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

本篇從4點(diǎn)區(qū)別，產(chǎn)品目標(biāo)的區(qū)別、產(chǎn)品實(shí)戰(zhàn)過(guò)程的區(qū)別、算法模型實(shí)戰(zhàn)區(qū)別、產(chǎn)品經(jīng)理駕馭難易程度區(qū)別，和1點(diǎn)聯(lián)系的實(shí)戰(zhàn)多案例鑒別AI產(chǎn)品經(jīng)理與數(shù)據(jù)產(chǎn)品經(jīng)理的區(qū)別與聯(lián)系，并通過(guò)多個(gè)實(shí)戰(zhàn)案例掌握數(shù)據(jù)產(chǎn)品經(jīng)理和AI產(chǎn)品經(jīng)理各自的技能。

人工智能快速滲入到各個(gè)行業(yè)，AI 產(chǎn)品經(jīng)理缺口高達(dá) 6.8 萬(wàn)，成為稀缺人才?！窤I 產(chǎn)品經(jīng)理」項(xiàng)目面向想要通過(guò)AI 技術(shù)推動(dòng)業(yè)務(wù)發(fā)展的產(chǎn)品經(jīng)理以及商業(yè)領(lǐng)導(dǎo)者。

將介紹如何創(chuàng)建能帶來(lái)商業(yè)價(jià)值的 AI 產(chǎn)品，學(xué)習(xí) AI 產(chǎn)品開(kāi)發(fā)流程。你將跟LineLian學(xué)習(xí)案例研究、創(chuàng)建數(shù)據(jù)集，并構(gòu)建AI模型，熟練掌握各種 AI 概念和實(shí)用技能并能夠構(gòu)思、開(kāi)發(fā)、評(píng)估和實(shí)施基于人工智能技術(shù)的新產(chǎn)品。

而數(shù)據(jù)產(chǎn)品經(jīng)理也是時(shí)下的熱門(mén)崗位。

兩者關(guān)系是，AI產(chǎn)品經(jīng)理以數(shù)據(jù)為基礎(chǔ)，數(shù)據(jù)產(chǎn)品經(jīng)理發(fā)展的晉級(jí)階段是AI產(chǎn)品經(jīng)理。

第一點(diǎn)區(qū)別：產(chǎn)品目標(biāo)不同

有時(shí)候產(chǎn)品經(jīng)理不得不拍著胸脯提需求，常常會(huì)遭遇多方的質(zhì)疑，這個(gè)需求靠譜嗎？有時(shí)候產(chǎn)品上線后大家感覺(jué)應(yīng)該一片歡喜，但是公司卻沒(méi)有帶來(lái)很好的商業(yè)增長(zhǎng)；

當(dāng)增長(zhǎng)遇瓶頸；當(dāng)產(chǎn)品不能精準(zhǔn)的推薦給用戶；當(dāng)生產(chǎn)效率變低；當(dāng)產(chǎn)品經(jīng)理不能預(yù)測(cè)新的產(chǎn)品需求和新的服務(wù)需求；當(dāng)人力成本變高，當(dāng)有些固定流程的工作可以被機(jī)器人代替；

前類(lèi)主要是數(shù)據(jù)產(chǎn)品經(jīng)理要解決的問(wèn)題，通過(guò)數(shù)據(jù)來(lái)驗(yàn)證產(chǎn)品提出的產(chǎn)品需求的正確性，通過(guò)上線后的數(shù)據(jù)來(lái)發(fā)現(xiàn)產(chǎn)品需要迭代改進(jìn)甚至創(chuàng)新的點(diǎn)，通過(guò)數(shù)據(jù)分析，數(shù)據(jù)挖掘發(fā)現(xiàn)原本發(fā)現(xiàn)不了的產(chǎn)品問(wèn)題，改進(jìn)問(wèn)題。

