【PM夥伴攻略】如何跟資料科學家合作？
近年來資料科學（Data Science）、機器學習（Machine Learning）一直都是很夯的話題，也有不少像我一樣的 PM 會對於怎麼開發資料型產品（Data Product）很有興趣。很幸運的，我現在工作的領域中有不少接觸資料型產品的機會，在過程中有自己摸索一下跟資料科學家合作的方式，這篇會以一個資料型 PM 初心者的角度，跟大家分享如何開啟跟資料科學家的對話。
一個完整的資料團隊（Data team）中其實有很多角色，這邊所謂的資料科學家主要是指在團隊裡面負責設計與開發演算法、機器學習模型的人，與資料分析師（Data Analyst）和資料工程師（Data Engineer）不同。
▍什麼是資料型產品（Data Product）
在去找資料科學家之前，我們要先知道「什麼樣的問題適合用數據來解決」
收集到的數據資料可以有很多用途，例如大家最熟悉的 AB testing（利用資料去了解產品對用戶的影響），或者是在產品規劃前期做的數據分析（利用資料去找出目前產品最大的問題）。
若我們將這些數據與運算，直接融入產品功能中，他就是一種廣義的資料型產品。以下是幾種常見的例子：
● 推薦系統：這個大家應該非常熟悉，例如 YouTube 的影片推薦，根據用戶行為等資料，去找出用戶最有可能繼續延伸觀看的影片。
● 內容分類：例如 Spotify 上有許多的播放清單，除了個人化推薦以外，將類似曲風的音樂放在一起的「分類（Cluster）」也是常見的資料型產品。
● 影像辨識：例如淘寶的照片搜尋功能，辨認與分析用戶上傳的照片，去尋找有相似特徵的商品圖像。
● 垃圾信件偵測：例如 Gmail 會去運算找出哪些信件可能會是垃圾郵件，幫你放到垃圾信件夾裡面。
資料科學不是萬靈丹，要先想清楚現在要解決的問題，是否適合與需要用複雜的資料運算手段。
▍我該怎麼跟資料科學家提需求？
1. 定義問題
身為 PM 大家應該都對這一步很熟悉了，不過在用戶問題背後，可能會有一些資料型產品特有的問題，要特別注意一下。比如說常見的 Cold Start 問題：用戶剛註冊時還不清楚他的喜好；又或剛上架的商品用戶互動的資料較少等等。有蠻多策略可以解決 Cold Start，例如用熱門商品或新鮮貨取代推薦商品、甚至在使用者創建帳戶時直接問他的喜好等等，這些策略與其說是資料科學家的職責，更是 PM 的產品決策，在做產品規劃的時候要納入考量。
2. 確立要優化的指標（Metrics）
對資料科學家來說，優化的指標跟要解決的問題是緊緊綁在一起的。所以在描述完用戶問題之後，立馬跟他們說你想要優化的指標就對了！
例如，假設我希望做一個搜尋結果排序，讓品質好的商品可以被放在最上面，我們可以定義說「這個優化我是希望提升搜尋結果的 CTR」或「我希望優化後用戶會看更多商品」，讓資料科學家來協助思考解法。畢竟有些時候模型和算法就是根據目標來運算，我們不一定知道機器學習模型裡面實際的規則是什麼。
3. 實驗假設與 Insight 根據
雖然 PM 不應該直接提供解法、定義規則，但是還是要提供 Insight 和你的實驗假設，幫助資料科學家思考要怎麼選擇與設計模型。比如說我們知道在二手拍賣平台中，買家很喜歡新上架的商品，也很喜歡回覆快速的賣家，所以我們假設將算法調整成「新商品 + 回覆快速賣家有優勢」可以讓算法更成功，這樣資料科學家就可以朝這個方向思考，他的成果也會更貼近你的想像。
4. 告訴資料科學家你將如何應用
資料的運算大多是偏後端的工作，不過像是在建立推薦系統時，最好也可以大概簡介一下 UI 會怎麼呈現、使用者到時候會怎麼跟這個內容互動等等，也可以幫助思考。
5. 準備演算法需要的數據素材
問題和解法都搞清楚後，資料科學家還是需要足夠的數據才有辦法開始動手。在資料不足的情況，PM 要一起規劃收集資料的策略。
加分題：跟資料科學家分享你的中長期願景與策略
除了當下的問題，如果能夠分享接下來持續優化的策略，也可以讓資料科學家知道要怎麼替他的模型鋪路唷！
如果有什麼不清楚，就大方的問你的資料科學夥伴吧！（這篇文章也是透過不斷的問問題累積而成的）
▍我該怎麼驗證演算法成果？
上線前：Eyeball Test 驗證品質
跟測試設計原型（Prototype）類似，可以先從簡單的質化驗證方式開始，把算法套到真正的產品上，一起跟資料科學家看看結果，或者給其他同事看。例如：推薦商品的個人化，可以套用同事的帳號，讓他們看看結果的相關度和品質是否符合預期。也可以套用在一些極端狀況或不同的使用者區隔中來做驗證。這個方法好像聽起來蠻陽春的，不過卻是上線前蠻重要的一步。
上線後：AB Test 驗證成效
跟所有產品改動一樣，跑實驗可以很好的驗證成效。除了主要指標以外，還可以看一些跟資料相關的指標，例如：目前的推薦關鍵字可以成功涵蓋多少搜尋，或有多少比例的違規商品能夠被演算法抓出來等等。這些測量可以幫助我們決定是否要收集更多資料，或是否要繼續優化演算法能夠涵蓋的範圍等等。
▍我想成為資料型 PM，需不需要去上一些資料科學的課？
我也有問過資深的 PM 這個問題，他給我的答案是，對於 PM 來說比起機器學習的模型運算與細節，更重要的是把「資料」當成一種解決問題的手段。由 PM 定義出「要解決什麼問題（What to solve）」，然後再來跟工程師和資料科學家一起討論「用什麼手段解決（How to solve）」。
當然就像我們跟軟體工程師合作一樣，了解程式運作的邏輯和概念會有幫助，不過就像我們不需要真的會 coding，身為 PM 只要對資料和演算法的關係有基礎概念，就已經有很多事情可以嘗試了。
延伸閱讀與參考資料： Data Science Fundamentals for Product Managers Machine Learning for Product Managers Coursera 上面也有很多不錯的資料科學課程，我個人覺得對沒有技術背景的PM（如我本人）有些稍微困難，但如果有時間，它是很棒的學習資源！
若有興趣了解更多關於資料團隊的合作，也可以參考以下這篇：
謝謝你的閱讀！如果有任何疑問也歡迎留言給我 📒
如果單純想給我一點鼓勵，請給我 1–10 個拍手；
如果覺得文章對你有點幫助，請給我 11-20 個拍手；
如果想看更多合作與溝通的文章，請盡情長按拍手（50個拍好拍滿也沒問題）讓我知道 👏🏻想要持續追蹤我們的最新文章，請追蹤產品三眼怪實驗室 (◉◉◉)
