11月中旬，由人人都是产品经理与腾讯大讲堂联合主办的2017中国产品经理大会在北京北苑大酒店完美落幕。京东金融风险管理部产品总监孟繁星老师从提问引入：你的业务中哪些环节可以利用人工智能？为大家分享《新技术，新挑战，新能力：金融＋AI 的产品实践》，从现有的问题和挑战着手，以风控技术的实践为例，带领大家展望未来，拆解未来产品经理需要的业务知识、岗位职责和能力模型。

分享嘉宾：京东金融风险管理部产品总监 孟繁星

以下内容为嘉宾分享实录，由人人都是产品经理社区笔记组成员@张婷 汇总整理，部分内容有修改，嘉宾已确认：

今天和大家聊一聊AI+金融，我从业务产品经理的角度跟大家讨论新的技术——尤其是人工智能和大数据等新技术，对我们的业务、产品和产品经理的工作会有哪些新的影响和冲击。

前几周准备材料的时候，我和一位做AI的朋友讨论。我问他最近在关注什么领域，研究什么课题，朋友说最近在研究伦理学。我当时很惊讶：产品经理什么时候变得这么高大上了？我们在写项目周报、写PRD的时候，别人都在开始研究伦理学了？

我的朋友回答说：其实并不是真的高大上，这些都是AI的实际工作中会面临的问题。这些问题解决不好，产品就做不好，运营工作就没法开展。

这是他在关注的几个问题：

我朋友做的事情是：利用人工智能进入司法领域。就是基于人工智能、自然语言处理等技术帮助律师、法官处理大量的法律文案，甚至可以基于一些历史案件、案例提出审判的法律依据。

基于这些工作，他关注的三个问题：

No.1 如果由机器代替人来决策，那损益和权责该如何承担？

你用了AI的算法，有收益了固然好；但是出现损失了，责任谁来承担？

类似的案例已经出现，最典型、也是影响力最大的是特斯拉的自动驾驶技术出的问题：一名消费者开着特斯拉的汽车，出了车祸死亡。

当时这个事件争议非常大，这个事故是驾驶员的责任还是车或者自动驾驶技术的责任？进一步衍生的问题是：保险公司该怎么去理赔？这个责任归属权是谁？——这些都是很实际的问题。

No. 2 算法怎么去保证公平和公正？

大家可能会说：机器是最公正最公平的。

但是别忘了，开发这些机器和算法的也是“人”。

No. 3 我的用户群会更聪明，还是会变成傻瓜？

无论是刚才提到的律师、法官，还是其他用户，他们在用人工智能工具的时候，自己本身的工作能力会有什么样的改变？是会拥有更强的工作能力，还是会变得更依赖机器，我怎么基于这种改变去运营我的用户？

由此可见，新技术的应用不仅会改变我们的行业，也会对我们实际工作带来很大的影响。这也是今天我想跟大家分享讨论的一个主要的话题。

今天想跟大家主要聊三个方面：

1. 回顾新技术以及对产品经理带来的新挑战；
2. 结合个人的实践经验，讲一讲自己的理解；
3. 畅想未来。

一、新技术，新问题，新挑战

讲几个金融行业被新技术改变的案例：

这是瑞银集团的证券交易大厅，上面坐的都是证券交易员，左边这个图是2008年的照片，右边这个图是2016年的，可以看到证券交易的席位大幅减少。

这张图经常被媒体用来解释新技术的应用：程序自动化交易、在线交易、人工智能等技术，会大幅减少证券分析师、交易员的工作——甚至会提出“机器取代人类工作”这一命题，但深究起来，并不一定是这样。

大家可以关注一下照片拍摄的时间：一个是2008年，一个是2016年，中间隔了一个金融危机。

其实清空整个交易大厅的并不全是新技术，也包括金融危机对整个金融行业的冲击，以及瑞银集团自身业务的一些问题。所以，我们不能孤立地去看待一个新技术，而是要把它放在整个大的产业背景中，结合整个产业和公司的业务情况来看，而不是片面强调某一个新技术的作用。

第二个例子也很有意思：

10月份，美国推出据称是全球第一个由人工智能驱动的股票投资基金——AI Powered ETF。新闻刚出来的时候，媒体又掀起了一次狂潮，标题都是拿这个基金跟Alpha Go来对比，俨然就是“终结者要降临金融行业了，全球金融从业者要失业了”。

如果我们追踪看一下这只基金的表现：从10月18号基金开放以来（黑色的线是基金的回报，上面两根红色的线分别是纳斯达克和标普指数），AI Powered ETF基金的回报率显著低于市场预期，低于市场大盘。大概两周的时间就已经亏损了超过2%，这该怎么理解呢？