后類(lèi)主要是AI產(chǎn)品經(jīng)理的產(chǎn)品目標(biāo)，AI一方面能幫人節(jié)省時(shí)間，另外能預(yù)測(cè)原本發(fā)現(xiàn)不了的產(chǎn)品和服務(wù)需求，還有AI能夠解決不確定性的產(chǎn)品服務(wù)需求。

數(shù)據(jù)產(chǎn)品經(jīng)理的產(chǎn)品目標(biāo)是用數(shù)據(jù)確認(rèn)確定性的需求；AI產(chǎn)品經(jīng)理的產(chǎn)品目標(biāo)是創(chuàng)造性的解決不確定性的產(chǎn)品需求。

第二點(diǎn)區(qū)別：產(chǎn)品實(shí)戰(zhàn)過(guò)程不同

先講數(shù)據(jù)產(chǎn)品經(jīng)理的產(chǎn)品過(guò)程，再看AI產(chǎn)品經(jīng)理的產(chǎn)品過(guò)程。

數(shù)據(jù)產(chǎn)品經(jīng)理的數(shù)據(jù)分析的步驟一般可以分為如下6個(gè)步驟：

1. 明確分析的目的
2. 數(shù)據(jù)準(zhǔn)備
3. 數(shù)據(jù)清洗
4. 數(shù)據(jù)分析
5. 數(shù)據(jù)可視化
6. 分析報(bào)告

數(shù)據(jù)產(chǎn)品經(jīng)理案例：朝陽(yáng)醫(yī)院醫(yī)藥銷(xiāo)售情況數(shù)據(jù)分析經(jīng)典案例拆解

1. 分析目的

通過(guò)對(duì)朝陽(yáng)區(qū)醫(yī)院的藥品銷(xiāo)售數(shù)據(jù)的分析，了解朝陽(yáng)醫(yī)院的患者的月均消費(fèi)次數(shù)，月均消費(fèi)金額、客單價(jià)以及消費(fèi)趨勢(shì)、需求量前幾位的藥品等。

2. 數(shù)據(jù)導(dǎo)入

從筆者LineLian本地讀取數(shù)據(jù)，如果需要數(shù)據(jù)分析進(jìn)一步的可以點(diǎn)擊文章最后的鏈接。

3. 數(shù)據(jù)清洗

數(shù)據(jù)清洗包含，行缺失值、列缺失值、異常值如不該出現(xiàn)負(fù)值出現(xiàn)了負(fù)值，不該過(guò)大不該過(guò)小等異常值的清洗、數(shù)據(jù)列名的修改變更、數(shù)據(jù)類(lèi)型的轉(zhuǎn)換、數(shù)據(jù)重新抽取排序等等清洗。

4. 數(shù)據(jù)分析

數(shù)據(jù)產(chǎn)品經(jīng)理的數(shù)據(jù)分析主要是數(shù)據(jù)對(duì)應(yīng)的業(yè)務(wù)分析，數(shù)據(jù)場(chǎng)景分析，常由數(shù)據(jù)產(chǎn)經(jīng)理提出產(chǎn)品分析方案，例如本案例中，月均消費(fèi)次數(shù)的業(yè)務(wù)定義計(jì)算方式是：月均消費(fèi)次數(shù) = 總消費(fèi)次數(shù) / 月份數(shù)；

月均消費(fèi)金額的業(yè)務(wù)定義計(jì)算方式是：月均消費(fèi)金額 = 總消費(fèi)金額 / 月份數(shù)；客單價(jià)業(yè)務(wù)定義計(jì)算方式是：客單價(jià) = 總消費(fèi)金額 / 總消費(fèi)次數(shù)。等等

5. 數(shù)據(jù)可視化

對(duì)于擅長(zhǎng)形象思維的同學(xué)來(lái)說(shuō)，文不如圖，圖不如視頻，數(shù)據(jù)可視化就是講數(shù)據(jù)分析的文變成形象的圖或者變成可視化直觀化的結(jié)構(gòu)呈現(xiàn)的更直接明了。

