国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

11月中旬，由人人都是產(chǎn)品經(jīng)理與騰訊大講堂聯(lián)合主辦的2017中國產(chǎn)品經(jīng)理大會在北京北苑大酒店完美落幕。京東金融風險管理部產(chǎn)品總監(jiān)孟繁星老師從提問引入：你的業(yè)務中哪些環(huán)節(jié)可以利用人工智能？為大家分享《新技術，新挑戰(zhàn)，新能力：金融＋AI 的產(chǎn)品實踐》，從現(xiàn)有的問題和挑戰(zhàn)著手，以風控技術的實踐為例，帶領大家展望未來，拆解未來產(chǎn)品經(jīng)理需要的業(yè)務知識、崗位職責和能力模型。

分享嘉賓：京東金融風險管理部產(chǎn)品總監(jiān) 孟繁星

以下內(nèi)容為嘉賓分享實錄，由人人都是產(chǎn)品經(jīng)理社區(qū)筆記組成員@張婷 匯總整理，部分內(nèi)容有修改，嘉賓已確認：

今天和大家聊一聊AI+金融，我從業(yè)務產(chǎn)品經(jīng)理的角度跟大家討論新的技術——尤其是人工智能和大數(shù)據(jù)等新技術，對我們的業(yè)務、產(chǎn)品和產(chǎn)品經(jīng)理的工作會有哪些新的影響和沖擊。

前幾周準備材料的時候，我和一位做AI的朋友討論。我問他最近在關注什么領域，研究什么課題，朋友說最近在研究倫理學。我當時很驚訝：產(chǎn)品經(jīng)理什么時候變得這么高大上了？我們在寫項目周報、寫PRD的時候，別人都在開始研究倫理學了？

我的朋友回答說：其實并不是真的高大上，這些都是AI的實際工作中會面臨的問題。這些問題解決不好，產(chǎn)品就做不好，運營工作就沒法開展。

這是他在關注的幾個問題：

我朋友做的事情是：利用人工智能進入司法領域。就是基于人工智能、自然語言處理等技術幫助律師、法官處理大量的法律文案，甚至可以基于一些歷史案件、案例提出審判的法律依據(jù)。

基于這些工作，他關注的三個問題：

No.1 如果由機器代替人來決策，那損益和權(quán)責該如何承擔？

你用了AI的算法，有收益了固然好；但是出現(xiàn)損失了，責任誰來承擔？

類似的案例已經(jīng)出現(xiàn)，最典型、也是影響力最大的是特斯拉的自動駕駛技術出的問題：一名消費者開著特斯拉的汽車，出了車禍死亡。

當時這個事件爭議非常大，這個事故是駕駛員的責任還是車或者自動駕駛技術的責任？進一步衍生的問題是：保險公司該怎么去理賠？這個責任歸屬權(quán)是誰？——這些都是很實際的問題。

No. 2 算法怎么去保證公平和公正？

大家可能會說：機器是最公正最公平的。

但是別忘了，開發(fā)這些機器和算法的也是“人”。

No. 3 我的用戶群會更聰明，還是會變成傻瓜？

無論是剛才提到的律師、法官，還是其他用戶，他們在用人工智能工具的時候，自己本身的工作能力會有什么樣的改變？是會擁有更強的工作能力，還是會變得更依賴機器，我怎么基于這種改變?nèi)ミ\營我的用戶？

由此可見，新技術的應用不僅會改變我們的行業(yè)，也會對我們實際工作帶來很大的影響。這也是今天我想跟大家分享討論的一個主要的話題。

今天想跟大家主要聊三個方面：

1. 回顧新技術以及對產(chǎn)品經(jīng)理帶來的新挑戰(zhàn)；
2. 結(jié)合個人的實踐經(jīng)驗，講一講自己的理解；
3. 暢想未來。

一、新技術，新問題，新挑戰(zhàn)

講幾個金融行業(yè)被新技術改變的案例：

這是瑞銀集團的證券交易大廳，上面坐的都是證券交易員，左邊這個圖是2008年的照片，右邊這個圖是2016年的，可以看到證券交易的席位大幅減少。

這張圖經(jīng)常被媒體用來解釋新技術的應用：程序自動化交易、在線交易、人工智能等技術，會大幅減少證券分析師、交易員的工作——甚至會提出“機器取代人類工作”這一命題，但深究起來，并不一定是這樣。

