课程简介
1.掌握AI增效个人工作流：熟练运用AI工具重塑需求分析、文档撰写、数据分析等核心工作环节，实现个人效率的倍增
2.建立AI驱动的团队协作新范式：掌握在团队内构建动态产品知识库、撰写AI友好型产品文档的方法，并明确与工程师、设计师、数据分析师等角色的新型协作界面
3.解决信息管理与需求碎片化痛点：学会利用AI工具构建“需求漏斗”与“信息中枢”，将散落在各处的沟通（如IM、会议、邮件）转化为可结构化跟踪、可分析的任务与知识
4.成为用数据提问的专家：转变数据分析思维，掌握如何与AI协作，从“要报表”到“提假设”，快速完成数据探查、洞察发现和效果归因
目标收益
培训对象
课程大纲
| AI赋能产品的认知升级 |
1.AI时代的洞察（0.5小时） o技术神话vs工具本质 非技术视角解读：机器学习（预测类）、NLP（文本处理）、CV（图像识别）、KG（知识图谱）、Agent（智能体）等典型技术 案例解析：ChatGPT对话逻辑vs传统规则引擎 oAI的哪层更厉害？ AI有哪些类型，应用场景是什么？ a)强人工智能VS弱人工智能 b)按功能与场景分类 c)按学习方式分类 d)按应用领域分类 算力、数据、模型、算法、技术、应用哪里适合我们做？ AI在产品结构的哪几层融合？（数据资产层、算法模型层、服务接口层、业务应用层） oAI时代的思维模式升级 从“如何做”到“如何描述清楚”，从“执行监控”到“策略迭代” 掌握“提示工程”背后的产品思维 o如何用AI强化产品工作价值？ AI给产品带来的价值有哪些？ a)开拓增量 b)提升存量 哪些场景不适合强推AI a)AI边界是什么？ b)AI+的前置条件有哪些？ 案例解析：行业+AI应用趋势及创新 a)从自动化到智能化（订单自动审核） b)从标准化到个性化（个性化推荐） c)AI技术的应用前景（多模态大模型、AIGC等） d)ERP系统中AI+的潜在风险与应对策略 oAI+四阶段发展模型：辅助功能 智能模块 决策中枢 自治系统 案例解析：智能销售客户关系管理CRM系统的AI+发展过程 2.AI产品价值三要素（0.5小时） oAI能产生的价值及分类 效率价值：自动化处理（单据审核/数据录入） 决策价值：预测性分析（销量预测/风险预警） 创新价值：生成式应用（方案生成/知识问答） o业务+AI突破矩阵三大方向 方向1-效率类 a)供应链系统的合同审核从40min 2min（自动审核订单、协议工具智能核验合同） 方向2-创新类 a)供应链管理系统的智能方案生成（供应链管理系统拆解） 方向3-合规类 a)内部工单审查系统（AI识别效率，降低人力成本） o场景定位：增强型vs替代型AI+功能的设计边界 个性化促销推荐系统（购物行为分析提升客单价） 智能客服问答知识库（NLP减少人工成本提升自动化效率） 采购需求预测系统（动态多维数据预测需求） oAI+可行性验证 「数据可获得性-技术成熟度-ROI转化」的系统三角评估 o电商场景价值验证框架 数据可获得性：内部系统数据质量评估（如历史订单完整性） 技术成熟度：大模型（LLM）与小模型（规则引擎）的成本效益对比 ROI转化：智能催付功能开发成本 vs GMV提升测算 3.AI驱动产品经理能力升级（0.5小时） o传统PM升级痛点 技术盲区：算法黑箱与业务结果的关联性理解不足 需求错位：过度设计智能功能导致资源浪费 案例解析：某ERP智能投顾功能用户流失影响 oAI + PM核心能力矩阵 技术理解层：算法逻辑可视化沟通技巧 场景设计层：从业务痛点到AI解决方案的映射方法 协作层：跨部门需求对接与资源协调策略 4.AI工具重塑产品经理核心工作流（1小时） o需求洞察与挖掘：如何用AI进行海量用户反馈聚类、访谈纪要分析，自动提炼痛点和机会点 