最近和几个做管理的朋友聊天，聊到AI，他们总爱说，那是技术团队的事，我懂业务就行
这话听起来很有道理，但仔细想想，好像又缺了点什么
一个产品经理，如果完全不懂推荐算法的逻辑，他怎么去和数据科学家沟通，怎么去定义这个产品功能到底想实现什么效果
难道就说一句，我要让用户多买点东西吗
这让我想起一个真实的案例，一家电商公司，业务负责人觉得用户流失严重，拍脑袋要求技术团队开发一个复杂的用户挽留模型
技术团队吭哧吭哧干了三个月，模型上线了，效果却微乎其微
后来复盘才发现，问题根本不是出在模型本身，而是业务方一开始就没想清楚，到底要挽留什么样的用户，用什么策略去挽留，这些策略在算法上是否可行
两边鸡同鸭讲了三个月，浪费了时间和资源
管理者懂点机器学习算法，不是为了去抢技术同事的饭碗，更不是为了自己动手写代码
核心目的，是建立一种共同语言
这种共同语言，能让你和技术团队坐在一张桌子上，讨论的不是抽象的业务目标，而是具体的，可被算法理解和执行的逻辑
比如，你说要提升用户体验，这太虚了
但如果你能和技术讨论，我们是不是可以用协同过滤算法，给用户推荐他可能喜欢但还没发现的商品，或者用自然语言处理去分析用户评论里的情感倾向，及时发现问题
这就从一个模糊的想法，变成了一个可以讨论和评估的技术方案
你不需要知道协同过滤的数学公式具体怎么推导，但你需要理解它的基本思想：物以类聚，人以群分
喜欢A产品的人，往往也喜欢B产品
理解了这一点，你就能判断，这个算法思路是不是符合你的业务场景，它的潜在偏差在哪里，比如会不会导致推荐越来越同质化，形成信息茧房
这才是管理者该操心的
再比如决策树算法，它的逻辑就像我们平时做判断，一路问问题，直到得出答案
如果一个银行要用机器学习做信贷审批，管理者就得和技术一起设计这棵「树」：第一个问题问什么，是收入还是信用历史，每个分支怎么设定阈值
这些决策点背后，是业务规则和风险偏好的体现，不能全扔给技术
否则做出来的模型，可能技术上很漂亮，但商业上根本不可用，或者存在合规风险
现在很多管理者焦虑，觉得AI来了，自己会不会被替代
我的看法是，那些只做信息传递和简单决策的管理者，确实危险
但那些能理解技术逻辑，能把复杂的商业问题「翻译」成技术问题，同时能把技术方案的局限「翻译」回商业风险的管理者，价值会越来越大
他们成了商业和技术之间的桥梁，甚至是交响乐团的指挥
指挥不需要会拉小提琴，但他必须懂每件乐器的音色和极限，知道什么时候该谁上场，才能奏出和谐的乐曲
所以，别再觉得算法离自己很远
它就像财务三张表，就像市场营销的4P理论，是现代管理者工具箱里的又一个基础工具
你不用成为算法专家，但你需要知道这个工具能干什么，不能干什么，什么时候该用它，以及用了之后大概会有什么结果
有了这点认知，你和技术团队的沟通成本会大大降低，你主导的项目成功率会显著提高，你对业务的掌控力，也会从模糊的感觉，进化到更清晰的洞察
这大概就是为什么，在我们的AI MBA社群里，那些来自业务端、产品端的同学，学得最起劲的，往往不是最深的代码课，而是这些算法背后的商业逻辑课
他们找到了那个支点
获取《招生指南》
请填写下表，我们将为您寄送巴塞罗那大学MBA等项目的招生指南。