大家可以關注一下照片拍攝的時間：一個是2008年，一個是2016年，中間隔了一個金融危機。

其實清空整個交易大廳的并不全是新技術，也包括金融危機對整個金融行業(yè)的沖擊，以及瑞銀集團自身業(yè)務的一些問題。所以，我們不能孤立地去看待一個新技術，而是要把它放在整個大的產(chǎn)業(yè)背景中，結(jié)合整個產(chǎn)業(yè)和公司的業(yè)務情況來看，而不是片面強調(diào)某一個新技術的作用。

第二個例子也很有意思：

10月份，美國推出據(jù)稱是全球第一個由人工智能驅(qū)動的股票投資基金——AI Powered ETF。新聞剛出來的時候，媒體又掀起了一次狂潮，標題都是拿這個基金跟Alpha Go來對比，儼然就是“終結(jié)者要降臨金融行業(yè)了，全球金融從業(yè)者要失業(yè)了”。

如果我們追蹤看一下這只基金的表現(xiàn)：從10月18號基金開放以來（黑色的線是基金的回報，上面兩根紅色的線分別是納斯達克和標普指數(shù)），AI Powered ETF基金的回報率顯著低于市場預期，低于市場大盤。大概兩周的時間就已經(jīng)虧損了超過2%，這該怎么理解呢？

對此，我的理解有兩點：

1. 要給新技術一個時間周期，不是說它一推出就能夠很成熟；
2. 莫被浮云遮望眼，并不是這些新技術都是萬靈藥。

第三個例子和我最近的研究比較相關：

iPhone X加強了基于3D的人臉識別技術，而現(xiàn)在安全行業(yè)，除了人臉識別，還有很多新的、比較成熟的身份認證和安全識別的技術，比如：

• 聲紋識別——通過說話時聲音的特征來識別是否是本人；
• 眼紋識別——通過視網(wǎng)膜上微血管的分布來識別個人身份特征。
• 還有最近一個新的研究領域：通過用戶使用手機的動作習慣，比如說我點擊習慣、劃動習慣，拿手機的一些運動信息等來識別是否是本人在操作手機。

據(jù)我們現(xiàn)在的研究：操作一個滑塊，輸入一個驗證碼或者是手勢密碼——這么一個動作，大概可以分解出幾十個到一百個特征指標。舉手滑動的加速度、觸點的位置大小等等，每個人的特征指標都是不一樣的；通過這些特征指標建模，精準地識別你是否是本人在操作手機。

這些技術都比較成熟了，而且已經(jīng)有一些應用。

有一位銀行業(yè)的朋友提出了一個很有意思的問題：原來銀行都是通過U盾、賬號密碼這些來做安全防范，如果不幸U盾丟失了，賬號密碼泄露了，用戶可以申請掛失改密碼或者改賬號——這都OK。

但是未來，我通過人臉識別、眼紋識別來防范；但是假如我這些生物特征信息丟失了：臉部或視網(wǎng)膜特征被不法分子拍照——這怎么辦？我能把我臉掛失嗎？還是說把我眼睛掛失——這就不現(xiàn)實了。

所以可以看到：新技術的不斷成熟，會對我們整個業(yè)務、商業(yè)模式以及相應的業(yè)務鏈條帶來很大的影響。

產(chǎn)品經(jīng)理在考慮這些問題的時候，就不光要從技術和產(chǎn)品本身出發(fā)。

我之前做過一些調(diào)研，問過一些做產(chǎn)品的小伙伴，他們對新技術（包括AI等）會關注哪些問題。比如新技術是否會影響我的行業(yè)，用戶是否會為這些技術買單？投入很大資源去開發(fā)技術是否能帶來回報？我如何去獲取大量的數(shù)據(jù)去支持我的AI或者算法的研發(fā)，以及尤其像產(chǎn)品經(jīng)理很關心的：在這種場景下，如何去跟算法團隊還有數(shù)據(jù)團隊配合，后面也會結(jié)合我自己的一些經(jīng)驗來跟大家探討這些問題。