例如本案例中藥品銷(xiāo)售前十的情況如下圖：

6. 產(chǎn)品數(shù)據(jù)分析報(bào)告

產(chǎn)品數(shù)據(jù)分析報(bào)告無(wú)固定的形式，根據(jù)筆者的經(jīng)驗(yàn)有的專(zhuān)家直接帶著一張嘴也行，有的寫(xiě)成PPT，有的用Word文檔，有的則是PDF，有的是個(gè)其他的文檔或者圖片。

AI產(chǎn)品經(jīng)理案例：

AI產(chǎn)品內(nèi)容領(lǐng)域增長(zhǎng)方向更加明顯，根據(jù)筆者LineLian實(shí)際工作發(fā)現(xiàn)有以下幾個(gè)產(chǎn)品實(shí)戰(zhàn)過(guò)程方案。

1. 神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)以軟件為主的產(chǎn)品；
2. 機(jī)器人、芯片、智能硬件、軟硬件協(xié)同類(lèi)的產(chǎn)品；
3. 具有行業(yè)經(jīng)驗(yàn)以場(chǎng)景驅(qū)動(dòng)尋找AI賦能；
4. 以AI算法創(chuàng)新為主。

本篇先講以神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)軟件為主的產(chǎn)品方案解決過(guò)程。

AI產(chǎn)品經(jīng)理案例：訓(xùn)練神經(jīng)網(wǎng)絡(luò)經(jīng)典案例拆解

1. 選定一個(gè)基礎(chǔ)模型
2. 設(shè)定初始化參數(shù)代入模型
3. 用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練
4. 通過(guò)一些數(shù)量指標(biāo)，評(píng)估訓(xùn)練誤差
5. 如果訓(xùn)練誤差不滿足要求，繼續(xù)調(diào)整參數(shù)
6. 重復(fù)7–8次
7. 采集新的數(shù)據(jù)，生成新的數(shù)據(jù)集。

（1）選定一個(gè)基礎(chǔ)模型

本篇選擇sklearn.neural作為基礎(chǔ)訓(xùn)練模型框架。如下圖

（2）設(shè)定初始化參數(shù)代入模型

設(shè)置神經(jīng)網(wǎng)絡(luò)模型參數(shù)，隱藏層坐標(biāo)大小(50,50)。

（3）訓(xùn)練出模型，用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練

導(dǎo)入數(shù)據(jù)，需要如下圖中數(shù)據(jù)集的同學(xué)請(qǐng)觀看筆者的微信公眾號(hào)LineLian數(shù)智產(chǎn)品窗口。

一次訓(xùn)練模型，采用訓(xùn)練集數(shù)據(jù)訓(xùn)練MLP分類(lèi)器模型

一次查看模型訓(xùn)練結(jié)果

將一次訓(xùn)練的模型保存

（4）通過(guò)一些數(shù)量指標(biāo)，評(píng)估訓(xùn)練誤差

通過(guò)準(zhǔn)確率數(shù)據(jù)、通過(guò)繪制誤差曲線等等評(píng)估模型訓(xùn)練效率。

（5）如果訓(xùn)練誤差不滿足要求，繼續(xù)調(diào)整參數(shù)

重新優(yōu)化節(jié)點(diǎn)數(shù)等參數(shù)，再次訓(xùn)練模型

（6）重復(fù)7–8

重新調(diào)整，坐標(biāo)、節(jié)點(diǎn)、訓(xùn)練次數(shù)等參數(shù)、超參數(shù)，重復(fù)訓(xùn)練模型，最終選擇優(yōu)秀的模型備用。

（7）選擇新的數(shù)據(jù)，生成新的數(shù)據(jù)集

本篇使用的是著名的MINST數(shù)據(jù)集，如果需要請(qǐng)關(guān)注筆者的微信公眾號(hào)LineLian數(shù)智產(chǎn)品窗口。

