了解新零售下的AI智能貨柜,看這篇就夠了
本文分析了新零售下智能貨柜的現(xiàn)狀與未來發(fā)展,主要包括這5點:新零售與智能貨柜概述、智能貨柜發(fā)展路線和市場分析、智能貨柜技術(shù)核心、系統(tǒng)結(jié)構(gòu)、貨柜運營核心與用戶體驗,供大家一起學習和參考。
目前新零售風刮的蠻大,筆者進入該領(lǐng)域近一年,負責過無人便利店、智能貨柜、智慧商超等產(chǎn)品,在這個階段不斷去學習AI技術(shù)、積累新零售領(lǐng)域經(jīng)驗。該篇文章作為第一篇AI產(chǎn)品設計復盤文章,為大家從行業(yè)、技術(shù)、產(chǎn)品設計三個點去介紹視覺識別智能貨柜。
文章也許會衍生成新零售系列,主要目的有:
- 帶來客觀的新零售+AI領(lǐng)域結(jié)合的行業(yè)和智能貨柜產(chǎn)品動向;
- 真正以一個PM角色以綜合視覺去看待:趨勢、行業(yè)、產(chǎn)品、技術(shù)的結(jié)合,在加強自身的綜合能力同時,給其他PM帶來實際性的疑惑和思考。
ps:涉及商業(yè)限制,文章不會出現(xiàn)具體硬件型號或算法版本。
文章目錄:
一、新零售與智能貨柜概述
1.1 新零售背景
2016年10月的阿里云棲大會上,阿里巴巴馬云在演講中第一次提出了新零售,“未來的十年、二十年,沒有電子商務這一說,只有新零售”。
當時的大背景是:線上電商零售流量紅利見底,新中產(chǎn)階級和對應的消費升級觀念崛起,移動支付等技術(shù)普及,整個傳統(tǒng)零售行業(yè)急需向歐美地區(qū)企業(yè)學習數(shù)字化謀求更好的發(fā)展,加上國家政策推動,因此新零售風口正式來臨。
1.2 新零售與智能貨柜
如何理解新零售,我們把新零售拆為“新”和“零售”,“新”在于更高效率、更好的服務,“零售”的本質(zhì)鏈接是“人”與“貨”的“場”。
《新零售:低價高效的數(shù)據(jù)賦能之路》:一張圖了解新零售
在智能貨柜這個產(chǎn)品中:
- 智能貨柜即一個最小型的“場”,有了“場”,便產(chǎn)生了交易的可能。智能貨柜占地面積不到1平方米,幾乎是所有“場”中的最小單位。其成本低,布點位置靈活,可作為前置倉使用,十分有利于零售商家對自己的零售生態(tài)整體布局。同時依靠視覺識別等AI技術(shù)(下文會詳細介紹),加強了線下商品的即得性,提升了用戶體驗;
- 智能貨柜上的“貨”,通過數(shù)據(jù)驅(qū)動,在消費者端做到千柜千面??煞聪蝌?qū)動供應鏈端和產(chǎn)品設計端(即供給端),零售商家可做到高性價比的精細化運營,用更短更直接的路線和體驗打動消費者;
- 在“場”和“貨”不斷迭代中,吸引到“人”(即用戶)。用戶的關(guān)鍵指標為流量*轉(zhuǎn)化率*客單價*復購率,對不同用戶畫像進行精細化運營,提高坪效。
最終,利用AI數(shù)據(jù)、用戶畫像、商品推薦等技術(shù)實現(xiàn)智能貨柜“人”、“貨”、“場”的消費生態(tài)閉環(huán),這便是智能貨柜在新零售時代的運營思路(也可以稱作軌跡)。
對于企業(yè)來說,理解產(chǎn)品處于什么位置是及其重要的,“當前位置”決定了發(fā)展方向和目標的確立,是增長路上的重要前提條件。智能貨柜在零售生態(tài)下作為獲取線下流量入口,在技術(shù)方案趨向成熟和數(shù)字化明確的背景下,是許多零售商和技術(shù)服務商值得投入資源去做的一個點。
市面上最好的點位營業(yè)額日超四位數(shù),假設一個零售商有1000臺貨柜布點,那么一天的僅靠貨柜營業(yè)額可達到1,000×1,000=¥1,000,000,一個龐大的數(shù)字。