对此，我的理解有两点：

1. 要给新技术一个时间周期，不是说它一推出就能够很成熟；
2. 莫被浮云遮望眼，并不是这些新技术都是万灵药。

第三个例子和我最近的研究比较相关：

iPhone X加强了基于3D的人脸识别技术，而现在安全行业，除了人脸识别，还有很多新的、比较成熟的身份认证和安全识别的技术，比如：

• 声纹识别——通过说话时声音的特征来识别是否是本人；
• 眼纹识别——通过视网膜上微血管的分布来识别个人身份特征。
• 还有最近一个新的研究领域：通过用户使用手机的动作习惯，比如说我点击习惯、划动习惯，拿手机的一些运动信息等来识别是否是本人在操作手机。

据我们现在的研究：操作一个滑块，输入一个验证码或者是手势密码——这么一个动作，大概可以分解出几十个到一百个特征指标。举手滑动的加速度、触点的位置大小等等，每个人的特征指标都是不一样的；通过这些特征指标建模，精准地识别你是否是本人在操作手机。

这些技术都比较成熟了，而且已经有一些应用。

有一位银行业的朋友提出了一个很有意思的问题：原来银行都是通过U盾、账号密码这些来做安全防范，如果不幸U盾丢失了，账号密码泄露了，用户可以申请挂失改密码或者改账号——这都OK。

但是未来，我通过人脸识别、眼纹识别来防范；但是假如我这些生物特征信息丢失了：脸部或视网膜特征被不法分子拍照——这怎么办？我能把我脸挂失吗？还是说把我眼睛挂失——这就不现实了。

所以可以看到：新技术的不断成熟，会对我们整个业务、商业模式以及相应的业务链条带来很大的影响。

产品经理在考虑这些问题的时候，就不光要从技术和产品本身出发。

我之前做过一些调研，问过一些做产品的小伙伴，他们对新技术（包括AI等）会关注哪些问题。比如新技术是否会影响我的行业，用户是否会为这些技术买单？投入很大资源去开发技术是否能带来回报？我如何去获取大量的数据去支持我的AI或者算法的研发，以及尤其像产品经理很关心的：在这种场景下，如何去跟算法团队还有数据团队配合，后面也会结合我自己的一些经验来跟大家探讨这些问题。

今天大会的主题是：解码未来产品经理。按我的理解，这个问题可以分解成三个部分——

• 未来的趋势和机会是什么？
• 新技术和应用会如何改变我们产品形态？
• 在这种场景下，我们产品经理的职责、能力以及产品研发的模式有哪些变化。

这些问题我也没有答案，而且我预计也不会有标准答案，希望能够促进大家去思考和讨论，在业务实践中发掘出自己的答案。

下面结合我在近期的一些研究，来跟大家探讨：

二、金融行业+AI 的版图

近几年金融科技行业发展很快，监管层也在更多利用数据和智能技术；金融行业和AI、大数据以及算法的结合，已经是比较普遍的了。

从目前我的经验和了解来看，可以分成三个层面——风险管理、运营效率和用户体验。其中应用最多、最成熟的是在风险管理方面，包括反欺诈、反洗钱、信贷评估以及风险定价等等。

在用户体验层面，新技术比较成熟的应用案例是智能客服。

9月份的时候，我们去一家业内领先的保险公司交流，它们已经把AI技术应用到客服中去，对于一些简单的客户咨询的问题，客户很难分辨出回答自己问题的其实是一个语音机器人——当然，对于很复杂的问题，机器人会把问题转交给一个真正的人类客服坐席去解决。

金融机构面临的威胁

刚过去的双十一，各个电商发表了自己的战报，交易额有做到千亿元的，有做到几百亿的，有几十亿的。在双11过后两天，不光电商发表自己的战报，我们看到媒体也发表了一篇地下黑色产业的战报。

在中国，据说从事地下黑色产业（像电信诈骗、羊毛党、刷单产业等）团伙的从业规模在150万人以上，年产值大概是千亿元量级。而据我们估算，掌握在黑色产业团伙中的垃圾账号和用户信息，大概在几千万到上亿级别——可能我们整个互联网包括金融行业，这么多的用户信息就掌握在这些欺诈团伙手里。

黑色产业给金融行业带来的威胁，主要是4个方面，可以粗浅的理解一下：

可能真正从事金融行业和风控的童鞋并不多，先跟大家简单介绍一下背景。

1. 你究竟是人还是机器?

