发布时间：2024-03-19 20:06:35 来源：米乐m6米乐平台 作者：M6米乐最新下载地址
经过多年互联网和移动互联网的飞猛发展，科技网络产品发展到焦虑的时间节点。一方面流量成本高到几乎没有投入产出比可言，另外一方面产品和企业同质化竞争激烈。
第一是：利用PC和移动互联网积累的大数据做打破数据孤岛类的产品和数据挖掘，数据分析类的产品。
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产品需求发现阶段、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具体的案例解析，最后得出AI产品大数据观点。
需求的发现是产品经理和企业产品创新取得成功的关键，数据信息在产品的创新设计与制造中发挥越来越重要的作用，充分利用数据挖掘技术从产品市场需求发现、需求设计中提取相应的需求，从而控制和改善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，创新度不够等一系列因素控制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国内的华为小米一年旗舰智能手机只有一款。这个现象背后正是因为AI赋能的软硬一体产品，在需求发现到产品设计上有其特殊性。
因此，如何在最短的时间内开发出质量高、价格能被用户接受的AI产品，已成为产品经理市场竞争的焦点。数据挖掘技术已经成为分析和发现需求，提供决策十分有效的工具，而需求发现速度快起来后可以给需求设计制造更多时间，所以必将有力地支持AI产品的创新设计和制造过程。
数据挖掘（Data Mining，简称DM）就是从大量的、不完全的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和需求的过程。
在一家超市里，有一个有趣的现象：尿布和啤酒竟然摆在一起出售。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，并一直为商家所津津乐道。
沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物需求进行了深层分析，想了解顾客经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基础上，沃尔玛利用关联规则对这些数据进行分析和挖掘，得出了一个令人意外的发现：“跟尿布一起被购买最多的商品竟是啤酒！”
经过大量实际调查和分析，揭示了一个隐藏在“尿布与啤酒”背后的美国人的一种需求模式：在美国，一些年轻的父亲下班以后要经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。
产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。
按照常规思维模式，尿布与啤酒风马牛不相及，若不是借助关联规则进行挖掘和分析，沃尔玛是不可能发现数据之间存在的这一有价值的需求。
以前企业的信息管理系统由于缺乏数据挖掘功能，最多只能统计一些数据，从表面上似乎合理，但实际上根本不能反映出本质的情况。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销售额排名倒数第一位，按照以往的做法，该红酒肯定会停止销售，但是通过对所有销售数据进行关联分析，我们会发现消费额最高的客户中有25%常常买这种红酒，如果停止出售这种红酒，必然会引起这些高端客户的不满。
关联分析就是发现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商品的影响。例如：它能发现数据库中如“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，发现这样的规则可以应用于商品货架设计、库存安排以及根据购买模式对用户进行需求分析等。
用于关联规则发现的主要对象是事务型数据库，其中针对的应用则是商品销售数据。如果对这些历史数据进行分析，则可以对顾客的购买行为提供极有价值的信息。例如：可以帮助商家如何摆放货架上的商品，如何帮助商家规划市场等。
（2）序列发现需求，是指确定数据之间与时间相关的序列模式，利用该模式可对未来的相关行为进行预测。
例子：数据挖掘中序列发现的需求分析应用比如顾客购买行为分析、网络访问模式的分析。对一家完善的大型零售企业来说，往往拥有固定会员。会员可以购买较低价格商品，享受更加优惠的售后服务等等。
会员应是经常在某一家店铺购物的消费者，因此经历较长时间的会员其购物成为按时间的购物序列，而不同会员就可能存在相同的购物序列。比如：两个都喜欢购买新科技产品的会员，销售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荐给另一个人，这也形成交叉销售。
（3）聚类分析需求，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分析，可以借助大数据的优势，发现数据背后的需求。利用起点学院“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，采用数据挖掘工具对网络学习者行为进行聚类分析，研究发现：根据学习特征,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相关，沉浸性高的学习者学习效果往往较好。笔者作为《成为AI产品经理》课程老师借助技术工具，对学习者进行不断更新、实时、循环的聚类分析，及时发现学习者的个体及群体学习特征，因材施教，推送适应性的个性化服务，并给予及时的学习预警与恰当的教学干预。
（4）分类，是指找出一个类别的概念描述，它代表了这个类别数据的整体信息，一般用规则或决策树模式表示。