二、智能貨柜發(fā)展路線和市場分析
2.1 智能貨柜發(fā)展路線
智能貨柜目前一共經(jīng)歷了三個階段。
(1) 自動售賣機階段:
1993年自動販賣機從歐美、日本地區(qū)傳入中國,傳統(tǒng)自動售賣機主要是硬件驅(qū)動,用戶使用紙幣、硬幣支付,貨柜通過彈簧彈出商品,但傳統(tǒng)售貨機企業(yè)未能有效解決成本,質(zhì)量,運營等諸多問題,所以導致國內(nèi)市場上的自動售貨機不僅數(shù)量少,且品種非常單一,主要以瓶罐裝飲料售貨機為主。
(2) 無人貨架階段:
2017年,在新零售趨勢加持下,無人貨架迎來風口。無人貨架大部分由互聯(lián)網(wǎng)公司進行運營,以幾百元的成本在辦公室等較封閉場景快速搭建貨架,用戶通過微信、支付寶掃碼支付,從貨架拿取商品。但因為沒有構(gòu)建消費閉環(huán)場景,導致商品貨損率極高,所以在運營一年后,大部分無人貨架項目都已暫停運營。
(3) 智能貨柜階段:
市場一直在驅(qū)動企業(yè)創(chuàng)新,無人貨架風口過后,以RFID和視覺識別為核心技術(shù)的智能貨柜時代正式走上歷史舞臺,與無人貨架相比,智能貨柜形成了消費閉環(huán),用戶掃碼開門拿取商品,關(guān)門即扣費,貨損率可控95%以上,同時點位達到一定規(guī)模后,智能技術(shù)賦能運營及補貨過程,銷售和品牌的規(guī)模效益便能逐步產(chǎn)生。
2.2 智能貨柜技術(shù)解決方案
- RFID解決方案:RFID分超高頻RFID與高頻RFID,該技術(shù)好處是沒有SKU和擺放限制,但相應的會增加人力成本和商品成本,識別準確率大概是95~98%,由于不是本篇主要內(nèi)容,故不多介紹;
- 視覺識別解決方案:以圖像識別為技術(shù)核心,攝像頭、主板為硬件核心,對消費圖/視頻進行目標檢測和分類,極大的提高購買和補貨體驗,同時識別準確率可到到99%~99。9%;
- 重力感應與視覺識別混合解決方案:以重力感應為主,視覺識別為輔,或者以視覺識別為主,重力感應為輔的形式,進一步提高準確率。
2.3 智能貨柜市場分析
目前智能貨柜市場的公司分類主要有以下三種:
(1) 無人貨架轉(zhuǎn)型公司:
從無人貨架賽道上轉(zhuǎn)戰(zhàn)的公司。該類公司有運營基礎(chǔ)自己運營貨柜,但是還需尋求硬件資源和組建圖像算法團隊。
代表公司有:猩便利、小e微店。
(2) AI科技技術(shù)公司:
本身具備視覺識別技術(shù)能力,為傳統(tǒng)行業(yè)和領(lǐng)域賦能的公司,該類公司都擁有算法團隊和AI核心技術(shù)基礎(chǔ)支持,一般不做運營,只為零售商提供硬件和軟件技術(shù)支持。
代表公司有:深蘭科技、海深科技、云拿科技。
(3) 傳統(tǒng)自動售賣機企業(yè):
意識到以視覺識別技術(shù)為核心的智能貨柜是新一輪增長動力的傳統(tǒng)自動售賣機企業(yè),該類企業(yè)有運營基礎(chǔ)和硬件基礎(chǔ),資金量也充足可以很快的組建算法團隊,研發(fā)出貨柜自運營或者批量售賣。
代表公司有:友寶。
部分智能貨柜公司列表
智能貨柜核心指標對比
2.4 瓶頸與機會
智能貨柜的發(fā)展瓶頸主要是技術(shù)瓶頸:經(jīng)過2018~2019的快速發(fā)展,智能貨柜的發(fā)展到一定階段,市面上的智能貨柜技術(shù)服務商統(tǒng)稱自家的識別準確率在99%以上,則100單最多只會識別錯1單,但是距離真正成熟階段還差一定距離,識別技術(shù)瓶頸在未來會一直存在。
