方面我會(huì)盡量指明這些算法應(yīng)用的場(chǎng)景。

1. 回歸算法

回歸算法涉及對(duì)變量之間的關(guān)系進(jìn)行建模，我們?cè)谑褂媚Ｐ瓦M(jìn)行的預(yù)測(cè)中產(chǎn)生的錯(cuò)誤度量來改進(jìn)。這些方法是數(shù)據(jù)統(tǒng)計(jì)的主力，所以回歸算法又稱為回歸分析。此外，它們也已被選入統(tǒng)計(jì)機(jī)器學(xué)習(xí)。

常用的的回歸算法是：

• 普通最小二乘回歸（OLSR）；
• 線性回歸；
• Logistic回歸；
• 逐步回歸；
• 多元自適應(yīng)回歸樣條（MARS）；
• 局部估計(jì)的散點(diǎn)圖平滑（LOESS）；

用途場(chǎng)景：預(yù)測(cè)未來，預(yù)測(cè)銷量等等。

例子：如下圖：當(dāng)一天中早高峰或者晚高峰的時(shí)候?qū)嶋H上是商場(chǎng)里面的品牌商銷量減少的時(shí)候，這一點(diǎn)可以通過我的AI-UTAUT模型數(shù)據(jù)實(shí)證。

2. 基于實(shí)例的算法

該類算法是解決實(shí)例訓(xùn)練數(shù)據(jù)的決策問題。這些方法構(gòu)建了示例數(shù)據(jù)的數(shù)據(jù)庫，它需要將新數(shù)據(jù)與數(shù)據(jù)庫進(jìn)行比較。為了比較，我們使用相似性度量來找到最佳匹配并進(jìn)行預(yù)測(cè)。出于這個(gè)原因，基于實(shí)例的方法也稱為贏者通吃方法和基于記憶的學(xué)習(xí)，重點(diǎn)放在存儲(chǔ)實(shí)例的表示上。因此，在實(shí)例之間使用相似性度量。

常用的基于實(shí)例的算法是：

• k-最近鄰（kNN）；
• 學(xué)習(xí)矢量量化（LVQ）；
• 自組織特征映射（SOM）；
• 本地加權(quán)學(xué)習(xí)（LWL）；
• 正則化算法；

用途場(chǎng)景：商品上新雙11前夕高達(dá)千萬級(jí)。因?yàn)榈谌絇OP商品上新沒有人工審核環(huán)節(jié)，商會(huì)有意、無意地將商品發(fā)布到錯(cuò)誤類目，更有甚者，部分商家采用批量上新和批量搬家工具，導(dǎo)致大規(guī)模錯(cuò)掛商品的出現(xiàn)，不斷沖擊著商品生態(tài)防線，影響用戶購物體驗(yàn)，并帶來了諸如食品、藥品和成人用品等相關(guān)的一系列監(jiān)管風(fēng)險(xiǎn)。

面對(duì)海量級(jí)的商品數(shù)據(jù)和高達(dá)上千個(gè)類目的商品層級(jí)分類體系，如何才能有效判別商品類目掛靠的正確與否，實(shí)現(xiàn)全方位和高效的監(jiān)控。

在商品類目預(yù)測(cè)這個(gè)問題上，很多電商公司在過去的10年里一直在不斷探索和改進(jìn)，公開資料顯示，電商巨頭eBay先后采用了傳統(tǒng)的規(guī)則和統(tǒng)計(jì)等模型、如KNN、KNN+SLM和DNN幾種方法，準(zhǔn)確率從最初的50%一步步提高到了90%+。

3. 決策樹算法

決策樹方法用于構(gòu)建決策模型，這是基于數(shù)據(jù)屬性的實(shí)際值。決策在樹結(jié)構(gòu)中進(jìn)行分叉，直到對(duì)給定記錄做出預(yù)測(cè)決定。決策樹通?？焖贉?zhǔn)確，這也是機(jī)器學(xué)習(xí)從業(yè)者的最愛的算法。

