如何跟資料科學家合作?
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。

資料團隊中不同角色的差異
資料團隊中不同角色的差異。

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,它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點擊率」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。

● 延伸閱讀:產品研究金三角:產業、數據、使用者

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。

● 延伸閱讀:產品實驗設計踩雷實務分享:隨機分配好重要!

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:【PM夥伴攻略】如何跟資料分析師合作?

責任編輯:陳建鈞

(本文由產品三眼怪授權轉載自Medium)

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

往下滑看下一篇文章
台灣數位安全發展協會揭打詐盲點:截圖難當證據,AI加b-JADE讓數位足跡可驗證
台灣數位安全發展協會揭打詐盲點:截圖難當證據,AI加b-JADE讓數位足跡可驗證

重點一:數位詐騙生命週期極短,打完一波就轉移陣地,「下架」只處理了眼前的內容,處理不了事後追查。

重點二:台灣數位安全發展協會以AI蒐集、分類詐騙廣告,九成以上工作可由AI完成,最終判斷仍保留人工背書。

重點三:透過司法聯盟鏈b-JADE,只把資料的「數位指紋」上鏈存證,原始資料另行保存,目標是降低被害人的訴訟舉證成本。

一則可疑的投資廣告被檢舉、下架,帳號也停權了,多數人以為事情就此結束。真正麻煩的是,廣告消失的那一刻,追查詐騙集團的線索也可能跟著消失。

為了補上這個缺口,台灣數位安全發展協會正與司法聯盟鏈「b-JADE」合作,替詐騙相關資料做存證。b-JADE是一套以區塊鏈為基礎的司法存證機制,只有通過程序認證的單位才能提供上鏈服務;資料一旦上鏈,任何改動都會留下痕跡。白話說,就是替數位證據貼上「封條」,讓證據從蒐集到進入法庭,都能驗證有沒有被動過手腳。

詐騙廣告下架,為什麼還不夠?

原因在於數位詐騙的生命週期太短,下架只能處理眼前的內容。台灣數位安全發展協會理事長劉彥伯指出,傳統電話詐騙一套劇本可以拉長到半年、甚至一年;數位詐騙則像打游擊,一波結束就移往下一個平台,從廣告、社群到另一個App,一路跨平台引導被害人。

更大的問題是證據跟著斷線。被害人發現受騙時,可能已是半年後,手上通常只留得住最末端的匯款與聯絡紀錄,最初看過哪則廣告、點進哪個網站,早已消失。等到一、兩年後警方抓到詐騙集團,對方就能在法庭上反問「你怎麼證明我投過這則廣告?」劉彥伯以假設情境說明,一個集團原本可能詐騙了30億元,最後因證據不足,認定金額只剩幾千萬甚至幾百萬元。

不過,詐騙活動都會留下數位足跡,包括投放帳號、代理商、投放時間、運作國家與網址註冊紀錄,只要事先保存,日後調閱就「有憑有據」。

台灣數位安全發展協會
台灣數位安全發展協會理事長劉彥伯
圖/ 數位時代

AI都這麼強了,為什麼還要先做資料治理?

台灣數位安全發展協會的核心主張是:好的資料分析,從好的資料治理開始。所謂資料治理,就是把散落在各平台、格式不一的碎片資料,整理成來源清楚、格式一致、可以互相比對的資料。協會先確認每筆公開資料的來源、時間、權限、版本與隱私,再標上事件分類、風險評估、曝光平台、投放者與網址等標籤,才能找出彼此關聯、還原詐騙網絡。

根據協會的實證簡報,系統在一段監測期間內掃描309.5萬則廣告,通報62.8萬則(約占20%),投放當日偵測率達99.21%。劉彥伯也提到,協會與資安院、數位發展部在打詐通報查詢網的合作中,判斷率接近百分之百。

