本文來自AI新媒體量子位（QbitAI）

一個普通（移動）互聯網公司的產品經理，也需要懂機器學習？Quora的產品設計師Abhinav Sharma說，幾乎所有設計師都需要對機器學習有一個基本的了解。

Quora雖然只是個問答網站，但機器學習技術至關重要，個性化訂閱郵件、主頁信息流、主題推薦、問題推送、垃圾信息過濾等方面，都用了這種技術。

先說明一點，在Quora，產品設計師和產品經理的只能有著很多重疊，我們就都叫產品經理（PM）好了。

在閱讀下文之前，請先把自己想象成一個這樣的人：

你的日常工作，就是各種風格、網格、布局、色彩，以及設計能夠在整個網站上重復使用的模式。

你在什么地方會用到機器學習呢？

垃圾信息/質量控制系統

垃圾信息過濾器的基礎是機器學習的一個基本模型：分類。分類器使用以往的數據來添加標簽，判斷某條內容屬于垃圾信息還是正常信息。

這種系統都會犯錯，有的會把善意內容歸入垃圾信息（假陽性），還有的則會放過垃圾信息（假陰性）。多類別分類也是一樣。

為了更好的用戶體驗，產品經理需要對假陽性和假陰性的情況做處理。

當某些正常內容被誤標為垃圾信息時，你需要考慮的是用戶會擔心錯過信息，或者是不是應該適時提醒他們“查看一下垃圾郵件”。

當垃圾信息被放過的時候，你需要擔心的是如何向用戶解釋，并給他們提供反饋通道，然后處理這些問題。

通知

通知可以大幅提升互動性，對人們的行動提供反饋，但這些系統很難設計。

隨著公司規模擴大，往往要開發一套系統，讓不同的團隊可以制作不同的電子郵件或通知，以便發送給用戶。而根據之前的互動和目前的帶寬，分類器則負責決定是否發送郵件。LinkedIn的郵件優化框架（http://www.kdd.org/kdd2016/papers/files/adf0710-guptaA.pdf）便是其中一例。

這類系統也存在著假陽性和假陰性的問題，在下面兩種場景下出現的問題尤其值得產品經理注意：

如果我關注的某人對我的回答進行了評論，這是個非常重要的信號，我肯定希望知道，即便我沒有時間回應很多其他評論。

與很早以前發表的答案相比，我可能更關心最近發表的答案所獲得的反饋。

如果不想因為錯過信息和失去用戶信任而憂心忡忡，那就必須知道用戶何時渴望確定性關系，知道系統在什么時候無法承受假陽性。

通常而言，可以用一套規則集來規定我們需要的行為，來增強機器學習系統。事實上，有很多方式對“規則”進行編碼，并融入實際的機器學習系統之中。

另外，有的產品未解決這類問題走到了極端，用異常復雜的規則集完全取代了機器學習，借此來建造一個他們完全信任的系統。例如，Slack用戶就利用這個流程圖來判斷是否向你發送通知：

信息流排序

與Twitter不同，Facebook、Quora和Netflix的的主頁信息流并非按照時間順序排列，而是根據相關性排序。這就引出了我們的第一個回歸問題，機器學習算法需要嘗試預測你喜歡某條內容的概率。概率在0和1之間，而參考數據則是之前觀察的案例所體現出的0和1。

信息流是先篩選出可能的結果，再對它們進行排序，這可能緩解了你對歸類中的假陽性和假陰性問題的擔心。但是，你要考慮到影響首頁信息流體驗好壞的更多因素，包括新鮮度、多樣性和用戶最希望看到的內容。

所以負責用戶體驗的人，通常是產品經理，往往扮演確定目標函數的重要角色，你可以將此視作系統的最大化目標。例如，如果Facebook的最大化目標是你閱讀某個帖子的概率，那就會為你展示很有趣，但卻有可能過時的內容，或者很多來自同一個人的內容，同時也要考慮其他一些用戶體驗方面的因素。

