接下来的趋势有两股同方向的产品力量，将是产品经理和企业产品创新的机会点：

第一是：利用PC和移动互联网积累的大数据做冲破数据孤岛类的产品和数据挖掘，数据剖析类的产品。
第二是：在大数据的肩旁上，深度结合业务供应链场景设计10倍于以往产品体验的AI算法产品、AI赋能的智能软硬件产品。

本文分别先从AI产品需求创造阶段、再从AI产品需求设计制造阶段对数据挖掘的利用，然后落地到数据挖掘详细的案例解析，末了得出AI产品大数据不雅观点。

一、数据挖掘用于AI产品需求创造

需求的创造是产品经理和企业产品创新取获胜利的关键，数据信息在产品的创新设计与制造中发挥越来越主要的浸染，充分利用数据挖掘技能从产品市场需求创造、需求设计中提取相应的需求，从而掌握和改进下一代产品的设计与制造。

目前，AI赋能的智能软硬件整体产品的研制周期长，市场反应能力弱，创新度不足等一系列成分掌握了产品制造企业的生存和发展，不论是万亿市值的苹果还是海内的华为小米一年旗舰智好手机只有一款。
这个征象背后正是由于AI赋能的软硬一体产品，在需求创造到产品设计上有其分外性。

因此，如何在最短的韶光内开拓出质量高、价格能被用户接管的AI产品，已成为产品经理市场竞争的焦点。
数据挖掘技能已经成为剖析和创造需求，供应决策十分有效的工具，而需求创造速率快起来后可以给需求设计制造更多韶光，以是必将有力地支持AI产品的创新设计和制造过程。

数据挖掘（Data Mining，简称DM）便是从大量的、不完备的、随机的实际运用数据中，提取隐含在个中的、人们事先不知道的、但又是潜在有用的信息和需求的过程。

根据产品创造需求的不同，数据挖掘的任务紧张分为以下 6 类：

（1）关联剖析需求，揭示隐蔽在数据之间相互关系的一项挖掘潜在需求的数据挖掘任务。

例子：“尿布与啤酒”的故事。

在一家超市里，有一个有趣的征象：尿布和啤酒竟然摆在一起***。
但是，这种奇怪的举措却使尿布和啤酒的销量双双增加了。
这不是一个笑话，而是发生在美国沃尔玛超市的真实案例，并一贯为商家所津津乐道。

沃尔玛拥有天下上最大的数据仓库系统，为了能够准确理解顾客在其门店的购买习气，沃尔玛对其顾客的购物需求进行了深层剖析，想理解顾客常常一起购买的商品都有哪些。
沃尔玛数据仓库里集中了其各门店的详细的原始交易数据，在这些原始交易数据的根本上，沃尔玛利用关联规则对这些数据进行剖析和挖掘，得出了一个令人意外的创造：“跟尿布一起被购买最多的商品竟是啤酒！
”

经由大量实际调查和剖析，揭示了一个隐蔽在“尿布与啤酒”背后的美国人的一种需求模式：在美国，一些年轻的父亲放工往后要常常到超市去买婴儿尿布，而他们中有30%～40%的人同时也会为自己买一些啤酒。

产生这一征象的缘故原由是：美国的太太们常叮嘱她们的丈夫放工后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜好的啤酒。

按照常规思维模式，尿布与啤酒风马牛不干系，若不是借助关联规则进行挖掘和剖析，沃尔玛是不可能创造数据之间存在的这一有代价的需求。

以前企业的信息管理系统由于缺少数据挖掘功能，最多只能统计一些数据，从表面上彷佛合理，但实际上根本不能反响出实质的情形。
例如：通过传统的信息管理系统，我们得出某一种红酒在超市的发卖额排名倒数第一位，按照以往的做法，该红酒肯定会停滞发卖，但是通过对所有发卖数据进行关联剖析，我们会创造消费额最高的客户中有25%常常买这种红酒，如果停滞***这种红酒，一定会引起这些高端客户的不满。

关联剖析便是创造交易数据库中不同商品之间的内在的联系，利用关联规则找出顾客购买行为模式，如购买了某一商品对其它商品的影响。
例如：它能创造数据库中如“90%的顾客在一次购买活动中购买商品X的同时购买商品Y”之类的问题，创造这样的规则可以运用于商品货架设计、库存安排以及根据购买模式对用户进行需求剖析等。

