BA 课程介绍

1. 为什么要提供 BA Bootcamp
2. BA 的在澳洲的就业情况
3. 产品管理的历史和演变
4. 产品经理在不同类型组织（初创公司、中型企业、大型公司）中的角色差异
5. 课程特色介绍
6. 课程整体架构
7. 课程老师介绍
8. 学习 BA 的正确思路

BA 基础

1. 澳洲 BA 行业的工作文化与环境
2. 澳洲 BA 行业的机会
3. 设计和组织高效的产品讨论会议
4. 利用工具和技术（如 SWOT 分析、Persona 创建）来引导讨论
5. 管理和调和不同利益相关者的期望和需求
6. 如何从产品讨论中获取和整理可执行的见解

本节课将帮助你理解 为什么当下是进入 AI 产品行业的最佳时机，AI 正如何重塑行业与工作方式，以及课程整体将如何从零带你成长为具备“懂业务 + 懂 AI”的复合型产品人才。你将认识到生成式 AI 的发展速度、就业市场对 AI 能力的真实需求变化，并通过课程路线图，清楚掌握接下来 7 周主课 + P3 项目 的整体学习路径。

在这一课中，你将从零建立对 AI 的整体认知，了解它如何从历史产业革命发展到当下的「智能革命」。你将认识 AI 的核心能力、主要类型（机器学习、深度学习、生成式 AI），并通过多个行业案例，理解 AI 在实际业务中的应用方式。
同时，你会学习如何用 PM 的思维去判断一个 AI 方案是否可行，从而为后续的「AI 产品经理与 AI Builder：岗位与边界」课程打下基础。

本节课目标

完成本节课后，你将能够：

• 理解 AI 为什么正在成为职场核心能力，以及“AI Literacy”需求上涨的真实行业趋势

• 认识 AI 如何改变行业结构、工作方式与岗位竞争力

• 明确“AI 产品经理与传统 PM/BA 的不同点”

• 全面了解课程整体结构：7 周主课 + P3 项目 + 职业发展支持

• 了解 AI 的定义与核心组成部分：感知、理解、决策、行动

• 理解机器学习与深度学习的基本工作原理

• 掌握生成式 AI 的概念与常见应用（ChatGPT、Midjourney、Cursor 等）

• 从 PM 视角识别 AI 项目的机会点，理解 AI 不是万能的

• 学会使用 4 步法判断 AI 在业务中的可行性（目标 → 任务 → 数据 → 风险）

• 建立对 AI 价值落地的整体认知框架，为后续学习做好准备

核心内容

🔹 AI 正在重塑行业：Why Now?

