一、產品經理崗位是核心關鍵崗位。
國內很多科技公司的名人都是產品經理出身，比如：獵豹的傅盛、滴滴的創業夥伴俞軍等，甚至在矽谷也有很多頂尖科技公司的創始人也確實是產品經理出身，比如：Yahoo 的前 CEO 瑪麗莎 ，谷歌的 CEO 桑德爾 · 皮蔡，蓋茨的夫人梅琳達 · 蓋茨全部都是產品經理出身。
二、產品經理自身帶有複合型技能。
另外根據與矽谷的同行交流，谷歌招聘產品經理是要求產品經理最好有些技術背景的，而亞馬遜是不要求產品經理有技術背景的，由此看來產品經理懂不懂技術至少不會是寫在招聘JD裡面的要求，但是面試谷歌，面試亞馬遜的時候如果懂技術會是加分項。
三、5G時代的到來和IoT裝置的增長加持市場需要AI大資料產品經理。
站在未來看今天，從工資收入來看AI產品經理和大資料產品經理的收入伴隨著5G時代的到來和IoT裝置量增多是會持續增強的，以下來自招聘網站的截圖：
從圖上可見。
1）市場對AI產品經理的工作年限要求比資料產品經理低。
2）市場給AI產品經理和資料產品經理的待遇均高於同期的其他產品經理崗位。
這還僅是在5G沒有普及開來的情況下，隨著5G的普及和更多的智慧裝置的聯網，到時會產生更多的資料和需要更多懂AI應用的產品經理。
四、那麼技術那麼多，我們產品經理該懂哪些技術呢？
市場給予了AI產品經理、大資料產品經理如上圖中的好待遇，自然市場對AI產品經理、大資料產品經理的期望和要求也水漲船高。
根據筆者親身經歷，入行AI大資料產品經理至少要會以下三個方面的技能。
第一、懂資料
懂資料首先是懂
1）資料工程的內容
例如：採集、儲存、清洗、分析、視覺化。
其次是懂
2）資料庫的基本概念
資料庫和資料表，CURD操作：Create、Update、Read、Delete，關係型資料庫，非關係型資料庫等。
3）資料的結構
例如：地鐵資料，靜態資料：線路、站點（不一定有時間戳，更新慢），動態資料：刷卡記錄（必有時間戳，不斷產生），資料存放有一定的規則。
4）資料的型別格式
TXT：純文字
CSV：逗號分隔值
JSON：鍵值對
SQL：資料庫檔案等
第二、懂AI機器學習領域
AI的得以突破發展一方面是因為資料量的爆發式增長，另外一方面得益於機器學習，尤其是深度學習演算法的發展。
1）什麼是機器學習
研究如何透過計算的手段，利用經驗來改善系統自身的效能，通俗來講，讓程式碼學著幹活即為機器學習，而深度學習是機器學習的特例。
2）機器學習的種類
有監督學習：提供標籤，分類、迴歸
無監督學習：無標籤，聚類
增強學習：也稱強化學習，馬爾科夫決策過程（Markov Decision Processes，MDP）
主動學習：邊學習邊標註
遷移學習：從一個域（Domain）遷移（Transfer）到另一個域
整合學習：Ensemble，三個臭皮匠賽個諸葛亮，Boosting和Bagging
3）機器學習兩大痛點
維度災難：資料量和特徵數
過擬合：模型泛化能力
4）機器學習的流程
預處理：資料重塑、缺失值處理（補全、統計為缺失特徵）
特徵工程：特徵沒做好，引數調到老。在已有的特徵上生成新的特徵，數值、類別
特徵選擇、降維：基於MIC、Pearson相關係數、正則化方法、模型，PCA、tSNE
訓練模型、調參：單模型，多模型融合，整合
評估模型：正確率（Acurracy）、準確值（Pecision）、召回值（Recall）、F值、AUC
懂以上機器學習的相關內容視為入門了AI大資料產品經理。
第三、懂資料且能進行AI產品化應用以構建機器學習使用者畫像產品為例
