本篇文章通過推薦模型案例全面地將AI產(chǎn)品經(jīng)理需要懂的算法和模型進行了系統(tǒng)的講解。

接上篇：在機器學習大數(shù)據(jù)日新月異的時代里，從拉新運營到網(wǎng)紅短視頻運營，從SEM再到精準推薦，精準推薦開啟了產(chǎn)品運營的智領革新，智在運營的新征程。

文章以產(chǎn)品經(jīng)理應該懂哪些精準推薦算法模型為主線，順道在上篇中先將算法按照機器學習風格進行劃分，下篇按照功能相似性進行劃分，從產(chǎn)品經(jīng)理必懂的精準推薦算法模型展開，實證傳統(tǒng)算法模型對產(chǎn)品精準推薦的功用和缺陷，然后總結出一套AI-UTAUT模型，即整合AI技術精準推薦模型供讀者落地具體產(chǎn)品實戰(zhàn)參考。

即本篇希望以精準推薦模型為案例通過全面的撰寫將AI產(chǎn)品經(jīng)理需要懂的算法和模型進行了系統(tǒng)的入門講解。

另外我在撰文之前先說明：一個產(chǎn)品經(jīng)理經(jīng)常疑惑的概念：算法和模型的關系，產(chǎn)品經(jīng)理懂得解決問題時將問題抽象為模型，對模型求解用算法，沒有誰大誰小，算法和模型沒有絕對的分界線。

上篇我們講解了常用的精準推薦模型和從機器學習學習風格的角度撰寫了內容，這篇將主要從時下各種算 法模型用于精準推薦都有其各自的優(yōu)點和缺點帶出我自創(chuàng)的精準推薦模型AI-UTAUT模型和實例解析，順道講解從算法模型功能的相似性的角度為入門AI產(chǎn)品經(jīng)理的同學講解算法模型的另外一個維度。

一、傳統(tǒng)的UTAUT推薦模型

什么叫UTAUT，傳統(tǒng)上UTAUT指的是整合型科技接受模式，即通過這個模型各個因子來觀察精準推薦模型中用戶的接受意愿。

整合技術接受與使用模型（Unified theory of Acceptance and Use of Technology，簡稱UTAUT）是由 Venkatesh and Davis 文卡塔什和戴維斯整合了技術適配模型（Task techfit，TTF）、理性行為理論(Theory of Reasoned Action，TRA）、計劃行為理論(Throry of Planned Behavior，TPB)、創(chuàng)新擴散理論(InnovationDiffusionTheory，IDT)、社會認知理論(SocialCongnitive Theory，SCT)、PC利用模型(Model of PCU tilization，MPCU)、復合 ＴＡＭ＆ＴＰＢ模型(Combined TAM and TPB，C&TAM&TPB)、動機模型(Motivational model，MM)，提煉出了四個核心變量和四個控制變量。

四個核心變量是：努力期望(Effort Expectancy)、績效期望(PerformanceExpectancy)、社會影響(Social influence)和便利條件(Facilitating Condition)。

四個控制變量是：年齡、性別、經(jīng)驗和自愿性。

如下圖所示：

在需多大廠的產(chǎn)品經(jīng)理中經(jīng)常采用UTAUT模型來做精準推薦模型因子分析。因為每一個網(wǎng)絡用戶的生活軌跡都被互聯(lián)網(wǎng)忠實地記錄著，網(wǎng)絡服務商抓取與挖掘了這些軌跡，形成“數(shù)據(jù)痕跡”，堪稱“大數(shù)據(jù)”。

根據(jù)這些大數(shù)據(jù)，產(chǎn)品運營可以對消費者的興趣愛好、購買行為進行科學的分析和預測，透過大數(shù)據(jù)找到商業(yè)價值，從而向消費者進行精準定向推薦。雖然產(chǎn)品運營利用大數(shù)據(jù)實施精準推薦后，大幅提升了營銷效果，改變了企業(yè)“知曉浪費了50%的廣告費，卻不知曉哪50%被浪費”的尷尬局面，但運營的精準推薦不僅給用戶帶來了“確實想要的東西”，也帶來了垃圾信息、無用信息，既給用戶帶來了便利又造成了困擾。

