韩瞳-AI 时代的策略产品

您公司的logo AI时代的策略产品 韩瞳/前知乎推荐产品负责人 DataFunSummit#2024 补档分享：接续2023年11月的分享中遗留的两项 本次分享主要围绕着这两项来介绍 •AI时代的推荐策略 •TD和成长路径 ——2023年11月时在datafun的分享目录—— 策略产品的定义与能力模型AI时代的策略产品趋势 观察与总结（2024） 01 策略产品的定义与能力模型 策略产品定义 “在限制条件内，通过推动项目、设定评估体系和全面评估项目收 益等三种手段，达到全局最优解的产品岗位。” •限制条件：法律法规限制+用户体验设计+项目资源设计 •推动项目：项目润滑（买奶茶）+厘清PRD的细节+拉到关键决策人推动项目(订会议室) •设定评估体系：一级指标、二级指标是什么 •全面评估项目收益：评估方式包括主观评估体验测量+数据测量 •全局最优解：可以理解为100条世界线，我们做到了top多少，测量方式主要是看项目复盘时，每一步的信息量，看浪费的时间占比，逐步复盘逐步校准自己的标准动作 观点：产品经理的技术理解力要求在提升，需要站在理科和文科的十字路 产品经理的三个代际（古典->策略->AI） 古典产品 策略产品 AI产品 用户同理心&产品架构能力 用户case 心理/经济/商业 用户case 心理/经济/商业 用户case 心理/经济/商业 数据分析 - 假设驱动 统计/因果/python 假设驱动 统计/因果/python 模型理解 - 推荐/搜索/广告模型机器学习 大语言模型 项目管理 OKR 精力管理/管理学 OKR 精力管理/管理学 OKR 精力管理/管理学 策略产品TD简化版（自我提升参考） 职级 用户洞察min 数据分析min 模型理解min 项目管理min 总分不低于 关键突破 4 0 0 0 0 4分 校招生，80%以上动作需指导 5 0 0 1 0 5分 主动性，50%动作需指导 6 0 1 1 1 6分 低管理成本，较少指导 7 0 1 1 1 7分 1个独立项目负责人，方向确定的情况下，周均指导3次以内 8 1 1 1 2 8分 2个独立项目负责人，方向确定的情况下，周均指导1次以内 9 1 1 2 2 9分 方法论初步沉淀，可以mentor他人 10 2 2 2 2 10分 方法论高质量沉淀，通常7人以下虚线 项目管理 11 3 2 2 2 11分 复杂系统，通常7人以下实线人事管理 12 3 3 3 3 12分 复杂系统，通常30人以下实线人事管理 举例来说：每一个维度档位分 成4个分值，分别是0、1、2、 3分。 比如职级=4的同学，每一项维度必须满足的是得分都大于0，可以是1+1+1+1=4，也可以是2+0+1+1=4，评委给相应的晋升同学打分的时候主要参考四个维度上的描述给�分项得分，然后对分项得分加和得到职级。 这套职级体系不一定适用于所有企业的情况，但实践下来的结果是团队的策略产品同学能很快明确差距，找到自己职业成长的“加点路线” 理清项目O- KR-KA 数据生产与数 据对齐 LLM模型的评 估与优化 AI-native核心 功能点打磨 客户端交互设计（部分项目 需要改交互） 全面评估项目 收益&复盘 项目的实际workflow&对比两代产品经理 # 定义 使用什么能力？ 逻辑层 商业逻辑/使用逻辑 用户同理心与产品架构 实现层 数据输入->F->输� 数据分析/模型理解 交互层 用户与产品之间的交互 用户同理心与产品架构 策略产品经理： 理清项目O-KR-KA 理清可落地的输入数据 探索性数据分析得到基础假设 推荐模型等漏斗模型的优化 客户端交互设计 （部分项目需要改交互） 全面评估项目收益&复盘 AI产品经理： 02 AI时代的策略产品趋势 ——引用李建忠《AGI时代的产品版图和范式》、张海龙《AI消灭软件工程师？》