常用的的決策樹算法是：

• 分類和回歸樹（CART）；
• 迭代Dichotomiser 3（ID3）；
• C4.5和C5.0；
• 卡方自動(dòng)交互檢測(cè)（CHAID）；
• 決策樹樁；
• M5；
• 條件決策樹；

用途場(chǎng)景：有一個(gè)經(jīng)典的案例判斷一個(gè)西瓜是否是好瓜就是典型的決策樹算法模型的應(yīng)用。

例子如下圖：

上圖說明：

有一個(gè)最直觀的解釋，如果你吃的大部分的好瓜紋理都很清晰，那么你肯定首先去判斷面前的瓜紋理是不是清晰，如果不清晰那極有可能不是好瓜。但是還有一個(gè)問題，好瓜大都紋理清晰，但并不是所有紋理清晰的瓜都是好瓜，你需要繼續(xù)根據(jù)其他特征去判斷。

假設(shè)你面前的瓜紋理清晰，那么你回去想你吃過的紋理清晰的好瓜中，還有什么讓你印象深刻的特征？對(duì)了，你想起來根蒂蜷縮的紋理清晰的瓜是大都是好瓜。

上面我們講過了怎么判斷一個(gè)瓜是好瓜。如果讓計(jì)算機(jī)去學(xué)習(xí)如何判斷好瓜，那么我們需要給它很多的樣例。這些樣例數(shù)據(jù)中，有好瓜有壞瓜，每個(gè)樣例都給出了瓜的紋理、根蒂、色澤、觸感、敲聲等等特征。有了樣例數(shù)據(jù)，計(jì)算機(jī)如何得到一個(gè)像人類判斷過程中的那種順序判斷的思路呢？答案就是決策樹。

4. 貝葉斯算法

這些方法適用于貝葉斯定理的問題，如分類和回歸。

常用的貝葉斯算法是：

• 樸素貝葉斯；
• 高斯樸素貝葉斯；
• 多項(xiàng)樸素貝葉斯；
• 平均一依賴估計(jì)量（AODE）；
• 貝葉斯信念網(wǎng)絡(luò)（BBN）；
• 貝葉斯網(wǎng)絡(luò)（BN）；

用途場(chǎng)景：例如判斷網(wǎng)絡(luò)環(huán)境是否異常，使用無監(jiān)督學(xué)習(xí)獲得每個(gè)設(shè)備、每個(gè)人員的網(wǎng)絡(luò)行為模式，結(jié)合行為分析與高等數(shù)學(xué)，運(yùn)用遞歸貝葉斯估計(jì)（Recursive Bayesian Estimation，RBE）理論，提供對(duì)事件的估計(jì)概率并隨著新特征的發(fā)現(xiàn)不斷更新，自動(dòng)判斷網(wǎng)絡(luò)行為是否存在異常。

5. 聚類算法

幾乎所有的聚類算法都涉及使用數(shù)據(jù)中的固有結(jié)構(gòu)，這需要將數(shù)據(jù)最佳地組織成最大共性的組。

常用的聚類算法是：

• K-均值；
• K-平均；
• 期望最大化（EM）；
• 分層聚類；

用途場(chǎng)景：在用機(jī)器做聚類學(xué)習(xí)的時(shí)候，我們每種算法都對(duì)應(yīng)有相應(yīng)的計(jì)算原則，可以把輸入的各種看上去彼此“相近”的向量分在一個(gè)群組中。然后下一步，人們通常更有針對(duì)性地去研究每一組聚在一起的對(duì)象所擁有的共性以及那些遠(yuǎn)離各個(gè)群組的孤立點(diǎn)——這種孤立點(diǎn)研究在刑偵、特殊疾病排查和用戶群體劃分等方面都有應(yīng)用。