• AI 更新速度前所未有

• AI 正重塑每个行业：

  • 工作方式从人工执行 → 智能协作

  • 职业结构重组：AI 能力成为基础能力

  • 生产效率成倍提升

  • 竞争模式改变：Adopt AI or Fall Behind

🔹 就业市场趋势

• AI Literacy 技能需求 同比增长 71%（LinkedIn Economic Graph Research Institute）

• 市场对“懂 AI + 懂业务”的人才需求迅速上升

🔹 AI 发展与时代背景

• 从蒸汽机、电力、计算机到 AI：四次工业革命的演进

• 智能革命的本质：让机器从「会动」到「会思考」

🔹 AI 的定义与核心能力

• AI：让机器像人一样完成特定智能任务的技术

• 四大核心环节：感知（视觉/语音/文本） | 理解（语义/意图） | 决策（预测/推荐） | 行动（自动化/机器人）

🔹 AI 的三种主要类型

• 机器学习 (Machine Learning)：用历史数据学习规律并做预测

• 深度学习 (Deep Learning)：模拟神经网络，自动分层学习复杂问题

• 生成式 AI (Generative AI)：基于模式生成全新内容（文本、图片、音频、代码等）

🔹 AI 的典型应用场景

• 按能力分类：感知 | 理解 | 预测 | 生成

• 按行业分类：金融、零售、医疗、教育、制造

• 按业务价值分类：降本 | 提效 | 增长

🔹 PM 视角下的 AI 机会点

• AI 可协助的常见 PM/BA 任务：

  • 自动撰写 PRD 和 User Story 草稿

  • 分析业务流程、生成界面草图

  • 用户反馈情绪分析与主题提取

  • 自动化运营内容生成

• 识别 AI 可行性的 4 步法：

  1. 明确业务目标（降本/增效/增长）

  2. 判断是否为重复性、高频任务

  3. 评估数据的可获得性与质量

  4. 考虑用户对错误的容忍度

本节课将帮助你全面厘清 AI 产品经理（PM/BA） 与 AI Builder 在真实 AI 项目中的角色定位、职责边界、协作方式与交付物差异。你将通过真实 JD 拆解、角色对照表、项目链路分析与案例演练，理解为什么许多 AI 项目失败的根本原因不是技术问题，而是 边界不清、沟通断点与责任模糊。
课程将带你构建“一页纸角色对照表（Role Charter）”，为后续需求分析、PRD 编写、AI 功能设计、自动化与 Agent 流程打下坚实的协作基础。

课程目标

完成本节课后，你将能够：

• 清晰区分 AI 产品经理（PM/BA） 与 AI Builder 的职责、目标、工具与产出差异

• 理解 AI 项目中常见的协作断点，以及导致项目失败的典型根因

• 掌握“一句话定义”两个角色在项目中的核心价值：

  • PM/BA：做什么 & 为什么

  • Builder：怎么做 & 用什么做

• 熟悉 AI 项目全链路（需求 → 原型 → 集成 → 上线 → 复盘）中每一个阶段的 拍板人、产出物与风险承担方

• 理解为什么 AI 项目需要 先无代码 → 再低代码 → 再工程化落地 的验证路径

• 能够使用 Role Charter（角色边界对齐表） 进行角色划分与沟通

• 能够阅读并分析真实市场上的 AI PM / AI Builder 的职位描述（JD）

• 为后续 Lab（工具与账号配置）做好准备：Notion / Jira / ChatGPT

• 形成正确的 AI 项目协作心智：
  “PM 定义价值，Builder 实现价值，二者共同迭代价值。”

课程核心知识点概况

1. AI PM 与 AI Builder 的角色解析

• 真实 AI 产品经理 JD 拆解

• AI Builder 的技能角色与定位（工具链 + API + 低/无代码）

• 两者的“一句话定义”

• 责任差异：

  • PM/BA：目标、范围、KPI、验收标准

  • Builder：模型/工具选型、原型搭建、流程集成、评测

2. PM vs Builder 权责边界

• 目标、任务、工具、产出、KPI、Non-goals 的差异化

• 为什么在 AI 项目中边界比传统项目更重要

• 常见误解：

  • “PM 必须会写代码”

  • “Builder = 算法工程师”

  • “上来就做 RAG / LangChain”

  • “AI 能力开箱即用”

3. AI 项目全链路：从需求到上线

逐阶段讲清楚每一段的Owner与输出：

• 需求定义

• 原型与技术验证

• 集成与上线

• 监控与迭代

• 复盘与指标管理

对齐重点：谁拍板、谁产出、谁承担风险

4. 先无代码再工程化：AI 项目最佳实践

• 为什么 PM 要优先用无代码做快速验证

• 为什么 Builder 不应一开始就“工程化”

• 1–3 天可交付 MVP 原型

• 常见工具栈：

  • 知识库 / FAQ：Notion + ChatGPT、Confluence AI Q&A

  • 工作流编排：Make / Zapier / Flowise

  • 轻量 App：Glide / Softr

  • 调试与集成：Postman / API Playground

5. 真实案例：如何快速做出一个最小可用的 AI 功能（MVP）

为了让你真正明白 PM/BA 和 AI Builder 在项目中的分工，课程里会用一个最简单、最好理解的案例来示范：公司接到大量重复提问（例如课程时间、退款政策等），人工客服压力很大。目标是做一个 “智能问答小助手”，让 AI 先回答常见问题。

