我们要收集金融的数据，我们通过业务负责人或产品经理去联合一个团队，去把这些数据变成场景化的模型服务，再反推回去提升金融的具体业务。

　　比如风控，业务目标很大，产品经理很有雄心，但是业务本身非常杂乱。

　　我们做了各种类型的风控，有可能会用到各个具体的金融场景中。

　　组合的团队可能背景非常复杂：有些人非常懂AI，有些人非常懂业务，有些人擅长数据处理、数据分析，有些人擅长沟通。经常会遇到这样一些问题：很多团队怎么联合起来?没有现成的方案?团队的人永远很少?很多技术很难从别的部门拿过来?

　　在数据层面上，我们自身的数据不多，我们要预期数据、违约数据、用户行为数据，都只有那么一点点。

　　这些数据作用到我们的模型的时候，本身特征又很少，很难使用。

　　做风控是不是需要把它拆分成几个场景：做行为的，做用户欺诈的，做别的等等;要么没人梳理，要么很少有人梳理。

　　做模型本身这个产品的时候，有很多基础设施都是不具备的——这是我们在做人工智能现阶段产品落地的一个状态。

　　而产品经理要把这些问题全部解决掉：因为你是那个业务的负责人，你是牵头的人;虽然你在每个点都不那么精通，但你是牵头人。这个千头万绪的问题，最终就会导致AI产品落地和传统产品落地差别比较明显，你解决的问题会非常不同。

　　这个过程中，用金融为例的话，解决的方式是什么?

　　三个步骤：

　　第一个步骤是场景化

　　当你足够地理解业务，把它场景化的时候，那么你成功了20%。

　　在风控场景中，进一步细化场景，把场景中的关键要素提炼出来：

　　有多少数据描述这个场景?

　　这些数据的维度是怎么样的?

　　这个数据怎么更新的?

　　大家记住：这是产品经理考虑的，不是技术考虑的。因为这还在业务调研阶段，技术还没参与进来。收益是什么?产品的价值在哪里?——这些东西都做完了，你完成了20%的工作。

　　第二步是产品设计

　　剩下的20%，就要考虑以数据为核心资产的各种操作所带来的产品设计：

　　数据怎么收集?

　　在哪里收集?

　　什么时候收集?

　　数据怎么去分析?

　　可能用什么样的方式去分析?

　　数据的结果怎么解释给用户?

　　怎么体现出来?什么时候体现?

　　以及用户的反馈怎么通过数据化的方式收集起来?最终用在业务优化上。

　　这些都是产品设计的过程。

　　当你把这些都设计好了之后，就可以把这个东西交给技术和其他人。

　　这个过程中你有更多的工作要做：需要充分地理解业务专家、算法工程师、平台工程师、数据分析师这些人的职责，同时协调他们，把正确的事派给正确的人。

　　你需要理解AI产品的数据、模型、参数以及结果，解释产品细节。

　　第三点是把抽象场景细化为数据需求

　　当你把这些东西都设计好、理解好、分析清楚之后，才开始真正地展开产品设计。

　　产品设计是围绕数据展开的：

　　你要考虑数据怎么收集?——这是需求;

　　数据从哪里收集?——这是策略。

　　你还要考虑产品的结果如何展示给用户。

　　AI产品是不可能一次做好的，需要通过时间逐步迭代。这个过程需要你具备数据分析的能力，不是简简单单地说：

　　唉，我调研了几个用户，我知道了用户的需求，刚性需求是这个厕所场景非常重要，这个厨房场景稍微比较频率低一点。

　　你需要从数据角度直接分析出来为什么，否则这个AI产品的落地会非常曲折。

　　从大数据的角度分析，然后通过数据分析的结果，最终提炼出你的需求，同时把它数据化。数据化的过程中，你需要考虑：

　　是否适合场景?

　　是否适合AI?

　　不适合AI的，你需要过滤。

　　这40%的工作全部做完之后，剩下的就是实施过程中协调人与流程，而你的工作是桥接业务和AI的具体解决方案。

　　所以，你既要懂业务，也要懂AI——否则你两边都说不上话，从核心变成空气。

　　你关注的是数据结果，所以从数据的指标出发，持续优化，这是AI产品经理的日常。

　　人和流程是AI落地最大的挑战，60%工作都在里面。研发负责支撑产品，AI产品经理是决定智能产品落地的关键。

　　五、人工智能产品经理六条建议

　　做人工智能的产品，一定要以数据为核心;你的数据思维非常重要。

　　你可以天天考虑用户的需求，但是一定要把数据作为你最终考虑的问题，这是关键——一切的工作其实围绕数据来的。