起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識新技術，新挑戰，新能力：金融＋AI 的產品實踐
11月中旬，由人人都是產品經理與騰訊大講堂聯合主辦的2017中國產品經理大會在北京北苑大酒店完美落幕。京東金融風險管理部產品總監孟繁星老師從提問引入：你的業務中哪些環節可以利用人工智能？為大家分享《新技術，新挑戰，新能力：金融＋AI 的產品實踐》，從現有的問題和挑戰著手，以風控技術的實踐為例，帶領大家展望未來，拆解未來產品經理需要的業務知識、崗位職責和能力模型。
分享嘉賓：京東金融風險管理部產品總監 孟繁星
以下內容為嘉賓分享實錄，由人人都是產品經理社區筆記組成員@張婷 匯總整理，部分內容有修改，嘉賓已確認：
今天和大家聊一聊AI+金融，我從業務產品經理的角度跟大家討論新的技術——尤其是人工智能和大數據等新技術，對我們的業務、產品和產品經理的工作會有哪些新的影響和沖擊。
前幾周準備材料的時候，我和一位做AI的朋友討論。我問他最近在關注什么領域，研究什么課題，朋友說最近在研究倫理學。我當時很驚訝：產品經理什么時候變得這么高大上了？我們在寫項目周報、寫PRD的時候，別人都在開始研究倫理學了？
我的朋友回答說：其實并不是真的高大上，這些都是AI的實際工作中會面臨的問題。這些問題解決不好，產品就做不好，運營工作就沒法開展。
這是他在關注的幾個問題：
我朋友做的事情是：利用人工智能進入司法領域。就是基于人工智能、自然語言處理等技術幫助律師、法官處理大量的法律文案，甚至可以基于一些歷史案件、案例提出審判的法律依據。
基于這些工作，他關注的三個問題：
No.1 如果由機器代替人來決策，那損益和權責該如何承擔？
你用了AI的算法，有收益了固然好；但是出現損失了，責任誰來承擔？
類似的案例已經出現，最典型、也是影響力最大的是特斯拉的自動駕駛技術出的問題：一名消費者開著特斯拉的汽車，出了車禍死亡。
當時這個事件爭議非常大，這個事故是駕駛員的責任還是車或者自動駕駛技術的責任？進一步衍生的問題是：保險公司該怎么去理賠？這個責任歸屬權是誰？——這些都是很實際的問題。
No. 2 算法怎么去保證公平和公正？
大家可能會說：機器是最公正最公平的。
但是別忘了，開發這些機器和算法的也是“人”。
No. 3 我的用戶群會更聰明，還是會變成傻瓜？
無論是剛才提到的律師、法官，還是其他用戶，他們在用人工智能工具的時候，自己本身的工作能力會有什么樣的改變？是會擁有更強的工作能力，還是會變得更依賴機器，我怎么基于這種改變去運營我的用戶？
由此可見，新技術的應用不僅會改變我們的行業，也會對我們實際工作帶來很大的影響。這也是今天我想跟大家分享討論的一個主要的話題。
今天想跟大家主要聊三個方面：
- 回顧新技術以及對產品經理帶來的新挑戰；
- 結合個人的實踐經驗，講一講自己的理解；
- 暢想未來。
一、新技術，新問題，新挑戰
講幾個金融行業被新技術改變的案例：
這是瑞銀集團的證券交易大廳，上面坐的都是證券交易員，左邊這個圖是2008年的照片，右邊這個圖是2016年的，可以看到證券交易的席位大幅減少。
這張圖經常被媒體用來解釋新技術的應用：程序自動化交易、在線交易、人工智能等技術，會大幅減少證券分析師、交易員的工作——甚至會提出“機器取代人類工作”這一命題，但深究起來，并不一定是這樣。
大家可以關注一下照片拍攝的時間：一個是2008年，一個是2016年，中間隔了一個金融危機。
