AI产品经理 VS 数据产品经理,看这5点区别与联系

本篇从4点区别,产品目标的区别、产品实战过程的区别、算fǎ模型实战区别、产品经理驾驭难易程度区别,和1点X的实战多案例鉴别AI产品经理与数据产品经理的区别与X,并X多个实战案例掌握数据产品经理和AI产品经理各自的技能。

人工智能快速渗入到各个行业,AI 产品经理缺口高达 6.8 万,成为稀缺人才。「AI 产品经理」项目面向想要XAI 技术推动X发展的产品经理以及商业X者。

将介绍如何创建能带来商业价值的 AI 产品,学xí AI 产品开发liú程。你将跟LineLian学xí案例研究、创建数据集,并构建AI模型,熟练掌握各种 AI 概念和实用技能并能够构思、开发、评估和实施基于人工智能技术的新产品。

而数据产品经理也是时下的热门岗位。

两者关系是,AI产品经理以数据为基础,数据产品经理发展的晋级阶段是AI产品经理。

第一点区别:产品目标不同

有时候产品经理不得不拍着X提需qiú,常常会遭遇多方的质疑,这个需qiú靠谱吗?有时候产品上线后大家感觉应该一片欢喜,但是X却没有带来很好的商业增长;

当增长遇瓶颈;当产品不能精准的推荐给用户;当生产效率变低;当产品经理不能X新的产品需qiú和新的X需qiú;当人力成本变高,当有些固定liú程的工作可以被机器人代替;

前类主要是数据产品经理要解决的问题,X数据来验证产品提出的产品需qiú的正确性,X上线后的数据来发现产品需要迭代改进甚至创新的点,X数据分析,数据挖掘发现原本发现不了的产品问题,改进问题。

后类主要是AI产品经理的产品目标,AI一方面能帮人节省时间,另外能X原本发现不了的产品和X需qiú,还有AI能够解决不确定性的产品X需qiú。

数据产品经理的产品目标是用数据确认确定性的需qiú;AI产品经理的产品目标是创造性的解决不确定性的产品需qiú。

第二点区别:产品实战过程不同

先讲数据产品经理的产品过程,再看AI产品经理的产品过程。

数据产品经理的数据分析的步骤一般可以分为如下6个步骤:

  1. 明确分析的目的
  2. 数据准备
  3. 数据清洗
  4. 数据分析
  5. 数据可视化
  6. 分析报告

数据产品经理案例:X医院医yàoX情况数据分析经典案例chāi解

1. 分析目的

X对X区医院的yào品X数据的分析,了解X医院的患者的月均消费次数,月均消费金额、客单价以及消费趋势、需qiú量前几位的yào品等。

2. 数据导入

从笔者LineLian本地读取数据,如果需要数据分析进一步的可以X文章最后的链接。

3. 数据清洗

数据清洗包hán,行缺失值、列缺失值、异常值如不该出现负值出现了负值,不该过大不该过小等异常值的清洗、数据列名的修改变更、数据类型的转换、数据重新抽取排序等等清洗。

4. 数据分析

数据产品经理的数据分析主要是数据对应的X分析,数据场景分析,常由数据产经理提出产品分析方案,例如本案例中,月均消费次数的X定义计算方式是:月均消费次数 = 总消费次数 / 月份数;

月均消费金额的X定义计算方式是:月均消费金额 = 总消费金额 / 月份数;客单价X定义计算方式是:客单价 = 总消费金额 / 总消费次数。等等

5. 数据可视化

对于擅长形象思维的同学来说,文不如图,图不如X,数据可视化就是讲数据分析的文变成形象的图或者变成可视化直观化的结构呈现的更直接明了。

例如本案例中yào品X前十的情况如下图:

6. 产品数据分析报告

产品数据分析报告无固定的形式,根据笔者的经验有的X直接带着一张嘴也行,有的写成PPT,有的用Word文档,有的则是PDF,有的是个其他的文档或者图片。

AI产品经理案例:

AI产品内容领域增长方向更加明显,根据笔者LineLian实际工作发现有以下几个产品实战过程方案。

  1. X网络、机器学xí、深度学xí以软件为主的产品;
  2. 机器人、芯片、智能硬件、软硬件协同类的产品;
  3. 具有行业经验以场景驱动寻找AI赋能;
  4. 以AI算fǎ创新为主。

本篇先讲以X网络、机器学xí、深度学xí软件为主的产品方案解决过程。

AI产品经理案例:训练X网络经典案例chāi解

  1. 选定一个基础模型
  2. 设定初始化参数代入模型
  3. 用训练集对模型进行训练
  4. X一些数量指标,评估训练误差
  5. 如果训练误差不满足要qiú,继续调整参数
  6. 重复7–8次
  7. 采集新的数据,生成新的数据集。

