產(chǎn)品經(jīng)理需要懂技術(shù)嗎？這應(yīng)該是產(chǎn)品屆一直在討論的問題。其實，要不要懂以及懂什么技術(shù)棧，取決于你從事的是哪一種類型的產(chǎn)品經(jīng)理。本文作者對這個問題展開了分析，希望能解答你的疑惑。

產(chǎn)品經(jīng)理需不需要懂技術(shù)？這應(yīng)該是產(chǎn)品經(jīng)理屆一直以來探討的問題。作為一個當初為了學習技術(shù)，工作三年后專門去國外讀了數(shù)據(jù)科學碩士的現(xiàn)商業(yè)化策略產(chǎn)品經(jīng)理，應(yīng)該對該問題比較有發(fā)言權(quán)。

總的來說：不一定。有很多類型的產(chǎn)品經(jīng)理沒有必要懂技術(shù)，懂技術(shù)對于工作也沒啥幫助，不如多花時間去了解業(yè)務(wù)。只是當下隨著互聯(lián)網(wǎng)和AI的發(fā)展，涌現(xiàn)出來的一些新產(chǎn)品經(jīng)理崗位，這些崗位懂技術(shù)已經(jīng)是必備。具體要不要懂技術(shù)以及懂什么技術(shù)棧，取決于你從事的是哪一種類型的產(chǎn)品經(jīng)理。先放一張匯總的圖，后續(xù)細細展開。

一、技術(shù)的分類

技術(shù)本身是一個十分籠統(tǒng)的概念，我們先對技術(shù)進行分類，分為四個大類：

1. 工程

通過Java、C語言等寫腳本實現(xiàn)系統(tǒng)的某一功能或者是通過數(shù)據(jù)結(jié)構(gòu)的改變提升系統(tǒng)某一性能。

2. 算法

理解業(yè)務(wù)需求，完成數(shù)據(jù)清洗構(gòu)建正負樣本，構(gòu)建特征工程；再基于Python語言，調(diào)用庫包現(xiàn)成模型如GBDT等完成模型訓練和測試；最終對模型進行部署上線。

3. 數(shù)據(jù)分析

基于對業(yè)務(wù)的了解構(gòu)建一整套的數(shù)據(jù)分析體系，然后通過Sql和Hive等數(shù)據(jù)分析語言完成數(shù)據(jù)分析。

4. 大數(shù)據(jù)

基于海量的數(shù)據(jù)源開發(fā)各類底層的數(shù)據(jù)表格和數(shù)倉，通過Hadoop、Spark等構(gòu)建各種數(shù)據(jù)流任務(wù)。

二、產(chǎn)品經(jīng)理分類

我們基于產(chǎn)品經(jīng)理的工作內(nèi)容將市場上的產(chǎn)品經(jīng)理分為6大類：

下面我們根據(jù)每一類產(chǎn)品經(jīng)理的工作內(nèi)容進行實際分析需不需要懂技術(shù)，以及懂哪個技術(shù)棧。

1. 交互產(chǎn)品經(jīng)理

工作內(nèi)容：主要負責產(chǎn)品的交互樣式和流轉(zhuǎn)流程，通過研究用戶習慣和系統(tǒng)之前的交互流程，設(shè)計流程更加順暢，體驗更加友好的產(chǎn)品。常見的有APP交互產(chǎn)品經(jīng)理、ERP系統(tǒng)產(chǎn)品經(jīng)理、平臺產(chǎn)品經(jīng)理等。

技術(shù)要求：無。交互產(chǎn)品經(jīng)理其實不需要懂底層技術(shù)，只需要洞察用戶即可。

2. 業(yè)務(wù)產(chǎn)品經(jīng)理

工作內(nèi)容：這類產(chǎn)品經(jīng)理專門是做功能設(shè)計和對接業(yè)務(wù)需求的，尤其是在一些非互聯(lián)網(wǎng)行業(yè)，比如金融信貸產(chǎn)品經(jīng)理、金融理財產(chǎn)品經(jīng)理等。這一類的產(chǎn)品經(jīng)理更需要懂的是業(yè)務(wù)知識，并不是技術(shù)能力。

技術(shù)要求：無。業(yè)務(wù)產(chǎn)品經(jīng)理需要對業(yè)務(wù)十分清晰，清晰地判斷業(yè)務(wù)未來的發(fā)展方向和產(chǎn)品形態(tài)。不要讓需求朝令夕改，不要讓技術(shù)人員做太多無用功，這就是一個優(yōu)秀的業(yè)務(wù)產(chǎn)品經(jīng)理了。

3. 策略產(chǎn)品經(jīng)理

工作內(nèi)容：以前這類產(chǎn)品經(jīng)理比較少，但隨著互聯(lián)網(wǎng)和AI的發(fā)展，對于推薦系統(tǒng)&搜索引擎&反欺詐&金融科技的需求越來越多，要求也越來越高，需要有專門的產(chǎn)品經(jīng)理來進行策略設(shè)計提升系統(tǒng)整體的效果指標，比如CTR&履約率等。這類產(chǎn)品經(jīng)理的工作不再是單純設(shè)計功能，更多的是基于數(shù)據(jù)驅(qū)動和用戶反饋的策略設(shè)計。