o市场与竞品分析：快速构建分析框架，让AI成为你的24小时行业情报员 o产品文档（Spec/PRD）撰写提效： 从创意到结构：用AI将模糊想法快速生成PRD框架、用户故事与验收标准 动态化文档：介绍如何撰写“AI友好型”文档，便于后续知识库构建与团队查询 o沟通与表达：用AI辅助进行会议筹备、方案亮点提炼、向不同对象（技术、业务、领导）进行差异化沟通 oAI产出的有效评审与质量提升 人机协同的多轮评审：如何设计AI评审流程 b)第一轮：AI自查：提示AI使用评审清单（如逻辑一致性、场景覆盖度、需求完整性）对文档进行批判性检查并修正 c)第二轮：AI交叉评审：将生成的方案，交由另具有不同角色的AI（模拟开发、测试、用户视角）进行质询，暴露盲点 d)第三轮：人工决策：产品经理基于AI优化后的多版本方案，进行最终判断和定稿，聚焦于价值决策而非基础编辑 核心技巧：如何撰写用于评审的提示词，让AI从创作者转变为挑剔的协作者 动态化文档：介绍如何撰写“AI友好型”文档，便于后续知识库构建与团队查询 5.AI引发的研发与协作流程变革（1小时） o从Test-Driven到AI-Augmented Development：解析大厂团队因AI工具普及，将AI深度集成至开发流程的实践 利用AI根据PRD自动生成基础测试用例 开发者在编码前即运行AI测试，实现需求与质量的双重前置验证 o全栈产品经理的“原型即输入”实践：产品经理如何利用AI工具快速将想法转化为高保真、可交互的前端代码原型，作为标准化输入递交给开发团队，减少与UX/前端的沟通折损，加速创意验证 o动态、可执行的知识库：如何利用AI将项目文档、会议纪要和代码注释动态链接，构建可问答、可追溯的“活”系统，任何成员均可通过自然语言查询项目上下文 oAI驱动的自动化项目管理：如何借助AI Agent监控代码提交、沟通关键词，自动更新项目状态、识别风险并@相关责任人 |
| AI需求挖掘与项目管理 |
1.需求分析双路径（1小时） o路径1：现有需求的AI改造 五维判断法：高频/复杂/模糊/个性/演进类需求的AI适配性 AI+需求的风险预判：技术债/伦理危机/投入产出比 a)技术要升级到什么程度？ b)AI的成本有多高？ c)能100%相信AI么？ 四象限法：高业务价值vs技术可行性 a)实操工具：需求矩阵模板 b)优先区：智能采购预测（销量数据+市场趋势） c)孵化区：多语言客服自动回复（LLM微调成本高） d)案例解析：某分销管理系统需求矩阵分析 o路径2：AI驱动的需求挖掘 通过用户行为数据分析发现隐性需求 a)异常检测法：识别偏离常规模式的行为（如某类订单审批耗时突增） b)路径挖掘：发现高频操作链路中的断点（如采购申请流程中反复跳转） c)关联规则：挖掘交叉需求（如提交报销单后常查询余额） d)案例解析：合同审核效率优化（条款复杂度预测模型 自动标注高风险条款） 基于预测模型预判业务变化需求 a)分类模型：逻辑回归/随机森林（适用风险预警） b)强化学习：动态决策优化（适用供应链调度） c)案例解析：供应商风险管理（供应商履约风险预测 自动触发备用供应商切换） 2.AI+需求及项目体系化管理（1小时） oroadmap规划：利用AI进行市场趋势分析，辅助进行特性优先级的多维度（价值、成本、风险）评估模拟 如何通过数据驱动的方法来优化需求优先级排序 如何在需求矩阵中引入时间维度（短期、中期、长期需求） 如何管理评估需求的风险与成本 o迭代管理与复盘：用AI自动生成版本发布说明、分析用户行为数据与版本功能的关联性，撰写迭代复盘报告初稿 o风险管理：训练AI监控项目沟通中的“风险关键词”，提前预警延期或需求蔓延风险 3.