基于用戶畫像的商品和服務(wù)能夠提升平臺(tái)服務(wù)體驗(yàn)并促進(jìn)服務(wù)的個(gè)性化、精準(zhǔn)化實(shí)現(xiàn)，本篇文章為大家詳細(xì)地講解了如何運(yùn)用AI技術(shù)構(gòu)建用戶畫像。

在幫獨(dú)角獸企業(yè)做產(chǎn)品咨詢顧問工作的過程中，多有CEO說：“詩路我要買數(shù)據(jù)，哪里有賣數(shù)據(jù)的，我想用我2千萬用戶的手機(jī)號(hào)去碰撞數(shù)據(jù)”。

我常問您要用手機(jī)號(hào)碰撞數(shù)據(jù)，碰撞出來的用戶偏好還是第三方的，也不是您平臺(tái)的用戶行為，更不能在你的場(chǎng)景業(yè)務(wù)形成交易落地。然后CEO們會(huì)追問詩路：“您說我該怎么做？還有我的產(chǎn)品經(jīng)理不懂AI，格局不夠，您看我要換嗎？”。

本文就以上問題，如何實(shí)現(xiàn)AI背景下的用戶畫像，以及如何看待所謂的“產(chǎn)品經(jīng)理的能力下滑”等兩方面問題做出實(shí)踐回答。通過實(shí)現(xiàn)AI助力的用戶畫像產(chǎn)品經(jīng)理就不在僅僅是個(gè)只知道用戶畫像、標(biāo)簽、屬性、表的概念，而是能夠帶領(lǐng)團(tuán)隊(duì)以身作則實(shí)現(xiàn)產(chǎn)品的需求，進(jìn)而贏取用戶。

第一個(gè)方面：運(yùn)用AI技術(shù)構(gòu)建用戶畫像

大數(shù)據(jù)和AI技術(shù)的發(fā)展驅(qū)動(dòng)著商品和服務(wù)向著個(gè)性化、精準(zhǔn)化方向發(fā)展。基于用戶畫像的商品和服務(wù)能夠提升平臺(tái)服務(wù)體驗(yàn)并促進(jìn)服務(wù)的個(gè)性化、精準(zhǔn)化實(shí)現(xiàn)。

用戶畫像又稱用戶角色作為一種勾畫目標(biāo)用戶、聯(lián)系用戶訴求與設(shè)計(jì)方向的有效工具用戶畫像在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用。目前由于用戶畫像能夠精準(zhǔn)、快速地分析用戶的行為習(xí)慣、需求意愿為商品和服務(wù)提供重要的數(shù)據(jù)基礎(chǔ)因此基于用戶畫像的個(gè)性化推薦商品和服務(wù)系統(tǒng)已經(jīng)走上產(chǎn)品舞臺(tái)的中央。淘寶為構(gòu)建用戶畫像給一個(gè)用戶的標(biāo)簽維度數(shù)量高達(dá)2W以上。

在構(gòu)建用戶畫像這段會(huì)運(yùn)用大數(shù)據(jù)技術(shù)、語義網(wǎng)技術(shù)和AI技術(shù)將平臺(tái)的商品和服務(wù)各種類型資源信息構(gòu)建為基于語義關(guān)系的、具有復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)的知識(shí)圖譜并開展以知識(shí)圖譜為基礎(chǔ)的智慧化、個(gè)性化商品和服務(wù)。

用戶的瀏覽、交易行為全部能夠映射到知識(shí)圖譜之中通過用戶行為在知識(shí)圖譜中的全部映射參考用戶所在行業(yè)和領(lǐng)域的群體行為在知識(shí)圖譜中的映射即可建立平臺(tái)的用戶畫像。

第一步：用戶畫像建模

對(duì)于一個(gè)商品和服務(wù)平臺(tái)中的用戶畫像的建模主要通過獲取用戶的瀏覽行為背景、交易情況、相似用戶需求趨向相關(guān)的信息并將這些信息進(jìn)行模型化表示從而提取出用戶需求偏好和趨向。