无论是撞库、羊毛党还是刷单，都会频繁使用机器、工具批量注册垃圾账号、批量刷单。

12306的抢票背后，就可能是一个机器而不是一个真的用户。

于是我们看到12306开发了很多变态的图片验证码和识别机制——你必须是一个真正的“人”，必须输入这些验证码才能允许登录或进行下一步的操作。

但是黑产的技术也非常领先，它们早就把图像识别技术，或者像这种商业模式用在图片识别、验证码里，而简单的这些图片验证码已经很容易就能攻破。

2. 你是否是你？

这个其实很简单，我的手机设备是否被盗，银行卡是否被盗，是否是我在操作还是一个其他的不相干的人在操作？

3. 你是否有真实的意愿？

是想给一个朋友转账，还是被电信诈骗忽悠了？

现在的黑产非常专业，会结合一个场景进行诈骗。

比如：你学校的一名教工或领导给你发短信，说有一个新的选课或者新的通知让你去看看。作为一名学生，很容易被这种骗术欺骗——这个链接点进去就是一个木马一个病毒，只要有操作，所有的个人信息都会泄露。

4. 你的信息是否真实有效？

申请一个网贷，用户提供的各种身份信息是否有效。

目前来看，识别欺诈和威胁很重要的一个手段就是：通过大量的数据作出判断。

这块可以简单举几个例子：

1. 通过采集设备信息，建立模型去识别你的设备安全性；
2. 刚才提到的人机识别：通过你的操作（无论电脑、手机设备）、动作习惯去识别是机器还是人；
3. 通过人脸识别、眼纹等技术来识别。

案例分析：京东金融实战

为什么我们要投入这么多资源和精力，专门去做基于大数据和人工智能的技术来防范安全？

其实是和我们的业务分不开的。

互联网企业，产品线和产品的更新迭代速度非常快，几周就有一个新的产品上线，所以整个业务对效率的要求是非常高的。目前京东金融有十个业务板块，包括大家熟悉的白条、企业金融等；从交易体量来说，我们现在支持峰值每分钟千万笔交易，每笔交易都要去审查它是否有安全风险，这些肯定需要机器来做，在保证交易安全的同时提升用户体验。

为什么传统银行在这方面投入会比较低？因为传统模式对用户体验要求没有那么高。大家用过原来的网银都知道，需要用户下载各种安全插件，和插U盾。

基于业务给我们带来的风险和挑战，我们依赖技术和数据来解决这些问题。

这个是我们在风控方面的技术架构和一个流程的简单的介绍，这块我重点跟大家讨论三个问题：

1. 最底层的大数据的平台。

这个平台会接入我们业务线各个产品、各个渠道的所有数据，并且在其中做加工和整合。

做过算法或者建模的同学可能知道，在做算法和模型的时候，很大的工作量是集中在数据处理这方面的——数据的获取、数据的清洗、特征加工、结构化等等，这些总做会占到整个工作量的50%-60%这样。真正用于机器学习或建模的工作量可能只是一小半。

业内有一个经常讨论的问题——究竟数据更有价值，还是算法更有价值？如果没有数据，那算法都建立不起来。

2. 实时决策引擎。

平台上每分钟几百万、上千万笔的交易，都会通过这个引擎大脑来实时决策，判断是有风险的交易还是正常用户行为。

3. 风险运营。

这部分其实是一个人工处理和运营的平台。

前一阵和一位银行的朋友交流，说他希望我们帮他们建立一整套基于大数据和人工智能的风控体系。我说没问题，那我了解一下你们现在在这个方面的投入，未来这个团队规模大概会做成什么样？

这位银行的朋友就说：我不打算投人，我没有团队；你们不都是可以通过机器来做吗？那我就把人都裁掉了，不需要人工。

我说别逗了，这不可能。

无论什么样的机器，都不能摆脱人。

为什么人工要介入运营的工作，其实有两个作用：

1. 机器并不是万金油，不是万能药；无论什么样的算法，什么样的工具，什么样的人工智能，都只能解决一部分的问题；总会有一小部分问题是机器解决不了的，必须有人来处理——这个理念是普适于大部分领域的现状的。
2. 需要由人工来建立整个数据和算法的闭环。算法模型、策略、规则、引擎实时运转，但必须有人监控，看到机器处理的结果。找到好的案例还有bad case，然后把案例拿出来再做分析，不断优化调整模型和策略——这个是非常重要的。所以无论什么样的机器算法，必须要深度地和业务和团队去结合。