实战工作坊——跨岗位协作的AI产品工作流（1.5小时） o当前流程痛点诊断：小组讨论，罗列当前在需求同步、文档管理、知识传承中的具体问题 o设计未来流程：在提供的“需求流转画布”上，共同设计一个融合AI工具（如知识库问答、文档解析）的新协作节点 输入：如何将散落的会议纪要、聊天记录、邮件，通过AI进行预处理，形成结构化需求池 处理：如何在Spec中标记“需AI解读”和“需人工决策”的部分 输出：如何生成向不同角色（开发、测试、运营）的差异化任务摘要 o解决核心痛点：聚合碎片化信息，打造团队“需求中枢” 解决方案框架：“采集 -> 解析 -> 结构化 -> 同步”四步法 工具链与实操：演示如何组合使用现有工具（如会议转录AI、IM机器人、Notion/语雀的AI功能）搭建一个低成本信息聚合原型 设计跟进机制：如何将聚合后的信息，自动转化为Jira、Tapd等项目管理工具中的待办项，并设置提醒规则 o跨角色协作界面重构 与工程师协作：如何用AI辅助进行技术方案可行性预判、技术债务评估沟通 与设计师协作：如何用AI将产品描述快速转化为情绪板、用户旅程草图，加速设计共鸣 与数据/算法团队协作：重点演练如何提出明确的、可验证的数据分析需求和算法评价指标（从帮我看看数据到请验证A功能是否在B用户群中提升了C指标） |
| AI驱动体验重构 |
1.体验重构设计（1小时） o隐性智能路径：预判式设计 案例解析：小雪智能客服AI自动回复 o显性交互创新：搜索框/视觉反馈/推荐策略 案例解析：搜索结果页的智能化、雪球智能推荐 o用户体验地图的AI新生：AI助力体验升级 纵向的层级关系 横向的顺序逻辑 案例解析：机票供应链及用户消费业务的体验地图挖掘AI机会点 2.实战工作坊——AI驱动的产品体验升级（2小时） o场景：用户体验共创工作坊（1.5小时） 结合用户体验地图进行产品及业务梳理 以用户的视角在图中标注AI改造机会点 针对性的分析核心算法能力需求清单（如需要OCR还是情感分析） 整理资源评估表（数据来源、外部合作方、预期成本） o任务：模拟向技术团队提案（0.5小时） 方案展示呈现 接受可行性质询 o关键问题 如何借助数据有效的定位客户及需求 如何全过程体验进行分析，需要哪些条件 如何评估AI对体验产生的价值 |
| AI产品从落地到数据分析 |
1.AI产品路线图规划（0.5小时） oMVP设计原则 最小可行功能选择（先实现订单自动审核而非全链路智能化） 分阶段实施路径（试点 优化 规模化） 商业模式画布全局产品规划梳理 oAI+资源评估 数据来源（内部ERP日志+第三方海关数据） 外部合作方（LLM服务商比选标准） 预期成本（训练成本 vs 推理成本） 2.AI+数据分析与管理（1.5小时） o从“取数”到“探数”的思维转变 正确的提问方式 向AI（或数据分析平台）提问的框架 “分析[目标] + 维度[用户/时间/渠道] + 指标[转化/留存] + 假设[因为A所以B]” 案例解析：对比传统“提需求-等报表”模式与“AI辅助自主分析”模式在时效性和深度上的差异 o数据分析工作流 定义问题 a)是多少（数据描述状况） b)是什么（树立数据标准） c)为什么（探索问题原因） d)会怎样（预测业务走势） e)又如何（综合判断状况） AI辅助数据探查与清洗 a)如何定义数据指标 b)好的数据指标的特点 c)数据的获取及采集 多维度分析 a)洞察归因 b)可视化故事线 3.实战工作坊——AI+数据分析（1小时） o场景：给定一份模拟的电商用户行为数据集（脱敏） o任务：各小组选择一个业务问题（如“如何提升复购率？”），在导师指导下，全程使用自然语言与AI数据分析工具（模拟）协作 o步骤： 提出分析假设 指示AI进行数据清洗和特定维度交叉分析 解读AI生成的图表和结论，进行二次提问和深挖 形成一份简明的数据分析报告，并提出产品建议 o核心收获：掌握与AI“对话式”分析数据的技巧，理解其能力边界和结果验证方法 |