用戶的性別、年齡、公司、學(xué)歷等靜態(tài)數(shù)據(jù)構(gòu)成了用戶的基本信息。用戶交易信息、瀏覽信息、訂單信息、檢索、下載、收藏、點(diǎn)贊、網(wǎng)絡(luò)環(huán)境切換等動(dòng)態(tài)行為軌跡構(gòu)成了用戶行為歷史數(shù)據(jù)。

用戶所屬的行業(yè)和領(lǐng)域的群體行為軌跡又給個(gè)體用戶提供了行業(yè)背景的動(dòng)態(tài)模型。將這些靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)分為用戶基本信息、用戶瀏覽歷史、用戶行業(yè)背景3類，每個(gè)類別包含多種不同的用戶行為軌跡這些共同構(gòu)成了用戶畫像層次模型見下圖：

在這3類模型標(biāo)簽的基礎(chǔ)上進(jìn)一步確定預(yù)測(cè)標(biāo)簽可歸納為：用戶屬性、用戶關(guān)注的商品和服務(wù)、用戶偏好的商品和服務(wù)。

這3種預(yù)測(cè)標(biāo)簽可進(jìn)一步指導(dǎo)用戶在商品和服務(wù)平臺(tái)上設(shè)立用戶個(gè)性化服務(wù)空間甚至是C2M的客制化電商模式按照用戶的屬性、用戶的關(guān)注領(lǐng)域和用戶偏好分別推送典型的商品和服務(wù)資源。

第二步：運(yùn)用層次分析法決策

層次分析法（Analytic、Hierarchy、ProcessAHP）是將與決策有關(guān)的元素分解成目標(biāo)、準(zhǔn)則、方案等層次在此基礎(chǔ)上進(jìn)行定性和定量分析的決策方法。

運(yùn)用層次分析法首先要建立遞階層次結(jié)構(gòu)然后構(gòu)建判斷矩陣、計(jì)算權(quán)重值并分析決策過程。

（一）建立遞階層次結(jié)構(gòu)

在上面LineLian圖所示的層次結(jié)構(gòu)中個(gè)體用戶畫像S是目標(biāo)層定義模型最終需要解決的問題用戶基本信息T1、用戶瀏覽【埋點(diǎn)】信息T2、用戶行業(yè)偏好背景信息T3是準(zhǔn)則層定義使用方案層的方法是解決目標(biāo)層的問題所需要的中間環(huán)節(jié)其中T3又進(jìn)一步細(xì)分為用戶群體畫像U10和群體標(biāo)簽畫像U11性別U1—點(diǎn)贊、收藏、分享U9以及重點(diǎn)機(jī)器埋點(diǎn)交易V1—點(diǎn)贊、收藏、分享V10是方案層定義了為達(dá)到目標(biāo)層的定義而采用的方法和措施。

（二）構(gòu)造兩兩比較判斷矩陣

構(gòu)建判斷矩陣的過程就是對(duì)因素之間的重要程度進(jìn)行量化的過程。判斷矩陣采用1一9量化指標(biāo)構(gòu)造用戶屬性相對(duì)矩陣。構(gòu)造同層次因素間的判斷矩陣計(jì)算出矩陣的最大特征值及其特征向量并進(jìn)行一致性檢驗(yàn)。

構(gòu)造兩兩比較判斷矩陣時(shí)可以由產(chǎn)品+行業(yè)領(lǐng)域?qū)＜覍?duì)全局統(tǒng)籌把握將兩兩因素之間的重要性分為同等重要、稍微重要、明顯重要、強(qiáng)烈重要以及極端重要5個(gè)等級(jí)并且用相應(yīng)的數(shù)字進(jìn)行標(biāo)注。

例如，對(duì)LineLian圖中的個(gè)體用戶畫像S來說用戶基本信息T1、用戶瀏覽歷史【埋點(diǎn)】信息和用戶行為偏好信息T3的兩兩比較判斷矩陣S為：

