每家公司都充滿了數據。他們環顧四周，看到行業正在發生創新。高管們聽取了客戶關於人工智慧戰略的意見。
管理層認為競爭對手採用人工智慧解決方案，並將關鍵舉措納入其可定址市場。由於所有這些背景噪音，管理層的直接反應是得出結論，我們必須對我們的數據做些什麼，讓我們去僱用一些數據科學家。這與十年前移動設備非常熱門時沒有什麼不同，我們的想法是聘請一位能為該公司瘋狂推出移動應用程序的移動開發人員。您假設機器學習是解決方案，並正在尋找它可以解決的問題。
我們要解決的問題是什麼？
機器學習並不神奇。機器學習是一種解決方案。人們必須明確我們正在解決的問題是什麼。
謹防使用像機器學習這樣的熱門技術尋找可以解決的問題的誘惑。或者在沒有提出問題的情況下找到問題，問題是否足以解決和投入資源問題。機器學習就像一個鑽頭。您使用的鑽頭取決於您嘗試解決的問題。
定義您要解決的問題，您期望實現的業務成果以及您試圖為客戶找到的好處非常重要。一旦明確定義了問題，就可以開始考慮我們需要的數據，要創建的模型，要使用的演算法，基於預測洞察力的洞察力和採取的行動。
產品經理協作
定義要解決的問題是產品經理與業務利益相關者需要建立的問題。產品經理應該進行初始客戶訪談，以了解客戶的關鍵痛點，以驗證他們正在解決的問題。
深入了解客戶的意圖
在獲得客戶反饋時，必須根據客戶所闡述的用例找到問題的根源。例如，客戶可能會問我可以將此數據（預測性洞察）導出到CSV文件中嗎？
我們可以認為我們需要CSV數據導出功能。或許我們可以深入挖掘，他們可能希望這樣做的原因是他們希望將預測的洞察力直接載入到他們的CRM應用程序中，以便他們採取行動。因此，真正的特徵是通過與CRM系統進行更深層次的集成來驅動某些操作，而不是將數據導出為CSV，從而實現預測性洞察。產品經理的職責是深入挖掘這種洞察力。
預測框架：預測業務問題的示例
產品經理通過查看具有良好投資回報率的常見/流行問題來考慮添加預測性見解的框架。
下面的示例/框架不是要構建的模型。它們是我們可以解決的流行問題的例子。
簡單的示例應用
假設您擁有在會計空間中銷售的現有產品。您可以解決的問題可能會使您的解決方案與競爭對手區分開來，這些問題就像是
分類
- 該客戶是否會默認付款？
- 這位客戶會按時支付發票嗎？
預測
- 下個月的總支出是多少？
聚類
- 根據客戶人口統計和購買行為細分客戶，以便更好地與客戶建立聯繫
不規則
- 這張發票看起來很奇怪嗎？
如果你看一下上面的內容，我們不是在談論要構建什麼模型，使用什麼演算法或我們需要什麼數據。我們正在確定要解決哪些問題以及哪些問題對您的客戶有價值，並有助於推動您的業務發展。
如果上述問題為您的客戶增加價值，請與您的客戶進行驗證。驗證這些是否有助於您的業務成果。一旦獲得了一些好的反饋，您就可以繼續下一步，簡單地將POC用於驗證產品市場契合的想法。
總結
從您要解決的問題開始。確定它為客戶帶來的好處。定義它如何幫助推動業務成果。不要害怕嘗試。實驗有助於獲得早期反饋，有助於節省時間和金錢，並有助於糾正產品的願景和方向。
本文轉自 medium，原文地址
Comments