(1)选定一个基础模型

本篇选择sklearn.neural作为基础训练模型框架。如下图

(2)设定初始化参数代入模型

设置X网络模型参数,隐zàng层坐标大小(50,50)。

(3)训练出模型,用训练集对模型进行训练

导入数据,需要如下图中数据集的同学请观看笔者的微信X号LineLian数智产品窗口。

一次训练模型,采用训练集数据训练MLP分类器模型

一次查看模型训练结果

将一次训练的模型保存

(4)X一些数量指标,评估训练误差

X准确率数据、X绘制误差曲线等等评估模型训练效率。

(5)如果训练误差不满足要qiú,继续调整参数

重新优化节点数等参数,再次训练模型

(6)重复7–8

重新调整,坐标、节点、训练次数等参数、超参数,重复训练模型,最终选择优秀的模型备用。

(7)选择新的数据,生成新的数据集

本篇使用的是著名的MINST数据集,如果需要请关注笔者的微信X号LineLian数智产品窗口。

zhēn对这个图像数据集存在的问题比较明显,1.训练的数据数量;2.数据标注的质量;鉴于此,可以使用自己的自有Label数据集重新训练新的模型。

第X区别:算fǎ模型不同

数据产品经理常用的算fǎ如下:

对于数据分析所采用的的算fǎ非常多,主要是解决验证性和确定性问题的算fǎ,例如:回归、三次多项式等等算fǎ均可以属于数据产品经理采用的数据分析算fǎ。

1. RFM算fǎ模型

RFM模型想必很多搞数据做产品运营的同学都听说过,最常用在用户分层管理中。而且很多提到RFM模型都会动不动就祭出。

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。

2. CART: 分类与回归树

CART, Classification and Regression Trees。

在分类树下面有两个关键的思想:第一个 是关于递归地划分自变量空间的想fǎ;第二个想fǎ是用验证数据进行剪枝。

3. K-Means算fǎ

k-means algorithm算fǎ是一个聚类算fǎ,把n的对象根据他们的属性分为k个分gē(k < n)。

它与处理混合正态分布的最大期望算fǎ(本十大算fǎ第五条)很相似,因为他们都试图找到数据中自然聚类的中心。

它假设对象属性来自于空间向量,并且目标是使各个X组内部的均方误差总和最小。

4. 关联规则Apriori算fǎ

Apriori算fǎ是一种最有影响的挖掘布尔关联规则频繁项集的算fǎ。其核心是基于两阶段频集思想的递推算fǎ。该关联规则在分类上属于单维、单层、布尔关联规则。在这里,所有支持度大于最小支持度的项集称为频繁项集,简称频集。

5. SVM支持向量机

支持向量机,英文为Support Vector Machine,简称SV机(论文中一般简称SVM)。

它是一种X式学xí的方fǎ,它广泛的应用于统计分类以及回归分析中。支持向量机将向量映X一个更高维的空间里,在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面,分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大,分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较。

6. 最大期望(EM)算fǎ

在统计计算中,最大期望 (EM,Expectation–Maximization)算fǎ是在概率(probabilistic)模型中寻找参数最大似然估计的算fǎ,其中概率模型依赖于无fǎ观测的隐zàng变量(Latent Variabl)。最大期望经常用在机器学xí和计算机视觉数据集聚(Data Clustering)领域。

7. PageRank算fǎ

PageRank是Gооgle算fǎ的重要内容。2001年9月被授予美囯专利,专利人是Gооgle创始人之一拉里•佩奇(Larry Page)。因此,PageRank里的page不是指网页,而是指佩奇,即这个等级方fǎ是以佩奇来命名的。PageRank根据网站的外部链接和内部链接的数量和质量,衡量网站的价值。

PageRank背后的概念是,每个到页面的链接都是对该页面的一次投票,被链接的越多,就意味着被其他网站投票越多。这个就是所谓的“链接liú行度”——衡量多少人愿意将他们的网站和你的网站挂钩。PageRank这个概念引自学术中一篇论文的被引述的频度——即被别人引述的次数越多,一般判断这篇论文的泉威性就越高。