S=【1 1/5 1/3

5 1 2

3 1/2 1?】

計(jì)算矩陣的最大特征值和特征向量其中特征向量對(duì)應(yīng)著不同因素的排序。AHP對(duì)判斷矩陣是否具有完全一致性提出了數(shù)學(xué)化的指標(biāo)：一致性指標(biāo)C.I.（ConsistencyIndex）。AHP認(rèn)為C.I.反映的是判斷矩陣偏離一致性的程度C.L值越大該矩陣偏移一致性的程度就越大反之越小。C.J.=λ-n/n-1C.I的值越大矩陣的不一致性越嚴(yán)重其中λn為判斷矩陣S的最大特征根。

為了衡量n與一致性的關(guān)系A(chǔ)HP引人了平均隨機(jī)一致性指標(biāo)R.I.（Random Index）。R.I是與n相關(guān)的離散函數(shù)不同的n值對(duì)應(yīng)不同的R.I。

AHP利用這兩個(gè)衡量判斷矩陣一致性的指標(biāo)：C.I.和R.I.引人了第三個(gè)指標(biāo)——隨機(jī)一致性比率C.R.（ConsistencyRatio）。C.R=C.I/R.I當(dāng)C.R&lt0.1時(shí)認(rèn)為矩陣具有滿意的一致性反之則要重新構(gòu)造矩陣直至滿足C.R&lt0.1為止。

（三）計(jì)算權(quán)重值

將各因素的兩兩比較判斷矩陣權(quán)重與上一層次因素指標(biāo)權(quán)重相乘從而計(jì)算出這個(gè)因素指標(biāo)權(quán)重的合成。如：分享商品或服務(wù)頁面合成權(quán)重=用戶瀏覽歷史權(quán)重X分享頁面權(quán)重以此類推計(jì)算出各項(xiàng)指標(biāo)的合成權(quán)重。

小結(jié)：分析決策

經(jīng)過以上三個(gè)步驟，就可以根據(jù)建構(gòu)的問題模型得到相應(yīng)的底層因素的權(quán)重值。再通過分析、比較將數(shù)學(xué)判斷與專家決策人的相關(guān)經(jīng)驗(yàn)相結(jié)合最終即可形成決策方案。

第三步：用AI技術(shù)中的知識(shí)圖譜-基于向量空間模型的用戶畫像

用戶畫像能夠表示用戶對(duì)商品和服務(wù)相對(duì)穩(wěn)定的興趣需求它反映了用戶在一段時(shí)間內(nèi)對(duì)商品和服務(wù)資源需求的主要傾向。隨著用戶交易行為的按照時(shí)間序列的記錄和用戶反饋的修改用戶畫像不斷地動(dòng)態(tài)調(diào)整。

用戶畫像對(duì)用戶商品和服務(wù)興趣的表達(dá)主要有3種方式：概念表示法（如輕食、文創(chuàng)）、關(guān)鍵詞表示法（莫斯利安、全家、拿鐵、臟臟包）和向量空間模型表示法?；贏I項(xiàng)下知識(shí)圖譜的用戶畫像是采用向量空間模型表示法來表示用戶對(duì)商品和服務(wù)偏好與傾向的。

（一）向量空間模型

向量空間模型由Gerald Salton等在20世紀(jì)60年代提出并成功地將其應(yīng)用于著名的SMART文本檢索系統(tǒng)。他是把對(duì)文本內(nèi)容的處理簡(jiǎn)化為向量空間中的向量運(yùn)算并且他以空間上的相似度表達(dá)語義的相似度直觀易懂。當(dāng)商品被表示為商品空間中的向量就可以通過計(jì)算向量之間的相似性來度量商品間的相似性。文本的處理方式中最常用的相似性度量方式是余弦距離。

若把商品表示為商品空間中的向量則首先要假設(shè)商品中每個(gè)字或圖在商品中的作用是相互獨(dú)立的。根據(jù)貝葉斯假設(shè)商品可以由其中的字或圖的集合代替這些字和圖即被稱為商品的特征項(xiàng)。

設(shè)商品d1中的特征項(xiàng)為ki其權(quán)重用wij表示則確定值的最常用的算法之一是TF-IDF方法。其中TP（詞頻）表示關(guān)鍵詞在文檔中出現(xiàn)的頻率。其是對(duì)詞數(shù)（Term Count）的歸一化防止它偏向長(zhǎng)的文件。對(duì)于在某一特定文檔d1中的關(guān)鍵詞ki來說它的重要性可表示為：