針對(duì)這個(gè)圖像數(shù)據(jù)集存在的問(wèn)題比較明顯，1.訓(xùn)練的數(shù)據(jù)數(shù)量；2.數(shù)據(jù)標(biāo)注的質(zhì)量；鑒于此，可以使用自己的自有Label數(shù)據(jù)集重新訓(xùn)練新的模型。

第三點(diǎn)區(qū)別：算法模型不同

數(shù)據(jù)產(chǎn)品經(jīng)理常用的算法如下：

對(duì)于數(shù)據(jù)分析所采用的的算法非常多，主要是解決驗(yàn)證性和確定性問(wèn)題的算法，例如：回歸、三次多項(xiàng)式等等算法均可以屬于數(shù)據(jù)產(chǎn)品經(jīng)理采用的數(shù)據(jù)分析算法。

1. RFM算法模型

RFM模型想必很多搞數(shù)據(jù)做產(chǎn)品運(yùn)營(yíng)的同學(xué)都聽(tīng)說(shuō)過(guò)，最常用在用戶分層管理中。而且很多提到RFM模型都會(huì)動(dòng)不動(dòng)就祭出。

RFM模型是衡量客戶價(jià)值和客戶創(chuàng)利能力的重要工具和手段。

2. CART: 分類(lèi)與回歸樹(shù)

CART, Classification and Regression Trees。

在分類(lèi)樹(shù)下面有兩個(gè)關(guān)鍵的思想：第一個(gè) 是關(guān)于遞歸地劃分自變量空間的想法；第二個(gè)想法是用驗(yàn)證數(shù)據(jù)進(jìn)行剪枝。

3. K-Means算法

k-means algorithm算法是一個(gè)聚類(lèi)算法，把n的對(duì)象根據(jù)他們的屬性分為k個(gè)分割(k < n)。

它與處理混合正態(tài)分布的最大期望算法(本十大算法第五條)很相似，因?yàn)樗麄兌荚噲D找到數(shù)據(jù)中自然聚類(lèi)的中心。

它假設(shè)對(duì)象屬性來(lái)自于空間向量，并且目標(biāo)是使各個(gè)群組內(nèi)部的均方誤差總和最小。

4. 關(guān)聯(lián)規(guī)則Apriori算法

Apriori算法是一種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法。其核心是基于兩階段頻集思想的遞推算法。該關(guān)聯(lián)規(guī)則在分類(lèi)上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則。在這里，所有支持度大于最小支持度的項(xiàng)集稱(chēng)為頻繁項(xiàng)集，簡(jiǎn)稱(chēng)頻集。

5. SVM支持向量機(jī)

支持向量機(jī)，英文為Support Vector Machine，簡(jiǎn)稱(chēng)SV機(jī)（論文中一般簡(jiǎn)稱(chēng)SVM）。

它是一種監(jiān)督式學(xué)習(xí)的方法，它廣泛的應(yīng)用于統(tǒng)計(jì)分類(lèi)以及回歸分析中。支持向量機(jī)將向量映射到一個(gè)更高維的空間里，在這個(gè)空間里建立有一個(gè)最大間隔超平面。在分開(kāi)數(shù)據(jù)的超平面的兩邊建有兩個(gè)互相平行的超平面，分隔超平面使兩個(gè)平行超平面的距離最大化。假定平行超平面間的距離或差距越大，分類(lèi)器的總誤差越小。一個(gè)極好的指南是C.J.C Burges的《模式識(shí)別支持向量機(jī)指南》。van der Walt 和 Barnard 將支持向量機(jī)和其他分類(lèi)器進(jìn)行了比較。

6. 最大期望(EM)算法

在統(tǒng)計(jì)計(jì)算中，最大期望 （EM，Expectation–Maximization）算法是在概率（probabilistic）模型中尋找參數(shù)最大似然估計(jì)的算法，其中概率模型依賴于無(wú)法觀測(cè)的隱藏變量（Latent Variabl）。最大期望經(jīng)常用在機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)數(shù)據(jù)集聚（Data Clustering）領(lǐng)域。