机器学习的四个关键问题

从刚才的讨论来看，我总结了几个关键的环节，如上图：

1. 业务场景：我们不能拿着锤子找钉子，不能是“我觉得这个算法或人工智能或者数据很有用”，必须要立足场景和用户。现在大家都想往风口上站，不太会去认真的考虑自己业务的情况和场景，而盲目的去搬一套先进的技术或者算法过来，这是不对的。
2. 数据：数据重要还是算法重要？我的理解是：有业务场景的数据才是重要的、最有价值的。如果没有业务或者业务本身不产生数据，我们从第三方或者某个途径买来一批数据，这样数据有价值吗？如果说用来做demo或者做可行性论证，是可以的；但是业务如果长期运转下去，自己还不能产生数据，核心数据需要依赖外部，这就是很危险的事。
3. 策略：是基于业务规则和专家经验？还是基于深度学习模型？策略中如何去应用图像和语音识别等等这些先进技术。
4. 运营：人的部分怎么去更好的和机器去结合？在哪个环节结合，如何分工，是人辅助机器还是机器辅助人，如何构建一个闭环的系统。

这是现在做人工智能、机器学习普遍会探讨的4个关键问题，这4个问题标志着未来或者近期最高技术的研究方向。近期我们看到相关报道和研究文章也都会集中在这几个问题去讨论。

借此跟大家去讨论一下技术的能力和边界：

作为产品经理，对技术的理解有一个很重要的点：要理解技术能做什么，不能做什么。

1. 小数据训练模型。

Alpha Go在训练的时候用到了百万量级的棋谱数据，我们在做反欺诈和风控的模型中运用到的数据最少也是几十万量级，经常会用到百万以上量级的数据；所以在做机器学习的时候，对数据量的要求是非常高的，尤其是你的业务需要快速迭代的时候。

举个例子：

我有一些商品，需要通过图像识别或者机器视觉的方法，识别这些不同的商品都是什么品类。

非常不幸的是：这些商品每周要更新一次，每周要换一些新的商品，甚至经营新的品类。

那问题其实很明显了：每周更新一次商品，那每周我们都需要收集大量的图片再去训练我的这个模型——这个成本非常大，也不现实。

目前随着在相关领域，比如生成对抗网络等新技术的应用，小数据训练模型，这个问题在逐步解决。

2. 机器学习模型的可解释性。

医生可以通过一些指标和特征给病人做诊断，但机器更多是通过大量数据样本来训练；训练结果并不具有很强的逻辑性，更类似于“经验”或直觉；在实际业务场景中，并不像专家系统那样容易让用户理解。

3. 用业务规则还是机器学习模型。

业务规则很简单：消费者在电商平台购买了一些奶粉，可以推测出消费者家里可能有孩子，给他推荐婴儿车这些产品可能会更合适——这就是简单的业务规则，这是可解释的，而且很容易迭代，相应的研发和优化成本也非常的低。

其实在很多场景下，这种业务规则或者说专家经验能解决很大的问题，并不一定非得用上这些高深的算法。

这回到了刚才那个问题——怎么把人的作用和机器的作用相结合。

4. 数据加工整合的成本。

数据收集和处理的成本还是非常大的，甚至大过训练模型本身。如何更好地建设数据平台，更好、更丰富、更低成本地获取数据？

大家可以结合这点想一想：为什么AI或者大数据技术在金融风控领域用的最成熟？

第一，数据量方面。金融领域的交易数量和用户数量巨大，很容易支持大规模的数据应用。

第二，大部分情况下，我们的模型在金融和反欺诈领域是不需要很严格的解释，避免了可解释性差的问题。另外，从零搭建一个新的引擎、新的算法时，更多时候也会看重业务规则和人类的经验专家体系，再结合机器学习等技术。

在这种场景下，产品经理如何与数据科学家、数据团队配合？产品没有从事过数据相关工作，不懂算法，不懂机器学习，那是不是说产品经理在这方面就没有什么经验或话语权，怎么去跟技术配合呢？

三、产品经理的未来

新技术的变革，对我们行业的冲击肯定是不可避免的，而且还会越来越快。

那么需要做的第一点就是：认真理解新技术，并且去思考新技术与现有业务和场景如何更好地结合，新技术会对行业和产品带来多大的变革？

可以从这4个方面去审视一下，自己的业务是否适合去结合这些新技术：

1. 数据

具备什么样的数据，以及多大数据量。

2. 运营

整个业务中是否需要大量的信息收集和信息处理的工作？例如金融行业大量的信息处理工作，每分钟可能是百万或千万量级的；还有客服这种需要处理很多语音、文字的信息；还有金融分析师的工作，需要处理大量金融数据和图表；以及像法院法官的工作，法律文案和文本工作非常大，这些更适合人工智能或者机器来工作。