因此，產(chǎn)品運營用大數(shù)據(jù)精準推薦信息推送的結果是，并不是所有接觸到精準推薦信息的用戶都會接受并采取購買產(chǎn)品的行動。消費者對大數(shù)據(jù)精準推薦的接受意愿的影響因素有哪些？UTAUT模型回答了一部分，但是也不充足。

原來的UTAUT模型在時下的產(chǎn)品運營需求中問題如下：

• 其一，UTAUT模型對便利條件依賴占據(jù)1/4這是無必要的，因為產(chǎn)品運營用大數(shù)據(jù)精準推薦是通過手機短信、電子郵件廣告、搜索引擎、個性化引擎推薦、門戶網(wǎng)站、微信、微博、競價排名搜索、關鍵詞搜索廣告、點告、窄告等工具向消費者進行精準信息推送的，而當今社會，智能手機和 PC機已經(jīng)進入千家萬戶，所以消費者可以借助智能手機和 PC機接收企業(yè)向自己推送的精準營銷信息，便利性不存在問題。
• 其二，過于依賴年齡結構因素，我國網(wǎng)民的年齡結構依然偏向年輕，以10~39歲群體為主，占整體的72.1%。因此，產(chǎn)品的大數(shù)據(jù)精準營銷的主要對象以年輕人為主。
• 其三，給予性別因子的比重過高，在我的新AI-UTAUT模型中是權重降低的，原因是由于產(chǎn)品運營大數(shù)據(jù)精準推薦的特點是在合適的時間、合適的地點，憑借合適的媒介，通過合適的渠道，將合適的商品銷售給合適的消費者，因此，只要企業(yè)大數(shù)據(jù)推送的信息是精準的，無論男女，皆能接受。

二、創(chuàng)新的AI-UTAUT模型-以AI新零售企業(yè)為例

先介紹一下投資的這家企業(yè)的產(chǎn)品形態(tài)，這家企業(yè)有線下部分職能零售店，也有線上部分軟件產(chǎn)品包含，小程序APP、ERP、CRM等系統(tǒng)產(chǎn)品。特別介紹一下這家產(chǎn)品的場景是在地鐵和地鐵站附近的大型ShoppingMall。用戶主要是居住工作在城市的白領為主。

精準推薦的目標是：用自有的用戶為基礎數(shù)據(jù)訓練算法模型，這個模型是當用戶到達某個興趣點位附近時可以精準為其希望搜索到的品牌恰巧運用系統(tǒng)推薦用戶感興趣的品牌，這個模型暫時命名為AILBA。

1. 模型構建

利用AI技術整合UTAUT模型與4C理論的接受意愿影響因素模型，雖然UTAUT模型被普遍地應用于技術接受因素的研究，但對于大多數(shù)實際情況下———用戶對大數(shù)據(jù)精準推薦的接受意愿的影響因素，其不僅受模型中因素的影響，還受消費者需求是否得以滿足的影響。

因此，在模型設計過程中，我為所投資的企業(yè)產(chǎn)品搭建了AI技術為引擎以UTAUT模型為框架，結合4C理論，加以修改，構建整合了AI-UTAUT模型以期待該模型精準的為用戶推薦符合消費者需求的產(chǎn)品。模型如下圖：

2. 模型解釋

該模型主要工作站是推薦引擎和人工規(guī)則，推薦引擎中所用的算法將在下一個段落根據(jù)算法的功能相似性一節(jié)里面細講。

場景數(shù)據(jù)是指用戶所處的環(huán)境例如用戶剛剛下地鐵，用戶剛剛在某個購物中心某家店有過消費過某個商品A，根據(jù)上篇講述的交叉關聯(lián)銷售可以為用戶推薦關聯(lián)商品B。

用戶畫像人人都在說，用戶畫像貴在準。

廣義上，” 用戶畫像 ” 指的是企業(yè)從各個渠道收集用戶信息，再根據(jù)所獲信息對用戶進行人格化分析，包括人口屬性、興趣愛好、購物偏好、社交屬性等等，為每一位用戶打上專屬標簽。