这是 AI 产品经理训练营的关键基础课。在成为 AI 产品经理之前，你必须先理解 AI 是怎么“思考”的、底层能力是什么、为什么它能生成文本、推荐内容、理解用户意图，甚至执行复杂任务。

本节课会带你从零掌握最核心的 AI 术语（Model、Parameters、Inference、Embedding、RAG、Agent……），通过 PPT 中的 旅行助手（Travel Helper）案例，用真实场景帮助你理解这些概念在产品设计中的具体含义。

理解这些基础概念之后，你将能够在团队讨论中准确表达需求，与工程师、AI Builder、数据团队进行专业沟通，为后续学习“AI 产品方案设计、PRD、RAG 项目、Agent 自动化”等内容打下坚实基础。

本节课目标

完成本节课后，你将能够：

• 掌握 AI 项目中最常出现的关键概念：模型、参数、推理、向量化、Prompt、RAG、Agent

• 理解机器学习与深度学习的基本区别与适用场景

• 理解 NLP、CV、LLM 在产品中的实际用途

• 清楚模型从“训练”到“使用”的完整流程

• 能用正确的术语与技术团队沟通 AI 需求

• 能分析一个 AI 功能的组成结构（输入 → 推理 → 输出）

• 为后续的 “AI 应用场景分析 / AI Builder 入门 / RAG / Agent” 课程做好基础准备

核心知识点解析

1. Model（模型）——AI 的“大脑”

• 模型是 AI 的核心能力来源

• 通过大量数据训练，形成“理解 + 生成”的能力

• 案例：Travel Helper 理解“想去新西兰玩 5 天”的真实含义

2. Parameters（参数）——模型的“知识存储”

• 参数越多，模型学习能力越强

• 决定 AI 了解世界的深度

• 案例：参数帮助模型理解景点评级、旅游偏好

3. Inference（推理）——AI 的“思考过程”

• 接收输入 → 分析 → 生成结果

• 决定速度、成本与最终表现

• 案例：AI 综合天气、预算、偏好生成行程

4. Embedding（向量化）——把信息变成“数字向量”

• 将文字、图片等转为向量

• 用于搜索、匹配、推荐

• 案例：

  • 景点向量 → 找相似景点

  • 用户偏好向量 → 匹配适合的行程

5. Prompt Engineering（提示工程）

• 给模型清晰、结构化的指令

• 决定输出质量、稳定度、格式

• 案例：

  • “生成 7 天自然风光行程”

  • “用表格输出，并包含预算”

6. RAG（检索增强生成）

• Retrieval-Augmented Generation

• LLM + 企业知识库 → 让 AI 有依据、不瞎编

• 案例：Travel Helper 先检索景点资料，再生成合理行程

7. AI Agent（自主任务执行）

• 能规划、判断、执行任务的下一代 AI

• 不止“回答问题”，还能自动行动

• 案例：自动订餐厅、生成 PDF 日程、添加 Calendar

8. 机器学习（ML） vs 深度学习（DL）

• ML： 需要人工做特征工程，结构简单

• DL： 模仿人脑神经网络，可处理图像、音频、语言等复杂任务

• 本课用图示让你清晰理解两者差别

9. 常见 AI 分支方向

• NLP： 理解自然语言（Travel Helper 理解行程需求）

• CV： 识别图像（识别酒店、景点图片）

• LLM： 生成内容（生成行程、推荐理由）

10. 模型训练与使用（Train vs Inference）

• 训练阶段：收集数据 → 清洗 → 标注 → 训练 → 验证

• 使用阶段：用户输入 → 模型推理 → 生成内容

• 产品经理需要知道：你永远不训练模型，你使用模型

11. 团队沟通：如何表达 AI 需求？

课件中的沟通示例会教你：

• 如何说 “我们需要 LLM + RAG”