7. PageRank算法

PageRank是Google算法的重要內(nèi)容。2001年9月被授予美國(guó)專(zhuān)利，專(zhuān)利人是Google創(chuàng)始人之一拉里?佩奇（Larry Page）。因此，PageRank里的page不是指網(wǎng)頁(yè)，而是指佩奇，即這個(gè)等級(jí)方法是以佩奇來(lái)命名的。PageRank根據(jù)網(wǎng)站的外部鏈接和內(nèi)部鏈接的數(shù)量和質(zhì)量，衡量網(wǎng)站的價(jià)值。

PageRank背后的概念是，每個(gè)到頁(yè)面的鏈接都是對(duì)該頁(yè)面的一次投票，被鏈接的越多，就意味著被其他網(wǎng)站投票越多。這個(gè)就是所謂的“鏈接流行度”——衡量多少人愿意將他們的網(wǎng)站和你的網(wǎng)站掛鉤。PageRank這個(gè)概念引自學(xué)術(shù)中一篇論文的被引述的頻度——即被別人引述的次數(shù)越多，一般判斷這篇論文的權(quán)威性就越高。

8. AdaBoost 迭代算法

Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類(lèi)器(弱分類(lèi)器)，然后把這些弱分類(lèi)器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類(lèi)器(強(qiáng)分類(lèi)器)。

其算法本身是通過(guò)改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類(lèi)是否正確，以及上次的總體分類(lèi)的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。

9. 其他數(shù)據(jù)分析算法模型

AI產(chǎn)品經(jīng)理常用的算法如下：

（1）神經(jīng)網(wǎng)絡(luò)算法模型

起步神經(jīng)網(wǎng)絡(luò)算法( Neural Network )是機(jī)器學(xué)習(xí)中非常非常重要的算法。這是整個(gè)深度學(xué)習(xí)的核心算法，深度學(xué)習(xí)就是根據(jù)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行的一個(gè)應(yīng)用特例。某種程度上來(lái)說(shuō)AI產(chǎn)品的入門(mén)在于對(duì)神經(jīng)網(wǎng)絡(luò)算法的理解和應(yīng)用。

（2）機(jī)器學(xué)習(xí)算法模型 Maching learning

機(jī)器學(xué)習(xí)的對(duì)象是：具有一定的統(tǒng)計(jì)規(guī)律的數(shù)據(jù)。

機(jī)器學(xué)習(xí)根據(jù)任務(wù)類(lèi)型，可以劃分為：

• 監(jiān)督學(xué)習(xí)任務(wù)：從已標(biāo)記的訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練模型。主要分為：分類(lèi)任務(wù)、回歸任務(wù)、序列標(biāo)注任務(wù)。
• 無(wú)監(jiān)督學(xué)習(xí)任務(wù)：從未標(biāo)記的訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練模型。主要分為：聚類(lèi)任務(wù)、降維任務(wù)。
• 半監(jiān)督學(xué)習(xí)任務(wù)：用大量的未標(biāo)記訓(xùn)練數(shù)據(jù)和少量的已標(biāo)記數(shù)據(jù)來(lái)訓(xùn)練模型。
• 強(qiáng)化學(xué)習(xí)任務(wù)：從系統(tǒng)與環(huán)境的大量交互知識(shí)中訓(xùn)練模型。

機(jī)器學(xué)習(xí)根據(jù)算法類(lèi)型，可以劃分為：

• 傳統(tǒng)統(tǒng)計(jì)數(shù)據(jù)學(xué)習(xí)：基于數(shù)學(xué)模型的機(jī)器學(xué)習(xí)方法。包括SVM、邏輯回歸、決策樹(shù)等。

