产品经理有很多种，双重能力如何掌握？
产品经理有很多种，譬如有重业务的B端产品经理，有重增长吸引用户的C端产品经理，还有SaaS，AaaS，IaaS产品经理等等种类，当我们还没有讨论完产品经理都是怎么进化来的时候，发现市场对产品经理的岗位能力开始有较高的要求了。
其中有两类产品经理对软硬件技能为更高且更为市场所需求，一类是AI产品经理，一类是大数据产品经理。
那么我们怎么认知这两类产品经理的关系呢？能不能做到大数据与AI复合上身的产品经理呢？做到后即将成为什么样基因的产品经理呢？
本篇将进行讲解。
第一招：开门点题
AI产品经理与大数据产品经理的关系是一体两翼的关系，如下图：
数据日常的大路路径是汇聚、存储、处理。
分叉后一条路线是形成数据集AorB，输送给特定的模型，进行训练。
例如输送给RFM模型，AI产品经理确认数据的业务意义，比方说张三是高价值客户，李四是高潜力客户，那么那些数据代表张三是高价值客户，RFM模型中的最近购买时间R，购买频次F，消费金额M，究竟怎么来验证张三是高价值客户，这个时候AI产品经理会就业务本身自然呈现的内容输送到模型，帮助优化训练模型。
在做的过程中，会验证发现RFM模型有缺陷，不能很好地对航司客户进行智能化识别，那么RFM模型就逐步地迭代为LRFM模型，再然后就部署的具体的系统模块供各个业务项目场景应用。
分叉后另外一条路线是供数据分析，比如某外卖平台希望通过消费者LineLian的用户历史和时间序列数据达到提高LineLian的消费品类的目标，那么需要对LineLian的消费存量数据进行分析，这里需要分析LineLian以往消费数据，例如LineLian以往消费都是晚餐（IT男加班多），消费晚餐的POI点，消费晚餐的品类等等，然后设计算法分析出千千万万个LineLian用户，哪些可以从常定晚餐到推荐午餐也定午餐的目标。
从上图分析可见AI产品经理与大数据产品经理有着天然的蜜着点且关系紧密，均是建立在数据的一体上发展出来的两翼。
第二招：AI产品与大数据产品的各自内容
虽说AI与大数据的关系藕断丝连，但是AI有AI的独立空间，大数据也有大数据的桥头切面。
两者各自的内容如下图：
大数据产品经理围绕着数据平台做产品（大数据平台包含数据中台），数据平台从下层往上层大数据，产品经理依次会陪着大数据架构师先治理数据如何存，再治理大数据的增长，再治理异构数据，再次才是数据的有关功能的开发应用。例如：数据分析，数据可视化，数据资产管理，数据质量管理等等。
而AI产品经理主要围绕着AI需要的算法、AI需要的算力、AI应用于哪些场景为核心而工作，AI平台如上图。
一名AI产品经理先从下面云、芯片等算力开始着手，一直到中间层的机器视觉、机器听觉、NLP等算法，最后到AI应用的场景譬如智能驾驶、智能家居等等场景。
虽说大数据产品经理与AI产品经理现阶段有着各自的内容，但是中期大数据产品经理与AI产品一定有协同混合的市场需求，即市场老板不会将AI拆分成AI，也不会简单的将大数据单独的作为大数据，长期看是数智化产品为主导趋势！
特别说明，数智化的智是智能的智。
早期，宜即时下市场上典型的案例是，许多企业需求是要构建自己的数据中台，一个数据中台里是很难看到AI的核心使命的。但是中期看AI与大数据会有融合，即当数据治理以后，下一层自然推送到机器学习平台，当然早期和中期之间是有衔接的过渡地带的。但是长期来看，数智一体化产品才是产品经理进化的深度趋势，如下图：
数智化产品经理基础是数据工作‘其次是具有通用级别的大数据治理能力，例如有适应性颇高的算法+算力能力来计算大数据，然后是客客制化的AI模型算法能力，最后是场景挖掘应用思维，具备这种数智化系统的产品是未来市场的产品经理！
除了明白上面3招外AI产品与大数据产品的关系和内涵知识外，还有如下3招帮助我们上手大数据与AI产品经理。
AI产品与大数据产品需懂的技术层面
首先，自己有无抓住AI和大数据的红利期，实现从传统产品经理转型到AI大数据产品经理的思维方式；其次有无做好接受数据汇聚、数据存储、数据分析、算法针对行业业务的类型、模型在不同的数据集训练测试持续优化的准备，需要准备哪些呢？譬如：打破小产品的认知，走向大产品。
学着做一个AI大数据产品的融资方案，市场规模调研，可行性分析报告，还有最最核心的以用户需求和客户要求做的具体的AI大数据产品的产品界面、功能、后台数据治理的文档。
过程中需要懂的技术至少有：
硬件基础层的CPU/GPU/FPGA/ASIC等；
引擎框架层的高性能计算引擎如分布式计算框架/交互式分析框架/深度学习框架等，Hadoop生态圈组件的HDFS/Hbase/Kafka等，数据库的时序数据库/高性能的OLAP数据库等，还有容器云管理等；
平台级产品层，大数据管理数据集成的流程/元数据管理/数据质量管理/数据资产管理/数据安全管理等，大数据AI机器学习的模型部署管理/边缘AI/可视化开发/IDE集成开发等，当然还有集群管理，用户管理，权限管理，监控管理等。
以上技术懂的尺度和边界是你所在的团队技术不懂的你得懂，技术懂的你得能跟他交流。