• 如何描述 embedding 搜索匹配

• 如何提出“可控输出结构”

• 如何提供 prompt 模板给 Builder

让你在公司内部表达 AI 需求时专业又清晰。

12. 本课总结

• 模型与参数：AI 的核心能力

• 推理：AI 如何“思考”

• Embedding：搜索/推荐的基础

• Prompt：高质量输出的关键

• RAG：企业级 AI 产品必备架构

• Agent：AI 应用的未来方向

通过真实企业中最常落地的 6 大类 AI 应用案例，本节课将带你掌握“什么才是 AI 场景”、如何判断业务是否适合做 AI、以及不同 AI 技术（文本生成、知识库问答、自动化、Agent、AI Builder）在实际产品中的作用。

你将从产品经理视角，而不是工程视角，学习如何结合业务问题选择正确的 AI 能力，如何判断风险、如何评估可行性，以及如何通过简单的决策矩阵为自己的业务挑选最合适的 AI 方案。

这是从“理解 AI 技术”走向“会用 AI 解决业务问题”的第一步。

本节课目标

学习完本节课，你将能够：

• 理解企业中最主流、真正能落地的 6 类 AI 应用类型

• 区分不同 AI 应用的业务特点、适合场景与风险点

• 学会使用决策矩阵判断：业务问题是否适合做 AI？应该选哪种 AI？

• 理解 AI PM 的 8 大核心能力路线图，为后续训练做能力铺垫

• 对照真实业务场景，能快速判断一个需求属于文本生成、知识库问答、数据分析、自动化还是 Agent

• 理解“AI 自动化”和“AI Agent”的区别，知道什么时候该选哪一个

核心内容

1. 企业最常落地的 6 类 AI 应用

PPT 中阐述了企业在真实落地中最常使用的 6 类 AI 能力：

• 文本生成：文案、邮件、客服回复、会议纪要

• 知识库问答（RAG）：FAQ、政策解读、内部 SOP

• 数据分析：自动总结、图表、报表、周报洞察

• 自动化（Make / Zapier）：AI → 分类 → 自动执行任务

• Agent：多步骤任务执行、规划 → 选择 → 行动

• AI Builder：用低代码快速做原型或内部工具

你将学习到每一种能力的典型用途、局限性与 PM 在其中的职责。

2. AI PM 的 8 大核心能力路线图

课程将带你理解未来 7 周将重点训练的 PM 能力，包括：

• 业务分析与需求拆解

• Prompt 结构化表达能力

• 数据结构与评估指标

• RAG 与知识库构建基础

• 自动化流程设计（Make / Zapier）

• 多 Agent 交互与任务编排

• AI 产品 MVP 验证

• 效果监控与持续迭代

你将知道为什么 AI PM 与传统 PM 不同——更强调“业务理解 + AI 选型 + 流程设计 + 风险控制”。

3. 六大 AI 应用场景的深入解析

（1）文本生成

• 场景：客服、营销、邮件、对话、内容生成

• PM 重点：模板、语气一致性、Prompt 结构化

• 风险：幻觉、不稳定、格式不一致

• 验证方式：AI 版 vs 人工版对照

（2）知识库问答（RAG）

• 关键流程：文档清洗 → Chunking → 向量化 → 检索 → 生成

• PM 要懂：召回率、知识覆盖率、Chunk 质量

• 适合场景：文档多、内容稳定、人工查找慢

• 案例：银行流程问答、保险条款解读

（3）数据分析与自动报表

• 场景：周报、月报、KPI 汇总、Dashboard 解读

• PM 工作：字段定义、数据结构、逻辑核验

• 注意：数字敏感性高，需要人工复核

• 工具：ChatGPT、Data Agent、Excel + AI

（4）AI 自动化（Make / Zapier）

• 逻辑：AI → 分类 → 触发流程 → 自动执行

• 场景：自动邮件、Jira 任务、CRM 跟进、打标签

• PM 要懂：触发条件、流程设计、权限

• 核心问题：能否减少人工？能否自动对账？能否追踪？