8. AdaBoost 迭代算fǎ

Adaboost是一种迭代算fǎ,其核心思想是zhēn对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器X起来,构成一个更强的最终分类器(强分类器)。

其算fǎ本身是X改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的泉值。

9. 其他数据分析算fǎ模型

AI产品经理常用的算fǎ如下:

(1)X网络算fǎ模型

起步X网络算fǎ( Neural Network )是机器学xí中非常非常重要的算fǎ。这是整个深度学xí的核心算fǎ,深度学xí就是根据X网络算fǎ进行的一个应用特例。某种程度上来说AI产品的入门在于对X网络算fǎ的理解和应用。

(2)机器学xí算fǎ模型 Maching learning

机器学xí的对象是:具有一定的统计规律的数据。

机器学xí根据任务类型,可以划分为:

  • X学xí任务:从已标记的训练数据来训练模型。主要分为:分类任务、回归任务、序列标注任务。
  • 无X学xí任务:从未标记的训练数据来训练模型。主要分为:聚类任务、降维任务。
  • 半X学xí任务:用大量的未标记训练数据和少量的已标记数据来训练模型。
  • 强化学xí任务:从系统与环境的大量交互知识中训练模型。

机器学xí根据算fǎ类型,可以划分为:

  • 传统统计数据学xí:基于数学模型的机器学xí方fǎ。包括SVM、逻辑回归、决策树等。

这一类算fǎ基于严格的数学推理,具有可解释性强、运行速度快、可应用于小规模数据集的特点。

(3)深度学xíDeepLearning

深度学xí:基于X网络的机器学xí方fǎ。包括前馈X网络、卷积X网络、递归X网络等。

这一类算fǎ基于X网络,可解释性较差,强烈依赖于数据集规模。但是这类算fǎ在X、视觉、自然语言等领域非常成功。

没有X的午餐X(No Free Lunch Theorem:NFL):对于一个学xí算fǎA,如果在某些问题上它比算fǎB好,那么必然存在另一些问题,在那些问题中B比A更好。

(4)СNN

卷积X网络(Convolutional Neural Network, СNN)是一种前馈X网络,它的人工X元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出sè表现。

(5)RNN

循环X网络(Recurrent neural network:RNN)是X网络的一种。单纯的RNN因为无fǎ处理随着递归,泉重指数级X或梯度消失问题,难以捕捉长期时间关联;而结合不同的LSTM可以很好解决这个问题。

时间循环X网络可以描述动态时间行为,因为和前馈X网络(feedforward neural network)接受较特定结构的输入不同,RNN将状态在自身网络中循环传递,因此可以接受更广泛的时间序列结构输入。手写识别是最早成功XRNN的研究结果。

(6)GNN

图X网络,图X网络划分为五大类别,分别是:图卷积网络(Graph Convolution Networks,GCN)、 图注意力网络(Graph Attention Networks)、图自编码器( Graph Autoencoders)、图生成网络( Graph Generative Networks) 和图时空网络(Graph Spatial-temporal Networks)。

(7)其他X网络。

第四点区别:产品经理驾驭难度不同

产品经理驾驭产品的难易程度参考下图:

第五点X:最后AI产品经理与数据产品经理既有区别也有X

X是:数据产品经理常用的元素数据是AI产品经理常用的元素数据+算fǎ+算力三元素之一。

做好数据产品经理是为了今天的饭碗,做好AI产品经理是为了明天的希望。两者都很重要。

总之AI产品经理和数据产品经理是唇齿相依的关系!

#专栏作家#

连诗路,X号:LineLian。人人都是产品经理专栏作家,《产品进化论:AI+时代产品经理的思维方fǎ》一书作者,前X产品X,希望与创业者多多交liú。

本文原创发布于人人都是产品经理。未经许可,jìn止转载。

题图来自Unsplash, 基于CC0协议

给作者打赏,鼓励TA抓紧创作!

收藏 (0) 打赏

以上内容不错,打赏支持一下!

打开微信/支付宝扫一扫,即可进行扫码打赏哦,分享从这里开始,精彩与您同在
点赞 (0)

声明:本站所有教程资源,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。

雄发创业网 自媒体是如何赚钱的 AI产品经理 VS 数据产品经理,看这5点区别与联系 https://www.xiongfawang.com/2369.html

常见问题

相关文章

AI产品经理 VS 数据产品经理,看这5点区别与联系-海报

分享本文封面