金融行业数智化实战: 用户体验与产品设计的落地实战

金融行业数智化实战: 用户体验与产品设计的落地实战
    马上咨询

    课程目标

    • 1知识与技能提升,
      • 结合行业最佳时间案例能够深入理解人工智能的基础概念以及应用场景、技术边界和基于解决问题如何选择技术框架以及评估体系
      • 洞察发展趋势:通过学习AI的发展趋势和美团在C端的最新应用场景,开拓视野
    • 实战能力提升
      • 提升产品设计能力:员工能够将AI技术应用于产品设计中,通过用户画像、智能推荐等技术,为用户提供更个性化、更精准的产品功能和服务,从而提升产品的竞争力。
      • 优化用户体验:借助自然语言交互、智能推荐等AI应用,员工可以设计出更智能、更便捷的用户交互界面,优化用户体验,增强用户黏性。
    • 企业效益提升
      • 增强企业竞争力:通过将AI技术融入产品和服务中,企业能够提供更具创新性和竞争力的解决方案,在激烈的市场竞争中脱颖而出。
      • 推动业务创新:员工对AI技术的深入理解将激发更多创新思维,有助于企业探索新的(2)业务模式和应用场景,为企业带来新的增长点。
    课程大纲

    模块一:夯实基础:AI在产品设计和体验的能力应用(3H)

    引:通过互动暖场以及看下大家对AI的掌握情况以及对AI市场的敏感度

    1.用户分群、推荐、销量预测用的是回归、分类还是聚类

    2.大家看到哪些新的AI交互,提高了产品设计能力或者体验的创新

    一、产品和市场等也要懂的AI知识:了解AI边界

    • 机器学习和AI的关系(传统机器学习(高维特征建模、深度学习-自然语言处理,四象限说明人和AI关系)
    • 机器学习(一种实现AI的方法论)全流程以及算法工程师和产品、市场如何配合
    • 问题定义:主要分为预测类任务(推荐系统、人群画像等)和生成类任务(生产力提升的内容生产)
      • 分类任务(定义、应用场景和常见的算法举例)
        • 案例:推荐任务里的点击不点击
      • 聚类任务(定义、应用场景和常见的算法举例)
        • 案例:美团闪送利用聚类任务构建用户画像,基于场景找到新的增长点
      • 回归任务(重点讲,定义、应用场景和常见的算法举例以及和分类、聚类任务的不同,返回具体数值)
        • 案例:美团流失预测,判断流失概率以及不同方式召回的可能性
    • 数据处理的四大步骤
      • 数据收集(业务数据、大模型自主学习)
        • 案例:阿里如何利用大模型自主学习进行数据收集
      • 数据清理
        • 案例:字节如何利用AI能力和以及产品设计能力对所缺数据进行补齐
      • 数据标注
      • 数据切分(训练集和测试集的比例以及切分的注意事项)
        • 案例:美团或者信用卡/贷款高流失风险用户模型设计为例数据处理四大步骤进行串讲以及每个步骤的作用,尤其是注意事项
      • 让大模型学习我的知识怎么给他喂数据的概念理解(长文本、RAG、微调)也能明白市面上AI大模型为什么迭代
    • 特征工程(重要)
      • 案例:美团或者信用卡/贷款流失风险用户特征搭建,找一个特征,效果提升10%
    • 模型训练的4种学习方式
    • 模型评估
      • 离线评估(特征和模型评估)的三个方法和评估指标:评估模型本身效果、稳定和精准
      • 在线评估:数据分析,大多A/B实验
    • 模型应用

    二、深度学习

    • 自然语言
      • 深度学习是什么,工作过程
      • 自然语言处理的系统组成
      • 自然语言识别的五大类问题,简单讲解问题
    • CV

    三、Agent:2025年是agent元年

    • Agent定义和三个分类
    • Agent具备的能力
    • Agent通用的设计框架
    • 金融行业在监管、合规和法务的要求下如何更好的应用Agent
    • 幻觉问题没处理好,agent可以作为调度中心

    四、AI和传统产品经理设计的四大不同

    • 产品设计思维的变化:场景-用户-需求的基础上新增和AI的关系
      • 案例:以四象限为核心,讲解AI在营销、推荐、客服等应用中和AI的关系
    • 从单点极致到深度融合:2025年是Agent元年
      • 案例:美团或者oppo利用AI-agent提高推荐转化效率(从被动到主动服务,内部研发ing)
      • 第一步:夯实基础能力-单模态、单数据、功能级AI体验
      • 第二步:提留存-多模态、单主体归属/多数据联合处理,系统级AI体验
      • 第三步:提渗透-多主体归属/多数据联合处理,生态级AI体验
    • 从以功能为核心到以角色为核心
      • 案例:以手机厂商为核心
    • 从二段论产品设计到三段论产品设计
      • 案例:美团生活服务

    五、AI时代对产品经理的能力要求

    • 案例:以美团或者平安新的AI能力标准进行说明

    六、AI带来用户体验的变化

    • AI赋能用户体验的设计挑战
    • AI技术在设计领域的应用前景
    • AI增强用户体验的6个能力
    • 面对AI的不确定性(模糊、泛化),如何让应对带来的风险和问题
    总结:GUI、CUI、agent设计的不同以及在应用场景
    模块二:业务实战:AI效果评估(2H)
    • AI对业务价值增量的短、中和长期指标预估(量化)
    • AI业务北极星指标制定的三原则以及误区
    • AI业务指标监控体系:衡量落地策略的好坏
      • 任务类指标体系
      • 对话类指标体系
    • 基于指标优化数据
      • 异常分析的三个纬度
      • 对话分析的三个纬度
    • 共创:基于自己负责的业务场景,完成两个任务,一是短、中和长期指标评估,二是指标评估体系(20min练习+10min展示)