做到“千柜千面”,多場景全渠道售賣,兼容各類商家和商品,會出現(xiàn)各種各樣的復雜場景,對圖像識別的精準度和覆蓋度要求更高。如商品遭遮蓋、倒放、推倒、疊放等問題,都需要通過優(yōu)化算法以及配合其他方案解決。目前解決方案是使用動態(tài)識別和重力感應,但這也會增加成本。除了識別精度,還有許多待解決優(yōu)化的技術(shù)挑戰(zhàn)。
商品識別已知的工程挑戰(zhàn)問題
從智能貨柜的普及率來看市場機會:在美國,平均35人擁有一臺自動販賣機、在日本則是平均23人就擁有一臺、而在中國是4500人。
自動販賣機大國日本目前的自助販賣機數(shù)量是250萬臺,而國內(nèi)自助販賣機總量也不足20萬臺,并且售賣的商品種類單一,分布不均衡,市場遠未達到飽和。總的來說,智能貨柜瓶頸與機會并存。
三、智能貨柜技術(shù)核心
介紹完宏觀層面,接下來,我們從微觀技術(shù)層面的角度讓大家更深入的了解智能貨柜。涉及到的技術(shù)核心主要是AI算法、數(shù)據(jù)源、硬件。
3.1 AI算法
(1) 識別云服務器
AI模型的訓練十分依賴服務器運算能力,GPU服務器比一般云服務器更適合深度學習項目,通常企業(yè)選擇租用GPU云服務器或購買GPU服務主機進行項目訓練。
(2) 深度學習開源框架
如TensorFlow,該框架由Google研發(fā)開源,因種種原因,是目前最火的深度學習框架之一。
通過使用它可以快速的進行神經(jīng)網(wǎng)絡的開發(fā),大大降低了開發(fā)成本。官方網(wǎng)站上有詳細的說明以及機器學習中文社區(qū),對ML學習十分有幫助(http://www。tensorfly。cn/)。
(3) 識別算法
在智能貨柜運營場景,我們需要算法做的是圖像中物體的定位和分類(Localization & Classification):識別定位出每一層貨柜的照片所包含的商品以及商品的類別,為不同的商品框上不同的框,以供購物訂單生成和其他場景盤判斷。要執(zhí)行該任務我們需要使用卷積神經(jīng)網(wǎng)絡(CNN)為基礎(chǔ)的一眾算法,如Faster R-CNN、YOLO v1-3等。
CNN運行過程包括四個步驟(具體不做詳細解釋):
- 卷積層提取圖片初步特征;
- 池化層提取圖片主要特征;
- 全連接層將各部分特征匯總;
- 產(chǎn)生分類器,進行預測識別。
現(xiàn)在算法發(fā)展十分快速,作為AIPM,可以學習經(jīng)典算法的發(fā)展歷史和運算原理,與算法工程師為產(chǎn)品選擇最合適的能力(算法),甚至有新算法開源,PM先下載跑一遍模型,不僅提高了工作效率,也加強了自身的技術(shù)能力。
圖像識別算法發(fā)展歷史
3.2 商品數(shù)據(jù)源和標注
有了算法和模型,就需要喂數(shù)據(jù),標注流程規(guī)范和數(shù)據(jù)源質(zhì)量是兩大相輔相成的關(guān)鍵,智能貨柜售賣的商品最常見的是飲料和盒裝零食。
一般數(shù)據(jù)標注可利用第三方標注工具進行標注,為了提高標注效率和標注質(zhì)量,筆者在所在公司也從0-1設計了圖片標注平臺。構(gòu)建標注平臺前,需要了解機器學習中正負樣本的概念,對數(shù)據(jù)采集流程有清晰的認知,熟悉標注人員標注和管理標注的流程。筆者設計的標注平臺公開商用后,將會針對如何設計標注平臺專門輸出一篇文章。
數(shù)據(jù)源質(zhì)量:眾所周知,數(shù)據(jù)質(zhì)量低會極大的影響模型的效果,容易造成模型的欠擬合或過擬合,影響模型效果和用戶體驗,若出現(xiàn)這種情況,一般需要重新投入新的健康數(shù)據(jù)源重新訓練,成本較大。對于保證數(shù)據(jù)源的質(zhì)量,我們通常關(guān)注以下兩點。