今天大會的主題是：解碼未來產(chǎn)品經(jīng)理。按我的理解，這個問題可以分解成三個部分——

• 未來的趨勢和機會是什么？
• 新技術和應用會如何改變我們產(chǎn)品形態(tài)？
• 在這種場景下，我們產(chǎn)品經(jīng)理的職責、能力以及產(chǎn)品研發(fā)的模式有哪些變化。

這些問題我也沒有答案，而且我預計也不會有標準答案，希望能夠促進大家去思考和討論，在業(yè)務實踐中發(fā)掘出自己的答案。

下面結(jié)合我在近期的一些研究，來跟大家探討：

二、金融行業(yè)+AI 的版圖

近幾年金融科技行業(yè)發(fā)展很快，監(jiān)管層也在更多利用數(shù)據(jù)和智能技術；金融行業(yè)和AI、大數(shù)據(jù)以及算法的結(jié)合，已經(jīng)是比較普遍的了。

從目前我的經(jīng)驗和了解來看，可以分成三個層面——風險管理、運營效率和用戶體驗。其中應用最多、最成熟的是在風險管理方面，包括反欺詐、反洗錢、信貸評估以及風險定價等等。

在用戶體驗層面，新技術比較成熟的應用案例是智能客服。

9月份的時候，我們?nèi)ヒ患覙I(yè)內(nèi)領先的保險公司交流，它們已經(jīng)把AI技術應用到客服中去，對于一些簡單的客戶咨詢的問題，客戶很難分辨出回答自己問題的其實是一個語音機器人——當然，對于很復雜的問題，機器人會把問題轉(zhuǎn)交給一個真正的人類客服坐席去解決。

金融機構(gòu)面臨的威脅

剛過去的雙十一，各個電商發(fā)表了自己的戰(zhàn)報，交易額有做到千億元的，有做到幾百億的，有幾十億的。在雙11過后兩天，不光電商發(fā)表自己的戰(zhàn)報，我們看到媒體也發(fā)表了一篇地下黑色產(chǎn)業(yè)的戰(zhàn)報。

在中國，據(jù)說從事地下黑色產(chǎn)業(yè)（像電信詐騙、羊毛黨、刷單產(chǎn)業(yè)等）團伙的從業(yè)規(guī)模在150萬人以上，年產(chǎn)值大概是千億元量級。而據(jù)我們估算，掌握在黑色產(chǎn)業(yè)團伙中的垃圾賬號和用戶信息，大概在幾千萬到上億級別——可能我們整個互聯(lián)網(wǎng)包括金融行業(yè)，這么多的用戶信息就掌握在這些欺詐團伙手里。

黑色產(chǎn)業(yè)給金融行業(yè)帶來的威脅，主要是4個方面，可以粗淺的理解一下：

可能真正從事金融行業(yè)和風控的童鞋并不多，先跟大家簡單介紹一下背景。

1. 你究竟是人還是機器?

無論是撞庫、羊毛黨還是刷單，都會頻繁使用機器、工具批量注冊垃圾賬號、批量刷單。

12306的搶票背后，就可能是一個機器而不是一個真的用戶。

于是我們看到12306開發(fā)了很多變態(tài)的圖片驗證碼和識別機制——你必須是一個真正的“人”，必須輸入這些驗證碼才能允許登錄或進行下一步的操作。

但是黑產(chǎn)的技術也非常領先，它們早就把圖像識別技術，或者像這種商業(yè)模式用在圖片識別、驗證碼里，而簡單的這些圖片驗證碼已經(jīng)很容易就能攻破。

2. 你是否是你？

這個其實很簡單，我的手機設備是否被盜，銀行卡是否被盜，是否是我在操作還是一個其他的不相干的人在操作？

3. 你是否有真實的意愿？

是想給一個朋友轉(zhuǎn)賬，還是被電信詐騙忽悠了？

現(xiàn)在的黑產(chǎn)非常專業(yè)，會結(jié)合一個場景進行詐騙。

比如：你學校的一名教工或領導給你發(fā)短信，說有一個新的選課或者新的通知讓你去看看。作為一名學生，很容易被這種騙術欺騙——這個鏈接點進去就是一個木馬一個病毒，只要有操作，所有的個人信息都會泄露。