（5）AI Agent（智能任务执行）

• Agent 能力：理解目标 → 规划 → 执行 → 反馈

• 场景：自动创建 Jira ticket、数据清洗、自动 summarise

• PM 判断标准：

  • 是否多步骤？

  • 是否需要判断/选择？

  • 是否需要系统操作？

• 风险：越权、循环（loop）、不可控

• 验证方式：Goal-based Test / End-to-End Test

（6）AI Builder（低代码 AI 应用搭建）

• 场景：内部小工具、FAQ Bot、自动总结工具

• 优点：不依赖工程师、能快速验证想法

• PM 要懂：输入类型、权限、模型选择、工作流设计

• 典型用途：内部助手、表单总结、知识查询工具

4. 如何判断一个需求是否适合用 AI？（决策矩阵）

课堂会使用 PPT 中的决策矩阵教你判断：

• 输入是否结构化？（是 → 分析/自动化；否 → RAG/LLM）

• 步骤是否单一？（单一 → 自动化；多步骤 → Agent）

• 内容是否稳定？（稳定 → RAG；不稳定 → 文本生成）

• 是否需要系统执行？（需要 → Agent）

• 是否要快速上线？（是 → AI Builder）

• 是否高风险？（高风险 → RAG + 人工审核）

这是 PM 必备的业务判断框架。

5. 常见误区澄清

课程将纠正 AI 初学者最常犯的认知错误：

• “做个 AI 很简单” → 实际难点在数据、权限、流程

• “加 AI 就一定有效果” → 场景不合适等于浪费

• “模型越大越好” → 成本高、延迟高、风险高

• “AI 自动化 = Agent” → 自动化是流程，Agent 是执行者

课程描述

本节课将带你从宏观理解生成式 AI，到掌握如何用产品视角拆解一个 AI 产品的需求、流程与成功定义。你将学习 AI 产品经理是如何思考、如何与模型互动、如何设计 Prompt 作为交互方式，并通过课堂案例了解真实企业如何构建 AI 功能。

本节课帮助你理解一套完整的 AI 产品设计框架是什么样的，让你在后续课程中可以自主提出想法、分析用户、撰写 Proposal，并清晰知道 AI 产品的本质与边界。

本节课目标

1. 理解生成式 AI 与传统互联网产品的区别，建立正确的 AI 产品思维框架。
2. 理解互联网产品从想法到落地的流程
3. 能明确 AI 产品经理的核心职责：用户需求 → Prompt 设计 → 多轮交互 → 质量评估。
4. 掌握 Prompt 是 AI 时代新的“交互界面”的概念，并能分析不同 Prompt 的好坏。
5. 能根据课堂提供的 6 大关键问题，独立拆解一个 AI 产品想法并形成可执行的产品需求。
6. 理解生成式 AI 的不确定性、幻觉风险、质量标准、成功指标与伦理边界。

核心内容

生成式 AI 的基础认知

1. 什么是生成式 AI（Generative AI）？它如何从指令生成文本、图片、音频等内容？
2. 生成式 AI 与传统 AI 的核心区别（预测 vs 创作）。
3. 真实行业中的典型应用场景：办公效率、内容营销、电商、教育、财务等。

AI 产品经理的职责与角色定位

1. AI PM 与传统 PM 的重叠与差异。
2. 为什么“Prompt”就是生成式 AI 的交互界面？
3. 如何将用户需求转换成结构化提示（Prompt Engineering）。

Prompt 设计：从模糊输入到结构化指令

1. 好 Prompt 与坏 Prompt 的典型区别示例。
2. 结构化 Prompt 如何提升生成质量。
3. 多轮 Prompt 交互的设计逻辑。

生成式 AI 的难点（真实产品中的核心挑战）

1. 非确定性：为什么相同 Prompt 每次结果都可能不同？
2. 幻觉（Hallucination）：为什么 AI 会胡编乱造？
3. 质量难评估：如何定义“好结果”？
4. 产品设计中常见的应对手段：重新生成、对比、参数控制、用户反馈循环。

