这是关于人工智能数字产品管理的三部分系列的第2部分. 在 第一部分, 我讨论了机器学习(ML)的类型, 构建支持人工智能的产品时出现的陷阱, 以及有抱负的人工智能产品经理的最佳实践. 在本文中，我概述了如何规划AI产品策略并建立一个团队来执行它.

AI-enabled产品 到处都是. 然而, 企业在跟上潮流之前，应该考虑人工智能功能对他们的产品是否有意义. 这是因为人工智能的成本很高, 需要对专家和基础设施进行不断的迭代和持续的投资. 简而言之， 人工智能产品 永远不会真正“完成”.”

AI适合你的产品吗?

从人工智能中获益最多的项目是那些拥有充足、可靠数据的项目, 目的是解决一个复杂的问题. 在继续讨论之前, 您的团队必须对您的产品提出以下问题——每个问题的答案都应该是“是”.”

是否存在必要的数据? 机器学习模型 需要大量的数据. 在理想的情况下, 这些数据应该与现实世界相似，并且在整个开发和测试阶段执行一致. 例如, 用夏季数据训练的天气预报模型无法预测暴风雪. 全面的数据可以让你做出更准确的预测. 这些数据还必须是可访问的、安全的，并符合隐私法. 客户数据, 例如, 不应该包括敏感信息，如社会安全或信用卡号码, 这可能会在以后引发法律问题.

你的产品要解决的问题复杂吗? 如果您可以通过编写几十条规则来解决问题，那么就这样做吧. 你会节省时间和金钱. 只有当其他方法无法解决问题时，人工智能产品才有价值.

问题会随着时间的推移而改变吗? 如果你的问题是缓慢移动的或本质上是静态的，那就推迟使用AI解决方案. 基于规则的 算法 或者你所需要的只是统计分析. If, 然而, 问题是实时变化的，需要适应不断变化的变量, 参数, 数据回应, 人工智能解决方案将会带来回报. 例如，预测商品价格是一个很好的人工智能用例，因为价格是波动的.

解决方案能容忍不完美的结果吗? 人工智能解决方案并不完美 因为它们依赖于概率. 即使经过多年的优化，也没有模型会100%正确. 如果产品的用户要求完全准确，请选择另一种解决问题的方法.

解决方案是否需要指数级扩展? 如果你希望你的解决方案能够快速扩展并生成指数级数据，那么AI功能是一个不错的选择. 想象一下，有一个工具可以根据收获日期计算在线杂货店苹果的新鲜度, 位置, 以及运输时间. 没有人工智能, 这个系统每天可以处理成千上万的订单, 但如果这个工具变得流行起来，或者扩展到包括其他水果，数据点将呈指数级增长. 这个问题将是人工智能解决方案的一个很好的候选.

如果你有大量的真实世界的训练数据，你的问题需要一个人工智能解决方案, 你已经准备好创建产品愿景了.

定义产品愿景

产品愿景是创造产品的理由，是产品的真正方向. 这个共同的目标改善了整个团队的协作，并在具有挑战性的时刻增强了适应力.

为了创造一个产品愿景，问问如果你的产品成功了，世界将如何变得更好. 这个问题可能看起来很浪漫, 但一个令人信服的答案可以激励你, 你的团队, 还有你的客户.

例如，谷歌的2023年 产品愿景陈述 读取, “我们的使命是组织世界上的信息，使其普遍可访问和有用.“它很简洁。, 清晰的, 激励并将使谷歌各级员工在推出新产品和改进现有产品时保持一致.

制定产品策略

不要担心AI解决方案的细节——这些细节是在你定义了总体产品之后才会出现的. 在这一点上，目标是确定产品应该解决哪些问题以及谁将使用它. 我使用的敏捷产品管理策略是从 精益创业方法论 要做到这一点.

精益创业 将敏捷原则与重点培养客户相结合. “构建-测量-学习”的循环是精益创业的核心. 它描述了一个过程，在这个过程中，每个新的开发(构建)都要经历用户测试(度量)。, 产生新的见解(学习).

这个循环在产品的发现、验证和扩展阶段不断重复 产品策略 计划确保持续改进. 这三个阶段都建立在前一个阶段的基础上. 一旦你完成了它们, 你应该了解顾客, 市场, 以及产品的增长轨迹.

发现阶段

在发现阶段 产品策略，你将使用研究来定义和优先考虑问题，并创建假设来解决问题. 发现也是识别客户细分、用例和业务模型的时候. 您将使用这些元素为每个元素编写语句 最小可行产品(MVP).

MVP语句应该抓住用户, 痛苦点, 解决方案假设, 以及一个衡量MVP成绩的指标. 使用客户反馈来启动构建-度量-学习循环, 调整你的MVP陈述，直到你有两到三个有希望的线索.

