如何做一枚合格的資料產品經理

大資料文摘出品

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。但是對於資料科學這一比較新的領域來說，需要發掘的東西太多，不能拘於傳統正規化。

如何做好資料圈的產品經理？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，助你成為合格產品經理。

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，我們需要一個資料科學產品經理。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資料產品經理的理解：

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，而作為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……

作為一個資料產品，你必須能夠發現機會，在哪裡可以利用到機器學習。此外，你需要能夠與你的資料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組，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）為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為衡量標準。總的來說，評估標準將取決於可用的資料、所使用的模型以及手頭的應用程式。

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群樣本來測試模型，然後再宣告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.先考慮冷啟動

因為很難確定一個機器學習產品是否可以運轉，所以先考慮冷啟動。冷啟動在收集顧客反饋資訊方面非常有用。

在B2B環境中的軟啟動可能與在B2C環境中非常不同。在B2B環境中，你可以用客戶群的代表性樣本來測試機器學習的產品。在這裡，你可以與你的客戶建立合作伙伴關係，在釋出時請求產品反饋。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！

你已經制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定，當模型的效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，為你的客戶設定清晰的關於模型效能、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，為了保持其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。

Scrum或類似的方法在軟體社群中相當流行。然而，並不是機器學習週期的所有階段都接受定時的或t恤大小的使用者故事。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，你作為資料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，提供釋出計劃，開發業務案例，並充當團隊與內部和外部接洽的介面。

如果你要從這篇文章中去掉一樣東西，那就是你需要對你的資料團隊中不同成員的角色和責任形成一定程度的理解和同理心。不用說，這在傳統軟體環境中也是如此。如果你瞭解你的同事們所經歷的事情，你就會開始思考如何才能幫助他們成功。

相關報導：

https://towardsdatascience.com/on-being-a-data-science-product-manager-5c8baf42e0a7