其實清空整個交易大廳的并不全是新技術，也包括金融危機對整個金融行業的沖擊，以及瑞銀集團自身業務的一些問題。所以，我們不能孤立地去看待一個新技術，而是要把它放在整個大的產業背景中，結合整個產業和公司的業務情況來看，而不是片面強調某一個新技術的作用。
第二個例子也很有意思：
10月份，美國推出據稱是全球第一個由人工智能驅動的股票投資基金——AI Powered ETF。新聞剛出來的時候，媒體又掀起了一次狂潮，標題都是拿這個基金跟Alpha Go來對比，儼然就是“終結者要降臨金融行業了，全球金融從業者要失業了”。
如果我們追蹤看一下這只基金的表現：從10月18號基金開放以來（黑色的線是基金的回報，上面兩根紅色的線分別是納斯達克和標普指數），AI Powered ETF基金的回報率顯著低于市場預期，低于市場大盤。大概兩周的時間就已經虧損了超過2%，這該怎么理解呢？
對此，我的理解有兩點：
- 要給新技術一個時間周期，不是說它一推出就能夠很成熟；
- 莫被浮云遮望眼，并不是這些新技術都是萬靈藥。
第三個例子和我最近的研究比較相關：
iPhone X加強了基于3D的人臉識別技術，而現在安全行業，除了人臉識別，還有很多新的、比較成熟的身份認證和安全識別的技術，比如：
- 聲紋識別——通過說話時聲音的特征來識別是否是本人；
- 眼紋識別——通過視網膜上微血管的分布來識別個人身份特征。
- 還有最近一個新的研究領域：通過用戶使用手機的動作習慣，比如說我點擊習慣、劃動習慣，拿手機的一些運動信息等來識別是否是本人在操作手機。
據我們現在的研究：操作一個滑塊，輸入一個驗證碼或者是手勢密碼——這么一個動作，大概可以分解出幾十個到一百個特征指標。舉手滑動的加速度、觸點的位置大小等等，每個人的特征指標都是不一樣的；通過這些特征指標建模，精準地識別你是否是本人在操作手機。
這些技術都比較成熟了，而且已經有一些應用。
有一位銀行業的朋友提出了一個很有意思的問題：原來銀行都是通過U盾、賬號密碼這些來做安全防范，如果不幸U盾丟失了，賬號密碼泄露了，用戶可以申請掛失改密碼或者改賬號——這都OK。
但是未來，我通過人臉識別、眼紋識別來防范；但是假如我這些生物特征信息丟失了：臉部或視網膜特征被不法分子拍照——這怎么辦？我能把我臉掛失嗎？還是說把我眼睛掛失——這就不現實了。
所以可以看到：新技術的不斷成熟，會對我們整個業務、商業模式以及相應的業務鏈條帶來很大的影響。
產品經理在考慮這些問題的時候，就不光要從技術和產品本身出發。
我之前做過一些調研，問過一些做產品的小伙伴，他們對新技術（包括AI等）會關注哪些問題。比如新技術是否會影響我的行業，用戶是否會為這些技術買單？投入很大資源去開發技術是否能帶來回報？我如何去獲取大量的數據去支持我的AI或者算法的研發，以及尤其像產品經理很關心的：在這種場景下，如何去跟算法團隊還有數據團隊配合，后面也會結合我自己的一些經驗來跟大家探討這些問題。
今天大會的主題是：解碼未來產品經理。按我的理解，這個問題可以分解成三個部分——
- 未來的趨勢和機會是什么？
- 新技術和應用會如何改變我們產品形態？
- 在這種場景下，我們產品經理的職責、能力以及產品研發的模式有哪些變化。
這些問題我也沒有答案，而且我預計也不會有標準答案，希望能夠促進大家去思考和討論，在業務實踐中發掘出自己的答案。
下面結合我在近期的一些研究，來跟大家探討：
二、金融行業+AI 的版圖