用戶畫像的分析維度：

其一、人口屬性：

地域、年齡、性別、文化、職業(yè)、收入、生活習慣、消費習慣等;

其二、產(chǎn)品行為：

產(chǎn)品類別、活躍頻率、停留時間、問題咨詢、產(chǎn)品喜好、產(chǎn)品驅動、使用習慣、產(chǎn)品消費等;

用戶畫像對精準推薦的好處，隨著移動互聯(lián)網(wǎng)的發(fā)展，各類手機應用的頻繁使用，用戶的時間越來越趨于碎片化，各維度的信息也更豐富，移動應用開發(fā)者們也從以技術為中心的產(chǎn)品設計漸漸轉向了以用戶為中心。

對用戶的精準畫像，一方面可以很好地描述用戶的許多特征，有助于產(chǎn)品人員展開針對性的設計產(chǎn)品;另一方面，對運營人員開展精準化營銷、個性化推薦也起到了至關重要的作用。

如今，”用戶畫像”被越來越多的談及，它是產(chǎn)品經(jīng)理、運營者們津津樂道的寶貝。作為銷售員們喜愛的一款工具，我們來看看我所投資企業(yè)人工智能推薦引擎是如何進行用戶畫像，幫助企業(yè)實現(xiàn)精準營銷的。

企業(yè)管理者或銷售人員借助我搭建的AI-UTAUT模型，便能夠實時獲取客戶的信息和行為軌跡，包括他們的基本特征、聯(lián)系方式，他們?yōu)g覽過哪個頁面，他們喜歡點擊、分享怎樣的內容，他們會咨詢什么樣的問題。

AI-UTAUT模型還能實時把客戶的行為與銷售員進行關聯(lián)，例如一旦監(jiān)測到客戶點擊小程序中的任何頁面，即會通知銷售人員，幫助銷售獲取潛在客戶，實現(xiàn)標簽化管理。銷售員還可以與客戶發(fā)微信消息，而且無需加好友、不用跳轉，即可隨心實現(xiàn)。

根據(jù)客戶的行為分析,AI-UTAUT模型運用獨特的人工智能算法,可以自動生成成交幾率預測,以漏斗圖的形式，把客戶按照成功率由高往低排,讓銷售員一眼便能知道誰才是潛在用戶，避免銷售人員多做無用功。

例如，某汽車4S店銷售員小王周一上午到達公司后，第一件事就是打開自己的微信，這時他看到AI-UTAUT模型助理已經(jīng)推送了幾十條銷售線索。當他點開”客戶”,可以查看AI所分析的預計成功率,并且系統(tǒng)已經(jīng)自動按成功率高低排出客戶的優(yōu)先級。

這時系統(tǒng)顯示一位叫阿蓮的女士的預計成交率在85%,她留言詢問某款SUV是否有更緊湊的型號,小王立馬進行回復。5分鐘后,他的手機鈴聲響起,來電顯示正是阿蓮。短短5分鐘，一筆20萬以上的業(yè)務就被敲定了。

此外，用戶畫像除了在溝通和識別客戶方面有幫助外，還能對維系老客戶和促進二次轉化，發(fā)揮更多價值。

例如，我們還可以在AI-UTAUT后臺選取一批用戶的某些屬性，做一些預測功能，例如預測用戶是否會流失;或者預測用戶是否會對新上線的功能感興趣。對應的，預測出很可能會流失的用戶，針對性進行挽留的營銷活動，比如發(fā)紅包、發(fā)優(yōu)惠券等。針對會對新功能感興趣的用戶，可以給其推送新功能，來增加用戶的粘性。

我所搭建的AI-UTAUT模型在所投資的這家正好解決了原來商家的優(yōu)惠券使用率低、用戶粘性低的問題。

綜合來看AI-UTAUT模型不僅僅幫我所投資的這家企業(yè)的銷售額提升，同時這套模型算法也為周邊的商家進行了賦能。例如上文中所舉的例子賦能4S點銷售人員更好的服務客戶的例子。

