机器学习时代，产品经理未来的价值在哪里？

随着计算机计算能力的爆发式增长，人们利用计算机的方式不断变革，而我们正走在变革的路口。一方面是大公司更多的资源投入到机器学习的领域，从而颠覆原有的决策和运营模式，另一方面，随着实用性开源代码越来越丰富，随着云平台的不断发展，小公司接入机器学习的方法的成本也越来越低。而这样的背景下，产品经理未来的价值在哪里？

1. 变革：人使用计算机的方式

随着计算机能力的爆发式增长，人们利用计算机的方式不断变革。想象一个情形，决策拥有大量数据的结果，需要根据数据输出一个高效的决策，我们该怎么做？

• 筛选历史数据：筛选数据中有用的部分；

• 分析历史数据：根据历史数据计算出某种规则；

• 分析当前数据：根据当前数据和某种规则分析当前数据；

• 做出当前决策：根据当前数据分析结果，做出最终决策。

最初，人们通过让计算机在明确的数据下，明确的规则下计算结果，而人们根据这个结果做出决策。在这个过程中，清洗历史数据的人，分析历史数据的是人，分析当前数据的是人，做出决策的也是人。这个阶段，系统只承担计算的部分。不理解人的全部决策过程。

后来，人们发明了基于规则式策略去解决实际中遇到的问题。根据大量的数据分析，人们发现可以根据历史数据形成规则并让系统自动决策。比如一个系统实现了这样一个功能，a数据下，执行A策略，b数据下执行B策略。在这个过程中，清洗历史数据的是人，分析历史数据的是人，分析当前数据的是计算机，做出当前决策的也是计算机。人理解全部决策过程，计算机只理解具体的指令。

在机器学习时代，规则变得不在重要，重要的是数据表现的统计意义的特征。计算机接受全部数据，根据数据和历史结果的相关性，自动分析数据之间的联系，并分析决策方法，并根据决策方法，自动做出决策。这种情况下，人完全不理解计算机的决策过程，当然，对于计算机而言，也不理解模型的过程数据。

2. 真相：机器自动决策的缺陷

那么计算机真的在自动决策吗？答案其实不是。计算机在整个过程中基本都是基于统计意义的方法进行分析和决策。本质上高度依赖于整个机器学习过程中系统设定的目标。

举个例子：商品的个性化推荐系统

当你的目标是目标销售量的时候，模型会根据历史销售数据推荐推荐给每个人一个商品列表，这个列表是基于历史的商品销售数据，和用户的行为数据，估计出最有可能被推荐的数据。最好的算法，可以基于历史销售数据，给出理论上最好的销售量预测。但是这只是统计意义的最优。在这个过程看似是计算机自动完成，但是我们还是赋予了计算机一些内容：

• 目标值：当天销售量

• 数据范围：历史销售数据，用户行为数据

但问题依然存在：对于一个电商而言，最核心的指标，真的是短期的销售量吗？

算法的单目标最优，往往以为着对完全不考虑其他目标，有很大的风险牺牲长期利益。这个很好理解，当经济发展的目标变为单一GDP的时候，国民健康、环境破坏等等就不被考虑的。当算法的目标是销售量的时候，用户的惊喜度，内容的重复度，对用户的调性，这些都是不在目标范围内的。

有很多信息，系统无法接收有什么影响？

一个服装电商，你知道今年的外部的流行款是什么，但是对于个性化推荐系不知道。你知道今天某个人气明星走红毯的时候穿了什么，但是个性化推荐系统不知道。而很多时候，这些信息往往是关键信息。但系统却无法知道。历史信息不一定能预测未来需求。

3. 未来：作为人的产品经理的价值

看似计算机已经做了全部的数据分析和计算，那么对于人而言，我们的价值在哪里呢？

在思考这个问题之前，我想到了一句话：“产品经理是的产品的CEO”。那么CEO同样不会做数据分析和决策，CEO应该做什么？除了管理之外，很重要的一个事情就是把握方向。

不会为了眼前的数据，榨干未来的潜力，根据市场的信息，即时调整发展重点。

产品经理需要更懂业务，更懂数据，更懂用户。

能够给出系统一个准确的目标。这个目标一定是个复合指标，不仅仅关心核心的KPI，更要关心是否因为核心的KPI而影响了未来的发展。

把控系统的发展方向。无论系统如何发展，总有些数据无法纳入到系统自身中来，这就需要一个懂得系统逻辑的人，去调整系统的发展。比如一些爆款新品的加权，比如一些影响用户情绪商品的过滤，比如挖掘更多的数据维度加入系统。

毫无疑问，挂着产品经理头衔的人在未来会有减少的趋势，但另一方面，剩下的人要做的事情也更加复杂和重要。