近幾年金融科技行業發展很快，監管層也在更多利用數據和智能技術；金融行業和AI、大數據以及算法的結合，已經是比較普遍的了。
從目前我的經驗和了解來看，可以分成三個層面——風險管理、運營效率和用戶體驗。其中應用最多、最成熟的是在風險管理方面，包括反欺詐、反洗錢、信貸評估以及風險定價等等。
在用戶體驗層面，新技術比較成熟的應用案例是智能客服。
9月份的時候，我們去一家業內領先的保險公司交流，它們已經把AI技術應用到客服中去，對于一些簡單的客戶咨詢的問題，客戶很難分辨出回答自己問題的其實是一個語音機器人——當然，對于很復雜的問題，機器人會把問題轉交給一個真正的人類客服坐席去解決。
金融機構面臨的威脅
剛過去的雙十一，各個電商發表了自己的戰報，交易額有做到千億元的，有做到幾百億的，有幾十億的。在雙11過后兩天，不光電商發表自己的戰報，我們看到媒體也發表了一篇地下黑色產業的戰報。
在中國，據說從事地下黑色產業（像電信詐騙、羊毛黨、刷單產業等）團伙的從業規模在150萬人以上，年產值大概是千億元量級。而據我們估算，掌握在黑色產業團伙中的垃圾賬號和用戶信息，大概在幾千萬到上億級別——可能我們整個互聯網包括金融行業，這么多的用戶信息就掌握在這些欺詐團伙手里。
黑色產業給金融行業帶來的威脅，主要是4個方面，可以粗淺的理解一下：
可能真正從事金融行業和風控的童鞋并不多，先跟大家簡單介紹一下背景。
1. 你究竟是人還是機器?
無論是撞庫、羊毛黨還是刷單，都會頻繁使用機器、工具批量注冊垃圾賬號、批量刷單。
12306的搶票背后，就可能是一個機器而不是一個真的用戶。
于是我們看到12306開發了很多變態的圖片驗證碼和識別機制——你必須是一個真正的“人”，必須輸入這些驗證碼才能允許登錄或進行下一步的操作。
但是黑產的技術也非常領先，它們早就把圖像識別技術，或者像這種商業模式用在圖片識別、驗證碼里，而簡單的這些圖片驗證碼已經很容易就能攻破。
2. 你是否是你？
這個其實很簡單，我的手機設備是否被盜，銀行卡是否被盜，是否是我在操作還是一個其他的不相干的人在操作？
3. 你是否有真實的意愿？
是想給一個朋友轉賬，還是被電信詐騙忽悠了？
現在的黑產非常專業，會結合一個場景進行詐騙。
比如：你學校的一名教工或領導給你發短信，說有一個新的選課或者新的通知讓你去看看。作為一名學生，很容易被這種騙術欺騙——這個鏈接點進去就是一個木馬一個病毒，只要有操作，所有的個人信息都會泄露。
4. 你的信息是否真實有效？
申請一個網貸，用戶提供的各種身份信息是否有效。
目前來看，識別欺詐和威脅很重要的一個手段就是：通過大量的數據作出判斷。
這塊可以簡單舉幾個例子：
- 通過采集設備信息，建立模型去識別你的設備安全性；
- 剛才提到的人機識別：通過你的操作（無論電腦、手機設備）、動作習慣去識別是機器還是人；
- 通過人臉識別、眼紋等技術來識別。
案例分析：京東金融實戰
為什么我們要投入這么多資源和精力，專門去做基于大數據和人工智能的技術來防范安全？
其實是和我們的業務分不開的。
互聯網企業，產品線和產品的更新迭代速度非?？?，幾周就有一個新的產品上線，所以整個業務對效率的要求是非常高的。目前京東金融有十個業務板塊，包括大家熟悉的白條、企業金融等；從交易體量來說，我們現在支持峰值每分鐘千萬筆交易，每筆交易都要去審查它是否有安全風險，這些肯定需要機器來做，在保證交易安全的同時提升用戶體驗。
為什么傳統銀行在這方面投入會比較低？因為傳統模式對用戶體驗要求沒有那么高。大家用過原來的網銀都知道，需要用戶下載各種安全插件，和插U盾。