三、AI-UTAUT模型深度解析

1. 模型中的績效期望因素

績效期望正向影響消費者接受企業(yè)大數(shù)據(jù)精準推薦意愿是因為消費者接受企業(yè)大數(shù)據(jù)精準推薦的信息有可能提高其信息搜索的效率。企業(yè)要推送切實滿足消費者需求的信息，企業(yè)就必須做好消費者畫像的識別工作，完善數(shù)據(jù)分析推薦模型，及時根據(jù)消費者多元、動態(tài)、不可持續(xù)的需求進行數(shù)據(jù)推薦模型的完善和修正，做好消費者畫像特征分析工作，保證向消費者推送的信息是消費者需求的，真真正正地提高消費者信息搜索的效率。

2. 模型中的基于消費者需求和期望的信息方面

基于消費者需求和期望的信息正向影響消費者接受企業(yè)大數(shù)據(jù)精準推薦意愿是因為基于消費者需求和期望的信息是適當?shù)?、準確的、有質量的信息。企業(yè)要根據(jù)消費者經(jīng)瀏覽、訪問、購買形成的各式大數(shù)據(jù)進行細致分析，洞察消費者的顯性需求和潛在需求，做好消費者產(chǎn)品喜好、心理接受價位、產(chǎn)品品牌等信息的預測，及時地以合適的方式，在合適的時間，將合適的產(chǎn)品信息推送給消費者，提高消費者和產(chǎn)品的匹配度，提高消費者轉化率。

3. 模型中在線及時溝通方面

在線溝通正向影響消費者接受企業(yè)大數(shù)據(jù)精準營銷意愿是因為在線溝通能縮短消費者與企業(yè)人員的溝通距離，在避免向消費者單向推銷，令消費者反感的同時，還可以讓消費者互相了解購后感受，降低信息不對稱給消費者帶來的負面影響的概率。

企業(yè)要搭建營銷全過程的消費者參與互動平臺。企業(yè)可通過微博、微信與消費者進行互動，也可通過設置商品評價區(qū)、討論區(qū)讓消費者留言，在及時了解消費者對企業(yè)產(chǎn)品或服務評價的同時，也可為企業(yè)產(chǎn)品或服務營造良好的口碑。

當然，消費者對企業(yè)的產(chǎn)品或服務不滿意時，也可通過互動平臺及時反饋，企業(yè)也可及時處理，降低不良口碑對企業(yè)的影響。企業(yè)還可鼓勵喜歡購后分享、有公眾影響力的消費者進行分享，以期帶動其他消費者選擇企業(yè)的產(chǎn)品或服務。

我利用AI-UTAUT模型所賦能的地鐵新零售企業(yè)旗下的一類是智能販售機，我建議廠家在機器上安裝一鍵在線溝通功能，就是為了上述原因。

企業(yè)在開展精準推薦的過程中，若企業(yè)人員能與消費者進行溝通，就可將單向促銷轉換為“互動、雙贏、關聯(lián)關系”的溝通，最大化地縮短了企業(yè)和消費者間的溝通距離，避免一味地向消費者進行單向推銷，在無法觸及消費者需求點的情況下，使消費者產(chǎn)生反感、抵觸的情緒。

當然，企業(yè)開展的大數(shù)據(jù)精準推薦并不是一次性的活動，而是一個循環(huán)往復的過程，企業(yè)人員在與消費者周而復始的溝通中能不斷地收集消費者的信息，對自身的精準推薦模型算法不斷調整和優(yōu)化，進而提升消費者接受企業(yè)大數(shù)據(jù)精準推薦的意愿，提升對企業(yè)產(chǎn)品或服務的購買意愿。

四、設計AI-UTAUT模型時所研究過的算法模型

算法模型在《AI產(chǎn)品經(jīng)理從懂精準推薦模型到產(chǎn)品創(chuàng)新》上篇中按AI機器學習風格進行過分類，者下篇中我們將按功能相似性講解算法模型，這里所講解的模型算法是我在創(chuàng)造AI-UTAUT模型過程中多數(shù)檢驗過的。所以在講解算法模型的時候會總結哪些算法模型用在哪個場景比較多，哪些算法模型是AI產(chǎn)品經(jīng)理經(jīng)常會遇到的。

