当前位置:首页 > 天道酬勤 > 正文内容

产品经理技术能力模型(产品经理和运营经理能力模型对比)

张世龙2021年12月21日 07:52天道酬勤1250

本文总结分享了什么是模型、模型的分类、建立模型的方法和步骤、具体实例。

在产品经理十大基础技能系列文章的上一篇文章《产品经理10大基础技能(1):读透SQL》中,笔者LineLian阐述了模型的概况,本文重点介绍了产品经理如何理解模型。 在团队建立模型的过程中,产品经理应该知道哪些知识点? 然后用口罩需求量的案例展示制作模型的过程和思路。

一、模型的定义

模型和算法在某种程度上是相同的。 就像日常生活中问鸡先还是蛋后一样。 模型是指使用数学的概念和语言来描述系统。 建立模型的过程称为建模。

二、模型的分类

模型通常由关系和变量组成。 可以用关系运算符描述。 例如,代数运算符、函数和微分运算符。 变量是所关注的可量化系统参数的抽象形式。 运算符可以与变量结合使用,也可以不与变量结合使用。

一般来说,模型分为以下几类:

线性和非线性:在模型中,如果所有变量都表示线性关系,则生成的模型为线性模型。 否则,就是非线性模型。 静态和动态:动态模型适用于系统状态随时间变化的情况。 静态(或稳态)模型与时间无关,因为系统是在稳定的状态下计算的。 动态模型通常用微分方程描述。 显式和隐式:如果整个模型的所有输入参数都是已知的,且输出参数通过有限次计算求出,则该模型称为显式模型。 叫做线性规划,不要和上述线性模型混淆。 离散和连续:离散模型将对象视为离散,如分子模型中的粒子,也如概率模型中的状态。 连续模型由连续的对象描述。 例如,管道中流体的速度场、固体中的温度和压力、电场中连续作用于整个模型的点电荷等。 确定性和概率性(随机性)确定性模型是所有变量集合的状态都可以由模型参数和这些变量以前的状态唯一决定的模型。 因此,在给定的初始条件下,确定性模型总是表现相同。 相反,随机模型(通常为“概率模型”)具有随机性,变量的状态不能用唯一的值来描述,而是用概率分布来描述。 演绎、归纳和漂移:演绎模型是理论建立的逻辑结构。 归纳模型是由实证研究和演绎模型推动的。 漂移模型既不依赖理论也不依赖观察,只不过是对期望结构的调用。 当然,模型也有来自其他维度的分类方法。 例如,从机器学习的维度来看,可以分为有监视的模型、无监视的模型、半监视的模型。

本文列举的情况是线性和非线性的第一类模型。

三、建立模型的方法和步骤

一般来说,建模过程由以下框图表示。

系统分割建模方法和步骤如下。

1. 模型准备

必须了解产品业务需求的实际背景,明确建模目的,收集必要的各种信息,尽量明确需求的特点。

2. 模型假设

根据对象的特征和建模目的,需要、合理简化产品的业务需求,用正确的语言进行假设,是建模的重要一步。 综合考虑问题的所有因素,毫无疑问是有勇气但方法欠佳的行为,所以高级建模者必须充分发挥想象力、洞察力、判断力,善于分辨主,并尽量使处理方法线性化、均匀化

根据

3. 模型构成

假设分析对象的因果关系,利用对象的内在规律和恰当的数学工具,构建各量之间的等式关系或其他数学结构。 因为模型是为了让更多的人理解和应用而建立的,所以工具越简单越有价值。

4. 模型求解

可以采用各种传统和现代的数学方法,如求解方程、绘制图形、证明定理、逻辑运算、数值运算等,特别是利用计算机技术和云计算、和算力芯片技术

从数学角度分析

5. 模型分析

模型的解答。 能否仔细分析“侧观岭侧生峰,远近高低各不相同”的模型结果,将决定你的模型能否达到更高的水平。 请记住,任何情况下都需要进行误差分析、数据稳定性分析。

四、建立数学模型的实例

本文作者LineLian以“N95口罩销量”为背景,通过背景分析、数据采集、数据分析、数学建模、结论获取等过程,得到了hdsdjzg冷却模型。

1. 背景分析

背景在此案例中,假设用户以新型冠状病毒为背景购买口罩预防病毒,假设病毒感染到达yjddbm后,用户对口罩的需求数据达到了无病毒状态下的正常值模型搜索。

收集

2. 数据收集

天以内口罩13个区域的口罩总销售数据。 收集数据如下表所示。

数据收集中的数据产品经理需要了解以下知识点。

如果设时间为x,口罩的销售量为y,从上表的数据中,x、y可取的范围是什么?

