我正在参加「掘金·启航计划
-
行业知识：
- 关注《爱分析》公众号，获取行业报告和线下论坛信息。
- 关注艾瑞咨询网站，查阅行业报告。
- 关注《36 氪》等新闻网站，了解行业动态。
-
技术基础：
- 关注技术类公众号，如《大数据文摘》、《大数据分析与人工智能》、《机器之心》、《AI 启蒙者》。
- 关注《成为 AI 产品经理》公众号，获取关于转型 AI 产品经理的经验分享。
-
技术进阶：
- 学习李宏毅的《Machine Learning》和吴恩达的《机器学习》课程，这两门课程讲解细致、通俗易懂。
- 阅读李航的《统计学习方法》和周志华的《机器学习》（西瓜书），这些书籍覆盖面广，适合非技术人员学习。
我们服务的客户让我们帮他们做一个用于金融风控场景的用户信用评分产品。这种产品，其实底层就是基于大数据和机器学习算法，来对贷款人的还款能力和还款意愿进行预测
AI产品经理的技术全景
数学统计学基础概念
- 偏差与方差
- 过拟合和欠拟合
- 特征清洗与数据变换
模型相关技术名词
- 训练集、测试集、验证集
- 跨时间测试与回溯测试
- 联合建模与联邦学习
模型评估指标
- 知道相关概念
- 模型类型和适用评估指标
- 指标计算方法
模型验收
- 模型测试评估
- 控制评估指标
- 边界掌握
AI产品经理的技术全景
- 数学统计学基础概念
- 模型构建流程
- 算法知识
- 模型评估指标
模型构建流程
- 涉及角色
- 数据科学家
- AI工程师
- 数据工程师
- 工作内容
- 特征工程
- 模型选择与训练
- 模型调优与验证
算法知识
- 常见算法
- 算法原理
- 适用场景
AI产品经理的技术全景
数学统计学基础概念
- 偏差与方差
- 过拟合和欠拟合
- 特征清洗与数据变换
聚类分析
- 层次聚类
- 原型聚类 (K-Means)
- 密度聚类 (DBSCAN)
分类问题
- K近邻算法 (KNN)
- 朴素贝叶斯 (NaiveBayes, NB)
- 决策树 (Decision Tree Model, DT)
- 随机森林 (Random Forest, RF)
- 支持向量机 (SVM)
回归问题
- 一元线性回归
- 多元线性回归
用户分组
- 用户画像
- 聚类分析
模型评估指标
- 准确率
- 精确率
- 召回率
- F1值
- ROC曲线
- AUC值
模型构建流程
- 数据收集与清洗
- 特征工程
- 模型选择与训练
- 模型调优与验证
模型验收
- 测试数据集
- 模型评估
- 模型部署
算法知识
- 常见算法
- 算法原理
- 适用场景
AI应用场景
- 文本分类
- 图像分类
- 点击率预估
- 推荐系统
查看这些资料只是我们了解行业的第一步，最重要的是，你一定要对这些信息进行归纳总结，提炼出自己的思考。你可以尝试自己去搭建一个行业的框架，框架中可以包括很多方面，我把它们进行了总结：行业专有名词、基本术语行业的整体规模，未来的发展空间整个行业的生命周期，当前处于哪个阶段行业的产业链，上下游供应商情况行业中不同企业的商业模式行业整体的人才结构分布情况当前行业中头尾部企业
学习这件事，去学习只是第一步，更重要的是做总结。但只是总结还不够，我希望你还能借着这些总结去做输出，强迫自己整理出一篇文章，或者给其他人分享。当你可以用浅显的语言把复杂的知识讲解清楚的时候，就说明你对这个知识真正掌握了。
多总结、多输出，然后用以教促学的方式来迭代自己对 AI 知识的领悟。
《统计学习方法》看过一些，公式太多，被劝退了，没有强大的统计学、数学基础最好先别看，先补高数、线代、概率论、数理统计这些课。深度学习的有一本鱼书挺不错的，很薄，学算法的同学推荐的。
-
理解产品经理和技术人员的区别：
- 产品经理需要广度的知识，要打通上下游和横向部门。
- 技术人员需要在技术领域深挖。
-
突破技术思维的限制：
- 意识到产品的价值更重要，不仅仅追求技术创新或提升。
- 业务价值的感知和影响比技术指标更重要。
-
实际操作建议：
- 多与产品经理沟通，了解他们的工作方式和思考路径。
- 关注产品经理在提出需求时考虑的问题。
- 适应产品经理的思维方式，以产品为导向进行思考。
以上是关于产品经理和技术人员之间区别以及突破技术思维限制的建议。通过与产品经理的沟通和学习，可以拓宽自己的思维，更好地理解业务需求和价值。如果您有任何其他问题，请随时提问。
预测用户流失的项目
业务背景 我们公司是一个电商平台，有段时间我们发现，每个月老用户流失的数量已经远高于新用户的拉新数量，为了防止这个缺口越来越大，我们决定对可能流失的用户做提前预警，同时采取一些措施来挽留这些用户，实现这个目标的前提就是要开发一套用于预测流失用户的产品.
- 背景和价值：明确项目的背景和预期价值，即通过预测用户流失并干预降低流失率，为业务带来益处。
- 预期目标：目标是通过干预高流失可能性的人群，使其与未干预人群相比，流失率降低5%。
- 业务预期目标：与运营团队共同沟通确定业务预期目标，例如期望何时上线以及项目的时间节奏。
- 模型类型和更新周期：根据运营计划按月为节奏，该模型可定义为离线模型。每月初更新一批流失人群的预测结果。
- 覆盖率要求：期望模型覆盖率达到100%，即对业务线所有用户进行预测。
- 技术预研需求：产品经理与算法团队沟通，评估现有积累的数据和算法是否能够满足业务需求。如果数据量或维度不足以满足模型训练要求，产品经理需要协助算法团队进行数据获取和准备工作。
- 数据准备工作：产品经理在数据准备方面协助算法团队，尤其是对于垂直业务线的产品经理，他们更了解本领域的数据需求。
- 调整需求内容：根据算法团队的预估结果，可能需要调整需求内容。例如，针对新注册用户没有数据的情况，需与算法团队协商确定新的覆盖率指标，并将其纳入需求文档中。
作为产品经理，你需要与算法团队进行进一步的沟通和协调，确保需求的准确性和可行性，并根据他们的反馈进行必要的调整。