這一類(lèi)算法基于嚴(yán)格的數(shù)學(xué)推理，具有可解釋性強(qiáng)、運(yùn)行速度快、可應(yīng)用于小規(guī)模數(shù)據(jù)集的特點(diǎn)。

（3）深度學(xué)習(xí)DeepLearning

深度學(xué)習(xí)：基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法。包括前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等。

這一類(lèi)算法基于神經(jīng)網(wǎng)絡(luò)，可解釋性較差，強(qiáng)烈依賴于數(shù)據(jù)集規(guī)模。但是這類(lèi)算法在語(yǔ)音、視覺(jué)、自然語(yǔ)言等領(lǐng)域非常成功。

沒(méi)有免費(fèi)的午餐定理(No Free Lunch Theorem:NFL)：對(duì)于一個(gè)學(xué)習(xí)算法A，如果在某些問(wèn)題上它比算法B好，那么必然存在另一些問(wèn)題，在那些問(wèn)題中B比A更好。

（4）CNN

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周?chē)鷨卧?，?duì)于大型圖像處理有出色表現(xiàn)。

（5）RNN

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network：RNN）是神經(jīng)網(wǎng)絡(luò)的一種。單純的RNN因?yàn)闊o(wú)法處理隨著遞歸，權(quán)重指數(shù)級(jí)爆炸或梯度消失問(wèn)題，難以捕捉長(zhǎng)期時(shí)間關(guān)聯(lián)；而結(jié)合不同的LSTM可以很好解決這個(gè)問(wèn)題。

時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)可以描述動(dòng)態(tài)時(shí)間行為，因?yàn)楹颓梆伾窠?jīng)網(wǎng)絡(luò)（feedforward neural network）接受較特定結(jié)構(gòu)的輸入不同，RNN將狀態(tài)在自身網(wǎng)絡(luò)中循環(huán)傳遞，因此可以接受更廣泛的時(shí)間序列結(jié)構(gòu)輸入。手寫(xiě)識(shí)別是最早成功利用RNN的研究結(jié)果。

（6）GNN

圖神經(jīng)網(wǎng)絡(luò)，圖神經(jīng)網(wǎng)絡(luò)劃分為五大類(lèi)別，分別是：圖卷積網(wǎng)絡(luò)（Graph Convolution Networks，GCN）、 圖注意力網(wǎng)絡(luò)（Graph Attention Networks）、圖自編碼器（ Graph Autoencoders）、圖生成網(wǎng)絡(luò)（ Graph Generative Networks） 和圖時(shí)空網(wǎng)絡(luò)（Graph Spatial-temporal Networks）。

（7）其他神經(jīng)網(wǎng)絡(luò)。

第四點(diǎn)區(qū)別：產(chǎn)品經(jīng)理駕馭難度不同

產(chǎn)品經(jīng)理駕馭產(chǎn)品的難易程度參考下圖：

第五點(diǎn)聯(lián)系：最后AI產(chǎn)品經(jīng)理與數(shù)據(jù)產(chǎn)品經(jīng)理既有區(qū)別也有聯(lián)系

聯(lián)系是：數(shù)據(jù)產(chǎn)品經(jīng)理常用的元素?cái)?shù)據(jù)是AI產(chǎn)品經(jīng)理常用的元素?cái)?shù)據(jù)+算法+算力三元素之一。

做好數(shù)據(jù)產(chǎn)品經(jīng)理是為了今天的飯碗，做好AI產(chǎn)品經(jīng)理是為了明天的希望。兩者都很重要。

總之AI產(chǎn)品經(jīng)理和數(shù)據(jù)產(chǎn)品經(jīng)理是唇齒相依的關(guān)系！

#專(zhuān)欄作家#

連詩(shī)路，公眾號(hào)：LineLian。人人都是產(chǎn)品經(jīng)理專(zhuān)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(shū)作者，前阿里產(chǎn)品專(zhuān)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(lái)自Unsplash, 基于CC0協(xié)議