|
AI赋能产品的认知升级 1.AI时代的洞察（0.5小时） o技术神话vs工具本质 非技术视角解读：机器学习（预测类）、NLP（文本处理）、CV（图像识别）、KG（知识图谱）、Agent（智能体）等典型技术 案例解析：ChatGPT对话逻辑vs传统规则引擎 oAI的哪层更厉害？ AI有哪些类型，应用场景是什么？ a)强人工智能VS弱人工智能 b)按功能与场景分类 c)按学习方式分类 d)按应用领域分类 算力、数据、模型、算法、技术、应用哪里适合我们做？ AI在产品结构的哪几层融合？（数据资产层、算法模型层、服务接口层、业务应用层） oAI时代的思维模式升级 从“如何做”到“如何描述清楚”，从“执行监控”到“策略迭代” 掌握“提示工程”背后的产品思维 o如何用AI强化产品工作价值？ AI给产品带来的价值有哪些？ a)开拓增量 b)提升存量 哪些场景不适合强推AI a)AI边界是什么？ b)AI+的前置条件有哪些？ 案例解析：行业+AI应用趋势及创新 a)从自动化到智能化（订单自动审核） b)从标准化到个性化（个性化推荐） c)AI技术的应用前景（多模态大模型、AIGC等） d)ERP系统中AI+的潜在风险与应对策略 oAI+四阶段发展模型：辅助功能 智能模块 决策中枢 自治系统 案例解析：智能销售客户关系管理CRM系统的AI+发展过程 2.AI产品价值三要素（0.5小时） oAI能产生的价值及分类 效率价值：自动化处理（单据审核/数据录入） 决策价值：预测性分析（销量预测/风险预警） 创新价值：生成式应用（方案生成/知识问答） o业务+AI突破矩阵三大方向 方向1-效率类 a)供应链系统的合同审核从40min 2min（自动审核订单、协议工具智能核验合同） 方向2-创新类 a)供应链管理系统的智能方案生成（供应链管理系统拆解） 方向3-合规类 a)内部工单审查系统（AI识别效率，降低人力成本） o场景定位：增强型vs替代型AI+功能的设计边界 个性化促销推荐系统（购物行为分析提升客单价） 智能客服问答知识库（NLP减少人工成本提升自动化效率） 采购需求预测系统（动态多维数据预测需求） oAI+可行性验证 「数据可获得性-技术成熟度-ROI转化」的系统三角评估 o电商场景价值验证框架 数据可获得性：内部系统数据质量评估（如历史订单完整性） 技术成熟度：大模型（LLM）与小模型（规则引擎）的成本效益对比 ROI转化：智能催付功能开发成本 vs GMV提升测算 3.AI驱动产品经理能力升级（0.5小时） o传统PM升级痛点 技术盲区：算法黑箱与业务结果的关联性理解不足 需求错位：过度设计智能功能导致资源浪费 案例解析：某ERP智能投顾功能用户流失影响 oAI + PM核心能力矩阵 技术理解层：算法逻辑可视化沟通技巧 场景设计层：从业务痛点到AI解决方案的映射方法 协作层：跨部门需求对接与资源协调策略 4.AI工具重塑产品经理核心工作流（1小时） o需求洞察与挖掘：如何用AI进行海量用户反馈聚类、访谈纪要分析，自动提炼痛点和机会点 o市场与竞品分析：快速构建分析框架，让AI成为你的24小时行业情报员 o产品文档（Spec/PRD）撰写提效： 从创意到结构：用AI将模糊想法快速生成PRD框架、用户故事与验收标准 动态化文档：介绍如何撰写“AI友好型”文档，便于后续知识库构建与团队查询 