3. 策略

业务逻辑是否比较清晰，至少能够和专家的工作经验能够拆解开。

为什么Alpha Go在围棋这个领域很快能取得很好的成就？其实原因就是：这个领域的边界相对比较清晰。算法只考虑棋盘上的事，棋盘之外的全部不用考虑，而且棋类有明确的规则。

那为什么自动驾驶很难呢？因为自动驾驶边界太不清晰了：需要同时考虑到路况、车况、天气情况、交通信号灯，还有可能警察站在路上给你伸个手，你就要停下；还要考虑车祸等事故怎么办——这个场景太复杂，边界不清晰，相对来说非常难。

4. 平衡用户的预期或者效果

我们需要考虑关键应用和非关键应用，也就是：算法从95%的准确率提升到98%或者99%，到底能够对业务带来多大的帮助？业务是否要求算法准确度要到99.XXX%还是要必须到百分之百才能应用？

比如说自动驾驶的准确率是80%——这绝不够，有20%的可能性是出车祸；而对于风控、安防或者推荐引擎来说，可能百分之九十几，或八十几的准确率已经足够支撑业务了。

大家可以结合这几个点，看看自己负责的业务中有哪些环节是可以利用这些新技术的；肯定不可能是所有的业务都由机器、算法、数据、技术来取代。

在产品和研发团队工作模式方面，之前的传统线性模型：从产品经理到UXD到FE到研发到后端到运维到QA整个线性的流程其实已经不太适用了。在新的场景之下，各个团队之间必须建立非常紧密的配合，在产品研发的每个环节，可能会有不同角色、不同岗位角色来承担。

比如：前期可能是由UXD或者业务运营或者产品经理来负责整个项目，在某个阶段，过渡到策略或者BI团队；之后又回到机器学习或者数据科学团队——但是在所有的环节中，信息都要各个团队之间紧密共享，各个团队之间需要非常紧密的配合。

那么，在这种新的场景下，产品经理如何更好地和团队配合？

这是我对于未来产品经理的能力和思维方式的理解，最基础的还是三种思维方式：

1. 业务的思维：做业务的专家要能够非常深入的理解自己的业务，同时要保持学习的热情。
2. 技术思维：产品经理要懂技术。未来我觉得不懂技术，不懂业务，只会一些基本技能的产品经理可能会被淘汰。
3. 商业思维：在新的场景下，我们会更关注商业模式。因为像人工智能大数据这种新的技术到来之后，很多是没办法套用之前老的商业模式。我们会去更关注场景、数据、算法的价值，数据可能是某个团队或者某个合作伙伴来提供的，场景也要连接更多合作伙伴的场景——在这种情况下，如何平衡商业模式的价值？如何构建整个产业链？在这种情况下是否会出现商业伦理和法律合规的问题？我是否能使用这些数据，是否会侵犯到用户的隐私？如何保证算法的公正公平性？如何和用户共同进步，而不是说用机器来取代他们的工作？

这些都是我们要去思考的。

新技术应用确实会大幅拓展产品经理思考的深度，而最终我们还是要有一个过渡和成长。

按我的理解，产品经理主要分成三个层次：

1. 最基础的是对功能负责，就所谓做feature：根据业务方的需求主导项目，做出某个产品的功能，达到满足需求上线。
2. 第二个层次就是对产品负责。需要负责整个产品生命周期，从需求收集、需求调研、理解用户、洞察用户，到产品实现，验证发现新的问题去反馈，最终打造出一款非常好的产品。
3. 第三个层次就是对目标负责。目标导向，更好地去利用资源服务目标（资源并不一定是产品或者研发，也可能包括新的技术，新的资源新的商业模式，最终是服务于业务目标的）。

今天主要和大家分享这些内容，最后用两句话结尾：

1. 我今天讲的都是错的。为什么这么说呢？因为这些都只是我个人的理解，而在瞬息万变的行业，我的理解可能只是其中某一方面。
2. 我讲这些都没用。为什么呢？还是那句话：这只是我个人的理解和实践经验，如果大家觉得可能对自己的未来的工作和思考有帮助，希望大家能够结合这些经验和PPT里提的问题去反思和联想，变成自己的反思结果，才会有帮助。

以上为本次大会分享内容。

嘉宾PPT：关注 人人都是产品经理微信（ID：woshipm）公众号，在后台回复关键词“大会”即可获取下载地址。

相关阅读：

2017中国产品经理、互联网运营大会官方回顾：未来，属于你

本文为2017中国产品经理大会北京站嘉宾分享整理总结，未经许可，禁止转载。谢谢合作。