那還需要人嗎?答案是需要。現行法律仍要求有人為判斷結果背書負責,加上詐騙劇本會隨被害人的回應即時調整,因此協會讓AI處理九成多的工作,最後由人做判斷。

截圖不能當證據?b-JADE如何替詐騙證據貼上「封條」

在AI改圖越來越容易的今天,單純截圖很難在法庭上證明自己沒被竄改過。劉彥伯的比喻是:截圖比較像「我那天真的看過,還拍了一張照片」;可信存證則是把證物放進有封條、有時間、有編號、有保管紀錄的證物袋,「重點不是有沒有留下東西,而是未來能不能驗證這是不是當時那一份」。

這也是b-JADE派上用場的地方,但並不是把所有資料都放上區塊鏈。協會把原始資料與AI分析結果,保存在權限受管控的系統裡,只把每份資料的「數位指紋」交給b-JADE存證。數位指紋的特性是,內容只要有任何改動,指紋就會完全不同,因此能證明資料沒被動過;需要時,再經授權調閱原始資料,兼顧隱私與驗證。依b-JADE規範盤點,協會既有流程已符合19項要求,其餘7項缺口也逐步補強,例如存證時間改採具公信力的標準時間來源,不再依賴電腦本機。

防詐能從事後追查走向事前預警嗎?

可以,協會正把存證從被害人受騙後,往前推到「主動式上鏈」:AI判定高風險的內容,先一步蒐集存證,不必等到有人受害。

小農是第一個場景。許多消費者在網路上支持小農,錢最後卻流進冒名的詐騙集團。協會因此與農業部合作推出「農本人」系統,讓小農自行登錄銷售管道與社群帳號形成白名單,再結合AI蒐集的黑名單,一旦遭冒名就能第一時間發現並報案。這套模式未來也可延伸至網路霸凌、性私密影像等案件。

制度面也在加速。2026年8月,司法聯盟已開設認證專班,邀集司法院、法務部、高檢署、調查局與警政署相關人員受訓,相關存證應用預計明年正式推出,時程仍待聯盟拍板。

劉彥伯坦言,目前從蒐集、分案到下架的流程仍然冗長,技術正好能在保留人為背書的前提下縮短流程。他在《數位關鍵字》節目尾聲留給聽眾的一句話是:「數位安全不只是技術工具,也涉及資料的可信、法遵治理與跨領域合作。」當AI幫人更快找到線索,經得起驗證的資料,將讓每一位被害人在法庭上多一分底氣。

台灣數位安全發展協會
台灣數位安全發展協會理事長劉彥伯認為,可信存證的重點不是留下東西,而是未來能被驗證。
圖/ 數位時代

常見問答
Q1:詐騙廣告被下架後,還能當作證據嗎?
A:若事前沒有保存,下架後就很難追溯。台灣數位安全發展協會建議在內容消失前,保存投放帳號、代理商、投放時間、運作國家與網址等數位足跡,日後才能據以向平台請求調閱。

Q2:手機截圖可以當作詐騙證據嗎?
A:截圖只能證明「看過」,難以證明未被竄改。在AI改圖越來越容易的情況下,透過數位指紋與具公信力的時間紀錄進行可信存證,才能在日後驗證資料是否為當時的原始版本。

Q3:什麼是b-JADE司法聯盟鏈?
A:b-JADE是以區塊鏈為基礎的司法存證機制,只有通過程序認證的單位才能提供上鏈服務。台灣數位安全發展協會的做法是只將資料的數位指紋上鏈,原始資料另行保存在權限受管控的系統,兼顧隱私與驗證,目標是降低訴訟舉證成本。

Q4:AI可以完全取代人工判斷詐騙嗎?
A:目前不行。依台灣數位安全發展協會的做法,九成以上的蒐集與分類工作可由AI完成,但現行法律仍要求由人做最終判斷,並為結果背書負責。

Q5:小農要如何預防被冒名詐騙?
A:可登錄台灣數位安全發展協會與農業部合作的「農本人」系統,自行提交銷售管道、粉絲專頁與LINE帳號建立白名單,搭配AI主動蒐集的黑名單,遭冒名時能第一時間發現並報案。

完整對談請收聽《數位時代》Podcast《數位關鍵字》EP264。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