產品經(jīng)理有很多種，譬如有重業(yè)務的B端產品經(jīng)理，有重增長吸引用戶的C端產品經(jīng)理，還有SaaS，AaaS，IaaS產品經(jīng)理等等種類，當我們還沒有討論完產品經(jīng)理都是怎么進化來的時候，發(fā)現(xiàn)市場對產品經(jīng)理的崗位能力開始有較高的要求了。

其中有兩類產品經(jīng)理對軟硬件技能為更高且更為市場所需求，一類是AI產品經(jīng)理，一類是大數(shù)據(jù)產品經(jīng)理。

那么我們怎么認知這兩類產品經(jīng)理的關系呢？能不能做到大數(shù)據(jù)與AI復合上身的產品經(jīng)理呢？做到后即將成為什么樣基因的產品經(jīng)理呢？

本篇將進行講解。

第一招：開門點題

AI產品經(jīng)理與大數(shù)據(jù)產品經(jīng)理的關系是一體兩翼的關系，如下圖：

數(shù)據(jù)日常的大路路徑是匯聚、存儲、處理。

分叉后一條路線是形成數(shù)據(jù)集AorB，輸送給特定的模型，進行訓練。

例如輸送給RFM模型，AI產品經(jīng)理確認數(shù)據(jù)的業(yè)務意義，比方說張三是高價值客戶，李四是高潛力客戶，那么那些數(shù)據(jù)代表張三是高價值客戶，RFM模型中的最近購買時間R，購買頻次F，消費金額M，究竟怎么來驗證張三是高價值客戶，這個時候AI產品經(jīng)理會就業(yè)務本身自然呈現(xiàn)的內容輸送到模型，幫助優(yōu)化訓練模型。

在做的過程中，會驗證發(fā)現(xiàn)RFM模型有缺陷，不能很好地對航司客戶進行智能化識別，那么RFM模型就逐步地迭代為LRFM模型，再然后就部署的具體的系統(tǒng)模塊供各個業(yè)務項目場景應用。

分叉后另外一條路線是供數(shù)據(jù)分析，比如某外賣平臺希望通過消費者LineLian的用戶歷史和時間序列數(shù)據(jù)達到提高LineLian的消費品類的目標，那么需要對LineLian的消費存量數(shù)據(jù)進行分析，這里需要分析LineLian以往消費數(shù)據(jù)，例如LineLian以往消費都是晚餐（IT男加班多），消費晚餐的POI點，消費晚餐的品類等等，然后設計算法分析出千千萬萬個LineLian用戶，哪些可以從常定晚餐到推薦午餐也定午餐的目標。

從上圖分析可見AI產品經(jīng)理與大數(shù)據(jù)產品經(jīng)理有著天然的蜜著點且關系緊密，均是建立在數(shù)據(jù)的一體上發(fā)展出來的兩翼。

第二招：AI產品與大數(shù)據(jù)產品的各自內容

雖說AI與大數(shù)據(jù)的關系藕斷絲連，但是AI有AI的獨立空間，大數(shù)據(jù)也有大數(shù)據(jù)的橋頭切面。

兩者各自的內容如下圖：

大數(shù)據(jù)產品經(jīng)理圍繞著數(shù)據(jù)平臺做產品（大數(shù)據(jù)平臺包含數(shù)據(jù)中臺），數(shù)據(jù)平臺從下層往上層大數(shù)據(jù)，產品經(jīng)理依次會陪著大數(shù)據(jù)架構師先治理數(shù)據(jù)如何存，再治理大數(shù)據(jù)的增長，再治理異構數(shù)據(jù)，再次才是數(shù)據(jù)的有關功能的開發(fā)應用。例如：數(shù)據(jù)分析，數(shù)據(jù)可視化，數(shù)據(jù)資產管理，數(shù)據(jù)質量管理等等。

而AI產品經(jīng)理主要圍繞著AI需要的算法、AI需要的算力、AI應用于哪些場景為核心而工作，AI平臺如上圖。

一名AI產品經(jīng)理先從下面云、芯片等算力開始著手，一直到中間層的機器視覺、機器聽覺、NLP等算法，最后到AI應用的場景譬如智能駕駛、智能家居等等場景。

第三招：AI產品經(jīng)理+大數(shù)據(jù)產品經(jīng)理=數(shù)智化產品經(jīng)理

雖說大數(shù)據(jù)產品經(jīng)理與AI產品經(jīng)理現(xiàn)階段有著各自的內容，但是中期大數(shù)據(jù)產品經(jīng)理與AI產品一定有協(xié)同混合的市場需求，即市場老板不會將AI拆分成AI，也不會簡單的將大數(shù)據(jù)單獨的作為大數(shù)據(jù)，長期看是數(shù)智化產品為主導趨勢！