- 標注流程是否規(guī)范。一般每個標注任務數(shù)據(jù)都會有專門審核流程,避免把亂標、標錯不健康的數(shù)據(jù)源投放進模型學習。這個主要是靠標注流程的管理和人力資源調(diào)配,好的標注平臺也是避免數(shù)據(jù)質(zhì)量參差不齊的因素之一,屬于可控范圍;
- 標注人員是否專業(yè)。標注人員通常是實習生,需要經(jīng)過專門培訓才可開始標注工作,有時候PM和算法工程師也要參與標注工作。
數(shù)據(jù)標注:投放訓練流程圖
3.3 關(guān)鍵硬件
智能貨柜像廠商定制硬件能力,同時需要有專門的LOT后臺對硬件的健康狀態(tài)進行監(jiān)控、硬件管理小程序或者APP為一線運營人員提供硬件管理支持。其中關(guān)鍵硬件有主板、攝像頭、門鎖、 物聯(lián)卡,由于涉及內(nèi)容較多,暫不做詳細介紹。
四、系統(tǒng)結(jié)構(gòu)
系統(tǒng)結(jié)構(gòu)主要分為用戶端、貨柜硬件端、識別服務端、邏輯服務端。
- 用戶端:用戶用于購物的小程序或APP。
- 貨柜硬件端:實際控制貨柜上門鎖、攝像頭、燈光、溫度等所有傳感器和硬件設備,與服務端通信,平時負責將心跳數(shù)據(jù)和圖片打包上傳至服務端,并且解析服務端發(fā)過來的指令實現(xiàn)控制貨柜硬件。
- 邏輯服務端:主要任務是接受貨柜硬件端數(shù)據(jù),把照片數(shù)據(jù)放到隊列中供識別服務端讀取、修改貨柜訂單狀態(tài)、推送消息、更新庫存等。
- 識別服務端:主要是實時檢測隊列讀取照片,運行識別服務,生成訂單明細。
五、貨柜運營核心與用戶體驗
綜合歷史經(jīng)驗,筆者認為在智能貨柜發(fā)展前期與用戶體驗和商業(yè)標準最貼合的兩個維度是:
- 對于貨柜運營客戶:收到錢、收對錢;
- 對于購物用戶:能買到、能買對。
零售的本質(zhì)不會變化,智能貨柜只是一個新型交易行為的媒介。商家的需求永遠是賣的更多賺的更多,用戶的需求永遠是買到性價比高的商品。
基于該前提,如何保證貨柜實際運營中穩(wěn)定性,對關(guān)鍵數(shù)據(jù)指標進行建模,繼而監(jiān)測貨柜整體和單體運營情況,以及考慮梳理因算法識別限制、各種現(xiàn)實異常場景的對應的解決方案,去確保用戶購物體驗,是需要PM負責重點關(guān)注不斷去做方案優(yōu)化的,是也是本篇文章的重點,筆者最近的很多精力也是花在了該部分。
5.1 構(gòu)建貨柜運營穩(wěn)定性指標
從算法模型的維度上評估識別識別模型的穩(wěn)定性,我們關(guān)注準確率、召回率、IOU、平均檢測精度等指標。
在智能貨柜購物場景下,用戶一般會有明確的購物目標,效率和確定性對于用戶十分重要。所以從實際運營的維度上評估運營穩(wěn)定性,最主要關(guān)注用戶平均購物時長和訂單準確率。其中購物時長與用戶體驗成負相關(guān),訂單準確率與用戶體驗成正相關(guān)。用戶購物體驗好才會有復購率,實現(xiàn)貨柜布局的規(guī)模效應。
購物時長等于用戶開門到訂單完成扣費的時間,通常是5s~20s。用戶關(guān)門后成功扣費的時間越長,證明用戶的等待和不確定的感受時間越長,體驗也就越差。影響時間主要的因素通常是圖片上傳速度和識別服務速度,前者通過服務邏輯優(yōu)化提升,后者通過迭代模型和采用更優(yōu)算法解決。
