目录
- 模型输出：说白了，就是你的AI要干啥
- 数据接入：你的AI要吃啥“粮食”
- 验收标准：怎么判断你的AI干得好不好
- 经验总结
你好，我是三桥君
在工作中，当我作为传统产品经理时，通常只需提供产品需求文档（PRD），对需求进行讲解和解答问题，而作为AI产品经理则很难产出一个明确的ROI指标PRD文档。这是为什么呢？
这是因为AI项目的回报往往与多种因素相关，且这些因素可能难以事先精确量化。同时，AI产品经理需要与算法工程师进行多次沟通，以确保算法的目标范围和性能指标能够满足业务需求。
你可能会好奇，AI产品PRD文档与传统产品PRD有什么不同呢？三桥君结合工作经验跟你聊聊。
模型输出：说白了，就是你的AI要干啥
传统产品的PRD，只要说明产品功能就行了，但AI产品的PRD得告诉人家，你这AI是要解决啥问题。
比如，是要做分类（比如识别猫和狗），还是要做回归（比如预测房价）。如果是分类问题，还得考虑输出的概率值在业务中怎么用。
比如，预测一个用户是不是高潜力客户，AI给出的是概率，但业务部门可能需要的是一个具体的等级划分，这就需要在PRD里说清楚。
假设有一个电商平台的AI产品经理，他们需要开发一个推荐系统来提升用户体验。
在PRD中，传统产品可能只描述了需要一个推荐功能，而AI产品的PRD则会详细说明，这个系统需要通过用户的浏览和购买历史，使用协同过滤算法来预测用户可能感兴趣的商品，并输出一个推荐列表。
这里，AI的输出是一个分类问题，即哪些商品应该被推荐给用户。
产品经理在PRD中明确了，输出的推荐列表需要根据用户的活跃度和购买力进行等级划分，以便于运营团队进行个性化的营销活动。
数据接入：你的AI要吃啥“粮食”
传统产品可能不太关心数据来源，但AI产品就得吃得饱饱的，才能干得好。
所以，PRD里得说明白，AI用的数据是从哪儿来的，数据长啥样，多大，多久更新一次。比如，是用Hive表还是消息队列（MQ），表名是啥，格式咋样，这些都得交代清楚。
以智能语音助手为例，传统产品的PRD可能只说明了需要一个语音识别功能，而AI产品的PRD则会详细描述需要接入哪些数据。
比如用户的语音数据、历史交互记录、个人偏好等。这些数据可能来自不同的数据源，如用户设备、云服务器等，并且需要实时更新。
在PRD中，产品经理会明确指出，数据将通过MQ进行传输，每天处理的数据量预计达到几十GB，并且数据更新的频率是实时的，以此来确保语音助手的响应速度和准确性。
验收标准：怎么判断你的AI干得好不好
传统产品的PRD，验收标准相对明确，比如功能是否实现，用户体验如何。
但AI产品的PRD，除了要看模型本身的性能指标（比如KS、AUC），还得根据业务目标来定验收标准。
比如，你做的是一个推荐系统，目标是提高点击率（CTR），那就得把CTR作为衡量标准。
但如果是在电商场景，光提高CTR还不够，还得看转化率（CVR）、成交额（GMV）等指标。
举个例子，如果你的公司目标是提高GMV，那你不能只盯着CTR。
提升CTR可能只是让用户点得更开心，但不一定买得更多。
这时候，产品经理就得根据业务目标，调整验收标准，让算法工程师明白，我们不仅要用户点得开心，更要他们买得爽快。
经验总结
三桥君想说的是，AI产品PRD的关键在于，你要让算法工程师明白，他们的工作不仅仅是搞模型，还得考虑模型在业务中的实际应用。
这就需要AI产品经理在PRD中把这些细节说清楚，让技术团队知道，咱们不仅要技术牛逼，还得让产品真正发挥作用，为公司创造价值。
在这个过程中，AI产品经理的角色特别重要，因为你不仅要懂业务，还得懂技术，才能把PRD写得明白，又能指导技术团队。
所以说，AI产品经理的PRD，那就是一门艺术，既要科学严谨，又要灵活应变。
引用文章
- 为什么说AI颠覆了用户场景？
- AI时代：基于AI的面向消费者产品，会遇到什么难题呢？
- 如何在字节跳动的marscode上部署AI API，却意外地将功能搞废了？——分享踩坑经历
- 如何成为AI产品经理？