TFij=fij/∑（h）fh+j （1）

其中，f ij?表示關(guān)鍵詞ki在商品d1中出現(xiàn)的次數(shù)，∑（h）fhj表示商品dj中所有描述詞語出現(xiàn)的次數(shù)之和。

IDF（逆向文件頻率）是對(duì)一個(gè)詞語普遍重要性的度量。某一特定詞語的IDF可以由總文件數(shù)目除以包含該詞語的文件的數(shù)目加1再將得到的商取對(duì)數(shù)得到。

IDFi=㏒N/1+ni （2）

這樣利用TF-IDF算法得到的關(guān)鍵詞ki的權(quán)重就可以表示為

Wij=TFij*IDFi （3）

（二）向量空間模型表示的用戶畫像

在用戶畫像層次模型中用戶的瀏覽歷史和用戶的標(biāo)簽偏好背景中的各項(xiàng)指標(biāo)都可以借助向量空間模型來表示。個(gè)體用戶LineLian的終端機(jī)器交易、小程序交易、檢索數(shù)據(jù)庫、瀏覽網(wǎng)頁、點(diǎn)贊、收藏分享等網(wǎng)絡(luò)行為群體用戶的終端交易、小程序交易、檢索數(shù)據(jù)庫、瀏覽網(wǎng)頁、點(diǎn)贊、收藏分享等網(wǎng)絡(luò)行為軌跡可以根據(jù)用戶瀏覽歷史活動(dòng)列表來表示。

例如用戶LineLian購買了m份麥隆咖啡那么用戶LineLian咖啡品類的向量空間模型Tj={&ltkj1wj1&gt&ltkj2wj2&gt…&ltkjmwjm&gt}由&lt詞，權(quán)重&gt對(duì)組成。

利用層次分析法可以計(jì)算出這些類別商品運(yùn)營(yíng)活動(dòng)的各項(xiàng)指標(biāo)的合成權(quán)重值，例如：分享某商品合成權(quán)重=用戶瀏覽歷史權(quán)重X分享商品權(quán)重。由用戶LineLian的分享商品的向量空間模型Tj中的各項(xiàng)詞向量權(quán)重值wjm X分享商品合成權(quán)重值就可以得到用戶LineLian的分享商品的用戶畫像的向量空間模型TDj。

以此類推計(jì)算出用戶LineLian各項(xiàng)商品運(yùn)營(yíng)活動(dòng)的用戶畫像向量空間模型。

（三）時(shí)間上下文【時(shí)間序列】

在分析用戶的歷史瀏覽行為時(shí)時(shí)間是一種重要的上下文信息。一般認(rèn)為用戶最近這段時(shí)間的瀏覽行為的權(quán)重要高于用戶早期的瀏覽行為的權(quán)重因此我們將時(shí)間上下文因素考慮進(jìn)來。

將時(shí)間序列因素融合到用戶的興趣模型中的方法。用f（t）表示時(shí)間衰減函數(shù)，代表每次商品運(yùn)營(yíng)行為所占的權(quán)重，f（t）的公式為：f（t）=1/1+α（T-t），其中α為時(shí)間哀減參數(shù)T表當(dāng)前時(shí)間t表示用戶發(fā)生該商品分享行為的時(shí)間T-t表示用戶該分享行為發(fā)生至今的時(shí)間長(zhǎng)度單位為天f（t）表示經(jīng)過了T-t時(shí)間段衰減后的值其取值范圍是0~1f（t）隨著時(shí)間差值的增大而減小且減小的速率越來越小。

融合了時(shí)間上下文因素后用戶LineLian各項(xiàng)商品分享活動(dòng)的用戶畫像向量空間模型中的每一個(gè)詞向量的權(quán)重值都要乘以發(fā)生這一行為對(duì)應(yīng)的時(shí)間衰減函數(shù)f（t）才能得到該用戶的融合了時(shí)間上下文的用戶畫像向量空間模型。