現(xiàn)實還會出現(xiàn)因網(wǎng)絡波動圖像上傳失敗或者識別服務不順暢的情況 ,這個時候就要有溫馨的交互提示用戶可以先離開購物場景,等待訂單正確扣費。PM需要持續(xù)關(guān)注用戶平均購物時長,獲取數(shù)據(jù)支持,檢測整體購物體驗穩(wěn)定性,永遠以用戶為中心。
訂單準確率是衡量一次購物健康程度的核心指標。訂單的準確率對銷售客單價、用戶復購率等核心購買指標都有極大的影響。不過因拍攝環(huán)境影響、模型迭代、算法受限種種原因,對訂單商品的識別很難達到100%的準確率。但致力達到99。9%應該是所有智能貨柜公司的目標。
提高訂單準確率的方向有先處理和后處理:
- 先處理定義為可以在識別發(fā)生前實現(xiàn)的優(yōu)化,如對提高數(shù)據(jù)源質(zhì)量、數(shù)量;對模型升級和分組;更換更優(yōu)算法等等;
- 后處理定義為在識別發(fā)生后實現(xiàn)的優(yōu)化。如通過像素對比、距離對比、IOU過濾等后糾正算法優(yōu)化,或?qū)⒂唵蝿澾M異常訂單池,用更優(yōu)但更慢的模型處理甚至是人工處理等等。
5.2 常見識別異常場景介紹
穩(wěn)定的圖像識別模型能支持90%以上情況,但是因為智能貨柜的單點運營性質(zhì),貨柜擺放的場景是十分任意的,售賣商品的范圍也很廣泛。這決定了圖像識別需適應各種各樣的識別環(huán)境,如艷陽高照的戶外、燈光昏暗的樓道。
同時識別模型自身穩(wěn)定性原因,在某個時間點開始趨向不穩(wěn)定。這種時候就會出現(xiàn)識別異常情況。以筆者的經(jīng)驗來說,目前識別異常在實際運營中是不可避免的,AI技術(shù)還沒有達到能提供100%完美準確率的能力。
識別異常場景通常有漏識別商品、識別多余商品、識別錯誤商品。
(1) 漏識別場景
該種情況是商品存在于貨柜中,但是卻沒有被識別模型定位分類到。通常是因為數(shù)據(jù)集樣本缺失導致模型訓練不足欠擬合或者因攝像頭起霧、陽光直射等拍攝環(huán)境問題,導致圖片質(zhì)量差。
(2) 識別多余商品場景
該種情況是商品并沒有存在于貨柜中,但是被識別模型定位分類到。識別出多余商品,相對于漏識別場景,通常是因為訓練數(shù)據(jù)集樣本質(zhì)量差或者模型訓練過擬合,或者某一些商品瓶身反光,包裝復雜導致的。
(3) 識別錯誤場景
該種情況是商品存在于貨柜中,但是被識別模型定位分類為錯誤商品分類。頻發(fā)在模型存在兩個以上外形相近的商品。單個模型商品label越多,即便同個模型在訓練測試時得出的指標無太大差異,但因為有大量的相近商品交錯,可能實際運穩(wěn)定性差異很大,SKU數(shù)量與運營穩(wěn)定性非線性關(guān)系(至少在一般沒有對模型優(yōu)化的情況下)。
若在識別異常發(fā)生的時候有顧客購物,會出現(xiàn)幾種異常情況:
- 顧客剛好買了漏識別的商品,則不會產(chǎn)生訂單,商家需承受貨損;
- 顧客買了商品,但是識別錯誤,導致扣錯顧客的錢(可能扣多可能扣少);
- 顧客沒有購物,但是因為漏識別或者識別錯誤系統(tǒng)認為顧客購買了商品,導致扣多顧客的錢;
- 因為識別異常場景交錯,對于用戶感知來說購物流程正常,沒有發(fā)生以上漏扣、扣多、扣錯的情況。
識別異常情況多了以后對于貨柜運營商家來說承受的貨損和運營成本就會增加,商家就會懷疑技術(shù)能力甚至撤離該貨柜;也會造成顧客認為機器經(jīng)常亂扣錢,導致其不會回歸購物場景。
一定要折衷的話,前期會偏向“寧愿扣款錯誤,后續(xù)退款給用戶,也不讓商家承受損失”,畢竟用戶只要在一定時間內(nèi)能及時退款,感知上問題不大。但是商家(特別是小商家)對貨損十分敏感。識別異常無法100%解決,但是可以從通過物理方案把識別環(huán)境的變量降到最低、增加訓練數(shù)量集、減少模型復雜度、使用后處理算法等方案優(yōu)化減少。