由功能的相似性分組的算法模型如下：

機器學習算法通常根據(jù)其功能的相似性進行分組。例如，基于樹的方法以及神經(jīng)網(wǎng)絡的方法。但是，仍有算法可以輕松適應多個類別。如學習矢量量化，這是一個神經(jīng)網(wǎng)絡方法和基于實例的方法。

在讀者閱讀本段文字的時候如果有些屬于不太熟悉，或者有些模型算法聽到的比較少請不用擔心，一方面可能是這類算法模型以后也很好用，如果需要用到的話，到時候再針對性的學習這類算法模型也不遲。另外一方面我會盡量指明這些算法應用的場景。

1. 回歸算法

回歸算法涉及對變量之間的關系進行建模，我們在使用模型進行的預測中產(chǎn)生的錯誤度量來改進。這些方法是數(shù)據(jù)統(tǒng)計的主力，所以回歸算法又稱為回歸分析。此外，它們也已被選入統(tǒng)計機器學習。

常用的的回歸算法是：

• 普通最小二乘回歸（OLSR）；
• 線性回歸；
• Logistic回歸；
• 逐步回歸；
• 多元自適應回歸樣條（MARS）；
• 局部估計的散點圖平滑（LOESS）；

用途場景：預測未來，預測銷量等等。

例子：如下圖：當一天中早高峰或者晚高峰的時候實際上是商場里面的品牌商銷量減少的時候，這一點可以通過我的AI-UTAUT模型數(shù)據(jù)實證。

2. 基于實例的算法

該類算法是解決實例訓練數(shù)據(jù)的決策問題。這些方法構建了示例數(shù)據(jù)的數(shù)據(jù)庫，它需要將新數(shù)據(jù)與數(shù)據(jù)庫進行比較。為了比較，我們使用相似性度量來找到最佳匹配并進行預測。出于這個原因，基于實例的方法也稱為贏者通吃方法和基于記憶的學習，重點放在存儲實例的表示上。因此，在實例之間使用相似性度量。

常用的基于實例的算法是：

• k-最近鄰（kNN）；
• 學習矢量量化（LVQ）；
• 自組織特征映射（SOM）；
• 本地加權學習（LWL）；
• 正則化算法；

用途場景：商品上新雙11前夕高達千萬級。因為第三方POP商品上新沒有人工審核環(huán)節(jié)，商會有意、無意地將商品發(fā)布到錯誤類目，更有甚者，部分商家采用批量上新和批量搬家工具，導致大規(guī)模錯掛商品的出現(xiàn)，不斷沖擊著商品生態(tài)防線，影響用戶購物體驗，并帶來了諸如食品、藥品和成人用品等相關的一系列監(jiān)管風險。

面對海量級的商品數(shù)據(jù)和高達上千個類目的商品層級分類體系，如何才能有效判別商品類目掛靠的正確與否，實現(xiàn)全方位和高效的監(jiān)控。

在商品類目預測這個問題上，很多電商公司在過去的10年里一直在不斷探索和改進，公開資料顯示，電商巨頭eBay先后采用了傳統(tǒng)的規(guī)則和統(tǒng)計等模型、如KNN、KNN+SLM和DNN幾種方法，準確率從最初的50%一步步提高到了90%+。

3. 決策樹算法

決策樹方法用于構建決策模型，這是基于數(shù)據(jù)屬性的實際值。決策在樹結構中進行分叉，直到對給定記錄做出預測決定。決策樹通常快速準確，這也是機器學習從業(yè)者的最愛的算法。

常用的的決策樹算法是：

• 分類和回歸樹（CART）；
• 迭代Dichotomiser 3（ID3）；
• C4.5和C5.0；
• 卡方自動交互檢測（CHAID）；
• 決策樹樁；
• M5；
• 條件決策樹；