（四）群體用戶畫像

在建構(gòu)用戶畫像層次模型時(shí)將用戶的行業(yè)和偏好背景因素也看作用戶的一種屬性特征而行業(yè)背景和偏好背景也是可以通過該行業(yè)所有用戶的歷史瀏覽軌跡來表示的。因此在用戶畫像的構(gòu)建中實(shí)際構(gòu)建了群體用戶畫像和個(gè)體用戶畫像兩種模型。

在構(gòu)建群體用戶畫像時(shí)屬于這個(gè)群體的每一位個(gè)體用戶的各類歷史瀏覽行為都參與了這個(gè)群體的對(duì)應(yīng)類別的群體畫像因素合成。例如某一行業(yè)白領(lǐng)有n位用戶用戶LineLian分享商品的用戶畫像的向量空間模型為TDj則這一商品用戶群體分享商品的用戶畫像的協(xié)同向量Pj=&ltLineLian1LineLian2…LineLiann&gt。

以此類推計(jì)算出所有用戶群體的各項(xiàng)商品的群體用戶畫像向量空間模型。

群體用戶畫像中各類別商品服務(wù)的各項(xiàng)指標(biāo)在整個(gè)用戶畫像中本指標(biāo)所占的權(quán)重值也可以通過層次分析法來計(jì)算獲得。例如：某類目商品被分享合成權(quán)重=某類目用戶分享商品歷史權(quán)重X某行業(yè)分享權(quán)重由該專業(yè)用戶LineLian的分享的向量空間模型Tj中的各項(xiàng)詞向量權(quán)重值wjmX某類目行業(yè)分享合成權(quán)重值就可以得到該專業(yè)用戶LineLian分享某商品的用戶畫像的向量空間模型TDj。

同樣群體用戶畫像也要融合時(shí)間上下文因素。用戶LineLian各項(xiàng)交易點(diǎn)贊收藏分享活動(dòng)的用戶畫像向量空間模型中的每一個(gè)詞向量的權(quán)重值都要乘以發(fā)生這一行為對(duì)應(yīng)的時(shí)間衰減函數(shù)f（t）才能得到該用戶的融合了時(shí)間上下文的用戶畫像向量空間模型。

（五）用戶畫像的分類

在實(shí)際運(yùn)用用戶畫像來預(yù)測(cè)用戶的購買需求和行為時(shí)要考慮不同類型的商品和服務(wù)資源所具有的特點(diǎn)。服裝、文創(chuàng)類的資源內(nèi)容具有很強(qiáng)的時(shí)效性、具體性、專業(yè)性而食品、輕食飲料的內(nèi)容具有一定的基礎(chǔ)性、系統(tǒng)性、普遍性。

因此對(duì)于食品、輕食飲料的推薦策略與對(duì)服裝、文創(chuàng)資源的推薦策略應(yīng)該是不同的。對(duì)食品、輕食飲料的推薦應(yīng)該以個(gè)人及群體的交易記錄和復(fù)購書記錄為主參考而服裝、文創(chuàng)等資源的推薦策略則應(yīng)該以個(gè)人檢索、瀏覽、分享、點(diǎn)贊、收藏的記錄為主參考同時(shí)參考關(guān)注過相關(guān)主題的其他用戶的記錄。而關(guān)注過相關(guān)主題的其他用戶的記錄可以采用協(xié)同矩陣來分析。

設(shè)n個(gè)用戶的閱讀歷史表示為矩陣M：

M=【θ11 θ12 …θ1m

θ21 θ22 …θ2m

… … … …

θn1 θn2 … θnm】

其中M是nXm維矩陣每行代表特定用戶的分享（或者檢索、瀏覽、收藏）歷史每列代表特定商品被分享（或者檢索、瀏覽、收藏）的記錄矩陣中元素在{01}中取值。如θjp=0代表用戶LineLian沒有分享過商品Ap（p=12…m）而θjp=1代表用戶LineLian已經(jīng)分享過商品Ap。