用于关联规则创造的紧张工具是事务型数据库，个中针对的运用则是商品发卖数据。
如果对这些历史数据进行剖析，则可以对顾客的购买行为供应极有代价的信息。
例如：可以帮助商家如何摆放货架上的商品，如何帮助商家方案市场等。

总之，从事务数据中创造关联规则，对付改进商业活动的决策非常主要。

（2）序列创造需求，是指确定数据之间与韶光干系的序列模式，利用该模式可对未来的干系行为进行预测。

例子：数据挖掘中序列创造的需求剖析运用比如顾客购买行为剖析、网络访问模式的剖析。
对一家完善的大型零售企业来说，每每拥有固定会员。
会员可以购买较低价格商品，享受更加优惠的售后做事等等。

会员应是常常在某一家店铺购物的消费者，因此经历较永劫光的会员其购物成为按韶光的购物序列，而不同会员就可能存在相同的购物序列。
比如：两个都喜好购买新科技产品的会员，发卖记录中就会记录他们每次购买的科技产品，从而可以将个人的喜好推举给另一个人，这也形成交叉发卖。

（3）聚类剖析需求，是指依赖样本间关联的量度标准将其自动分成几个群组，且使同一群组内的样本相似，而属于不同群组的样本相异的一组方法。

例子：基于数据挖掘的聚类剖析，可以借助大数据的上风，创造数据背后的需求。
利用出发点学院“成为AI产品经理”在线开放课程学习者的网络学习过程记录，采取数据挖掘工具对网络学习者行为进行聚类剖析，研究创造：根据学习特色,网络学习者可以分为高沉浸性型、较高沉浸性型、中沉浸性型、低沉浸性型四种群体。

学习行为与学习效果密切干系，沉浸性高的学习者学习效果每每较好。
笔者作为《成为AI产品经理》课程老师借助技能工具，对学习者进行不断更新、实时、循环的聚类剖析，及时创造学习者的个体及群体学习特色，因材施教，推送适应性的个性化做事，并给予及时的学习预警与恰当的传授教化干预。

（4）分类，是指找出一个类别的观点描述，它代表了这个种别数据的整体信息，一样平常用规则或决策树模式表示。

例子：分类创造需求，首先该当将分类与聚类分开。
很多数据产品经理在学习数据方法之初，随意马虎将聚类和分类搞稠浊。
实在聚类属于无监督学习范畴（unsupervised learning），也可称作不雅观察式学习过程，与分类不同，分类依赖已有既定的先验知识。

例如：我们成年后，很清楚天下是由男人和女人组成的，以是我们在建厕所的时候，会把厕所分为男厕所和女厕所，这便是“分类”。
而当我们刚生下来，我们并不知道什么是男人，什么是女人，通过后天对生活的不雅观察，我们创造有一类人他们有胡子，而有一类人她们头发比较长（当然，我的这个举例已经显然不符合当现代界的发展了，你们明白就行）。
于是我们就把有胡子的人分为一类人，把长头发的分为另一类人。

然后“研究”创造：原来有胡子的叫男人，有长头发的叫女人，这个过程便是“聚类”。

（5）偏差检测，便是从数据剖析中创造某些非常情形是否主要，从而得到有用的需求。

例子：一批数据中的非常值值得关注，忽略非常值的存在是十分危险的，不加剔除地把非常值包括进数据的打算剖析过程中，对结果会带来不良影响;重视非常值的涌现，剖析其产生的缘故原由，常常成为创造需求进而改进决策的契机。

例如：A君是机车爱好者骑摩托不带安全帽，他会说他周围的朋友都不带安全帽，更刺激更能感想熏染空气触感而且周围朋友都很安全，相反某某著名机车选手带了安全帽丢失性命的例子。

大数据挖掘样本是基于从大样本的数据来看，不带安全帽骑机车比带安全帽整体不屈安。
下论断要从统计整体上来看，揪住一个非常需求没故意义。
数据产品经理知道这一点往后，就可以在诸如非金融财产型产品需求里对某些非常需求可以缓一些办理。