假设一家航空公司雇佣你来解决某条特定航线同比销售停滞的问题. 以下是三个潜在的MVP声明:

1. 为老年人提供礼宾服务将使特定路线的销售额同比增长5%.
2. 为企业用户增加20%的里程积分将使在线销售额同比增长5%.
3. 提供不超过20磅的免费托运行李将使家庭销售额同比增长5%.

您将在计划的验证阶段进一步细化这些语句.

验证阶段

验证阶段使用 最小可行试验(MVT) 来确定MVP假设的可行性. MVT通过测量客户与MVP原型的交互来确认或怀疑假设的核心假设. 这个过程可以避免你在错误的概念上过度投资.

首先根据最可行的产品来确定mvp的优先级, 顾客满意, 由增长和收入潜力决定的可行性.

接下来,创建 原型 使客户能够互动，并收集一两个重要指标的数据. 使用尽可能低程度的功能来做到这一点. 例如, 如果MVP声明的核心假设是老年人会为礼宾服务支付更多费用, 一个关于这个功能的登陆页面或一个基本的聊天机器人可能会提供足够的数据来验证或反驳这个假设.

这个MVT过程构成了一个构建-度量-学习的循环，在这个循环中，您可以快速构建一些东西, 用实际用户来衡量结果, 并进一步了解你要开发的产品.

扩展阶段

一旦MVP声明满足您的最低可行测试标准，扩展就开始了. 我把比例分成三个部分 客户开发 活动:获取、保持和成长. 你关注的活动将取决于公司的规模和寿命, 以及产品的战略目的.

例如，创业公司的核心产品需要 获取客户, 这可能需要优化定价模式, 增加功能, 扩大产品开发团队. 在一家成熟的公司, 产品的目的可能是增加现有客户的终身价值, 这可能需要交叉销售或追加销售.

在我们的航空公司产品示例中, 想象一下，一个面向老年客户的人工智能聊天机器人在验证过程中成功了. 在缩放阶段, 您将使用构建-度量-学习循环来识别新特性(然后在发现过程中循环), 验证, 缩放过程), 探索收益模式, 评估如何组织和发展你的团队. 随着迭代，人工智能聊天机器人假设将发展成为一个全面的战略.

任何产品管理策略的目标都是确保你不会构建错误的产品. 当您扩展MVP时，您应该对每次迭代的成功有明确的度量. 具体的目标确保所有的变化都能增加业务价值，并与产品愿景和客户需求保持一致.

一旦你有了一个定位良好的MVP概念和声音 商业计划，你将开始用人工智能策略规划产品的技术需求.

为你的MVP制定一个AI策略

在定义了你的产品愿景并选择了产品MVP之后, 用人工智能策略评估其技术可行性. 人工智能战略确定人工智能必须解决的问题. 它解释了独特的数据和操作环境, 并确保整个技术团队的无缝和持续迭代.

你可以将AI策略分解为四个步骤:

定义AI问题

在你的简历中要尽可能具体 问题陈述. 您的团队将使用它来识别和访问必要的数据, 选择功能, 并选择合适的学习算法. 一个有效的问题陈述将回答以下问题:

• 你想用人工智能解决什么问题——为谁解决? 促进航线销售, 在开始解决方案之前，您必须确定您的目标客户.
• 你想用AI解决方案实现什么可衡量的目标? 你可能想在六个月内增加5%的路线销售.
• 哪些用例会影响这个目标? 基于假日的给定路线的历史购买行为, 学校休息, 或者商务旅行可能会让你重新考虑这六个月的目标受众.

选择数据策略

正如我在 第1部分 本系列的, 人工智能需要大量的训练数据来识别模式，并根据这些模式确定下一步的行动. 考虑到这一点, 人工智能产品团队一半以上的精力应该用于数据处理.

要构建您的数据策略，请回答以下问题:

• 哪些数据是可用的，哪些数据是缺失的? 您可能可以访问历史入站和出站航班数据, 订舱数据, 以及客户数据. 为了建立一个准确的模型，你需要开发集中每年每个季节的数据. 然而, 假设最近一年从10月到12月的数据缺失, 这就引出了下一个问题.
• 丢失的数据驻留在哪里? 丢失的数据可能会散布在各个部门或组织中. 由于部门筒仓, 销售团队可能拥有一个区域的缺失数据, 而运营团队拥有另一个区域的数据. 或者您可能需要访问来自多个航空公司的区域数据.
• 如何访问丢失的数据? 从不同的业务单位或组织获取数据需要计划要问什么, 问谁, 以及如何共享数据.
• 如何识别和丢弃不相关的数据? 数据转储通常包含无关的信息, 因此，请计划好数据工程师审查和组织数据所需的时间. 例如, 如果另一个业务部门向您发送航班销售数据, 它可能夹杂着关于乘客和机组人员的信息，或者是意义不明的数据.

制定技术和基础设施战略

获得数据后, 你需要正确的工具和结构来处理它, 运行模型, 构建人工智能服务, 确保每个人, 从你的内部团队到你的客户, 可以访问产品.