用途場景：有一個經(jīng)典的案例判斷一個西瓜是否是好瓜就是典型的決策樹算法模型的應用。

例子如下圖：

上圖說明：

有一個最直觀的解釋，如果你吃的大部分的好瓜紋理都很清晰，那么你肯定首先去判斷面前的瓜紋理是不是清晰，如果不清晰那極有可能不是好瓜。但是還有一個問題，好瓜大都紋理清晰，但并不是所有紋理清晰的瓜都是好瓜，你需要繼續(xù)根據(jù)其他特征去判斷。

假設你面前的瓜紋理清晰，那么你回去想你吃過的紋理清晰的好瓜中，還有什么讓你印象深刻的特征？對了，你想起來根蒂蜷縮的紋理清晰的瓜是大都是好瓜。

上面我們講過了怎么判斷一個瓜是好瓜。如果讓計算機去學習如何判斷好瓜，那么我們需要給它很多的樣例。這些樣例數(shù)據(jù)中，有好瓜有壞瓜，每個樣例都給出了瓜的紋理、根蒂、色澤、觸感、敲聲等等特征。有了樣例數(shù)據(jù)，計算機如何得到一個像人類判斷過程中的那種順序判斷的思路呢？答案就是決策樹。

4. 貝葉斯算法

這些方法適用于貝葉斯定理的問題，如分類和回歸。

常用的貝葉斯算法是：

• 樸素貝葉斯；
• 高斯樸素貝葉斯；
• 多項樸素貝葉斯；
• 平均一依賴估計量（AODE）；
• 貝葉斯信念網(wǎng)絡（BBN）；
• 貝葉斯網(wǎng)絡（BN）；

用途場景：例如判斷網(wǎng)絡環(huán)境是否異常，使用無監(jiān)督學習獲得每個設備、每個人員的網(wǎng)絡行為模式，結合行為分析與高等數(shù)學，運用遞歸貝葉斯估計（Recursive Bayesian Estimation，RBE）理論，提供對事件的估計概率并隨著新特征的發(fā)現(xiàn)不斷更新，自動判斷網(wǎng)絡行為是否存在異常。

5. 聚類算法

幾乎所有的聚類算法都涉及使用數(shù)據(jù)中的固有結構，這需要將數(shù)據(jù)最佳地組織成最大共性的組。

常用的聚類算法是：

• K-均值；
• K-平均；
• 期望最大化（EM）；
• 分層聚類；

用途場景：在用機器做聚類學習的時候，我們每種算法都對應有相應的計算原則，可以把輸入的各種看上去彼此“相近”的向量分在一個群組中。然后下一步，人們通常更有針對性地去研究每一組聚在一起的對象所擁有的共性以及那些遠離各個群組的孤立點——這種孤立點研究在刑偵、特殊疾病排查和用戶群體劃分等方面都有應用。

6. 關聯(lián)規(guī)則學習算法

關聯(lián)規(guī)則學習方法提取規(guī)則，它可以完美的解釋數(shù)據(jù)中變量之間的關系。這些規(guī)則可以在大型多維數(shù)據(jù)集中被發(fā)現(xiàn)是非常重要的。

常用的關聯(lián)規(guī)則學習算法是：

• Apriori算法；
• Eclat算法；

用途場景：在《 AI產(chǎn)品經(jīng)理從懂精準推薦模型到產(chǎn)品創(chuàng)新》上篇中講述比較多，感興趣的讀者可以翻閱。

7. 人工神經(jīng)網(wǎng)絡算法

這些算法模型大多受到生物神經(jīng)網(wǎng)絡結構的啟發(fā)。它們可以是一類模式匹配，可以被用于回歸和分類問題。它擁有一個巨大的子領域，因為它擁有數(shù)百種算法和變體。

常用的人工神經(jīng)網(wǎng)絡算法是：

• 感知機；
• 反向傳播；
• Hopfield神經(jīng)網(wǎng)絡；
• 徑向基函數(shù)神經(jīng)網(wǎng)絡（RBFN）；

用途場景：使用神經(jīng)網(wǎng)絡算法從用戶的自拍中完成人臉識別，并自動摳出輪廓，并根據(jù)本地算法，將自拍快速轉變?yōu)閯赢嬶L格或其它自定義風格的表情包。

