3. 实验假设与Insight根据
虽然PM不应该直接提供解法、定义规则，但是还是要提供Insight和你的实验假设，帮助数据科学家思考要怎么选择与设计模型。 比如说我们知道在二手拍卖平台中，买家很喜欢新上架的商品，也很喜欢回覆快速的卖家，所以我们假设将算法调整成「新商品 + 回覆快速卖家有优势」可以让算法更成功，这样数据科学家就可以朝这个方向思考，他的成果也会更贴近你的想像。
4. 告诉数据科学家你将如何应用
数据的运算大多是偏后端的工作，不过像是在建立推荐系统时，最好也可以大概简介一下UI会怎么呈现、使用者到时候会怎么跟这个内容互动等等，也可以帮助思考。
5. 准备算法需要的数据素材
问题和解法都搞清楚后，数据科学家还是需要足够的数据才有办法开始动手。在数据不足的情况，PM要一起规划收集数据的策略。
加分题：跟数据科学家分享你的中长期愿景与策略
除了当下的问题，如果能够分享接下来持续优化的策略，也可以让数据科学家知道要怎么替他的模型铺路唷！
如果有什么不清楚，就大方的问你的数据科学夥伴吧！（这篇文章也是透过不断的问问题累积而成的）
我该怎么验证算法成果？
上线前：Eyeball Test验证「品质」
跟测试设计原型（Prototype）类似，可以先从简单的质化验证方式开始，把算法套到真正的产品上，一起跟数据科学家看看结果，或者给其他同事看。例如：推荐商品的个人化，可以套用同事的帐号，让他们看看结果的相关度和品质是否符合预期。也可以套用在一些极端状况或不同的使用者区隔中来做验证。这个方法好像听起来蛮阳春的，不过却是上线前蛮重要的一步。
上线后：AB Test验证「成效」
跟所有产品改动一样，跑实验可以很好的验证成效。除了主要指标以外，还可以看一些跟数据相关的指标，例如：目前的推荐关键字可以成功涵盖多少搜索，或有多少比例的违规商品能够被算法抓出来等等。这些测量可以帮助我们决定是否要收集更多数据，或是否要继续优化算法能够涵盖的范围等等。
我想成为数据型PM，需不需要去上一些数据科学的课？
我也有问过资深的PM这个问题，他给我的答案是，
对于PM来说比起机器学习的模型运算与细节，更重要的是把「数据」当成一种「解决问题的手段」。
由PM定义出「要解决什么问题（What to solve）」，然后再来跟工程师和数据科学家一起讨论「用什么手段解决（How to solve）」。
当然就像我们跟软件工程师合作一样，了解程序运作的逻辑和概念会有帮助，不过就像我们不需要真的会coding，身为PM只要对数据和算法的关系有基础概念，就已经有很多事情可以尝试了。
Coursera上面也有很多不错的数据科学课程，我个人觉得对没有技术背景的PM（如本人）有些稍微困难，但如果有时间，它是很棒的学习资源！