4. 你的信息是否真實有效？

申請一個網(wǎng)貸，用戶提供的各種身份信息是否有效。

目前來看，識別欺詐和威脅很重要的一個手段就是：通過大量的數(shù)據(jù)作出判斷。

這塊可以簡單舉幾個例子：

1. 通過采集設備信息，建立模型去識別你的設備安全性；
2. 剛才提到的人機識別：通過你的操作（無論電腦、手機設備）、動作習慣去識別是機器還是人；
3. 通過人臉識別、眼紋等技術來識別。

案例分析：京東金融實戰(zhàn)

為什么我們要投入這么多資源和精力，專門去做基于大數(shù)據(jù)和人工智能的技術來防范安全？

其實是和我們的業(yè)務分不開的。

互聯(lián)網(wǎng)企業(yè)，產(chǎn)品線和產(chǎn)品的更新迭代速度非?？?，幾周就有一個新的產(chǎn)品上線，所以整個業(yè)務對效率的要求是非常高的。目前京東金融有十個業(yè)務板塊，包括大家熟悉的白條、企業(yè)金融等；從交易體量來說，我們現(xiàn)在支持峰值每分鐘千萬筆交易，每筆交易都要去審查它是否有安全風險，這些肯定需要機器來做，在保證交易安全的同時提升用戶體驗。

為什么傳統(tǒng)銀行在這方面投入會比較低？因為傳統(tǒng)模式對用戶體驗要求沒有那么高。大家用過原來的網(wǎng)銀都知道，需要用戶下載各種安全插件，和插U盾。

基于業(yè)務給我們帶來的風險和挑戰(zhàn)，我們依賴技術和數(shù)據(jù)來解決這些問題。

這個是我們在風控方面的技術架構(gòu)和一個流程的簡單的介紹，這塊我重點跟大家討論三個問題：

1. 最底層的大數(shù)據(jù)的平臺。

這個平臺會接入我們業(yè)務線各個產(chǎn)品、各個渠道的所有數(shù)據(jù)，并且在其中做加工和整合。

做過算法或者建模的同學可能知道，在做算法和模型的時候，很大的工作量是集中在數(shù)據(jù)處理這方面的——數(shù)據(jù)的獲取、數(shù)據(jù)的清洗、特征加工、結(jié)構(gòu)化等等，這些總做會占到整個工作量的50%-60%這樣。真正用于機器學習或建模的工作量可能只是一小半。

業(yè)內(nèi)有一個經(jīng)常討論的問題——究竟數(shù)據(jù)更有價值，還是算法更有價值？如果沒有數(shù)據(jù)，那算法都建立不起來。

2. 實時決策引擎。

平臺上每分鐘幾百萬、上千萬筆的交易，都會通過這個引擎大腦來實時決策，判斷是有風險的交易還是正常用戶行為。

3. 風險運營。

這部分其實是一個人工處理和運營的平臺。

前一陣和一位銀行的朋友交流，說他希望我們幫他們建立一整套基于大數(shù)據(jù)和人工智能的風控體系。我說沒問題，那我了解一下你們現(xiàn)在在這個方面的投入，未來這個團隊規(guī)模大概會做成什么樣？

這位銀行的朋友就說：我不打算投人，我沒有團隊；你們不都是可以通過機器來做嗎？那我就把人都裁掉了，不需要人工。

我說別逗了，這不可能。

無論什么樣的機器，都不能擺脫人。

為什么人工要介入運營的工作，其實有兩個作用：

1. 機器并不是萬金油，不是萬能藥；無論什么樣的算法，什么樣的工具，什么樣的人工智能，都只能解決一部分的問題；總會有一小部分問題是機器解決不了的，必須有人來處理——這個理念是普適于大部分領域的現(xiàn)狀的。
2. 需要由人工來建立整個數(shù)據(jù)和算法的閉環(huán)。算法模型、策略、規(guī)則、引擎實時運轉(zhuǎn)，但必須有人監(jiān)控，看到機器處理的結(jié)果。找到好的案例還有bad case，然后把案例拿出來再做分析，不斷優(yōu)化調(diào)整模型和策略——這個是非常重要的。所以無論什么樣的機器算法，必須要深度地和業(yè)務和團隊去結(jié)合。