（6）预测，便是利用历史数据找出变革规律，建立模型，并用此模型来预测未来需求等。

例子：通过数挖得到预测的例子非常多，这里从行业方面举几个例子，例如：电力行业通过数挖到不同行业在未来对电力的不同，进而更好的做好对各个行业电力需求的供应。
例如：物盛行业通过对库存需求的挖掘调配货运司机。
例如：新零售企业通过数挖准备商家和商品备货等。

二、数据挖掘用于AI产品设计制造

在产品的设计与制造过程中，利用数据挖掘可得产品设计的创新，提高产品质量，加速产品的制造过程。

数据挖掘在AI产品设计与制造系统中的紧张过程如下：

（1）模式创造

在产品的设计和制造系统数据中隐含了主要的模式，比如：购买次数较多的顾客特色，对匆匆销感兴趣的顾客特色以及不购买顾客特色等剖析，数据挖掘便是对隐含在数据中模式的深度剖析。

（2）趋势预测

数据挖掘不仅能够提取静态的模式，也能预测动态的发展趋势，目前韶光序列挖掘是一个研究的热点，动态的趋势能够反响顾客兴趣的改变，从而使企业对发展趋势做出相应的市场决策。

（3）数据的降维

数据的降维也叫做主成份剖析，当代数据库中包含了交易信息的特色，不干系的数据条款和特色可以从数据集中肃清，数据降维的紧张浸染是选择关键的数据进行剖析。

（4）可视化产品制造

数据可视化紧张旨在借助于图表、图、表格等形化手段，清晰有效地传达与沟通信息。

根据AI产品全生命周期考虑，产品设计与开拓过程可划分为：产品需求剖析（MRD）、观点设计（Featurelist设计）、详细设计（PRD设计）、工艺设计、样品试制、生产制造、发卖与售后做事等阶段。

每个阶段和环节之间都存在着反馈和迭代过程，但其额度对不同设计类型有所不同 , 基于并行工程的AI产品设计与开拓过程如下图 ：

由于AI产品是站在传统产品肩旁上发展而来，尤其是基于移动互联网的发展累积的大数据的根本上而实现迅猛发展。
故此仅针对上图中的两个跟传统产品不同的点进行讲解。

1）AI产品特殊是软硬一体产品，一样平常是前辈行上市及先用样品上市，看市场情形再进行批量制造。

这是AI产品制造的特点，传统的商业模式为先制造、后发卖、再消费，企业为消费者供应产品，消费者则是被动的产品接管者。

但在AI赋能的时期背景下则呈现一种新型商业模式，即先个性化定制、再制造、后消费，用户先提出个性化需求，企业再为用户供应个性化做事，这样可以极大地提高用户的参与度，也能使得企业真正地去理解和思考用户的需求。

2）AI产品是为了更好地知足客户的须要，进而赢得市场，增加企业的竞争力。
因此，比如在市场剖析中考虑客户真正须要的产品特色、产品的那些特色最主要等，客户需求最好能与设计方案产品进行集成。
其余，需求可以很好地帮助设计师采纳适当的产品开拓策略，开拓出知足客户须要的AI产品。

AI时期工厂是智能制造的载体和集中表示，用户可以直接从智能工厂的用户交互定制平台定制产品，参与到产品的个性化定制过程中，环球任何地方的用户都可以根据自己的个性喜好，自由选择产品的格局，颜色和性能等。
提交订单直接下达到工厂，智能工厂可以实现用户通过网络系统对定制生产的全流程实时互联互通，节制供应链情形，知晓制造进度，追踪货色交付。

在AI制造的生产办法下，产品设计流程的紧张步骤是：需求、设计、发卖、生产，用户希望通过定制平台自行设计或是选择所须要的产品，不愿接管没有选择性的设计方案。

这一过程可以实现的根本在于三点：

一是用户提出产品的设计需求，交由设计师来完成；二是用户根据设计师供应的产品设计方案，自行选择以知足设计需求；三是对成型的设计产品进行选择，获取设计方案。

用户通过企业的定制平台参与到产品的设计。
生产和交付的全流程，通过对不同的产品模块进行选择与组合，构建出符合自己个性的特色产品，极大地简化了AI产品的设计过程。

（5）产品设计

产品设计是在有限的时空范围内，在特定的物质条件下，为了知足一定的需求而进行的一种创造性思维活动的实践过程，设计具有创造性、繁芜性和不愿定性，个中包括剖析、综合和评价等过程，设计过程中的每一个行为都对应于这三维空间中的一个点，如下图所示：

