企业级服务中的行业AI产品观

做行业AI产品经理的终极目的是找到能为公司带来持续利润的商务模式和行业解决方案形态；最大程度统一商务和研发的认知，形成一股合力；把解决方案落地并可快速推广。

一、对于客户需求的认知

客户真正想解决的问题是什么，现有系统是为何解决不了的，你的解决方案如何能解决，可行性如何。客户想要的是对现有系统的一个补充，还是另建一套系统，补充与另建分别对客户现有使用习惯的迁移是如何做到。

在大数据和AI时代，要注意客户对解决方案类系统有一些新诉求渐渐成趋势出现。有人提过AI时代的刚需一是健康和娱乐，这两个方面会更能带来一些新体验，尤其创造和创意胜过效率本身。二是个体意愿，怎么做大都由机器完成之后，人们就会更多考虑做什么的事儿。这在ToB领域可能带来一个工业化标准化生产与个性化定制之间的矛盾，即用户可能都希望一套根据其数据和业务定制的AI系统，而不是标准化生产的一套解决方案不太适配他们的需求。假如这是一种趋势，我们要做好这种状况下如何满足客户需求和公司利润之间平衡的应对。

客户有无其他诉求，比如更好的满足其各种汇报演示，满足其政绩提升啥的，考虑这些有利于考量解决问题时候功能点优先级排序。

二、对于产品定位的认知

对于数据业务类的系统，我们不妨借鉴一下netflix当时提出的数据三原则：

无论是大数据集还是小数据集，都要能直观显示，使其更容易解释。

数据查找的时间越长，数据就变得越没有价值。

第三条还是：数据查找的时间越长，数据就变得越没有价值。

这里面隐含的意思就是直观高效的展现数据的价值是数据分析类系统的核心定位。

对于AI类的系统，我们不妨看看watson、alphago等典型ai系统的共性：

有一个确定的可优化的目标（数学上描述可能是系统在降低某随机分布的熵）

持续的数据输入和算法调优使得其优化能力在逐步提高

这里面隐含的意思就是AI系统要有小的确定的优化目标且有智能的演进提升。

同时我们的优势又会是集中在知识工程这个范畴之内，要有人类知识和经验规则的积累，系统在解决问题的过程中还需要依赖这些积累。所以我们规划的解决方案，纯在系统功能上看应该具备：基于数据和知识经验规则的，可直观高效输出精准决策支撑的，可演进提升的应用。

三、对于商业模式的认知

商业模式第一步要想的是客户的预算从哪里来，如何阶段性分配。例如我经常举的例子就是作为上市公司的运营商，在系统研发上面的支出分为capex和opex支出，每年会有的是opex支出，这是其集成商的利润根基。第二步要想的是我们交付物的利润点，假如纯软件产品售卖收取的是license和每年维保费用，假如纯解决方案售卖收取的是研发成本和每年运维费用。还有一种形式是系统的研发成本是客户和我们共同承担，后续收入是客户业务收入的占比分成。结合利润根基和利润点分析，其实任何一种搭配组合都有巨头存在的可能，巨头是如何在里面赚取利润的我们要有清晰的视角看透。从而影响着我们规划的产品或者解决方案的盈利模式。

SaaS服务也是一种商业模式，这个现在和公有云一起搭配销售的形态最常见，受限于客户是否容忍数据放到外部去分析等安全考虑，这种模式在国内大客户这边不是很好推。

咨询报告也是一种商业模式，这个比较依赖自身能够积累高价值的数据和一批有分析洞察能力的分析师。

四、对于市场格局的认知

市场格局包括客户规模及客户预期投入预算规模的分析，包括竞对占比，我们进入可能性及占比趋势的分析。还包括我们借助合作伙伴、生态圈上下游等进行开拓市场的分析。在分析市场格局时候，我们自己的角色、分工、竞合态势及门槛一定要重点关注。甲方、乙方、丙方都可能充当。

五、对于研发资源的认知

内部研发人员是否认同你的规划并真心想去执行即理念认同，合适的人做合适的任务即知人善任，任何参与的人的循环激励都是要思考清楚并给出建议的。当然具体执行是研发人员的事儿，过程监督和结果的交付产品经理还是要持续关注的。