随着计算机计算能力的爆发式增长，人们利用计算机的方式不断变革，而我们正走在变革的路口。一方面是大公司更多的资源投入到机器学习的领域，从而颠覆原有的决策和运营模式，另一方面，随着实用性开源代码越来越丰富，随着云平台的不断发展，小公司接入机器学习的方法的成本也越来越低。而这样的背景下，产品经理未来的价值在哪里？
随着计算机能力的爆发式增长，人们利用计算机的方式不断变革。想象一个情形，决策拥有大量数据的结果，需要根据数据输出一个高效的决策，我们该怎么做？
筛选历史数据：筛选数据中有用的部分；分析历史数据：根据历史数据计算出某种规则；分析当前数据：根据当前数据和某种规则分析当前数据；做出当前决策：根据当前数据分析结果，做出最终决策。最初，人们通过让计算机在明确的数据下，明确的规则下计算结果，而人们根据这个结果做出决策。在这个过程中，清洗历史数据的人，分析历史数据的是人，分析当前数据的是人，做出决策的也是人。这个阶段，系统只承担计算的部分。不理解人的全部决策过程。
后来，人们发明了基于规则式策略去解决实际中遇到的问题。根据大量的数据分析，人们发现可以根据历史数据形成规则并让系统自动决策。比如一个系统实现了这样一个功能，a数据下，执行A策略，b数据下执行B策略。在这个过程中，清洗历史数据的是人，分析历史数据的是人，分析当前数据的是计算机，做出当前决策的也是计算机。人理解全部决策过程，计算机只理解具体的指令。
在机器学习时代，规则变得不在重要，重要的是数据表现的统计意义的特征。计算机接受全部数据，根据数据和历史结果的相关性，自动分析数据之间的联系，并分析决策方法，并根据决策方法，自动做出决策。这种情况下，人完全不理解计算机的决策过程，当然，对于计算机而言，也不理解模型的过程数据。
2. 真相：机器自动决策的缺陷那么计算机真的在自动决策吗？答案其实不是。计算机在整个过程中基本都是基于统计意义的方法进行分析和决策。本质上高度依赖于整个机器学习过程中系统设定的目标。
举个例子：商品的个性化推荐系统当你的目标是目标销售量的时候，模型会根据历史销售数据推荐推荐给每个人一个商品列表，这个列表是基于历史的商品销售数据，和用户的行为数据，估计出最有可能被推荐的数据。最好的算法，可以基于历史销售数据，给出理论上最好的销售量预测。但是这只是统计意义的最优。在这个过程看似是计算机自动完成，但是我们还是赋予了计算机一些内容：
目标值：当天销售量数据范围：历史销售数据，用户行为数据但问题依然存在：对于一个电商而言，最核心的指标，真的是短期的销售量吗？
算法的单目标最优，往往以为着对完全不考虑其他目标，有很大的风险牺牲长期利益。这个很好理解，当经济发展的目标变为单一GDP的时候，国民健康、环境破坏等等就不被考虑的。当算法的目标是销售量的时候，用户的惊喜度，内容的重复度，对用户的调性，这些都是不在目标范围内的。
有很多信息，系统无法接收有什么影响？
一个服装电商，你知道今年的外部的流行款是什么，但是对于个性化推荐系不知道。你知道今天某个人气明星走红毯的时候穿了什么，但是个性化推荐系统不知道。而很多时候，这些信息往往是关键信息。但系统却无法知道。历史信息不一定能预测未来需求。
3. 未来：作为人的产品经理的价值看似计算机已经做了全部的数据分析和计算，那么对于人而言，我们的价值在哪里呢？
在思考这个问题之前，我想到了一句话：“产品经理是的产品的CEO”。那么CEO同样不会做数据分析和决策，CEO应该做什么？除了管理之外，很重要的一个事情就是把握方向。
不会为了眼前的数据，榨干未来的潜力，根据市场的信息，即时调整发展重点。
产品经理需要更懂业务，更懂数据，更懂用户。
能够给出系统一个准确的目标。这个目标一定是个复合指标，不仅仅关心核心的KPI，更要关心是否因为核心的KPI而影响了未来的发展。
把控系统的发展方向。无论系统如何发展，总有些数据无法纳入到系统自身中来，这就需要一个懂得系统逻辑的人，去调整系统的发展。比如一些爆款新品的加权，比如一些影响用户情绪商品的过滤，比如挖掘更多的数据维度加入系统。
毫无疑问，挂着产品经理头衔的人在未来会有减少的趋势，但另一方面，剩下的人要做的事情也更加复杂和重要。
作者：潘一鸣，知乎专栏：产品逻辑之美
文章作者系 @潘一鸣 未经许可，禁止转载。