根據(jù)矩陣M中的行向量使用余弦相似度方法計(jì)算用戶之間的相似度值其公式如式（5）所示：

Simab=（p=1 …m）∑θap*θbp/‖Ma‖.‖Mb‖ （5）

其中Simab表示用戶LineLian與用戶Line之間的余弦相似度值Ma=〈θa1θa2…θam〉表示用戶LineLiana（a=12…m）的瀏覽歷史；Mb=&ltθb1θb2…θbn&gt表示用戶Lineb（b=12…n）的閱讀歷史；‖Ma‖和‖Mb‖表示歐氏距離。

根據(jù)式（5）計(jì)算出與用戶LineLian相似度值超過某一閾值的用戶定義為用戶LineLian的相似用戶組成協(xié)同向量Pj=&ltlinelian1linelian2…&gt。

由此同一位用戶的用戶畫像在實(shí)際應(yīng)用時(shí)可以分類為兩個(gè)不同的模型一個(gè)模型用來計(jì)算食品、輕食飲料的具體SKU個(gè)性化興趣趨向另一個(gè)模型用來計(jì)算服裝、文創(chuàng)的行業(yè)個(gè)性化趨向。這些用戶畫像的構(gòu)建就為商城提供用戶個(gè)性化資源推薦的服務(wù)奠定了數(shù)據(jù)基礎(chǔ)。

第四步：用戶畫像本體的構(gòu)建

上面講了運(yùn)用向量空間模型來構(gòu)建用戶畫像得出了用戶畫像的向量空間模型它是一個(gè)向量詞及詞頻的集合。對(duì)比于個(gè)性化的用戶畫像一般商城平臺(tái)運(yùn)用大數(shù)據(jù)技術(shù)、語義網(wǎng)技術(shù)和人工智能技術(shù)將商品庫的各種類型信息資源構(gòu)建為一個(gè)基于語義關(guān)系的、具有復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)的、由領(lǐng)域本體擴(kuò)展的知識(shí)圖譜。

這個(gè)知識(shí)圖譜中的概念囊括了用戶畫像中的所有高頻向量詞并且這個(gè)知識(shí)圖譜中與用戶畫像中的高頻向量詞對(duì)應(yīng)的概念之間還建構(gòu)了基于語義的復(fù)雜知識(shí)關(guān)聯(lián)。

因此用戶畫像的向量詞可以在領(lǐng)域知識(shí)圖譜中找到對(duì)應(yīng)的概念反之從領(lǐng)域知識(shí)圖譜中抽取與用戶畫像相關(guān)的概念并映射到用戶畫像的向量詞之間就構(gòu)建了個(gè)性化的用戶本體這個(gè)用戶本體用來表示用戶的偏好畫像從而形成用戶畫像結(jié)構(gòu)圖。

第五步：領(lǐng)域知識(shí)圖譜的建構(gòu)

下面我們借用知識(shí)圖譜的技術(shù)構(gòu)建用戶畫像知識(shí)圖譜，是將商品庫、商品評(píng)價(jià)、用戶會(huì)話文本作為命名實(shí)體識(shí)別的對(duì)象，然后按照知識(shí)圖譜構(gòu)建的技術(shù)流程。

第六步：綜合建立知識(shí)圖譜與用戶畫像的映射

第一部分：基于AI知識(shí)圖譜的用戶畫像的優(yōu)勢(shì)：

相比于傳統(tǒng)的標(biāo)簽式用戶畫像將知識(shí)圖譜引入到用戶畫像中，不僅可以增強(qiáng)關(guān)鍵詞向量中關(guān)鍵詞之間的相關(guān)性還可以為個(gè)性化知識(shí)服務(wù)系統(tǒng)的用戶建模提供一個(gè)新的研究方向：建構(gòu)用戶畫像知識(shí)圖譜。

用戶畫像的知識(shí)圖譜是一種基于領(lǐng)域知識(shí)圖譜的用戶模型通過對(duì)領(lǐng)域知識(shí)圖譜進(jìn)行映射獲取用戶畫像知識(shí)圖譜利用領(lǐng)域知識(shí)圖譜中的概念來對(duì)應(yīng)用戶畫像中的概念并通過對(duì)用戶的搜索、分享、瀏覽、收藏、點(diǎn)贊等過程進(jìn)行分析不斷完善用戶畫像的知識(shí)圖譜實(shí)現(xiàn)用戶個(gè)性化推薦商品或服務(wù)。