另外，你必須要從用戶那里收集正確的信號，了解他們是否真的喜歡某個內容，于是便有了接下來的……

內容行為

反饋對于這些排序系統十分重要。任何回歸模型都只能針對可以衡量的事情進行優化，這就意味著你需要明確了解用戶對某款產品的哪一方面要求較高，哪一方面要求較低。

這些信號可能很含蓄，例如用戶在YouTube上觀看視頻的時間，也可能比較明確，例如在Quora上不贊同某個問題或答案的歷史。要點在于這些信號必須具備以下特點：

可預測：真正說明優秀的用戶體驗。

明確：不要混淆意圖，例如，Twitter最初的“星標”行為就是為了收藏，但實際上卻被用作“點贊”。

密集使用：用戶必須經常使用，才能通過數據加以分析。這就是視頻觀看時間等含蓄信號往往效果很好的原因所在。

解釋神奇的數字

回歸模型還經常被用來定價，而精明的用戶想知道為什么是這個價格。比如說，Airbnb就遇到過這個問題，他們的定價模型接近線性回歸，可以解釋為獨特性、供需關系和位置的加權求和，并用簡單易懂的圖表展示出來：

在更復雜的機器學習任務中，模型解釋能力依然很重要，但是模型越復雜越精確，解釋能力就越差。

搜索

現在，我們來說說Google。

還記得前邊提到的信息流排序系統嗎？Google可能是第一個涉及復雜UI的主流排序產品。

Google最開始時不是由機器學習驅動的，但現在是了。

搜索引擎需要經過層層考量才會生成最后的搜索界面，這些考量點可能包括——過濾掉成人向和暴力向內容、在復雜目標函數運算下的排序、解釋元數據和搜集用戶對搜索結果滿意度的反饋。

但是別忘了，一個搜索引擎最關鍵的著力點還在于識別用戶意圖。如你所見，當用戶搜索電影時，他可能想要的是電影的內容介紹、上映時間、新聞評論、花絮集合或是其他信息。

在這種情況下，產品經理需要了解什么樣的意圖組合能最大限度滿足用戶的需要，并依此設計可以滿足不同可能的UI系統。

相關內容的呈現

機器學習也被應用于網頁相關內容的推薦上，最典型的做法就是把它作為一個回歸問題來處理，使用戶點擊相關鏈接的可能性最大化。

以上圖的YouTube為例，在一個關于日本歷史的視頻之后，它推薦的內容中有一條是《顛覆認知：狼族再起》。這兩者之間毫無關系，只是YouTube恰好知道用戶可能愿意點擊這條視頻，可能是因為用戶之前瀏覽過類似內容。

YouTube試圖在確保有的“相關內容”確實相關的同時，呈現你喜歡的內容，并在這兩者之間找到一個平衡，甚至還嚴謹得將“相關視頻”更改為“下一條”。

聲音與對話

聊天機器人（Chatbots）曾風靡一時，但自然語言理解和語音合成技術都還處在嬰兒期。對于產品經理來說，與團隊一起探索語音系統的局限性至關重要。

舉個例子，讓機器人記住上下文內容依然是非常困難的，而語音合成技術最近終于達到了接近人類的水平。

自然語言領域的技術進步迅速，值得產品經理持續關注，上周做不了的功能，說不定這周就可以實現了。

文案

最后一點，無數研究致力于個性化的產品顯示，可能很多用戶根本不知道他們收到的內容是基于個性化定制的。

所以，細節很重要，比如說將“頭條故事”改成“為你推薦的頭條故事”，或者在UI里找個合適的地方寫上用戶的名字。

最后，讓我們再看看文章開頭的疑問：為什么產品經理需要對機器學習有一定的了解？以上，就是一份綜合但不詳盡的答卷。機器學習在產品設計中無處不在，但意義非凡。

本文作者：李杉 安妮 原文發布時間：?2017-04-18

總結

以上是生活随笔為你收集整理的为什么说产品经理都该懂一点机器学习？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。