自变量x【0,50】为变量y【50,99】。

3. 数据分析

数据分析是一种统计方法,其主要特征是多维性和说明性。 一些方法有助于揭示不同数据之间存在的关系,绘制统计信息图,从而更简洁地说明这一点

些数据中包含的主要信息。

本案例是口罩销量在病毒感染数到达峰值后,口罩销量和时间是单值对应的,专业的数据产品经理能够引导团队选择合适的函数模型来描述两者的关系。

例如画出口罩销量随时间变化的大致图像如下:

数据产品经理需要懂的知识点是,具备一些行业数据分析需要的图形化思维。

4. 模型选择

数据产品经理在模型选择阶段主要懂得知识点是,多储备一些自己行业所需要的模型。例如口罩销量随着疫情被控制而下降案例中,我们可以从一次函数模型尝试,y=kx+b (其中K≠0),我们肯定都知道,当K>0直线上升,当k<0,直线下降,均不符合口罩在无重大疫情下最终趋于一个常量的特征。

那么常见的二次函数模型y=ax²+bx+c(其中a≠0),能描述口罩随着疫情被控制随着时间下降的变化趋势吗?也不行,不论开口向上还是向下,当x->+∞时,y->∞,与随着时间的增加口罩销量下降并最终趋于一个向量相矛盾。

同样的,对数函数模型y=m loga x 也不符合。因此可以选择单调下降的指数函数模型y=ma x(其中0<a<1,m>0)。

数据产品经理在模型选择中通过层层启发,各个击破,充分培养适合的模型的直观感知、直觉判断意识和能力。

5. 模型建立

确定指数函数模型y=ma x(其中0<a<1,m>0)。

根据收集的数据,利用Python或者Excel或者其他工具进行精确计算,由计算机自动生成指数函数:y=93.287e -0.014x。

6. 模型检验

根据函数的图像性质推断,指数函数的图像的发展趋势比较符合口罩随疫情yjddbm时间后的变化规律,如下图:

但指数函数模型也存在有明显不足,当x趋于正无穷大时,y趋于0。事实上,没有疫情下口罩的销量将趋于一个正常值。

设计意图,数据建模给出一种研究问题的方法:从基本假设出发,而非从假想结论出发,用严谨的数据方法去分析,结合数据挖掘现象背后的数学规律。

从而产品经理大胆提出质疑,发表自己的意见。

7. 模型建立总结

拟合类函数建立模型时一般可以按以下程序进行操作:

在根据数据特点选择模型函数时,由于产品业务问题本身的复杂性、开放性,所选择的模型会有局限性,需要对模型的解进行检验或修正;有时由于从收集的数据中选择的数据不同,得到的拟合模型结果会有所差别,但只要误差在允许的范围内就认为是何时的。

最后小结

随着各个公司对数据的重视,产品经理会无一例外的逐步变成全是懂数据的产品经理,提的产品需求也讲全部用数据说话。而运用数据的过程也是建立模型的过程。先理解产品的业务需求,然后再建模的过程中配置模型工程师决定每个数据的产品业务意义,然后用模型的结果来为产品做决策。

#专栏作家#

连诗路,公众号:LineLian。人人都是产品经理专栏作家,《产品进化论:AI+时代产品经理的思维方法》一书作者,前阿里产品专家,希望与创业者多多交流。

本文原创发布于人人都是产品经理。未经许可,禁止转载。

题图来自Unsplash, 基于CC0协议

扫描二维码推送至手机访问。

版权声明:本文由花开半夏のブログ发布,如需转载请注明出处。

本文链接:https://www.zhangshilong.cn/work/26181.html

分享给朋友:

发表评论

访客

看不清,换一张

◎欢迎参与讨论,请在这里发表您的看法和观点。