o沟通与表达：用AI辅助进行会议筹备、方案亮点提炼、向不同对象（技术、业务、领导）进行差异化沟通 oAI产出的有效评审与质量提升 人机协同的多轮评审：如何设计AI评审流程 b)第一轮：AI自查：提示AI使用评审清单（如逻辑一致性、场景覆盖度、需求完整性）对文档进行批判性检查并修正 c)第二轮：AI交叉评审：将生成的方案，交由另具有不同角色的AI（模拟开发、测试、用户视角）进行质询，暴露盲点 d)第三轮：人工决策：产品经理基于AI优化后的多版本方案，进行最终判断和定稿，聚焦于价值决策而非基础编辑 核心技巧：如何撰写用于评审的提示词，让AI从创作者转变为挑剔的协作者 动态化文档：介绍如何撰写“AI友好型”文档，便于后续知识库构建与团队查询 5.AI引发的研发与协作流程变革（1小时） o从Test-Driven到AI-Augmented Development：解析大厂团队因AI工具普及，将AI深度集成至开发流程的实践 利用AI根据PRD自动生成基础测试用例 开发者在编码前即运行AI测试，实现需求与质量的双重前置验证 o全栈产品经理的“原型即输入”实践：产品经理如何利用AI工具快速将想法转化为高保真、可交互的前端代码原型，作为标准化输入递交给开发团队，减少与UX/前端的沟通折损，加速创意验证 o动态、可执行的知识库：如何利用AI将项目文档、会议纪要和代码注释动态链接，构建可问答、可追溯的“活”系统，任何成员均可通过自然语言查询项目上下文 oAI驱动的自动化项目管理：如何借助AI Agent监控代码提交、沟通关键词，自动更新项目状态、识别风险并@相关责任人 |
|
AI需求挖掘与项目管理 1.需求分析双路径（1小时） o路径1：现有需求的AI改造 五维判断法：高频/复杂/模糊/个性/演进类需求的AI适配性 AI+需求的风险预判：技术债/伦理危机/投入产出比 a)技术要升级到什么程度？ b)AI的成本有多高？ c)能100%相信AI么？ 四象限法：高业务价值vs技术可行性 a)实操工具：需求矩阵模板 b)优先区：智能采购预测（销量数据+市场趋势） c)孵化区：多语言客服自动回复（LLM微调成本高） d)案例解析：某分销管理系统需求矩阵分析 o路径2：AI驱动的需求挖掘 通过用户行为数据分析发现隐性需求 a)异常检测法：识别偏离常规模式的行为（如某类订单审批耗时突增） b)路径挖掘：发现高频操作链路中的断点（如采购申请流程中反复跳转） c)关联规则：挖掘交叉需求（如提交报销单后常查询余额） d)案例解析：合同审核效率优化（条款复杂度预测模型 自动标注高风险条款） 基于预测模型预判业务变化需求 a)分类模型：逻辑回归/随机森林（适用风险预警） b)强化学习：动态决策优化（适用供应链调度） c)案例解析：供应商风险管理（供应商履约风险预测 自动触发备用供应商切换） 2.AI+需求及项目体系化管理（1小时） oroadmap规划：利用AI进行市场趋势分析，辅助进行特性优先级的多维度（价值、成本、风险）评估模拟 如何通过数据驱动的方法来优化需求优先级排序 如何在需求矩阵中引入时间维度（短期、中期、长期需求） 如何管理评估需求的风险与成本 o迭代管理与复盘：用AI自动生成版本发布说明、分析用户行为数据与版本功能的关联性，撰写迭代复盘报告初稿 o风险管理：训练AI监控项目沟通中的“风险关键词”，提前预警延期或需求蔓延风险 3.