产品思维是一个很大且很细的课题，是所有产品经理都会去思考的问题，本文对自己做产品的一些习惯进行沉淀，总结为自己的产品方法论，并希望与大家一起讨论分享~~

一、关于AI产品设计的关键性思维

1、用户思维

不论是之前的互联网产品经理还是这两年火热的AI产品经理，用户思维应该是始终坚守的原则；关于产品的用户思维，通常会兼顾以下三个方面：

（1）系统/功能的完整性

在完成需求分析后，虽然每次都是遵循MVP原则实现小步快跑，尽早交付，但是都会考虑整个产品的完整性。

举例 1：曾经一位客户希望我们提供类似美图秀秀的人脸美颜和人脸属性的能力，开始以为客户是有人脸检测和人脸识别的能力的，但是通过仔细沟通后才发现他们并没有这块技术；对客户需求做去伪存真后，我们提供了包含人脸检测、人脸属性、人脸美颜功能的本地SDK和基于云端服务的人脸识别。

举例2：这是在做平台产品时发生的一个失误，万幸的是该功能主要针对管理员，所以未发生不愉快的事情，主要是在管理员进入后台管理功能后，缺少回到前端页面的功能，唯一的途径方式是通过URL直接跳转或者先跳转到个人工作台再跳回其他功能；之所以发生这种情况，后续做复盘时总结认为是未对功能关联性考虑和未充分体验不用用户角色的功能需求。

（2）逻辑合理性

每个产品经理在做产品设计时，都会经历折磨人的业务流程设计，AI技术作为基础能力，常常扮演的角色是对传统产品的流程优化，提高原产品的作业效率。这时候如果原产品本身就涉及多个系统的交互，则需要分析在哪个环节可以加入AI能力可以使得业务流程更加合理。

举例：这也是一个实际案例，当时在一个客户提供AI分析能力时，由于客户是借助了外部的BI系统，因此存在三个系统的交互；我们发生了以下对话（非原话）：

我：原则上希望是哪个系统调用AI能力，则将结果返回给哪个系统，这样更加清晰。

客户：可是我们业务系统没有数据分析啊，所以你们能否直接将结果给到BI系统呢？

我：是否可以这样，我们将结果给到你们，你们再跟BI系统交互呢？

通过以上的对话，我们发现至少有两条路径可以实现该最后的业务，分别是图1和图2，虽然流程看似差不多，但是业务系统不具备数据分析能力，如果强行将AI分析结果给到业务系统，将涉及到业务系统的较大改造。但是图2中AI平台提供的接口只需要提供一个透传字段即可完成；因此，最终图2的逻辑更加合理，并以图2的逻辑设计业务流程。

（3）产品美观性

好玩好用的产品如果没有一个靓丽的外表如果能第一眼抓住眼球呢？产品的美观性虽然更多的是UI考虑的，但是产品经理也有义务提高审美，以此提高产品的用户体验；这点不再过多解释，因为从互联网产品开始，产品美观性就一直被强调！

2. 场景思维

如果大家多关注招聘市场就可以发现，当前AI产品任职要求越来越高，为啥？因为AI产品急需要落地变现，而落地的前提是需要找到合适的应用场景。

（1）行业定位

选择场景，先需要定位期望产品赋能的行业，一般可以从以下两个方面考虑出发：

首先，明确该行业是否具备变革的基础；变革基础可以是硬件的数字化基础，或者用户习惯。

举例：比如AI行业比较热门的行业有安防、物流、零售、泛娱乐、金融；其中安防和物流大多都具备着摄像头硬件基础，所以在具备优秀AI能力前提下，不考虑技术架构，无非是算力资源和带宽资源的平衡。

而泛娱乐和金融行业是从用户习惯来说比较容易切入的，对娱乐而言，用户对出错的情况忍受程度更高；对金融而言，原本线下金融服务行业就流程繁琐严格，此时在某个环节加入AI能力反而会降低用户操作难度，即使需要用户配合某些操作，一般也不会太引起用户的反弹情绪。

零售，当下我将其定位为反面案例，至少从当前看新零售更像是一地鸡毛，新零售的目的是希望可以线上线下互通，实现“千人千面”的服务，但是线下场景需要首先具备数字化基础，才能谈智能化。可从国情来看，中国大多便利店为老婆夫妻店，商超历史太长，数字化基础均较为薄弱，如果强行推动智能化，需要高昂的改造费用，所以新零售感觉一直进展缓慢。

其次整理出该行业的日常工作项目，再对各工作项目梳理业务流程，最后思考有哪些环节点即场景能用AI技术取代或优化。这样的思路遵循“工欲善其事必先利其器”战略，可以帮助产品更精准的找到可落地场景，其实这点也充分说明了产品最终的核心竞争力在于对业务知识的熟悉程度。

（2）跨界探索

AI产品虽然形态各异，但是基于的AI技术往往有时是相同的，因此场景思维还需要产品经理能够将已经落地的产品中所包含的AI技术提炼“跨界”寻找新的场景，达到延续产品生命，或者焕发产品第二春的目标。

举例：如广告投放场景，一般我们常常看到的都是投放在一些媒体网站，搜索引擎或者当前头条、百度的信息流。但是最近发现百度在广告投放场景来了一场“新瓶装老酒”探索。

众所周知，短视频应该是当前最火的场景之一，刷短视频不刷评论区貌似是缺少乐趣的，所以刷评论区也是短视频中的高频场景，而百度将广告伪装成评论投放到了评论区，并且做了智能投放管理：

• 不是所有的短视频评论区都有广告；
• 同一个广告重复打开评论区，可能会有不同的广告或者无广告；
• 其次部分广告可以跟短视频内容相关。

伪装+智能投放管理尽可能减少了用户抵触心理，举例【我理解的】百度该广告投放场景的前世今生，从以下结果来看，两者的广告投放模式实际无多大的新意，但是百度在场景上做了新的探索尝试，提高了百度广告的生命力，增加了百度广告的盈利潜力；

前世：百度贴吧中帖子和评论区的广告

今生：短视频评论区的广告

3. 数据思维

不论是互联网产品还是AI产品，数据思维都是产品经理需要具备的，通过数据收集处理分析驱动产品的价值验证、功能优化和业务决策，AI产品的数据思维需要考虑到以下两点：

（1）业务数据

AI产品也需要采用类似数据埋点的方式去收集产品投放前后的业务指标差异，比如：GMV差异、点击率差异、转化率差异。首先为了验证产品是否对业务产生了价值，用一个粗略的公式表示AI产品的业务价值，其次是为了分析产品的哪些品功能存在优化空间，最后还可以驱动业务决策，例如例如推荐系统在电商商品推荐和广告推荐中的应用。

AI产品价值=（提高的时效*时效成本+GMV提升）-（AI硬件资源成本+研发成本）

（2）数据沉淀

AI产品除了收集业务指标数据指导产品是否需要优化，还需要进一步做好训练数据沉淀工作。AI技术在投入试点到成熟推广，训练数据一直都是必不可少的，尤其是真实场景的数据对算法迭代更是起到“致命”的作用。

因此，如果能够源源不断的回收实际场景数据并且清洗标注，就可以提升算法准确率指标，最终提高产品使用效果，例如：可以考虑通过以下流程来实现。

结语

产品在推动落地的过程中，所涉及到的产品思维都是互相交叠的，很难说只关注其中一点即可，还是需要产品经理能够多综合思考，以此提高产品的可用性和健壮性~~

本文由 @Eric_d 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Unsplash，基于CC0协议