基于業務給我們帶來的風險和挑戰，我們依賴技術和數據來解決這些問題。
這個是我們在風控方面的技術架構和一個流程的簡單的介紹，這塊我重點跟大家討論三個問題：
1. 最底層的大數據的平臺。
這個平臺會接入我們業務線各個產品、各個渠道的所有數據，并且在其中做加工和整合。
做過算法或者建模的同學可能知道，在做算法和模型的時候，很大的工作量是集中在數據處理這方面的——數據的獲取、數據的清洗、特征加工、結構化等等，這些總做會占到整個工作量的50%-60%這樣。真正用于機器學習或建模的工作量可能只是一小半。
業內有一個經常討論的問題——究竟數據更有價值，還是算法更有價值？如果沒有數據，那算法都建立不起來。
2. 實時決策引擎。
平臺上每分鐘幾百萬、上千萬筆的交易，都會通過這個引擎大腦來實時決策，判斷是有風險的交易還是正常用戶行為。
3. 風險運營。
這部分其實是一個人工處理和運營的平臺。
前一陣和一位銀行的朋友交流，說他希望我們幫他們建立一整套基于大數據和人工智能的風控體系。我說沒問題，那我了解一下你們現在在這個方面的投入，未來這個團隊規模大概會做成什么樣？
這位銀行的朋友就說：我不打算投人，我沒有團隊；你們不都是可以通過機器來做嗎？那我就把人都裁掉了，不需要人工。
我說別逗了，這不可能。
無論什么樣的機器，都不能擺脫人。
為什么人工要介入運營的工作，其實有兩個作用：
- 機器并不是萬金油，不是萬能藥；無論什么樣的算法，什么樣的工具，什么樣的人工智能，都只能解決一部分的問題；總會有一小部分問題是機器解決不了的，必須有人來處理——這個理念是普適于大部分領域的現狀的。
- 需要由人工來建立整個數據和算法的閉環。算法模型、策略、規則、引擎實時運轉，但必須有人監控，看到機器處理的結果。找到好的案例還有bad case，然后把案例拿出來再做分析，不斷優化調整模型和策略——這個是非常重要的。所以無論什么樣的機器算法，必須要深度地和業務和團隊去結合。
機器學習的四個關鍵問題
從剛才的討論來看，我總結了幾個關鍵的環節，如上圖：
- 業務場景：我們不能拿著錘子找釘子，不能是“我覺得這個算法或人工智能或者數據很有用”，必須要立足場景和用戶?，F在大家都想往風口上站，不太會去認真的考慮自己業務的情況和場景，而盲目的去搬一套先進的技術或者算法過來，這是不對的。
- 數據：數據重要還是算法重要？我的理解是：有業務場景的數據才是重要的、最有價值的。如果沒有業務或者業務本身不產生數據，我們從第三方或者某個途徑買來一批數據，這樣數據有價值嗎？如果說用來做demo或者做可行性論證，是可以的；但是業務如果長期運轉下去，自己還不能產生數據，核心數據需要依賴外部，這就是很危險的事。
- 策略：是基于業務規則和專家經驗？還是基于深度學習模型？策略中如何去應用圖像和語音識別等等這些先進技術。
- 運營：人的部分怎么去更好的和機器去結合？在哪個環節結合，如何分工，是人輔助機器還是機器輔助人，如何構建一個閉環的系統。
這是現在做人工智能、機器學習普遍會探討的4個關鍵問題，這4個問題標志著未來或者近期最高技術的研究方向。近期我們看到相關報道和研究文章也都會集中在這幾個問題去討論。
借此跟大家去討論一下技術的能力和邊界：
作為產品經理，對技術的理解有一個很重要的點：要理解技術能做什么，不能做什么。
1. 小數據訓練模型。
Alpha Go在訓練的時候用到了百萬量級的棋譜數據，我們在做反欺詐和風控的模型中運用到的數據最少也是幾十萬量級，經常會用到百萬以上量級的數據；所以在做機器學習的時候，對數據量的要求是非常高的，尤其是你的業務需要快速迭代的時候。