8. 深度學習算法

深度學習算法是人工神經(jīng)網(wǎng)絡的更新，同時深度學習算法也是機器學習的典型代表算法。他們更關心構建更大更復雜的神經(jīng)網(wǎng)絡。

常用的深度學習算法是：

• 深玻爾茲曼機（DBM）；
• 深信仰網(wǎng)絡（DBN）；
• 卷積神經(jīng)網(wǎng)絡（CNN）；
• 堆疊式自動編碼器；

用途場景：非常多，有醫(yī)療影像識別、食品配料識別，人臉識別等等。

9. 常用機器學習算法列表

樸素貝葉斯分類器機器學習算法

應用場景：通常，網(wǎng)頁、文檔和電子郵件進行分類將是困難且不可能的。這就是樸素貝葉斯分類器機器學習算法的用武之地。分類器其實是一個分配總體元素值的函數(shù)。例如，垃圾郵件過濾是樸素貝葉斯算法的一種流行應用。因此，垃圾郵件過濾器是一種分類器，可為所有電子郵件分配標簽“垃圾郵件”或“非垃圾郵件”?；旧希前凑障嗨菩苑纸M的最流行的學習方法之一。這適用于流行的貝葉斯概率定理。

K-means：聚類機器學習算法

通常，K-means是用于聚類分析的無監(jiān)督機器學習算法。此外，K-Means是一種非確定性和迭代方法，該算法通過預定數(shù)量的簇k對給定數(shù)據(jù)集進行操作。因此，K-Means算法的輸出是具有在簇之間分離的輸入數(shù)據(jù)的k個簇。

支持向量機學習算法

基本上，它是用于分類或回歸問題的監(jiān)督機器學習算法。SVM從數(shù)據(jù)集學習，這樣SVM就可以對任何新數(shù)據(jù)進行分類。此外，它的工作原理是通過查找將數(shù)據(jù)分類到不同的類中。我們用它來將訓練數(shù)據(jù)集分成幾類。而且，有許多這樣的線性超平面，SVM試圖最大化各種類之間的距離，這被稱為邊際最大化。SVM分為兩類：線性SVM：在線性SVM中，訓練數(shù)據(jù)必須通過超平面分離分類器。非線性SVM：在非線性SVM中，不可能使用超平面分離訓練數(shù)據(jù)。

Apriori機器學習算法

這是一種無監(jiān)督的機器學習算法。我們用來從給定的數(shù)據(jù)集生成關聯(lián)規(guī)則。關聯(lián)規(guī)則意味著如果發(fā)生項目A，則項目B也以一定概率發(fā)生，生成的大多數(shù)關聯(lián)規(guī)則都是IF_THEN格式。

應用場景：例如，如果人們購買iPad，那么他們也會購買iPad保護套來保護它。Apriori機器學習算法工作的基本原理：如果項目集頻繁出現(xiàn)，則項目集的所有子集也經(jīng)常出現(xiàn)。

線性回歸機器學習算法

它顯示了2個變量之間的關系，它顯示了一個變量的變化如何影響另一個變量。

決策樹機器學習算法

決策樹是圖形表示，它利用分支方法來舉例說明決策的所有可能結果。在決策樹中，內部節(jié)點表示對屬性的測試。因為樹的每個分支代表測試的結果，并且葉節(jié)點表示特定的類標簽，即在計算所有屬性后做出的決定。此外，我們必須通過從根節(jié)點到葉節(jié)點的路徑來表示分類。

隨機森林機器學習算法

它是首選的機器學習算法。我們使用套袋方法創(chuàng)建一堆具有隨機數(shù)據(jù)子集的決策樹。我們必須在數(shù)據(jù)集的隨機樣本上多次訓練模型，因為我們需要從隨機森林算法中獲得良好的預測性能。此外，在這種集成學習方法中，我們必須組合所有決策樹的輸出，做出最后的預測。此外，我們通過輪詢每個決策樹的結果來推導出最終預測。

