如何做一枚合格的數據產品經理

　　大數據文摘出品

　　編譯：王富貴

　　來源：medium

　　每一個公司都有產品經理。

　　根據定義，產品經理負責統籌各方需求，選擇業務模式，並根據公司產品的生命週期進行協調、研發、營銷、運營。

　　傳統業務還好說，畢竟一些流程已經成熟。但是對於數據科學這一比較新的領域來說，需要發掘的東西太多，不能拘於傳統範式。

　　如何做好數據圈的產品經理？一位曾在Uber戰略&運營部門的數學科學家Wafic EI-Assi給出了七條建議，助你成爲合格產品經理。

　　對於任何產品團隊，都需要一個人來對產品生命週期的負責。換句話說，我們需要一個數據科學產品經理。而且，由於當時的組織結構有變動，我不得不暫時接盤這個職位。下面是我對如何成功地做一枚數據產品經理的理解：

　　譯者注：

　　Proof of Concept，它是一套建議的電子模型，它可用於論證團隊和客戶的設計，允許評估和確認概念設計方案。

　　1.培養對機器學習的認知

　　我有一個朋友最近在加拿大的魁北克開始了一份工作。魁北克省是加拿大講法語的省份，而作爲一個只說英語的加拿大人，他很難適應，直到他學會了法語！你懂我的意思了吧……

　　作爲一個數據產品，你必須能夠發現機會，在哪裏可以利用到機器學習。此外，你需要能夠與你的數據科學家和工程師對得上話。如果你不瞭解如何用機器學習構建模塊，你就很難與團隊建立同理心。索性，在網上有無數的免費資源可以幫助你提高速度（coursera，medium，youtube……）。

　　2. 理解模型評估

　　在機器學習中，選擇合適的模型評價指標以及確定最小可接受誤差，是兩個最具挑戰性的任務。你不需要（也不可能）爲手頭的任務提供極高的精確度。另一方面，對於整體業務來說高錯誤率太話費時間人力成本。因此，你應該積極主動地學習評估指標和可接受的誤差範圍。例如，當機器學習產品正在替換一個已經存在的任務時，你可以使用當前的錯誤率作爲衡量標準。總的來說，評估標準將取決於可用的數據、所使用的模型以及手頭的應用程序。

　　3.對實驗要虛心

　　判斷機器學習產品何時可以交付是一個具有挑戰性的任務。在測試誤差較低、不存在過擬合的情況下，是否應該採用模型？我們是否應該先在生產環境中使用我們的客戶羣樣本來測試模型，然後再聲明它可以供所有客戶使用？答案會在時間，成本和準確性之間可能會做出權衡。事實上，機器學習的產品生命週期依賴於大量的實驗，所以我的建議是你在產品路線圖中加入測試的時間。

　　4.先考慮冷啓動

　　因爲很難確定一個機器學習產品是否可以運轉，所以先考慮冷啓動。冷啓動在收集顧客反饋信息方面非常有用。

　　在B2B環境中的軟啓動可能與在B2C環境中非常不同。在B2B環境中，你可以用客戶羣的代表性樣本來測試機器學習的產品。在這裏，你可以與你的客戶建立合作伙伴關係，在發佈時請求產品反饋。另一方面，在B2C環境中，你可以進行A/B測試，驗證產品是否達到預期的結果。

　　5.還沒完事呢！

　　你已經製造了你的機器學習產品。幹得好！然而，你還遠未完成。除了傳統的部署後PM職責之外，還有一些應該注意的事情。

　　首先，你需要一個應急計劃。確保有監視和警報系統設置，當模型的性能開始下降時警告你和你的團隊。如果你有一個更通用的備份模型（儘管可能不那麼準確），甚至有一個基於規則的系統，可以在預測下降時部署來替代你的選擇模型，這是比較理想的狀態。

　　其次，爲你的客戶設定清晰的關於模型性能、錯誤邊際和時間延遲的期望。你的SLA（服務品質協議）中還應該反映這一點。

　　最後，爲了保持其SLA以及推廣再培訓模型所需的時間，你需要確定需要多少次模型再訓練。

　　6.採取敏捷的心態，而不是具體的敏捷框架

　　Scrum或類似的方法在軟件社區中相當流行。然而，並不是機器學習週期的所有階段都接受定時的或t恤大小的用戶故事。至少，在研究或POC階段，大量的實驗是必要的，在那個階段採用一個限制較少的敏捷框架（如看板）可能是理想的。

　　除了熟悉機器學習概念和機器學習產品生命週期之外，你作爲數據產品經理的角色與常規產品經理沒有太大區別。你仍然需要構建一個待辦事項列表，提供發佈計劃，開發業務案例，並充當團隊與內部和外部接洽的接口。

　　7.最後：把大家整合在一起