实战工作坊——跨岗位协作的AI产品工作流（1.5小时） o当前流程痛点诊断：小组讨论，罗列当前在需求同步、文档管理、知识传承中的具体问题 o设计未来流程：在提供的“需求流转画布”上，共同设计一个融合AI工具（如知识库问答、文档解析）的新协作节点 输入：如何将散落的会议纪要、聊天记录、邮件，通过AI进行预处理，形成结构化需求池 处理：如何在Spec中标记“需AI解读”和“需人工决策”的部分 输出：如何生成向不同角色（开发、测试、运营）的差异化任务摘要 o解决核心痛点：聚合碎片化信息，打造团队“需求中枢” 解决方案框架：“采集 -> 解析 -> 结构化 -> 同步”四步法 工具链与实操：演示如何组合使用现有工具（如会议转录AI、IM机器人、Notion/语雀的AI功能）搭建一个低成本信息聚合原型 设计跟进机制：如何将聚合后的信息，自动转化为Jira、Tapd等项目管理工具中的待办项，并设置提醒规则 o跨角色协作界面重构 与工程师协作：如何用AI辅助进行技术方案可行性预判、技术债务评估沟通 与设计师协作：如何用AI将产品描述快速转化为情绪板、用户旅程草图，加速设计共鸣 与数据/算法团队协作：重点演练如何提出明确的、可验证的数据分析需求和算法评价指标（从帮我看看数据到请验证A功能是否在B用户群中提升了C指标） |
|
AI驱动体验重构 1.体验重构设计（1小时） o隐性智能路径：预判式设计 案例解析：小雪智能客服AI自动回复 o显性交互创新：搜索框/视觉反馈/推荐策略 案例解析：搜索结果页的智能化、雪球智能推荐 o用户体验地图的AI新生：AI助力体验升级 纵向的层级关系 横向的顺序逻辑 案例解析：机票供应链及用户消费业务的体验地图挖掘AI机会点 2.实战工作坊——AI驱动的产品体验升级（2小时） o场景：用户体验共创工作坊（1.5小时） 结合用户体验地图进行产品及业务梳理 以用户的视角在图中标注AI改造机会点 针对性的分析核心算法能力需求清单（如需要OCR还是情感分析） 整理资源评估表（数据来源、外部合作方、预期成本） o任务：模拟向技术团队提案（0.5小时） 方案展示呈现 接受可行性质询 o关键问题 如何借助数据有效的定位客户及需求 如何全过程体验进行分析，需要哪些条件 如何评估AI对体验产生的价值 |
|
AI产品从落地到数据分析 1.AI产品路线图规划（0.5小时） oMVP设计原则 最小可行功能选择（先实现订单自动审核而非全链路智能化） 分阶段实施路径（试点 优化 规模化） 商业模式画布全局产品规划梳理 oAI+资源评估 数据来源（内部ERP日志+第三方海关数据） 外部合作方（LLM服务商比选标准） 预期成本（训练成本 vs 推理成本） 2.AI+数据分析与管理（1.5小时） o从“取数”到“探数”的思维转变 正确的提问方式 向AI（或数据分析平台）提问的框架 “分析[目标] + 维度[用户/时间/渠道] + 指标[转化/留存] + 假设[因为A所以B]” 案例解析：对比传统“提需求-等报表”模式与“AI辅助自主分析”模式在时效性和深度上的差异 o数据分析工作流 定义问题 a)是多少（数据描述状况） b)是什么（树立数据标准） c)为什么（探索问题原因） d)会怎样（预测业务走势） e)又如何（综合判断状况） AI辅助数据探查与清洗 a)如何定义数据指标 b)好的数据指标的特点 c)数据的获取及采集 多维度分析 a)洞察归因 b)可视化故事线 3.实战工作坊——AI+数据分析（1小时） o场景：给定一份模拟的电商用户行为数据集（脱敏） o任务：各小组选择一个业务问题（如“如何提升复购率？”），在导师指导下，全程使用自然语言与AI数据分析工具（模拟）协作 o步骤： 提出分析假设 指示AI进行数据清洗和特定维度交叉分析 解读AI生成的图表和结论，进行二次提问和深挖 形成一份简明的数据分析报告，并提出产品建议 o核心收获：掌握与AI“对话式”分析数据的技巧，理解其能力边界和结果验证方法 |
近期公开课推荐