6. 關(guān)聯(lián)規(guī)則學(xué)習(xí)算法

關(guān)聯(lián)規(guī)則學(xué)習(xí)方法提取規(guī)則，它可以完美的解釋數(shù)據(jù)中變量之間的關(guān)系。這些規(guī)則可以在大型多維數(shù)據(jù)集中被發(fā)現(xiàn)是非常重要的。

常用的關(guān)聯(lián)規(guī)則學(xué)習(xí)算法是：

• Apriori算法；
• Eclat算法；

用途場(chǎng)景：在《 AI產(chǎn)品經(jīng)理從懂精準(zhǔn)推薦模型到產(chǎn)品創(chuàng)新》上篇中講述比較多，感興趣的讀者可以翻閱。

7. 人工神經(jīng)網(wǎng)絡(luò)算法

這些算法模型大多受到生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的啟發(fā)。它們可以是一類模式匹配，可以被用于回歸和分類問題。它擁有一個(gè)巨大的子領(lǐng)域，因?yàn)樗鼡碛袛?shù)百種算法和變體。

常用的人工神經(jīng)網(wǎng)絡(luò)算法是：

• 感知機(jī)；
• 反向傳播；
• Hopfield神經(jīng)網(wǎng)絡(luò)；
• 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFN）；

用途場(chǎng)景：使用神經(jīng)網(wǎng)絡(luò)算法從用戶的自拍中完成人臉識(shí)別，并自動(dòng)摳出輪廓，并根據(jù)本地算法，將自拍快速轉(zhuǎn)變?yōu)閯?dòng)畫風(fēng)格或其它自定義風(fēng)格的表情包。

8. 深度學(xué)習(xí)算法

深度學(xué)習(xí)算法是人工神經(jīng)網(wǎng)絡(luò)的更新，同時(shí)深度學(xué)習(xí)算法也是機(jī)器學(xué)習(xí)的典型代表算法。他們更關(guān)心構(gòu)建更大更復(fù)雜的神經(jīng)網(wǎng)絡(luò)。

常用的深度學(xué)習(xí)算法是：

• 深玻爾茲曼機(jī)（DBM）；
• 深信仰網(wǎng)絡(luò)（DBN）；
• 卷積神經(jīng)網(wǎng)絡(luò)（CNN）；
• 堆疊式自動(dòng)編碼器；

用途場(chǎng)景：非常多，有醫(yī)療影像識(shí)別、食品配料識(shí)別，人臉識(shí)別等等。

9. 常用機(jī)器學(xué)習(xí)算法列表

樸素貝葉斯分類器機(jī)器學(xué)習(xí)算法

應(yīng)用場(chǎng)景：通常，網(wǎng)頁、文檔和電子郵件進(jìn)行分類將是困難且不可能的。這就是樸素貝葉斯分類器機(jī)器學(xué)習(xí)算法的用武之地。分類器其實(shí)是一個(gè)分配總體元素值的函數(shù)。例如，垃圾郵件過濾是樸素貝葉斯算法的一種流行應(yīng)用。因此，垃圾郵件過濾器是一種分類器，可為所有電子郵件分配標(biāo)簽“垃圾郵件”或“非垃圾郵件”?；旧?，它是按照相似性分組的最流行的學(xué)習(xí)方法之一。這適用于流行的貝葉斯概率定理。

K-means：聚類機(jī)器學(xué)習(xí)算法

通常，K-means是用于聚類分析的無監(jiān)督機(jī)器學(xué)習(xí)算法。此外，K-Means是一種非確定性和迭代方法，該算法通過預(yù)定數(shù)量的簇k對(duì)給定數(shù)據(jù)集進(jìn)行操作。因此，K-Means算法的輸出是具有在簇之間分離的輸入數(shù)據(jù)的k個(gè)簇。