機器學習的四個關鍵問題

從剛才的討論來看，我總結(jié)了幾個關鍵的環(huán)節(jié)，如上圖：

1. 業(yè)務場景：我們不能拿著錘子找釘子，不能是“我覺得這個算法或人工智能或者數(shù)據(jù)很有用”，必須要立足場景和用戶?，F(xiàn)在大家都想往風口上站，不太會去認真的考慮自己業(yè)務的情況和場景，而盲目的去搬一套先進的技術或者算法過來，這是不對的。
2. 數(shù)據(jù)：數(shù)據(jù)重要還是算法重要？我的理解是：有業(yè)務場景的數(shù)據(jù)才是重要的、最有價值的。如果沒有業(yè)務或者業(yè)務本身不產(chǎn)生數(shù)據(jù)，我們從第三方或者某個途徑買來一批數(shù)據(jù)，這樣數(shù)據(jù)有價值嗎？如果說用來做demo或者做可行性論證，是可以的；但是業(yè)務如果長期運轉(zhuǎn)下去，自己還不能產(chǎn)生數(shù)據(jù)，核心數(shù)據(jù)需要依賴外部，這就是很危險的事。
3. 策略：是基于業(yè)務規(guī)則和專家經(jīng)驗？還是基于深度學習模型？策略中如何去應用圖像和語音識別等等這些先進技術。
4. 運營：人的部分怎么去更好的和機器去結(jié)合？在哪個環(huán)節(jié)結(jié)合，如何分工，是人輔助機器還是機器輔助人，如何構(gòu)建一個閉環(huán)的系統(tǒng)。

這是現(xiàn)在做人工智能、機器學習普遍會探討的4個關鍵問題，這4個問題標志著未來或者近期最高技術的研究方向。近期我們看到相關報道和研究文章也都會集中在這幾個問題去討論。

借此跟大家去討論一下技術的能力和邊界：

作為產(chǎn)品經(jīng)理，對技術的理解有一個很重要的點：要理解技術能做什么，不能做什么。

1. 小數(shù)據(jù)訓練模型。

Alpha Go在訓練的時候用到了百萬量級的棋譜數(shù)據(jù)，我們在做反欺詐和風控的模型中運用到的數(shù)據(jù)最少也是幾十萬量級，經(jīng)常會用到百萬以上量級的數(shù)據(jù)；所以在做機器學習的時候，對數(shù)據(jù)量的要求是非常高的，尤其是你的業(yè)務需要快速迭代的時候。

舉個例子：

我有一些商品，需要通過圖像識別或者機器視覺的方法，識別這些不同的商品都是什么品類。

非常不幸的是：這些商品每周要更新一次，每周要換一些新的商品，甚至經(jīng)營新的品類。

那問題其實很明顯了：每周更新一次商品，那每周我們都需要收集大量的圖片再去訓練我的這個模型——這個成本非常大，也不現(xiàn)實。

目前隨著在相關領域，比如生成對抗網(wǎng)絡等新技術的應用，小數(shù)據(jù)訓練模型，這個問題在逐步解決。

2. 機器學習模型的可解釋性。

醫(yī)生可以通過一些指標和特征給病人做診斷，但機器更多是通過大量數(shù)據(jù)樣本來訓練；訓練結(jié)果并不具有很強的邏輯性，更類似于“經(jīng)驗”或直覺；在實際業(yè)務場景中，并不像專家系統(tǒng)那樣容易讓用戶理解。

3. 用業(yè)務規(guī)則還是機器學習模型。

業(yè)務規(guī)則很簡單：消費者在電商平臺購買了一些奶粉，可以推測出消費者家里可能有孩子，給他推薦嬰兒車這些產(chǎn)品可能會更合適——這就是簡單的業(yè)務規(guī)則，這是可解釋的，而且很容易迭代，相應的研發(fā)和優(yōu)化成本也非常的低。