第二部分：產(chǎn)品經(jīng)理能力下滑及應(yīng)對(duì)策略：

又到了一年一度的圣誕時(shí)節(jié)也是各個(gè)公司加班加點(diǎn)工作的時(shí)節(jié)。有CEO兼產(chǎn)品經(jīng)理問筆者：“有哪家咨詢公司可以為上市?10?年的品種做產(chǎn)品營(yíng)銷策略和市場(chǎng)活動(dòng)的規(guī)劃報(bào)告?”“這應(yīng)該是產(chǎn)品經(jīng)理自己做的呀為什么找外人呢?”筆者LineLian第一反應(yīng)是這句話。

“現(xiàn)在做產(chǎn)品經(jīng)理太難了。老板要求我們寫的產(chǎn)品計(jì)劃既要囊括2018又要兼顧2019既要尊重迭代功能還要迎合創(chuàng)新。我們想了半天決定找您來做您的水平比我們高看看搞出來的東西到底怎么樣。”他們說出了本意。

最近，有種聲音說：“如今產(chǎn)品經(jīng)理的水平與?10～20?年前相比似乎有下降趨勢(shì)。”

原因有客觀的外部因素也有主觀的內(nèi)部因素。先說客觀環(huán)境因素：

第一，信息傳播途徑大變樣。之前的產(chǎn)品經(jīng)理多來至于行業(yè)專家，自從有了人人都是產(chǎn)品經(jīng)理這一概念之后，大家覺得沒工作的就可以干產(chǎn)品經(jīng)理。

第二，行業(yè)的關(guān)注點(diǎn)大變樣。之前產(chǎn)品經(jīng)理定產(chǎn)品的方向，產(chǎn)品營(yíng)銷策劃的戰(zhàn)略，現(xiàn)在的產(chǎn)品經(jīng)理是告訴他做一個(gè)具體功能。實(shí)現(xiàn)具體的需求。

第三，科技網(wǎng)絡(luò)行業(yè)政策變化快從PC互聯(lián)網(wǎng)到移動(dòng)互聯(lián)網(wǎng)再到物聯(lián)網(wǎng)人工智能，就連公司本體都沒有反應(yīng)過來，關(guān)門的關(guān)門倒閉的倒閉。更別提為了生存的產(chǎn)品經(jīng)理沒適應(yīng)了。

再講主觀內(nèi)部因素：

第一，在每個(gè)人都似乎可以做產(chǎn)品經(jīng)理的渲染下，產(chǎn)品經(jīng)理人職背景兩極分化。一種是要求高學(xué)歷碩士博士畢業(yè)、MBA這類人士專業(yè)化知識(shí)不容置疑與專家打交道時(shí)談笑風(fēng)生但做出來的計(jì)劃不接地氣開發(fā)人員難以理解執(zhí)行大打折扣。另一種是各個(gè)學(xué)院應(yīng)屆畢業(yè)生之前沒做過沒有經(jīng)驗(yàn)但“照貓畫虎”能力強(qiáng)PPT?專業(yè)漂亮可開發(fā)人員多以?“需求不清晰”為借口對(duì)其制定的產(chǎn)品策略置若罔聞。

第二，工作積極性得不到有效激勵(lì)。國內(nèi)老板總認(rèn)為產(chǎn)品經(jīng)理能力無法量化考核以產(chǎn)品版本迭代次數(shù)、功能板塊為依據(jù)有“不看功勞看苦勞”的嫌疑。因此制定的工資方案無法激勵(lì)產(chǎn)品經(jīng)理真正有能力的人會(huì)跳走。

第三，產(chǎn)品經(jīng)理能力提升緊迫感不夠足。每年也安排幾次外出參加培訓(xùn)或者請(qǐng)人做內(nèi)訓(xùn)之后呢?很少有管理者意識(shí)到如何將這些知識(shí)點(diǎn)合成為公司獨(dú)具特色的樣本并且有效評(píng)估產(chǎn)品經(jīng)理技能在考核中有效區(qū)別對(duì)待混日子與竭盡全力、悟性差與有靈性的產(chǎn)品經(jīng)理。