支持向量機(jī)學(xué)習(xí)算法

基本上，它是用于分類或回歸問題的監(jiān)督機(jī)器學(xué)習(xí)算法。SVM從數(shù)據(jù)集學(xué)習(xí)，這樣SVM就可以對(duì)任何新數(shù)據(jù)進(jìn)行分類。此外，它的工作原理是通過查找將數(shù)據(jù)分類到不同的類中。我們用它來將訓(xùn)練數(shù)據(jù)集分成幾類。而且，有許多這樣的線性超平面，SVM試圖最大化各種類之間的距離，這被稱為邊際最大化。SVM分為兩類：線性SVM：在線性SVM中，訓(xùn)練數(shù)據(jù)必須通過超平面分離分類器。非線性SVM：在非線性SVM中，不可能使用超平面分離訓(xùn)練數(shù)據(jù)。

Apriori機(jī)器學(xué)習(xí)算法

這是一種無監(jiān)督的機(jī)器學(xué)習(xí)算法。我們用來從給定的數(shù)據(jù)集生成關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則意味著如果發(fā)生項(xiàng)目A，則項(xiàng)目B也以一定概率發(fā)生，生成的大多數(shù)關(guān)聯(lián)規(guī)則都是IF_THEN格式。

應(yīng)用場(chǎng)景：例如，如果人們購買iPad，那么他們也會(huì)購買iPad保護(hù)套來保護(hù)它。Apriori機(jī)器學(xué)習(xí)算法工作的基本原理：如果項(xiàng)目集頻繁出現(xiàn)，則項(xiàng)目集的所有子集也經(jīng)常出現(xiàn)。

線性回歸機(jī)器學(xué)習(xí)算法

它顯示了2個(gè)變量之間的關(guān)系，它顯示了一個(gè)變量的變化如何影響另一個(gè)變量。

決策樹機(jī)器學(xué)習(xí)算法

決策樹是圖形表示，它利用分支方法來舉例說明決策的所有可能結(jié)果。在決策樹中，內(nèi)部節(jié)點(diǎn)表示對(duì)屬性的測(cè)試。因?yàn)闃涞拿總€(gè)分支代表測(cè)試的結(jié)果，并且葉節(jié)點(diǎn)表示特定的類標(biāo)簽，即在計(jì)算所有屬性后做出的決定。此外，我們必須通過從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的路徑來表示分類。

隨機(jī)森林機(jī)器學(xué)習(xí)算法

它是首選的機(jī)器學(xué)習(xí)算法。我們使用套袋方法創(chuàng)建一堆具有隨機(jī)數(shù)據(jù)子集的決策樹。我們必須在數(shù)據(jù)集的隨機(jī)樣本上多次訓(xùn)練模型，因?yàn)槲覀冃枰獜碾S機(jī)森林算法中獲得良好的預(yù)測(cè)性能。此外，在這種集成學(xué)習(xí)方法中，我們必須組合所有決策樹的輸出，做出最后的預(yù)測(cè)。此外，我們通過輪詢每個(gè)決策樹的結(jié)果來推導(dǎo)出最終預(yù)測(cè)。

Logistic回歸機(jī)器學(xué)習(xí)算法

這個(gè)算法的名稱可能有點(diǎn)令人困惑，Logistic回歸算法用于分類任務(wù)而不是回歸問題。此外，這里的名稱“回歸”意味著線性模型適合于特征空間。該算法將邏輯函數(shù)應(yīng)用于特征的線性組合，這需要預(yù)測(cè)分類因變量的結(jié)果。

小結(jié)：

我搭建的AI-UTAUT精準(zhǔn)推薦模型有Apriori算法、神經(jīng)網(wǎng)絡(luò)算法、回歸算法、聚類算法、貝葉斯算法，預(yù)測(cè)銷量的有回歸算法，可以直接調(diào)用的有外面成熟的人臉識(shí)別算法、語音識(shí)別算法等。