技術(shù)要求：算法 + 數(shù)據(jù)分析。策略產(chǎn)品經(jīng)理首先得懂數(shù)據(jù)分析，基本的SQL和Hive要十分熟悉，基于數(shù)據(jù)分析結(jié)果，發(fā)現(xiàn)數(shù)據(jù)的異常提出策略優(yōu)化意見。然后也要對常見算法的數(shù)學原理和模型評估指標很清晰，這樣才能和算法童鞋進行無縫鏈接，比如什么是多路召回，什么是召回率，什么是精準率，GBDT算法的原理、梯度下降是什么等等。

同時需要對于推薦系統(tǒng)+搜索引擎的架構(gòu)十分熟悉，如果還能夠自己用Python寫機器學習模型那就最好了。

4. 數(shù)據(jù)產(chǎn)品經(jīng)理

工作內(nèi)容：互聯(lián)網(wǎng)早期也沒有專門的數(shù)據(jù)產(chǎn)品經(jīng)理，很多都是兼任做數(shù)據(jù)分析。后來隨著移動互聯(lián)網(wǎng)的發(fā)展數(shù)據(jù)量爆炸，越來越多的數(shù)據(jù)需要專人分析，同時需要更豐富的數(shù)據(jù)分析工具以及數(shù)據(jù)看板等，從而產(chǎn)生了一類專門和數(shù)據(jù)打交道的產(chǎn)品經(jīng)理崗位。

技術(shù)要求：數(shù)據(jù)分析 + 大數(shù)據(jù)技術(shù)。基本的SQL和Hive要十分熟悉，同時如果對于更底層的大數(shù)據(jù)處理技術(shù)（比如：Hadoop、Spark等）了解的話，那么在工作上也會有比較大的幫助。

5. 商業(yè)產(chǎn)品經(jīng)理

工作內(nèi)容：單獨將商業(yè)化產(chǎn)品經(jīng)理拎出來也是因為這類崗位目前在互聯(lián)網(wǎng)很吃香，影響公司的收入。

互聯(lián)網(wǎng)公司積攢了大量流量，而互聯(lián)網(wǎng)公司需要基于這些流量進行商業(yè)化變現(xiàn)，從而產(chǎn)生了專門負責商業(yè)化的產(chǎn)品經(jīng)理崗位，主要負責搜索&推薦等流量場的商業(yè)化變現(xiàn)，需要既懂搜索&推薦等流量分發(fā)策略，又需要懂廣告的業(yè)務(wù)知識。而在商業(yè)化里面仍然做數(shù)據(jù)&交互等的產(chǎn)品經(jīng)理，我們認為和其他方向的數(shù)據(jù)&交互產(chǎn)品經(jīng)理并沒有什么差異。

技術(shù)要求：算法 + 數(shù)據(jù)分析。商業(yè)產(chǎn)品經(jīng)理除了對廣告業(yè)務(wù)知識十分清楚外，技術(shù)能力要求基本和策略產(chǎn)品經(jīng)理一致，因為像搜索+推薦場景的商業(yè)化變現(xiàn)都需要對推薦系統(tǒng)+搜索引擎的架構(gòu)十分熟悉，然后在整個系統(tǒng)里各環(huán)節(jié)應(yīng)用的模型策略原理和數(shù)學原理也要比較清晰。

6. AI產(chǎn)品經(jīng)理

工作內(nèi)容：因為近些年AI的蓬勃發(fā)展，專門產(chǎn)生了AI方向的產(chǎn)品經(jīng)理。AI產(chǎn)品經(jīng)理有兩個大的方向，一種是將AI應(yīng)用到實際場景的產(chǎn)品經(jīng)理，還有一種是構(gòu)建AI平臺，方便AI科學家們更好地進行特征選擇、模型訓練、部署上線等。

技術(shù)要求：算法 + 數(shù)據(jù)分析。數(shù)據(jù)分析技能是一個基本技能，AI是和數(shù)據(jù)打交道的，AI產(chǎn)品經(jīng)理必須要會數(shù)據(jù)分析。AI產(chǎn)品經(jīng)理需要會的算法可能就和策略產(chǎn)品經(jīng)理不一樣，AI產(chǎn)品經(jīng)理更多要了解一些機器學習建模的全流程，對一些神經(jīng)網(wǎng)絡(luò)比如CNN&RNN等要清晰。尤其是做視覺和語音識別相關(guān)的AI產(chǎn)品經(jīng)理，AI產(chǎn)品經(jīng)理要更懂底層的一些技術(shù)。