其實在很多場景下，這種業(yè)務規(guī)則或者說專家經(jīng)驗能解決很大的問題，并不一定非得用上這些高深的算法。

這回到了剛才那個問題——怎么把人的作用和機器的作用相結(jié)合。

4. 數(shù)據(jù)加工整合的成本。

數(shù)據(jù)收集和處理的成本還是非常大的，甚至大過訓練模型本身。如何更好地建設數(shù)據(jù)平臺，更好、更豐富、更低成本地獲取數(shù)據(jù)？

大家可以結(jié)合這點想一想：為什么AI或者大數(shù)據(jù)技術在金融風控領域用的最成熟？

第一，數(shù)據(jù)量方面。金融領域的交易數(shù)量和用戶數(shù)量巨大，很容易支持大規(guī)模的數(shù)據(jù)應用。

第二，大部分情況下，我們的模型在金融和反欺詐領域是不需要很嚴格的解釋，避免了可解釋性差的問題。另外，從零搭建一個新的引擎、新的算法時，更多時候也會看重業(yè)務規(guī)則和人類的經(jīng)驗專家體系，再結(jié)合機器學習等技術。

在這種場景下，產(chǎn)品經(jīng)理如何與數(shù)據(jù)科學家、數(shù)據(jù)團隊配合？產(chǎn)品沒有從事過數(shù)據(jù)相關工作，不懂算法，不懂機器學習，那是不是說產(chǎn)品經(jīng)理在這方面就沒有什么經(jīng)驗或話語權(quán)，怎么去跟技術配合呢？

三、產(chǎn)品經(jīng)理的未來

新技術的變革，對我們行業(yè)的沖擊肯定是不可避免的，而且還會越來越快。

那么需要做的第一點就是：認真理解新技術，并且去思考新技術與現(xiàn)有業(yè)務和場景如何更好地結(jié)合，新技術會對行業(yè)和產(chǎn)品帶來多大的變革？

可以從這4個方面去審視一下，自己的業(yè)務是否適合去結(jié)合這些新技術：

1. 數(shù)據(jù)

具備什么樣的數(shù)據(jù)，以及多大數(shù)據(jù)量。

2. 運營

整個業(yè)務中是否需要大量的信息收集和信息處理的工作？例如金融行業(yè)大量的信息處理工作，每分鐘可能是百萬或千萬量級的；還有客服這種需要處理很多語音、文字的信息；還有金融分析師的工作，需要處理大量金融數(shù)據(jù)和圖表；以及像法院法官的工作，法律文案和文本工作非常大，這些更適合人工智能或者機器來工作。

3. 策略

業(yè)務邏輯是否比較清晰，至少能夠和專家的工作經(jīng)驗能夠拆解開。

為什么Alpha Go在圍棋這個領域很快能取得很好的成就？其實原因就是：這個領域的邊界相對比較清晰。算法只考慮棋盤上的事，棋盤之外的全部不用考慮，而且棋類有明確的規(guī)則。

那為什么自動駕駛很難呢？因為自動駕駛邊界太不清晰了：需要同時考慮到路況、車況、天氣情況、交通信號燈，還有可能警察站在路上給你伸個手，你就要停下；還要考慮車禍等事故怎么辦——這個場景太復雜，邊界不清晰，相對來說非常難。

4. 平衡用戶的預期或者效果

我們需要考慮關鍵應用和非關鍵應用，也就是：算法從95%的準確率提升到98%或者99%，到底能夠?qū)I(yè)務帶來多大的幫助？業(yè)務是否要求算法準確度要到99.XXX%還是要必須到百分之百才能應用？

比如說自動駕駛的準確率是80%——這絕不夠，有20%的可能性是出車禍；而對于風控、安防或者推薦引擎來說，可能百分之九十幾，或八十幾的準確率已經(jīng)足夠支撐業(yè)務了。

大家可以結(jié)合這幾個點，看看自己負責的業(yè)務中有哪些環(huán)節(jié)是可以利用這些新技術的；肯定不可能是所有的業(yè)務都由機器、算法、數(shù)據(jù)、技術來取代。

在產(chǎn)品和研發(fā)團隊工作模式方面，之前的傳統(tǒng)線性模型：從產(chǎn)品經(jīng)理到UXD到FE到研發(fā)到后端到運維到QA整個線性的流程其實已經(jīng)不太適用了。在新的場景之下，各個團隊之間必須建立非常緊密的配合，在產(chǎn)品研發(fā)的每個環(huán)節(jié)，可能會有不同角色、不同崗位角色來承擔。