什麼叫懂資料處理且能夠進行AI產品化應用呢，下面筆者LineLian一構建使用者畫像實現大資料機器學習推薦為例來講綜合運用資料、演算法和算力的步驟。
（第一步）：建模
1）獲取原始資料。例如用到的資料有使用者訪問系統的行為日誌和使用者的基本屬性，透過採集日誌資料，得到使用者的行為資訊；
2）對資料進行預處理，挖掘出事實標籤。對使用者資料進行過濾、清洗、簡化表示，從使用者的基本屬性資訊可以得到使用者的編號、等級、名稱、第一次登入時間等，這些資訊屬於事實標籤；
3）分析使用者行為資訊，構建使用者畫像的模型標籤。透過對使用者的行為進行分析，得到使用者訪問頁面和操作的規律，構建出使用者的行為模型；
4）透過模型標籤進行預測，完善使用者畫像。根據使用者的行為模型可以預測出使用者的操作行為。
（第二步）：多維度刻畫使用者畫像
1）：自然屬性，比如：使用者註冊時填寫的姓名、性別、年齡、郵箱、電話、職業等。不同屬性使用者感興趣的點不同，標籤一般比較穩定。
2）：興趣屬性，行為偏好資訊，不同時間偏好不同，隨時而變！偏好標籤挖掘演算法有TF-IDF和BM25演算法等
3）：地理資訊，移動軌跡資訊，不同區域使用者訪問不同伺服器
4）：主機IP、MAC地址、不同瀏覽器等，透過IP地址可以找到使用者所在的區域
5）：隱含屬性指從使用者的基本資訊、行為資訊等資料中發掘出使用者資訊中隱含的規律或偏好。例如從使用者上線的頻率計算出使用者的活躍等級，活躍等級可以反映出使用者對系統的粘性。
（第三步）：標籤
MECE（Mutually Exclusive Collective Exhaustive）原則，即標籤需要彼此獨立且詳盡無遺。
（1） 使用者需求和使用場景會不斷的更新，所以標籤體系是一個不斷完善的過程，不可能一次性建立完成；
（2） 不同領域的使用者需求和業務場景不同，使用者畫像的標籤系統也不同。關鍵是要從不同層面更透徹地分析特定領域使用者的決策行為。建立標籤系統時，應根據具體業務情況進行切實分析；
（3） 根據具體需求合理劃分標籤的體系結構，一般需要讓標籤體系有結構框架，呈現出一定的層級關係便於標籤管理，也可以增加標籤間的聯絡。
標籤體系結構三種：結構化、半結構化、非結構化
事實標籤和模型標籤舉例 對標題按體系劃分
（第四步）對映使用者畫像
資料-使用者標籤對映
使用者畫像方法是資料-使用者標籤對映方法，它是以資料來驅動使用者畫像的生成。
(第五步) ： 評估模型
產品經理怎麼評估使用者畫像模型好壞呢？建議從以下幾個方面
使用者畫像評估指標包括：準確性、覆蓋範圍、及時性、可解釋性和可擴充套件性等。
（第六步）資料視覺化
與使用者互動過程視覺化，資料視覺化不僅是統計圖表，基本上可以透過圖形顯示的任何資料、文字、原理、邏輯和法則都可以稱為資料視覺化。資料視覺化具有互動、多維和可見特徵。使用者畫像視覺化後圖如下所示：
第四、AI大資料產品經理應該懂的技術邊界。
隨著資料量的井噴式發展且伴隨著深度學習的進一步突破，AI大資料產品經理面臨的需要懂的技術資訊越來越多，那麼AI產品經理和大資料產品經理該懂的技術邊界在哪裡呢，且等筆者下回分解，碼字不易，再請各位看官幫LineLian的年度作者評選投上10個贊。
點贊方法一是：（第一步）開啟人人都是產品經理平臺的連結 http：//zt。woshipm。com/author/2019/author/detail/0jge。html （第二步）每人每個手機號可以投5個贊，分享後可以再幫投5個贊，有你的支援LineLian定當講系統的AI大資料產品經理知識體系傾囊相投票給LineLian ，好運又連連哦！［玫瑰］
點贊方法二是：如下圖