分工太細(xì)所致：

LineLian很欣賞這種說法：產(chǎn)品運(yùn)營(yíng)既是?Science?又是?Art對(duì)市場(chǎng)的洞察既靠?Data也要憑?Sense乃“理智與情感”的協(xié)調(diào)統(tǒng)一不能偏廢。

如今做產(chǎn)品AI、大數(shù)據(jù)似乎不缺每個(gè)SKU的銷售額、市場(chǎng)份額數(shù)據(jù)都很容易獲取依據(jù)這些數(shù)據(jù)分析出的報(bào)告、文獻(xiàn)每天都在更新產(chǎn)品經(jīng)理可檢索到的資料、信息更是豐富多樣為什么大家會(huì)認(rèn)為產(chǎn)品經(jīng)理的專業(yè)水平有下降趨勢(shì)呢?

其中一個(gè)原因或許是分工所致。從前大多數(shù)公司的一個(gè)或幾個(gè)品種由一個(gè)產(chǎn)品經(jīng)理負(fù)責(zé)看文獻(xiàn)、做?PPT、溝通專家、寫計(jì)劃、做運(yùn)營(yíng)活動(dòng)都是一個(gè)人現(xiàn)在大多數(shù)產(chǎn)品這些事務(wù)由幾個(gè)產(chǎn)品經(jīng)理各自去做。如此產(chǎn)品經(jīng)理個(gè)人顯示出來的水平僅限于局部整體評(píng)價(jià)當(dāng)然不如移動(dòng)互聯(lián)網(wǎng)剛興起那會(huì)威風(fēng)八面。

當(dāng)然在當(dāng)前狀況下產(chǎn)品經(jīng)理如何做出C位也不是沒有機(jī)會(huì)。筆者LineLian建議兩手抓，一手抓產(chǎn)品觀點(diǎn)，培養(yǎng)產(chǎn)品方向Sense。例如，前天幫一家CEO做產(chǎn)品顧問，CEO說您看看OFO和共享單車這個(gè)賽道一塌糊涂，您看看瑞幸咖啡門店幾個(gè)人完全不如一點(diǎn)點(diǎn)的排隊(duì)情況。您再看看錘子手機(jī)快玩完了。

最后：我問了這位CEO一句話：“您看到這些產(chǎn)品的共性是什么？”，他說：“你說說看”，我說：“這些產(chǎn)品的共性是沒有抓住極簡(jiǎn)，均知道做加法不知道做減法，當(dāng)年錘子有17億現(xiàn)金在手，老羅說要一年發(fā)布4部手機(jī)，老年機(jī)、少女機(jī)、兒童機(jī)等等，瑞幸是沒有想透徹究竟是先做好線下門店還是線上”。

另外一方面要抓細(xì)節(jié)，誰說產(chǎn)品經(jīng)理不能懂技術(shù)了？誰說產(chǎn)品經(jīng)理和開發(fā)是天敵了？產(chǎn)品經(jīng)理要懂細(xì)節(jié)，產(chǎn)品的細(xì)節(jié)包含技術(shù)的實(shí)現(xiàn)最好都懂，但不一定自己有時(shí)間寫而已。

所以，無論AI技術(shù)多么復(fù)雜，算法有多么深不可測(cè)，我們要做的事是針對(duì)需要的算法駕輕就熟，平日訓(xùn)練有素做一個(gè)有深度的產(chǎn)品經(jīng)理，難時(shí)上戰(zhàn)場(chǎng)迎艱攻難。然后輸出的產(chǎn)品目標(biāo)只有一個(gè)：簡(jiǎn)單到無法再簡(jiǎn)單，簡(jiǎn)單到無法被超越。就能做到應(yīng)對(duì)寒冬，AI才能助產(chǎn)品無懼未來！

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(hào)：LineLian。人人都是產(chǎn)品經(jīng)理專欄作家，《產(chǎn)品進(jìn)化論：AI+時(shí)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(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議