两位老师的观点 AI时代的几个产品经理位置的思考（一） 问题1：搜推策略产品是否会被AI产品经理取代？ 观点：不会被AI产品经理取代， •搜索推荐的技术是连接（Link），个性化推荐将内容/服务和人做连接 •AI技术是计算（Calculation），感知-分析-行动，y=F(x) 连接是广播电视互联网，计算是网页（hao123）、app（豌豆荚）、AIGS（GPTs） 问题2：现在的AIchatBox模式和未来的理想态产品有什么区别？ 观点：处于Dos时代，突破点取决于「硬件更新带来的BigBang交互」和「可依赖Database的大模型」 •90后微机课学习Dos时代dir/cd对话，20后计算机课使用自然语言和机器对话 •先硬件后软件，移动互联网质变原因是前后摄像头/GPS，AI互联网质变依赖端侧模型的 「计算」和可穿戴设备 •未来的职业只有两大类，创意家和科学家，人类需补强同理心/逻辑推理/表达同情/资源整合 •BigBang交互：秘书能解决的问题（工具属性需求）都可以被大模型解决、选�调色板上的颜色最快的方式是用手指、脑波交互虽然快但只能动用系统1、群聚需求是人类本性所以逛街和交友需求（爱与连接）仍然无法被大模型（计算）解决，仍然需要连接解决 AI时代的几个产品经理位置的思考（二） 问题3：产品经理是否有继续存在的必要？未来推荐策略的终局是怎样的？ 观点：大多数用户认识不到自己真正的需求，且不会提问，产品经理将长期存在主要解决商业逻辑、数据飞轮的自我增强及用户需求的匹配。 •中秋假期，女儿和爸爸争执是否回家，爸爸不懂沟通方式，女儿希望中秋团圆且十一旅游，爸爸希望女儿十一回来并且串亲戚，满足自己的心理需求，最后不欢而散——狭义的产品需求随着技术周期、社会心理等实时变动，事实上产品经理大多搞不清自己最熟悉的几个家人的本质需求，用户自己也不清楚 •未来每个人都会有AI个人助理，而LLM的优势在于，人类担心和人类的秘密被背叛，但LLM的�现使得人类更愿意将自己的心里话交给LLM，心之壁 （AT-Field）在未来将被LLM打破，LLM能比现在的推荐模型（依赖数据埋点和用户画像）更了解用户，真正做到个性化推荐，内容推荐的体验也会从「APP推荐」升级为「虚拟老公推荐」，比如《恋与制作人》中许墨在早晨9点打电话叫醒我，用我喜欢的声线，给我介绍今天发生了什么，使用LLM的能力做信息压缩，将同一个事件的多方观点用我喜欢的方式读给我听。 •00后是数字时代的原住民，可能比80/90后更接受AI数字人具备意识的观点，类似的情感投射类似于动物森友会中的某个动物离开我的岛 问题4：AI来了，产品经理从业者是否需要立即切换赛道成为AI产品经理？ 观点：LLM技术进步速度>产品进步速度，同时依赖用户教育、硬件能力升级和铺量，这个过程类比电力和蒸汽机的历史关系 •推荐/搜索是中心化的，谁拿到了第一张门票，谁能建立先发优势，是流量生意，新人做推荐要在行业第一的厂子接触最核心的技术 •AI是计算，是去中心化的，核心养料是专有数据（但大模型的服务提供方是中心化的），模型本身不值钱，推理成本越来越低，未来监管跟上的情况下，大家不会在乎用掉的1度电是哪个发电厂（大模型供应方）生产的；AI产品核心还是要找场景，找PMF（productmarketfit） •从电力�现到基本取代蒸汽机,这个过程前后持续了近百年。19世纪末电力开始在工厂应用,到20世纪中叶才最终取代了蒸汽机。技术更替是个长期渐进的过程,新旧动力会长期并存,直到新技术在性能、成本、基础设施等方面全面超越旧技术。 ——引用李建忠《AGI时代的产品版图和范式》、张海龙《AI消灭软件工程师？》两位老师的观点 AI时代的几个产品经理位 置的思考（三） AI时代的几个产品经理位置的思考（三） 问题5：服务推荐和内容推荐有什么区别？AIGS的服务是怎样的？ 