一、業務背景

背景：日常排球訓練，中考排球項目和排球體測項目耗費大量人力成本和時間成本。

目標：開發一套用于實時檢測排球運動并進行排球墊球計數和姿勢分析的軟件。

二、產品工作流程

我們這里對于產品工作流程的關鍵部分進行講解，有些部分我們以后還會進行章節講解。

1.需求定義?

明確下面幾個問題：

①做什么?

②為什么要做，有什么收益和價值？

③業務預期目標、上線期限？

代入上述產品的背景?

①做什么?——開發一套用于實時檢測排球運動并進行排球墊球計數和姿勢分析的軟件。

②為什么要做——減少時間和人力成本，提高數據統計的準確度。

③業務預期目標：預期目標數據統計準確度從原有的78%調高到95%，減少50%的人力成本，覆蓋40%的排球教育和考核場景。

2.技術預研

在業務確定之后我們需要請算法同學進行預判，判斷目前積累的數據和沉淀的算法是否可以達到業務需求。

經過算法預研之后，我們決定將以前平臺使用的實時目標檢測算法為YOLOv6，修改為YOLOv8算法。主要原因為YOLOv8的精度高于YOLOv6且YOLOv8是一種通用性更高的目標檢測系統，適合更廣泛的用例。

我們以前的數據也沒有達到算法的需求，所以我需要根據業務實現的目標對數據進行準備，包括不同背景下的排球，不同光照條件下的排球，不同顏色的排球……

就算以前的數據達到了算法的要求，我們還是需要協助算法同學進行數據準備，因為垂直業務線的產品經理更加了解本領域的數據。

根據和算法同學的溝通我們可能需要對需求進行調整，因為畢竟有些技術問題是當前公司資源或技術限制是不能實現的。

3.數據準備

對于算法同學而言，他只能根據現有的數據分析哪些特征對于模型有用，但是，我們作為產品經理我們就能夠分析哪些數據更具有代表性，幫助算法同學提供一些你認為可能對模型有提升的特征。

比如說：我們發現在進行排球檢測的過程中，不同分辨率的視頻會對排球檢測造成影響，那么我們在準備數據的時候就要添加一些分辨率較低和分辨率較高的不同圖像。

數據可以分為三類：內部業務數據、跨部門集團內數據以及外部采購數據的數據。

內部業務數據：可以從以前業務保留的數據中選取使用，如果當前沒有相關數據，而我們有相關業務可以獲得數據，我們可以增加慢點將數據留存。、

跨部門數據：其他部門數據或統一的中臺數據，這些數據需要我們根據公司的數據管理規范流程提取，在數據提取的時候注意篩選有效數據。

外采數據：我們需要了解市場上不同公司都可以提供什么，比如：極光、友盟提供的是開發者服務，所以他們可以提供一些和App相關的用戶畫像，比如運營商可以提供上網流量、話費等相關數據。

進行外采數據需要注意兩點：外采公司的資質審核、采集數據的合法性，需要考慮數據安全和消費者隱私保護。

4.模型構建、宣講和驗收

模型構建過程包括：模型設計、特征工程、模型訓練、模型驗證、模型融合。

盡管產品經理不參與模型構建過程，但是需要了解上線游和各節點產物，便于調度資源和推進項目進度。

在模型構建結束之后，你需要組織算法同學進行模型宣講，讓他講明白為什么選擇這個算法，使用了哪些特征，模型的訓練樣本、測試樣本都是什么？測試結果都是怎么樣的。

我們組織宣講的目的是為了進一步確認模型特征是否選取完善和合適，訓練結果是否達到預期結果，對于算法的結果進行評估。

宣講結束之后，我們需要對模型進行評估驗收，從產品的角度來評判模型是否符合上線要求。具體的評估指標以后會講到。

5.工程開發及產品上線運營

在模型驗收之后我們就可以進入工程開發環境了，其實在實際工作中，工程開發工作和算法模型構建工作同步進行。因為畢竟是兩個團隊的人員，只需要約定好模型的輸入輸出，確定好業務需求和預期指標，雙方同學就可以進行工作了。

工程開發結束之后。就可以進行工程測試驗收了，驗收測試同學進行測試，最后再有產品進行驗收。然后進行工程上線，我們需要子啊上線后的系統做AB測試對比傳統方案，從而量化AI產品的效果，這是主要關注我們的預期指標是否達到滿足，作為AI產品經理我們還需關注模型上線后的穩定程度，因為模型的效果表現會隨著時間而緩慢衰減（臟數據影響），所以我們需要判斷是否需要迭代。

參考文獻：

劉海豐——《成為AI產品經理》

YOLO v8！| 附教程+代碼 以及 vs YOLOv6 v3.0_小北的北的博客-CSDN博客

產品經理需要懂的AB測試 - 知乎 (zhihu.com)