    模块三:业务实战:AI产品设计(4H)

    一、以美团或者银行行业为案例讲解AI在用户画像的应用的三大场景

    • 基础画像
      • 案例:美团如何基于行为分析,提高交叉转化预测的准确度,以最新优化的S级项目,神会员进行讲解
    • 业务画像
      • 案例:美团基于不同的用户群体标签进行精细化运营以及场景推荐
    • 策略画像
      • 案例1:不同活动敏感人群,发放权益后ARPPU提升
      • 案例2:在特定类目,特定购买时间的高复购倾向人群(讲解核心是AI和用户洞察相结合,AI是下限,洞察是上限)
      • 案例3:美团利用AI能力实现人群*品类*商品*权益*留存策略从千人千面到一人千面(拼多多也在做)
      • 案例4:美团通过AI能力为预测用户未来的行为
      • 案例5:美团利用AI新技术,集合用户画像实现push突破,团队几乎尝试了所有能想到的Push策略——差异化文案、个性化推荐、定时触发、行为触发等,每天的配额都会按时发完。然而,用户的疲劳度越来越明显,点击率持续下滑
    • 用户画像的基础:标签质量提升的办法以及评估纬度
      • 案例:美团
    • 大厂在画像未来的展望
      • 在传统时代人为用付费能力、品类偏好、年龄性别等标签划分用户群体,会回归按人性的方式(在1.1美团即时零售业务会讲),不是同类推荐,而是基于场景预判交叉营销可能性
      • 用技术将用户行为数据转化为可解释的消费意图图谱,使需求预测从统计学相关迈入因果推理阶段(这个在探索,提高准确性,可以用美团进行分享)

    二、智能推荐(以美团为例,根据业务的常见问题演进)

    • 问题一:新品、长尾品利用LLM实现推荐
    • 问题二:利用多层卷积根据兴趣和行为推荐,实现业务增量
    • 说明:技术不是关键,对用户的洞察力和理解力是关键,我们会选型即可,这个建议用互联网案例,还是互联网做的好,底层逻辑是一致的

    三、智能客服搭建(最推荐)

    • 案例:蚂蚁/招行的智能客服对两大难点进行说明
    • 从0到1的产品设计:MVP、业务需求、核心流程设计、产品架构设计
    • 从1到10重点讲解提高准确率提升20%的方法
    • 影响准确率的关键要素(知识库、向量、LLM、提示词)
    • 核心是数据的准确度以及对应的解决方案(重排、知识库自动对话-语义理解(每个人如何表达不一样,如何匹配到更准确的知识,上下文语义的修订、定期对其总结、模型微调来限定业务场景、答案供给)
    • 幻觉的处理办法(只讲产品相关,如果需要了解技术方面的可以简单提,方便定位问题,产品的解决方案为明确能力边界、实时反馈与标注、用户纠错机制、用户交互机制、阙值控制、业务流程优化)
    • 1到100AI重点解决问题
    • 留存低(过于工具化,从被动到主动、人格化、触达场景单一)
    • 蚂蚁以及智能客服做的不足的地方以及后续可能的优化方案
    • 胜负手:人设(互联网大厂人设建立)

    四、通义点金的智能投研

    • 行业上智能投研的三种自然语言交互方式(实现方式、核心工作、实现成本、可拓展实现难度和产品体验)
    • 产品与业务视角如何理解智能投研:决策路径
      • 基于Agent的能力解决的三个问题
      • 带来的三个增量价值
      • 三个问题风险
    • 通义点金选择金融落地领域的评判标准
    • 通义点金的规划和展望

    五、以平安银行chatBI或者互联网大厂为案例进行讲解

    • 传统BI的瓶颈点以及大语言LLM给智能BI带来的新可能
    • 平安银行或者互联网大厂的Chat BI的业务架构
    • 从业务架构到产品架构:实现病药效的智能化解决方案
    • Chat BI落地的四阶段
    • Chat BI落地的三大问题以及解决方案
      • 幻觉问题
      • 归因准确性问题
      • 权限问题
    • 智能陪练赋能销售
      • 做智能陪练的四大背景
      • 智能陪练取得的关键结果
      • 智能陪练落地
        • 数据处理-对练内容:从0到1搭建,1到10,10到100的处理
        • 模型产品设计
        • 产品结构图
        • 落地难点以及解决方案(如何让培训更高效、对话练习更智能、培训场景推广)
        • 产品更多场景推广覆盖
        • 未来规划
    • 共创:现在的AI产品如何迭代优化(20min练习+10min展示)
    模块四:AI产品体验提升实战(3H)
    • 三步实现AI体验提升
      • 利用用户旅途识别体验待优化的点、结合模块一所学的人工智能的能力、UI范式的优缺点进行体验优化
      • 结合设计的8个原则
      • GUI、CUI和Agent体验融合地方以及对比
    • AI在大厂交互体验的总结并结合实际案例:提升AI产品的用户体验,18条指南以及落地的原则(根据当前环境来确定何时触发服务、显示与当前任务和环境相关、出错时用户能够校准AI系统的输出、保持上下文,保持体验的连续性、引导用户在交互过程中进行反馈、让用户理解行为如何影响系统结果..)
    • AI未来在产品设计和体验的展望
    • 收益:了解AI在体验能力升级的落地应用,现在金融行业在GUI和CUI衔接做的不是很好,以及什么场景下用哪种交付方式,是体验上最迫切的,会结合方法论以及方法论的案例重点说明,实现融会贯通
    • 共创:现在的AI产品体验优化的点(20min练习+10min展示)