例子：分类发现需求，首先应该将分类与聚类分开。很多数据产品经理在学习数据方法之初，容易将聚类和分类搞混淆。其实聚类属于无监督学习范畴（unsupervised learning），也可称作观察式学习过程，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，很清楚世界是由男人和女人组成的，所以我们在建厕所的时候，会把厕所分为男厕所和女厕所，这就是“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，通过后天对生活的观察，我们发现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今世界的发展了，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。
例子：一批数据中的异常值值得关注，忽视异常值的存在是十分危险的，不加剔除地把异常值包括进数据的计算分析过程中，对结果会带来不良影响;重视异常值的出现，分析其产生的原因，常常成为发现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，更刺激更能感受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损失性命的例子。
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安全。下论断要从统计整体上来看，揪住一个异常需求没有意义。数据产品经理知道这一点以后，就可以在诸如非金融财产型产品需求里对某些异常需求可以缓一些解决。
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：物流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。
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。
在产品的设计和制造系统数据中隐含了重要的模式，比如：购买次数较多的顾客特征，对促销感兴趣的顾客特征以及不购买顾客特征等分析，数据挖掘就是对隐含在数据中模式的深度分析。
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，目前时间序列挖掘是一个研究的热点，动态的趋势能够反映顾客兴趣的改变，从而使企业对发展趋势做出相应的市场决策。
数据的降维也叫做主成份分析，现代数据库中包含了交易信息的特征，不相关的数据条目和特征可以从数据集中消除，数据降维的主要作用是选择关键的数据进行分析。
根据AI产品全生命周期考虑，产品设计与开发过程可划分为：产品需求分析（MRD）、概念设计（Featurelist设计）、详细设计（PRD设计）、工艺设计、样品试制、生产制造、销售与售后服务等阶段。
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产品设计与开发过程如下图 ：
因为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基础上而实现迅猛发展。故此仅针对上图中的两个跟传统产品不同的点进行讲解。
这是AI产品制造的特点，传统的商业模式为先制造、后销售、再消费，企业为消费者提供产品，消费者则是被动的产品接受者。
但在AI赋能的时代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，企业再为用户提供个性化服务，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产品是为了更好地满足客户的需要，进而赢得市场，增加企业的竞争力。因此，比如在市场分析中考虑客户真正需要的产品特征、产品的那些特征最重要等，客户需求最好能与设计规划产品进行集成。另外，需求可以很好地帮助设计师采取适当的产品开发策略，开发出满足客户需要的AI产品。
AI时代工厂是智能制造的载体和集中体现，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，全球任何地方的用户都可以根据自己的个性喜好，自由选择产品的款式，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，掌握供应链情况，知晓制造进度，追踪货物交付。
在AI制造的生产方式下，产品设计流程的主要步骤是：需求、设计、销售、生产，用户希望通过定制平台自行设计或是选择所需要的产品，不愿接受没有选择性的设计方案。
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。
产品设计是在有限的时空范围内，在特定的物质条件下，为了满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、复杂性和不确定性，其中包括分析、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产品概念设计框架，主要考虑产品数据与环境数据之间的相互作用，发现其中隐含的需求。
数据挖掘运用遗传算法、决策树算法在新产品开发中。要在产品设计中进行创新，就要对过去的设计经验和数据信息进行总结、分解与组合，数据挖掘技术对设计知识的分析，有利于产品设计的创新，使之实现新的需求。
产品经理或者产品运营人员提出需求，主要目的是获取给定商铺的url，通过系统分析，直接将商铺的商品信息，即评论中对商品评价的关键词直接呈现给消费者，使消费者对商品信息一目了然，从而节约消费者大量时间。
数据库设计：在技术进行数据库设计的时候，产品经理最好配好技术人员进行表设计。例如：这个案例中的商品抓取表和商品分析结果表，因为商品抓取记录表中需要明确商品的字。