六、復盤總結(jié)
智能貨柜產(chǎn)品基本介紹完畢,該段主要分為智能貨柜產(chǎn)品發(fā)展方向、AIPM的工作內(nèi)容、AI產(chǎn)品設計思考,是筆者近一年以來的簡單復盤總結(jié)。
6.1 智能貨柜產(chǎn)品發(fā)展方向
- 基于視頻動態(tài)識別技術(shù)的智能貨柜。本篇文章介紹的是以靜態(tài)圖片識別技術(shù)為主的智能貨柜,基于動態(tài)識別,智能貨柜產(chǎn)品的生態(tài)運營和影響范圍又會拓展。相應的成本和技術(shù)難度也進一步增加,但筆者認為是必經(jīng)之路,有需求則會有供給,技術(shù)的限制只會給人一次又一次打破,這是歷史不變的進程;
- 利用AI技術(shù)提供更多的貨柜終端體驗方案。如人臉識別,商品推薦,用戶畫像,精細化運營;
- 用戶前端購買方案成熟和規(guī)模放大后,反向引導供應鏈變革,企業(yè)重構(gòu)基于數(shù)字化的智能采購、庫存管理供應鏈系統(tǒng);
- 更多的傳統(tǒng)互聯(lián)網(wǎng)C端黑客增長運營方案,提高零售購物流程趣味性。如通過GPS定位,衍生戶外社交玩法,達到傳播裂變的效果。
6.2 AIPM工作內(nèi)容與流程
該部分主要復盤筆者作為AIPM的工作內(nèi)容,希望能給其他PM一個認識。
智能貨柜項目分為技術(shù)定型、試運營、穩(wěn)定迭代三個階段。在不同階段,PM的工作流程和所需關(guān)鍵能力都不同。以AI算法流程“輸入-訓練-輸出”為思考基礎(chǔ),每個階段的工作流程也各自分為三步曲。
(1) 技術(shù)定型階段:
該階段的理解標準是公司還沒有成型產(chǎn)品,但通過與客戶的洽談對接考察,已確定具體的業(yè)務需求。PM需要重點與需求客戶多次反復溝通,思考清楚業(yè)務場景,構(gòu)建購物(場)空間形成與閉環(huán)。隨后與開發(fā)一起選用適合的技術(shù)以及算法,開始投入資源研發(fā)。
為什么存在技術(shù)選型流程:
- 在前期不是所有場景的實現(xiàn)的唯一途徑都需要AI解決;
- 若不是BAT級別,一個新項目的啟動的成本評估十分重要,涉及到AI資源的開發(fā)成本更需要可控
在技術(shù)定型階段,PM關(guān)鍵能力是業(yè)務對接能力和技術(shù)理解能力,業(yè)務指對接客戶,場景分析,商業(yè)計劃,技術(shù)指前后端,數(shù)據(jù)庫,cv/nlp算法和對應解決方案等。時間分配上50%在對接業(yè)務,50%在對接技術(shù)。
(2) 試運營階段:
產(chǎn)品雛形上線后,可在可控制的范圍內(nèi)進行產(chǎn)品試運營。
以視覺識別智能貨柜為例:第一版運用靜態(tài)識別技術(shù)貨柜研發(fā)完成后,在客戶公司布點供內(nèi)部員工體驗。經(jīng)過一定的試運營時間不斷的優(yōu)化產(chǎn)品的技術(shù)和體驗,解決常見BUG。待產(chǎn)品穩(wěn)定后,客戶簽訂更大合同,開始擴大運營范圍并對外開始商業(yè)運營。
這個時候,可能會出現(xiàn)因技術(shù)選型失誤或者技術(shù)的識別難關(guān)導致研發(fā)周期不可控的風險,所以在試運營階段,PM關(guān)鍵能力是項目管理能力和需求分析能力,對研發(fā)周期的可控和客戶提需求的過濾分析特別重要,同時也需要能幫助算法同事解決技術(shù)和業(yè)務的沖突,如決策放棄某些需求場景,協(xié)調(diào)增加算法資源,參與算法重選等。時間分配上60%處理項目和需求,40%跟進和深入技術(shù)迭代。