比如：前期可能是由UXD或者業(yè)務運營或者產(chǎn)品經(jīng)理來負責整個項目，在某個階段，過渡到策略或者BI團隊；之后又回到機器學習或者數(shù)據(jù)科學團隊——但是在所有的環(huán)節(jié)中，信息都要各個團隊之間緊密共享，各個團隊之間需要非常緊密的配合。

那么，在這種新的場景下，產(chǎn)品經(jīng)理如何更好地和團隊配合？

這是我對于未來產(chǎn)品經(jīng)理的能力和思維方式的理解，最基礎的還是三種思維方式：

1. 業(yè)務的思維：做業(yè)務的專家要能夠非常深入的理解自己的業(yè)務，同時要保持學習的熱情。
2. 技術思維：產(chǎn)品經(jīng)理要懂技術。未來我覺得不懂技術，不懂業(yè)務，只會一些基本技能的產(chǎn)品經(jīng)理可能會被淘汰。
3. 商業(yè)思維：在新的場景下，我們會更關注商業(yè)模式。因為像人工智能大數(shù)據(jù)這種新的技術到來之后，很多是沒辦法套用之前老的商業(yè)模式。我們會去更關注場景、數(shù)據(jù)、算法的價值，數(shù)據(jù)可能是某個團隊或者某個合作伙伴來提供的，場景也要連接更多合作伙伴的場景——在這種情況下，如何平衡商業(yè)模式的價值？如何構(gòu)建整個產(chǎn)業(yè)鏈？在這種情況下是否會出現(xiàn)商業(yè)倫理和法律合規(guī)的問題？我是否能使用這些數(shù)據(jù)，是否會侵犯到用戶的隱私？如何保證算法的公正公平性？如何和用戶共同進步，而不是說用機器來取代他們的工作？

這些都是我們要去思考的。

新技術應用確實會大幅拓展產(chǎn)品經(jīng)理思考的深度，而最終我們還是要有一個過渡和成長。

按我的理解，產(chǎn)品經(jīng)理主要分成三個層次：

1. 最基礎的是對功能負責，就所謂做feature：根據(jù)業(yè)務方的需求主導項目，做出某個產(chǎn)品的功能，達到滿足需求上線。
2. 第二個層次就是對產(chǎn)品負責。需要負責整個產(chǎn)品生命周期，從需求收集、需求調(diào)研、理解用戶、洞察用戶，到產(chǎn)品實現(xiàn)，驗證發(fā)現(xiàn)新的問題去反饋，最終打造出一款非常好的產(chǎn)品。
3. 第三個層次就是對目標負責。目標導向，更好地去利用資源服務目標（資源并不一定是產(chǎn)品或者研發(fā)，也可能包括新的技術，新的資源新的商業(yè)模式，最終是服務于業(yè)務目標的）。

今天主要和大家分享這些內(nèi)容，最后用兩句話結(jié)尾：

1. 我今天講的都是錯的。為什么這么說呢？因為這些都只是我個人的理解，而在瞬息萬變的行業(yè)，我的理解可能只是其中某一方面。
2. 我講這些都沒用。為什么呢？還是那句話：這只是我個人的理解和實踐經(jīng)驗，如果大家覺得可能對自己的未來的工作和思考有幫助，希望大家能夠結(jié)合這些經(jīng)驗和PPT里提的問題去反思和聯(lián)想，變成自己的反思結(jié)果，才會有幫助。

以上為本次大會分享內(nèi)容。

嘉賓PPT：關注 人人都是產(chǎn)品經(jīng)理微信（ID：woshipm）公眾號，在后臺回復關鍵詞“大會”即可獲取下載地址。

相關閱讀：

2017中國產(chǎn)品經(jīng)理、互聯(lián)網(wǎng)運營大會官方回顧：未來，屬于你

本文為2017中國產(chǎn)品經(jīng)理大會北京站嘉賓分享整理總結(jié)，未經(jīng)許可，禁止轉(zhuǎn)載。謝謝合作。