观点：LBS服务推荐和内容推荐主要有四个方面的区别，我认为当下的智能体的概念属于AIGS的范畴 •内容推荐和LBS服务推荐在时空独占性、体验容忍度、外部环境、系统公平性上有一些差别 •AIGS是AIgenerateService，如果满足了BigBangUI和消除幻觉的database，在感知-分析-行动的链条里，人类会更加默许AIGS对物理世界的干扰，但会创造更多的AI监督公务员岗位 •AIGS在GPTs中是类似于商店的生态，我判断应该是中心化的，好的app符合马太效应、好的网页也符合马太效应，好的AIGS提供了更Match用户需求的场景（比如许墨的案例）、更易用的交互（比如许墨打电话给我）和更准确的输🎧（比如许墨的新闻播报很合我的口味），在「行动」即使错误也不太会造成严重后果的领域，人类会更默许AIGS的服务，就像我们今天开车几乎完全相信导航软件一样 问题6：大模型还有哪些需要提升的？当前大模型训练与调参有哪些心得？ 观点：主要是ContextLength（上下文长度），ReasoningDepth（推理深度），InstructionCompliance（指令遵循） •关于上下文长度，大模型的伟大构想来自于next-token-prediction，语言包含世界知识，word2vec/RNN/LSTM/transformer将contextlength从5提升到万以上；ReasoningDepth：O1模型通过提升思维链COT和推理时间来提升推理能力； •大模型和人类不擅长的相近，比如不擅长做数学运算，但计算机擅长做数学运算；人类和大模型都应该擅长使用工具，应该擅长和其他人类合作，所以AIagent之间可以协同并调用工具，所以要给AI设计软件，AI和人类使用工具的差异主要在于人类异步的特征、人类诚信的问题、数据交互的问题（AI不需要鼠标，可以直接使用数据） 03 观察与总结（2024） 近一年业务的思考与观点提炼 点击率与时长提升 推荐与大模型 基础特征构建 •【点击率与时长提升】如何让用户点击，P（click）=F（质量因素、兴趣因素、场景因素） •音频等少数内容的推荐强依赖于场景因素，伴随推荐取决于是否被动消费 •兴趣因素中，短期兴趣决定短期留存，长期兴趣决定长期留存 •单click时长越长，一般意味着决策成本越高的内容，其质量因素越重 •图片和文字类的运营优化往往ROI很高，如按钮文字加入通俗的verb，如图片模式的排列，如listwise中红花和绿叶搭配 •【点击率与时长提升】提升点击往往不能直接提升时长，提升时长的重要方式是提升兴趣匹配下内容的时长承载量 •【基础特征构建】相比于2020年之前，模型需要「粗粮特征」，「规则策略和函数策略」需要「精粮特征」 •【推荐与大模型】生成式推荐在基础标签、人群/内容冷启动、可解释推荐和推荐系统的某些召回阶段有较好效果 •【推荐与大模型】大模型类比汽车驾驶舱的方向盘，方向盘通过一系列机械方式帮助驾驶员控制汽车，但方向盘本身不能决定方向，同理在AIGC领域，未来是创意家和科学家的时代，优质创意仍需要人来提供 近一年的行业与组织观察与提炼 •80后/90后与95后的管理：年轻一代的同学（98～00后）竞争加剧，能走上互联网工作岗位的往往更优秀，聪明的人往往想的很清楚，对新知识的掌握也更快，如果能激发�他们的能量，同时做好组织的制度设计，可以打造一个学习型的面向未来的组织 •方向选择与聚焦的重要性：我们往往对于旧战场和过渡战场过于留恋，而忽视了新战场的长期投入 •关于大厂产品经理的观察：工作10年以来第一次加入成熟期的大厂，与现存大厂的创业阶段、小几千人规模的中厂的成熟阶段不同，大厂的产品经理往往只剩下了项目管理一项专精能力，同时一线同学知识结构的更新往往较慢，作为员工应主动提升「用户同理心与产品架构」、 「数据分析和因果推断」和「模型理解」的能力，降低自己被AI取代的概率 •对抗焦虑：（非病理性的）焦虑的本质来源于精确性的缺失，工业革命以