(3) 穩(wěn)定迭代階段:
關(guān)于如何將項目視為進入穩(wěn)定迭代階段,我們可以從兩個方面去看:
- 產(chǎn)品能力上,相關(guān)的技術(shù)和關(guān)鍵業(yè)務指標達到商用標準;
- 團隊上,有專門負責的產(chǎn)品開發(fā)和售前售后團隊,銷售反饋處理的主流程已基本搭建完成。
在本階段,負責的內(nèi)容與普通產(chǎn)品PM大徑相同,關(guān)鍵能力是對項目和產(chǎn)品整體的管理,相對需要關(guān)心技術(shù)方面的內(nèi)容會少一些(但是一個新場景進來又會重新進入第一階段)。但關(guān)注數(shù)據(jù)源的健康,關(guān)鍵技術(shù)指標和業(yè)務指標、思考如何從技術(shù)和其他維度上優(yōu)化模型依然是工作重心之一。
6.3 AI產(chǎn)品設計思考
筆者選擇往AI方向發(fā)展,除了趨勢還因為對未來智能強烈的好奇心。
PM所有的輸出基于底層能力結(jié)構(gòu),結(jié)構(gòu)包含兩部分內(nèi)容:第一部分是專業(yè)化知識,如體驗、戰(zhàn)略、商業(yè)、技術(shù)等專業(yè)知識和技能,主要在工作中體現(xiàn);第二部分則是個人的人文修養(yǎng)、靈魂素養(yǎng)、情緒、驅(qū)動力、潛意識等。
所以我個人理解,在AI產(chǎn)品時代,一個崗位所需的底層能力是不會變化,只是崗位難度的變化。所以,保持產(chǎn)品初心不變,認識到產(chǎn)品的本質(zhì)不變,把AI技術(shù)當作更高效率的技能工具運用在產(chǎn)品上,是我當前階段的認知也是對PM讀者的建議。
#感謝以下文章及作者#
- 無人貨架哀鴻遍野,智能貨柜浪潮來襲,無人零售終端未來走向如何?
- 新零售的風口:無人便利店和販賣機的現(xiàn)狀及對比分析
- CNN卷積神經(jīng)網(wǎng)絡原理講解+圖片識別應用(附源碼)
作者:zain ;微信號:gdn1016756845;公眾號:五百桶戶(ID:zainosl),交流是最好的進步途徑之一。
本文由 @123456 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(zhuǎn)載。
題圖來自Unsplash,基于CC0協(xié)議。
很好的文章,看得出作者對AI的了解有一定的嘗試。還有問下作者有沒有智能無人餐柜方面的信息?
無人餐柜從零售和供應鏈上來講是不同的產(chǎn)品,作者有接觸過,但是沒有深入了解.
開門式加熱柜
加熱柜會對攝像頭有影響 市面上目前應該沒有特別好的方案
基于np/npc算法可以應用在新零售的裝柜、裝箱方案中嗎?
意思是把算法封裝在本地么?這個是看成本.
畢竟復雜度越高的算法弄在本地的成本越大.
理論上可以實現(xiàn)的方案,是現(xiàn)實中可能也是不太理想的.
寫得很詳細,點贊
謝謝
厲害了,是我見過寫無人貨架最清晰的。
P.S.:我個人有個擔心點,CV作為AI的一個分支,目前可能還在技術(shù)沉淀,沒有進入應用開花的階段,那這階段PM的價值,可能就是鏈接用戶和模型,平衡準召率、衡量各種badcase的ROI,在優(yōu)化用戶體驗上的空間,不如C端/B端產(chǎn)品大~
我是這么理解你說的:“鏈接用戶和模型,平衡準召率、衡量各種badcase的ROI”也是優(yōu)化用戶體驗的方式,只不過以更技術(shù)化的方式.
嗯是這意思
或者說 能做優(yōu)化空間的維度和難度不一樣