產(chǎn)品經(jīng)理日常工作中最常用的算法是：Apriori算法、聚類模型、決策模型、貝葉斯算法、關(guān)聯(lián)規(guī)則算法和深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等。

五、AI產(chǎn)品經(jīng)理入門標(biāo)準(zhǔn)和入門類型

AI產(chǎn)品經(jīng)理入門前提條件主要是基于有哪些類別的企業(yè)，時(shí)下和未來的一段時(shí)間AI企業(yè)主要有：

• 第一類是純粹的AI技術(shù)企業(yè)，
• 第二類是+AI的企業(yè)，
• 第三類是綜合型企業(yè)AI作為助推器型的企業(yè)。

AI產(chǎn)品經(jīng)理在第一類企業(yè)里面做AI產(chǎn)品經(jīng)理如果產(chǎn)品是AI算法本身，即例如你要輸出的產(chǎn)品是人臉識(shí)別系統(tǒng)，這個(gè)時(shí)候需要AI產(chǎn)品經(jīng)理對(duì)算法懂的要深刻一些，建議加入此類企業(yè)的產(chǎn)品朋友可以針對(duì)性的補(bǔ)充算法知識(shí)。

如果在這類企業(yè)里面從事的是AI+的工作，那么主要的重點(diǎn)可以放在為這類AI系統(tǒng)找到適合的應(yīng)用場(chǎng)景，并占領(lǐng)市場(chǎng)先機(jī)，先研發(fā)出來可以落地的產(chǎn)品。

AI產(chǎn)品經(jīng)理在第二類企業(yè)里面更多的是基于行業(yè)經(jīng)驗(yàn)，看到行業(yè)內(nèi)部可以被AI取代或者提升效率的點(diǎn)，+上AI。為行業(yè)賦能。

第三類綜合性企業(yè)主要是BAT/TMD等大型科技網(wǎng)絡(luò)公司，也包含中國平安、招行銀行等國營企事業(yè)單位。這類企業(yè)往往既有自己的核心算法，同時(shí)有希望旗下細(xì)分業(yè)務(wù)+上AI。

建議加入此類公司或者單位的AI產(chǎn)品經(jīng)理可以從數(shù)據(jù)型AI產(chǎn)品經(jīng)理做起，因?yàn)槲覀兌贾繟I包含數(shù)據(jù)、算法、算力，而大型企業(yè)核心需求是打通數(shù)據(jù)豎井，將歷史上累計(jì)的大數(shù)據(jù)用好，用AI技術(shù)得到更好的運(yùn)用，所以AI產(chǎn)品經(jīng)理可以適當(dāng)補(bǔ)充數(shù)據(jù)分析方面的知識(shí)。

本文全篇命名為 AI產(chǎn)品經(jīng)理從懂精準(zhǔn)推薦模型到產(chǎn)品創(chuàng)新，共計(jì)分上篇和下篇。

通篇以精準(zhǔn)推薦這一產(chǎn)品經(jīng)理經(jīng)常面臨的需求為例，來講解AI產(chǎn)品經(jīng)理入門需要懂得的算法模型知識(shí)點(diǎn)，并提出AI產(chǎn)品經(jīng)理入門的標(biāo)準(zhǔn)和AI企業(yè)類型。

通過劃分門類后建議AI產(chǎn)品經(jīng)理針對(duì)性的補(bǔ)充自己的算法或者數(shù)據(jù)方面的知識(shí)。

如果你想系統(tǒng)化入門AI產(chǎn)品經(jīng)理，掌握AI產(chǎn)品經(jīng)理的落地工作方法，戳這里>http://996.pm/7bjab

#專欄作家#

連詩路，公眾號(hào)：LineLian。人人都是產(chǎn)品經(jīng)理專欄作家，《產(chǎn)品進(jìn)化論：AI+時(shí)代產(chǎn)品經(jīng)理的思維方法》一書作者，前阿里產(chǎn)品專家，希望與創(chuàng)業(yè)者多多交流。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議