上述的對應(yīng)是說，你想成為這個方向優(yōu)秀的產(chǎn)品經(jīng)理，你就得懂這些技術(shù)，有些甚至就是基本要求，比如數(shù)據(jù)產(chǎn)品經(jīng)理就要會數(shù)據(jù)分析。你懂這些技術(shù)是為了更好地和技術(shù)人員進行交流。當技術(shù)人員和你說Auc指標時，你知道Auc指標怎么計算的；當技術(shù)人員和你說Auc=0.7時，你知道這是一個效果不錯的模型，還是效果很差的模型；當技術(shù)人員和你說多路召回，全局最優(yōu)時你知道對方是什么策略，而不僅僅只是一個提需求的工具人；當技術(shù)人員和你說這幾天他都在調(diào)參時，你不再是滿腦子疑問調(diào)參是什么？

這里并沒有要求產(chǎn)品經(jīng)理懂“工程”，是因為工程本身很多時候是一個體力活，有很多的數(shù)據(jù)結(jié)構(gòu)知識在里面，并不涉及到邏輯策略。所以產(chǎn)品經(jīng)理可以不懂，但是一個優(yōu)秀的算法工程師就必須既懂算法，又懂工程，不然開發(fā)的模型根本無法部署上線。

產(chǎn)品經(jīng)理需不需要會技術(shù)，和“籃球 or 足球教練需不需要自己球打得也很好”一樣：實操可以很差，但是得懂。就像教練自己上場不一定打得很好，但他必須懂球。教練需要看過無數(shù)的錄像，做過大量的戰(zhàn)術(shù)分析，這樣才能根據(jù)對手的情況，隊員的情況制定比賽的戰(zhàn)術(shù)，要求隊員進行嚴格執(zhí)行。需求的規(guī)劃和落地其實也是一樣。

三、如何學習技術(shù)

上面我已經(jīng)按照產(chǎn)品經(jīng)理的崗位，給大家介紹了應(yīng)該學習哪個方面的技術(shù)。那么具體產(chǎn)品經(jīng)理該如何去學習呢？可以從以下兩個方面考慮。

1. 數(shù)據(jù)分析

數(shù)據(jù)分析完全可以自學，這是一個零基礎(chǔ)就可以學習的技術(shù)棧。當然如果你如果想寫出非常高級的SQL腳本，代碼既簡單運行效率又高，這個是需要在實踐中和專門的數(shù)據(jù)工程師請教的。

1）MySQL入門

MySQL本身入門相對比較簡單，B站上有很多免費的公開課程，差不多一周的時間就可以學會很多基礎(chǔ)的查詢語句，后續(xù)在實際工作中去提升自己的SQL能力。

2）數(shù)據(jù)分析體系入門

SQL和Hive只是工具，很多時候工具學起來簡單，但是如何構(gòu)建數(shù)據(jù)分析體系和學會數(shù)據(jù)分析的思路這個更重要。比如如何構(gòu)建用戶畫像，用戶畫像分為哪些維度等等，這些是需要一定業(yè)務(wù)知識的。

2. 算法

產(chǎn)品經(jīng)理想熟悉算法非常難，甚至想入門算法就已經(jīng)很難了。

1）Python入門

入門算法首先要會Python，這是基礎(chǔ)的工具。

Python是我唯一建議產(chǎn)品經(jīng)理去學習的一門計算機語言，不建議去學習Java、C語言&C++等，第一學習難度很大，第二學出來說實話對于工作沒啥幫助。R語言和Matlab在工業(yè)界幾乎不用，也沒有學的必要。工業(yè)界算法都是用Python，因為Python里面太多可以直接調(diào)用的庫非常方便。

如果一個人能夠通過上網(wǎng)課自學Python真的需要非常大的毅力，沒有外界的壓力推動的話很難學會，頂多懂一點皮毛。網(wǎng)課學習代碼最大的難點就是沒有人請教，不會改BUG。我以前沒有讀碩士之前曾經(jīng)嘗試過，后來放棄了。第一沒有人請教，第二沒有壓力推動真的很難持續(xù)學習。這里我不推薦任何網(wǎng)課，因為真的很難靠網(wǎng)課學會。

2）機器學習入門

如果想系統(tǒng)性地學習機器學習，我建議還是專門讀一個相關(guān)方向的碩士，國外有很多一年制的Data Science和AI方向的碩士。在作業(yè)、考試和畢業(yè)論文等多方壓力下，這一年只要你努力學習，肯定能夠?qū)C器學習有一個非常清晰的了解，甚至可以轉(zhuǎn)崗做算法工程師。

大家也不用擔心本科毫無基礎(chǔ)能否學習機器學習，我讀碩士時班上計算機科班的同學沒幾個，大家都在學業(yè)的壓力下逼迫自己學習，最終順利畢業(yè)。專門讀碩士是為了你有一個專門的時間來學習，一邊工作一邊學習機器學習真的很難堅持。

3）策略入門

如果你既不想學習Python，也不想了解機器學習的底層數(shù)學原理等，至少得清楚這些策略基礎(chǔ)原理，比如Item-CF和User-CF的基本區(qū)別和應(yīng)用場景等。可以看一些別人分享的策略文章，人人官網(wǎng)和知乎上有很多算法工程師在分享這類文章。