基于数据挖掘的全息AI产品观点设计框架，紧张考虑产品数据与环境数据之间的相互浸染，创造个中隐含的需求。

数据挖掘利用遗传算法、决策树算法在新产品开拓中。
要在产品设计中进行创新，就要对过去的设计履历和数据信息进行总结、分解与组合，数据挖掘技能对设计知识的剖析，有利于产品设计的创新，使之实现新的需求。

三、大数据挖掘方法案例解析

举例子：京东数据挖掘系统设计实现的例子。

产品经理或者产品运营职员提出需求，紧张目的是获取给定商铺的url，通过系统剖析，直接将商铺的商品信息，即评论中对商批驳价的关键词直接呈现给消费者，使消费者对商品信息一览无余，从而节约消费者大量韶光。

技能职员须要根据上述需求进行如下操作步骤：

性能需求评估。
然后搭建开拓环境，例如：Python3.0+Pycharm5.7+Redis4.0+Window10。
数据库设计：在技能进行数据库设计的时候，产品经理最好配好技能职员进行表设计。
例如：这个案例中的商品抓取表和商品剖析结果表，由于商品抓取记录表中须要明确商品的字段，同理商品剖析结果表中的字段和备注等。
数据爬取模块设计，一样平常采取分布式抓取。
数据爬取模块实现。
数据剖析模块实现，以百富帝纯棉四件套商品为例，客户只需输入该商品的url，即可开始剖析，该商品不同颜色购买数量关系、购买渠道占比、购买用户的等级分布。

至此数据数据挖掘完成，已将该商品的全部有用信息即商批驳价、颜色销量、购买韶光、购买渠道和用户等级分别展示给了用户。

除了京东的例子外数据挖掘的例子，还有如下：

（1）恶意软件的智能检测，在大数据时期下，在恶意软件检测中数据挖掘技能得到广泛的运用

恶意软件严重危害到网络和打算机，恶意软件的检讨依赖于署名数据库（signature atabase，SD），通过SD，对文件进行比较和检讨，如果字节数相等，则可疑文件将被识别为恶意文件。

有些基于有标签的恶意软件检测的主题，集中在一个模糊的环境下，进而无法进行恶意软件行为的动态修正，无法识别隐蔽的恶意软件。
相反地，基于行为的恶意软件检测就可以找到恶意文件的真实施为。
而如果采取基于数据挖掘技能的分类方法，就可以根据每个恶意软件的特色和行为进行检测，从而检测到恶意软件的存在。

（2）信用卡的违约预测

金融产品经理有很多创新性产品是环绕着信用卡或者类信用卡类产品来做产品的，例如：花呗、京东白条等。

在办理这类信用卡之前，银行或者企业首先须要对申请人进行细致调查，根据申请人的实际情形判断是否有能力来偿还所贷金额。
AI产品采取灰狼优化算法打算神经网络的初始权值和阈值，一种改进的模糊神经网络的AI算法，通过建立的信用卡客户的违约预测模型，与目前其他的预测方法进行比较，得到较好的预测结果。
进一步，验证了模糊神经网络在信用卡客户的预测上具有较好的鲁棒性、准确性和高效性。

采取有效的数据挖掘技能，针对信用卡类客户属性和消费行为的海量数据进行剖析，可以更好的掩护优质客户，肃清违约客户的风险行为，为信用卡等金融业务代价的提升供应了技能上的保障。

（3）AI医疗诊断

乳腺癌的诊断。
乳腺肿瘤是女性恶性肿瘤中最常见的肿瘤，影响妇女的身体和精神康健，乃至威胁生命。
20世纪以来，全天下范围内乳腺癌的患病率均有所增加，特殊是欧洲和北美地区，分别占欧洲和北美女性恶性肿瘤发病率的第一和第二位。

目前，天下女性乳腺癌在癌症中的发病率最高，据美国疾病预防中央统计，早期乳腺癌的治愈率可高达97％，进展期的治愈率仅为40％。
因此，越早创造乳腺癌，治愈效果越好，即“早创造，早治疗”。

在大数据时期下，医疗方面的数据呈现出数量大、类型多、处理方法繁芜等特点，数据挖掘技能对这些问题的处理起到了至关主要的浸染。
威斯康星大学医院Wolberg供应的乳腺肿瘤剖析结果显示，乳腺肿瘤的特色可以由9 个参数来表示。