舉個例子：
我有一些商品，需要通過圖像識別或者機器視覺的方法，識別這些不同的商品都是什么品類。
非常不幸的是：這些商品每周要更新一次，每周要換一些新的商品，甚至經營新的品類。
那問題其實很明顯了：每周更新一次商品，那每周我們都需要收集大量的圖片再去訓練我的這個模型——這個成本非常大，也不現實。
目前隨著在相關領域，比如生成對抗網絡等新技術的應用，小數據訓練模型，這個問題在逐步解決。
2. 機器學習模型的可解釋性。
醫生可以通過一些指標和特征給病人做診斷，但機器更多是通過大量數據樣本來訓練；訓練結果并不具有很強的邏輯性，更類似于“經驗”或直覺；在實際業務場景中，并不像專家系統那樣容易讓用戶理解。
3. 用業務規則還是機器學習模型。
業務規則很簡單：消費者在電商平臺購買了一些奶粉，可以推測出消費者家里可能有孩子，給他推薦嬰兒車這些產品可能會更合適——這就是簡單的業務規則，這是可解釋的，而且很容易迭代，相應的研發和優化成本也非常的低。
其實在很多場景下，這種業務規則或者說專家經驗能解決很大的問題，并不一定非得用上這些高深的算法。
這回到了剛才那個問題——怎么把人的作用和機器的作用相結合。
4. 數據加工整合的成本。
數據收集和處理的成本還是非常大的，甚至大過訓練模型本身。如何更好地建設數據平臺，更好、更豐富、更低成本地獲取數據？
大家可以結合這點想一想：為什么AI或者大數據技術在金融風控領域用的最成熟？
第一，數據量方面。金融領域的交易數量和用戶數量巨大，很容易支持大規模的數據應用。
第二，大部分情況下，我們的模型在金融和反欺詐領域是不需要很嚴格的解釋，避免了可解釋性差的問題。另外，從零搭建一個新的引擎、新的算法時，更多時候也會看重業務規則和人類的經驗專家體系，再結合機器學習等技術。
在這種場景下，產品經理如何與數據科學家、數據團隊配合？產品沒有從事過數據相關工作，不懂算法，不懂機器學習，那是不是說產品經理在這方面就沒有什么經驗或話語權，怎么去跟技術配合呢？
三、產品經理的未來
新技術的變革，對我們行業的沖擊肯定是不可避免的，而且還會越來越快。
那么需要做的第一點就是：認真理解新技術，并且去思考新技術與現有業務和場景如何更好地結合，新技術會對行業和產品帶來多大的變革？
可以從這4個方面去審視一下，自己的業務是否適合去結合這些新技術：
1. 數據
具備什么樣的數據，以及多大數據量。
2. 運營
整個業務中是否需要大量的信息收集和信息處理的工作？例如金融行業大量的信息處理工作，每分鐘可能是百萬或千萬量級的；還有客服這種需要處理很多語音、文字的信息；還有金融分析師的工作，需要處理大量金融數據和圖表；以及像法院法官的工作，法律文案和文本工作非常大，這些更適合人工智能或者機器來工作。
3. 策略
業務邏輯是否比較清晰，至少能夠和專家的工作經驗能夠拆解開。
為什么Alpha Go在圍棋這個領域很快能取得很好的成就？其實原因就是：這個領域的邊界相對比較清晰。算法只考慮棋盤上的事，棋盤之外的全部不用考慮，而且棋類有明確的規則。
那為什么自動駕駛很難呢？因為自動駕駛邊界太不清晰了：需要同時考慮到路況、車況、天氣情況、交通信號燈，還有可能警察站在路上給你伸個手，你就要停下；還要考慮車禍等事故怎么辦——這個場景太復雜，邊界不清晰，相對來說非常難。
4. 平衡用戶的預期或者效果