以下是指导基础设施战略的一些提示:

• 是否所有产品团队成员都有权访问安全数据? 一旦解决方案启动，客户将如何访问数据? 您可以在一个测试环境中构建您的AI模型，该测试环境可以从组织内的安全连接访问. 然而，客户或其他团队成员可能居住在不同的国家. 在这种情况下，您需要在云环境中托管数据.
• 一旦初始基础设施到位，你将如何支持扩展? 人工智能工作负载需要大规模计算和海量数据. 以航空公司产品为例, 你可以使用几百万个测试数据记录来构建你的人工智能模型, 但扩展意味着存储和处理 数以千万计 数百万的记录. 确保您有足够的数据存储和足够的计算能力来处理用例扩展后的新数据流.
• 是 跨核心、边缘和端点部署的可移植工作负载? 建模团队将需要定期访问数据. 客户可能希望通过移动应用程序访问解决方案, 哪些可能不是你的网络的一部分. 您的基础设施应该能够支持跨环境的可移植性.
• 您如何平衡信息量和计算能力，以确保所有利益相关者及时访问? 人工智能工作负载需要大规模的计算资源. 基于数百万条测试数据记录构建的模型可能需要3分钟的处理时间，但是当面对数千万条记录时，处理时间要长得多.

建立技能和组织战略

要打造一个伟大的产品，你需要一个技术娴熟、有凝聚力的团队，以及强有力的组织支持. 使用以下提示确保您拥有所需的资源:

• 你有合适的团队组成吗? 人工智能产品团队需要领域、数据科学、机器学习和产品设计专家. 我将在下一节中讨论每个角色的功能.
• 如果没有，你将如何获得必要的人员? 你会从内部候选人中组建团队还是雇佣他们? 郑重声明，我是……的大力支持者 聘请外部专家.)
• 哪个垂直业务将容纳解决方案? 比方说，一个负责美国东部的销售渠道发起并资助了礼宾人工智能聊天机器人. 该产品很成功，航空公司希望在整个组织范围内推广. 是否所有销售渠道都应该分担产品的扩展和维护成本, 或者公司的技术团队应该接手? 可能要开很多次会才能解决这个问题.

在项目开始时分配人工智能解决方案的责任将减少官僚主义的不和谐，并确保产品的无缝发展.

理想的AI产品团队

一个成功的人工智能产品团队相信自己的使命，并为自己的成功负责. 这五个人员类别将确保您构建客户喜爱的高质量产品.

领域专家: 这些是行业主题专家，他们帮助确定值得解决的问题，并在整个开发过程中提供关于产品效用的反馈.

工程师和建筑师: 这类技术专家负责收集、处理和呈现数据. 数据工程师 整理、预处理和转换数据. 然后软件工程师将其编码成可读的格式，呈现给涉众和客户. 基础设施工程师确保环境是启动、运行和可伸缩的. 如果您遵循DevOps方法(您应该这样做)，这个角色可以与开发人员互换 DevOps工程师. 架构师 会帮助您设计各种组件来协调模型和外部环境之间的交互吗.

产品设计师: 设计师将产品的愿景转化为面向客户的界面. 他们负责确定顾客的需求, 如何组织功能, 以及产品的整体外观和感觉. 产品设计师 与 数字产品经理 并将他们与目标客户联系起来.

数据和研究科学家: 数据科学家从数据中提取可操作的信息，以使其知情 业务决策. 它们最终确定哪些特征归因于您想要预测的变量，以及哪种算法最适合预测. 随着产品的增长， 数据科学家 会收集新的预测信息吗. 研究科学家确保人工智能解决方案的结果是一致的，并且总是在改进. 随着机器学习模型摄取大量不同的数据，其准确性将会波动. 研究人员不断调整模型以解释这些波动.

业务代表和分析师: 在组织环境中, 业务代表将是业务单位的成员, 比如金融或市场营销, 赞助产品. 它们还将公司决策者与产品团队联系起来. 业务分析师 作为技术专家和业务代表或最终用户之间的翻译. 例如, 业务分析师可能会让财务团队的代表了解客户对MVP测试的反应，或者MVP产生了多少收入. 或者业务分析师可以直接与营销团队合作，了解目标客户需要哪些数据，并与ML团队合作收集这些数据.

准备扩大你的团队

当您积累数据或需要解决的用例时，您可能需要扩展您的团队. 我建议 基于敏捷的团队结构，例如Scrum或看板团队，以实现有效的跟踪和扩展. In 第3部分 在这个AI产品系列中，我将提供一个教程来实现你的策略 敏捷框架，包括如何在一个跨职能的人工智能产品团队中进行冲刺.

想要深入的产品管理指导? 玛雅的书, 创造伟大产品的艺术, 为数字产品经理和企业家提供一步一步的指导，希望把想法变成成功的产品.