Logistic回歸機器學習算法

這個算法的名稱可能有點令人困惑，Logistic回歸算法用于分類任務而不是回歸問題。此外，這里的名稱“回歸”意味著線性模型適合于特征空間。該算法將邏輯函數(shù)應用于特征的線性組合，這需要預測分類因變量的結果。

小結：

我搭建的AI-UTAUT精準推薦模型有Apriori算法、神經(jīng)網(wǎng)絡算法、回歸算法、聚類算法、貝葉斯算法，預測銷量的有回歸算法，可以直接調用的有外面成熟的人臉識別算法、語音識別算法等。

產(chǎn)品經(jīng)理日常工作中最常用的算法是：Apriori算法、聚類模型、決策模型、貝葉斯算法、關聯(lián)規(guī)則算法和深度學習、機器學習等。

五、AI產(chǎn)品經(jīng)理入門標準和入門類型

AI產(chǎn)品經(jīng)理入門前提條件主要是基于有哪些類別的企業(yè)，時下和未來的一段時間AI企業(yè)主要有：

• 第一類是純粹的AI技術企業(yè)，
• 第二類是+AI的企業(yè)，
• 第三類是綜合型企業(yè)AI作為助推器型的企業(yè)。

AI產(chǎn)品經(jīng)理在第一類企業(yè)里面做AI產(chǎn)品經(jīng)理如果產(chǎn)品是AI算法本身，即例如你要輸出的產(chǎn)品是人臉識別系統(tǒng)，這個時候需要AI產(chǎn)品經(jīng)理對算法懂的要深刻一些，建議加入此類企業(yè)的產(chǎn)品朋友可以針對性的補充算法知識。

如果在這類企業(yè)里面從事的是AI+的工作，那么主要的重點可以放在為這類AI系統(tǒng)找到適合的應用場景，并占領市場先機，先研發(fā)出來可以落地的產(chǎn)品。

AI產(chǎn)品經(jīng)理在第二類企業(yè)里面更多的是基于行業(yè)經(jīng)驗，看到行業(yè)內部可以被AI取代或者提升效率的點，+上AI。為行業(yè)賦能。

第三類綜合性企業(yè)主要是BAT/TMD等大型科技網(wǎng)絡公司，也包含中國平安、招行銀行等國營企事業(yè)單位。這類企業(yè)往往既有自己的核心算法，同時有希望旗下細分業(yè)務+上AI。

建議加入此類公司或者單位的AI產(chǎn)品經(jīng)理可以從數(shù)據(jù)型AI產(chǎn)品經(jīng)理做起，因為我們都知道AI包含數(shù)據(jù)、算法、算力，而大型企業(yè)核心需求是打通數(shù)據(jù)豎井，將歷史上累計的大數(shù)據(jù)用好，用AI技術得到更好的運用，所以AI產(chǎn)品經(jīng)理可以適當補充數(shù)據(jù)分析方面的知識。

本文全篇命名為 AI產(chǎn)品經(jīng)理從懂精準推薦模型到產(chǎn)品創(chuàng)新，共計分上篇和下篇。

通篇以精準推薦這一產(chǎn)品經(jīng)理經(jīng)常面臨的需求為例，來講解AI產(chǎn)品經(jīng)理入門需要懂得的算法模型知識點，并提出AI產(chǎn)品經(jīng)理入門的標準和AI企業(yè)類型。

通過劃分門類后建議AI產(chǎn)品經(jīng)理針對性的補充自己的算法或者數(shù)據(jù)方面的知識。

如果你想系統(tǒng)化入門AI產(chǎn)品經(jīng)理，掌握AI產(chǎn)品經(jīng)理的落地工作方法，戳這里>http://996.pm/7bjab

#專欄作家#

連詩路，公眾號：LineLian。人人都是產(chǎn)品經(jīng)理專欄作家，《產(chǎn)品進化論：AI+時代產(chǎn)品經(jīng)理的思維方法》一書作者，前阿里產(chǎn)品專家，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，禁止轉載。

題圖來自Unsplash，基于CC0協(xié)議