特別說明，數(shù)智化的智是智能的智。

早期，宜即時下市場上典型的案例是，許多企業(yè)需求是要構建自己的數(shù)據(jù)中臺，一個數(shù)據(jù)中臺里是很難看到AI的核心使命的。但是中期看AI與大數(shù)據(jù)會有融合，即當數(shù)據(jù)治理以后，下一層自然推送到機器學習平臺，當然早期和中期之間是有銜接的過渡地帶的。但是長期來看，數(shù)智一體化產品才是產品經(jīng)理進化的深度趨勢，如下圖：

數(shù)智化產品經(jīng)理基礎是數(shù)據(jù)工作‘其次是具有通用級別的大數(shù)據(jù)治理能力，例如有適應性頗高的算法+算力能力來計算大數(shù)據(jù)，然后是客客制化的AI模型算法能力，最后是場景挖掘應用思維，具備這種數(shù)智化系統(tǒng)的產品是未來市場的產品經(jīng)理！

除了明白上面3招外AI產品與大數(shù)據(jù)產品的關系和內涵知識外，還有如下3招幫助我們上手大數(shù)據(jù)與AI產品經(jīng)理。

AI產品與大數(shù)據(jù)產品需懂的技術層面

想成為AI產品經(jīng)理和大數(shù)據(jù)產品經(jīng)理注定需要先吃一番風霜苦。

首先，自己有無抓住AI和大數(shù)據(jù)的紅利期，實現(xiàn)從傳統(tǒng)產品經(jīng)理轉型到AI大數(shù)據(jù)產品經(jīng)理的思維方式；其次有無做好接受數(shù)據(jù)匯聚、數(shù)據(jù)存儲、數(shù)據(jù)分析、算法針對行業(yè)業(yè)務的類型、模型在不同的數(shù)據(jù)集訓練測試持續(xù)優(yōu)化的準備，需要準備哪些呢？譬如：打破小產品的認知，走向大產品。

學著做一個AI大數(shù)據(jù)產品的融資方案，市場規(guī)模調研，可行性分析報告，還有最最核心的以用戶需求和客戶要求做的具體的AI大數(shù)據(jù)產品的產品界面、功能、后臺數(shù)據(jù)治理的文檔。

過程中需要懂的技術至少有：

• 硬件基礎層的CPU/GPU/FPGA/ASIC等；
• 引擎框架層的高性能計算引擎如分布式計算框架/交互式分析框架/深度學習框架等，Hadoop生態(tài)圈組件的HDFS/Hbase/Kafka等，數(shù)據(jù)庫的時序數(shù)據(jù)庫/高性能的OLAP數(shù)據(jù)庫等，還有容器云管理等；
• 平臺級產品層，大數(shù)據(jù)管理數(shù)據(jù)集成的流程/元數(shù)據(jù)管理/數(shù)據(jù)質量管理/數(shù)據(jù)資產管理/數(shù)據(jù)安全管理等，大數(shù)據(jù)AI機器學習的模型部署管理/邊緣AI/可視化開發(fā)/IDE集成開發(fā)等，當然還有集群管理，用戶管理，權限管理，監(jiān)控管理等。

以上技術懂的尺度和邊界是你所在的團隊技術不懂的你得懂，技術懂的你得能跟他交流。

最后，大數(shù)據(jù)AI產品經(jīng)理或者說數(shù)智產品經(jīng)理，如何尋找新的場景需求，并具有發(fā)展性產品思維留做下篇講解，謝謝觀看。

如果你想系統(tǒng)化入門AI產品經(jīng)理，掌握AI產品經(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。人人都是產品經(jīng)理專欄作家，《產品進化論：AI+時代產品經(jīng)理的思維方法》一書作者，前阿里產品專家，希望與創(chuàng)業(yè)者多多交流。

本文原創(chuàng)發(fā)布于人人都是產品經(jīng)理。未經(jīng)許可，禁止轉載。

題圖來自Unsplash, 基于CC0協(xié)議