针对疾病的智能诊断，数据挖掘具有4个运用角度：在医院信息系统中的运用、在疾病助诊断中的运用、在药物开拓中的运用、在遗传学方面的运用。

（4）教诲大数据的挖掘，前两年，南京理工大学的“暖心饭卡工程”受到来自各界的关注。
南京理工大学教诲发展基金会事情职员对学生在日常生活中的数据进行了调查和数据的采集，该项调查涉及的共有16000余名南京理工大学当前在校学习的本科生，采集的数据为在9月中旬至11月中旬期间学生的饭卡刷卡记录，将每个月均匀在食堂消费60次以上，消费总额不敷420元的学生确立为补助工具，不须要学生报告，直接将补助打入学生的饭卡。

这次针对学生生活行为的数据挖掘，不仅在教诲大数据的根本上实现了“精准***”，而且对学生真正做到了“人文关怀”，表示出了数据的代价性。

四、大数据挖掘的数据获取方法

大公司已经积累了大量的数据，目前是打通数据孤岛和挖掘数据，然后剖析和运用，而没有数据的公司适宜优先发力研究稀疏数据下的AI认知能力的开拓。
例如：绿色AI的技能，通过稀疏数据小样本和算法的精妙设计而实现精准的需求判断和高效的产品设计制造。

随着AI赋能制造时期的到来，95后、00后，正在成为消费新主见的群体，他们对个性消费、智能消费、体验消费越来越重视，消费终真个变革一定会带来消费趋势的显著变革。

为了获取消费者需求就须要利用数据挖掘。
如何在保护消费者隐私哀求越来越严谨同时，自己公司又缺少大数据的情形下进行数据获取呢？

方法如下：

（1）产品外部大数据剖析

随着大数据的连忙膨胀，其对付企业越来越主要，当代企业须要具有大数据思维，对外界的干系大数据进行提取、存储和剖析。
例如：卡夫食品公司通过大数据剖析工具，对上亿条社交网站帖子上的干系话题进行内容剖析，研究得出顾客的紧张关注点在于康健、素食和安全。
通过剖析研制，末了生产出全新的产品打开了孕妇消费者市场，创造了新的古迹。

（2） 企业内部数据挖掘剖析

可以对企业内部的客户，产品数据库进行整理剖析，有效地剖析客户信息，产品信息以及行为数据，进而得到客户的需求信息。
也可以在公司网站或是APP上建立留言区，使得用户对产品有任何的见地和建议都能揭橥在上面，进而企业可以获取有代价的客户信息。

例如：企业可以利用内部网站数据剖析，在活动前期预测本店热销产品，从而能确保产品的供应和物流的快速运转。

（3）企业定制平台获取（网站+移动终端）

企业可以开拓产品定制的交互平台，用户在企业的定制平台上可以浏览所需产品的形状信息和功能信息，可以根据个人喜好自由选择产品的外不雅观和部件等，通过选定可以看到终极产品的展示效果图，确定后提交个性化需求信息。
企业还可以开设个性定制的智能门店，用户通过产品导购先容，根据自己喜好选择不同零部件组合，和产品导购确定后，提交个性化定订定单。

这样可以使企业能快速的相应客户的个性需求，同时也让客户能参与到自己的产品定制设计过程中来。

五、AI产品大数据不雅观

AI产品经理首先要有数据挖掘需求思维，然后在AI产品设计制造中巩固对大数据的落地利用，并明白数据挖掘是数据剖析最常用的手段，而在数据挖掘的过程中会有新的需求的创造。

人工智能的构建根本是大数据。
在此根本之上，才是自然措辞算法组件、知识图谱组件与机器学习组件的算法平台培植。

AI时期的产品经理得先明白技能的事理，然后协同技能共同打造精良的AI产品。

未来是AI时期，AI是站在大数据的肩膀上的！

#专栏作家#

连诗路，"大众年夜众号：LineLian。
大家都是产品经理专栏作家，《产品进化论：AI+时期产品经理的思维方法》一书作者，前阿里产品专家，希望与创业者多多互换。

本文原创发布于大家都是产品经理。
未经容许，禁止转载。

题图来自 Unsplash，基于 CC0 协议