我們需要考慮關鍵應用和非關鍵應用，也就是：算法從95%的準確率提升到98%或者99%，到底能夠對業務帶來多大的幫助？業務是否要求算法準確度要到99.XXX%還是要必須到百分之百才能應用？
比如說自動駕駛的準確率是80%——這絕不夠，有20%的可能性是出車禍；而對于風控、安防或者推薦引擎來說，可能百分之九十幾，或八十幾的準確率已經足夠支撐業務了。
大家可以結合這幾個點，看看自己負責的業務中有哪些環節是可以利用這些新技術的；肯定不可能是所有的業務都由機器、算法、數據、技術來取代。
在產品和研發團隊工作模式方面，之前的傳統線性模型：從產品經理到UXD到FE到研發到后端到運維到QA整個線性的流程其實已經不太適用了。在新的場景之下，各個團隊之間必須建立非常緊密的配合，在產品研發的每個環節，可能會有不同角色、不同崗位角色來承擔。
比如：前期可能是由UXD或者業務運營或者產品經理來負責整個項目，在某個階段，過渡到策略或者BI團隊；之后又回到機器學習或者數據科學團隊——但是在所有的環節中，信息都要各個團隊之間緊密共享，各個團隊之間需要非常緊密的配合。
那么，在這種新的場景下，產品經理如何更好地和團隊配合？
這是我對于未來產品經理的能力和思維方式的理解，最基礎的還是三種思維方式：
- 業務的思維：做業務的專家要能夠非常深入的理解自己的業務，同時要保持學習的熱情。
- 技術思維：產品經理要懂技術。未來我覺得不懂技術，不懂業務，只會一些基本技能的產品經理可能會被淘汰。
- 商業思維：在新的場景下，我們會更關注商業模式。因為像人工智能大數據這種新的技術到來之后，很多是沒辦法套用之前老的商業模式。我們會去更關注場景、數據、算法的價值，數據可能是某個團隊或者某個合作伙伴來提供的，場景也要連接更多合作伙伴的場景——在這種情況下，如何平衡商業模式的價值？如何構建整個產業鏈？在這種情況下是否會出現商業倫理和法律合規的問題？我是否能使用這些數據，是否會侵犯到用戶的隱私？如何保證算法的公正公平性？如何和用戶共同進步，而不是說用機器來取代他們的工作？
這些都是我們要去思考的。
新技術應用確實會大幅拓展產品經理思考的深度，而最終我們還是要有一個過渡和成長。
按我的理解，產品經理主要分成三個層次：
- 最基礎的是對功能負責，就所謂做feature：根據業務方的需求主導項目，做出某個產品的功能，達到滿足需求上線。
- 第二個層次就是對產品負責。需要負責整個產品生命周期，從需求收集、需求調研、理解用戶、洞察用戶，到產品實現，驗證發現新的問題去反饋，最終打造出一款非常好的產品。
- 第三個層次就是對目標負責。目標導向，更好地去利用資源服務目標（資源并不一定是產品或者研發，也可能包括新的技術，新的資源新的商業模式，最終是服務于業務目標的）。
今天主要和大家分享這些內容，最后用兩句話結尾：
- 我今天講的都是錯的。為什么這么說呢？因為這些都只是我個人的理解，而在瞬息萬變的行業，我的理解可能只是其中某一方面。
- 我講這些都沒用。為什么呢？還是那句話：這只是我個人的理解和實踐經驗，如果大家覺得可能對自己的未來的工作和思考有幫助，希望大家能夠結合這些經驗和PPT里提的問題去反思和聯想，變成自己的反思結果，才會有幫助。
以上為本次大會分享內容。
嘉賓PPT：關注 人人都是產品經理微信（ID：woshipm）公眾號，在后臺回復關鍵詞“大會”即可獲取下載地址。
相關閱讀：
本文為2017中國產品經理大會北京站嘉賓分享整理總結，未經許可，禁止轉載。謝謝合作。
- 目前還沒評論，等你發揮！
