在产品经理工作中的两个核心原则：一是在合适的时间，以合适的方式，呈现合适的内容；二是在正确的时间，为正确的人，提供正确的决策支持。前者是偏向普通产品，后者则是针对数据产品或者AI产品。

首先谢谢伙伴们在《To B 产品经理必备能力：断、舍、离》评论中的建议。就围绕核心去加肉这一点来说，可能短期内暂时没有这个计划。最近梳理了一下自己短期内的写作计划，主要是偏向AI方向产品，重点是围绕机器学习和深度学习由浅入深的来进行，更希望的是后续的文章能够形成一个系列。

针对商业模式而言，虽然学习过商业模式画布，也听过曾宁老师的《智能商业二十讲》，并且近期看了《商业分析方法与案例》，但是笔者在实际工作中涉及较少，所以后续的文章中，可能也不会有较多篇幅涉及这一块。

这是产品经理实战方法与案例的第一篇文章，我们将以《电商用户评论的情感分析》为案例，来说明机器学习怎样与现有产品相结合，并且用结论指导后续的产品工作。

一、产品需求阶段

上面两图分别现在某宝和某东的用户评论界面。

上面图片则是某宝的评论页面。

在传统的电商用户评价中，我们往往采取打分或者评级，外加用户评论的方式来分析某个用户对某商品的情感倾向，到底是正面评价，还是负面评价。

举个例子，有A和B两个用户，都同样在某东上购买了《人人都是产品经理》这本书，两个人都是打了好评，不过在评论是，A写了一个字“好”，B写了两个字“很好”。从上面例子来看，我们的情感得分是B的得分是否应该高于A呢？如果A的评论是“很好很好”，是否又高于B的“很好”呢？这也就是现在传统的打分或者评级方式，无法满足我们分析需求的地方。

随着机器学习和深度学习的发展，我们开始引入了针对文本的自然语义分析，来帮助实现对于消费者评论文本更进一步的分析。

二、产品设计准备阶段

假设我们已经确定接受“消费者评论情感分析”的需求，那么我们进入产品设计阶段。

1. 首先，我们要确定我们的数据来源：

• 一是来自自家平台的用户评论数据；
• 二是来自京东用户的评论数据；
• 三是来自淘宝的用户评论数据；
• 四是其他平台的用户评论数据。

2. 其次，根据用户评论数据我们要整理的核心指标：

• 各平台综合情感得分；
• 各平台正、负、中情感得分；
• 正、负、中评论关键词；
• 最后得出分析结论：怎样改进产品，提升产品在消费者心中的情感倾向，也就是怎样更好的提升销量。

三、产品设计阶段：

根据在准备阶段整理的核销指标和任务，我们开始进行针对需求的后台产品设计。

原型下载地址：https://pan.baidu.com/s/1oGRAhcPHN02M8Dsj-KlZFQ

第一个案例的重点将会是Python爬虫和第三方工具抓取电商用户评论数据，以及自然文本语义分析的实现，所以这里对应原型的设计阶段只是简单描述。这两周的写作时间比较仓促，这里先给大家说一声抱歉。下周开始，笔者将合理计划时间，并争取提供高质量的文章。

文章第二部分亦是下周的主要内容——Python爬虫和第三方工具抓取电商用户评论数据。

本文由 @John_Ren 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自 Pexels ，基于 CC0 协议