AI 产品的关键指标（KPI）

1. 质量指标：人工评分、是否直接使用、修订次数
2. 效率指标：节省时间、节省成本
3. 用户行为指标：使用次数、留存、DAU
4. 安全指标：合规风险、错误率、敏感内容过滤

案例实战：AI 文案助手（从0到1的完整拆解）

1. 目标用户与使用场景
2. 用户输入与信息结构
3. AI 输出类型与“一键改写”功能
4. 产品关键交互：生成多个版本、选择、修改、迭代
5. 如何评估结果质量与用户满意度

生成式 AI 的风险与伦理边界

1. 幻觉
2. 隐私与数据安全
3. 偏见与公平
4. 版权风险
5. 产品责任界定

产品拆解工具：你必须回答的 6 个问题

这是本课程教给你的最重要的 AI 产品方法论。未来你提出任何 AI 产品想法，都必须回答这 6 个问题：

1. 目标用户是谁？
2. 用户在什么场景使用？
3. 用户输入什么？
4. AI 输出什么？
5. 需要哪些“一键修改”能力？
6. 用什么指标衡量成功？

实践案例

拆解一个常见应用的功能需求

BA 的历程

1. 回顾业务分析的发展历史，了解 BA 角色的演变和其在行业中的地位变化。

BA 是什么

1. 解释业务分析师的角色和重要性，以及他们在组织中扮演的关键角色。

BA 的核心职能和工作场景

1. 描述 BA 的主要职能，包括需求管理、解决方案评估和利益相关者沟通等。
2. 介绍 BA 在不同类型的项目和行业中的工作场景。

BA 的学习路径

1. 提供一个清晰的指导，帮助初学者和希望提升自己的专业人士了解如何系统地学习业务分析。

BA 的技能图谱

1. 描述 BA 需要掌握的关键技能，包括分析技能、沟通技能、技术知识和行业专知。

技能提升方法

1. 探讨有效的学习策略和资源，帮助BA提升自己的技能和专业水平。

BA 在国内的发展路线

1. 分析 BA 在国内的职业发展趋势，讨论职业发展的机会和挑战，以及如何规划职业生涯路径。

项目管理的生命周期简介：

1. 这部分将概述项目管理的整个生命周期，强调从项目构想到项目交付的全过程。
2. 讨论项目生命周期的重要性，以及它如何帮助项目经理有效地规划、执行和监控项目。

Initiation Phase：

1. 在这个阶段，将讨论项目的启动，包括项目目标的定义、利益相关者的识别以及项目的必要性和可行性分析。
2. 介绍如何制定项目章程和确立项目范围，这是项目成功的关键。

Delivery Phase：

1. 此阶段重点介绍项目计划的执行、控制和监督，以确保项目按计划进行。
2. 讨论如何管理时间、成本、质量、人力资源、沟通、风险以及项目采购。
3. 强调持续的进度监控和项目变更管理的重要性。

Concept & Discovery Phases：

1. 这部分将探讨项目的早期阶段，包括市场调研、需求分析和概念验证。
2. 讨论如何收集和分析利益相关者的需求，以及如何将这些需求转化为具体的项目目标和成果。

BA 和 Digital BA 介绍

1. BA：专注于组织结构、策略和运营，帮助企业实现目标，通过需求收集和分析来驱动项目和业务变革。
2. Digital BA：在传统 BA 的基础上，特别关注数字技术和解决方案，助力企业在数字化转型和技术创新中取得成功。

System BA，Technical BA，Process BA

1. System BA：专注于系统和技术解决方案的需求，确保系统设计符合业务需求。
2. Technical BA：桥接技术团队和业务团队之间的沟通，确保技术实现与业务目标一致。
3. Process BA：专注于业务流程的优化和改进，通过分析和设计流程来提高效率和效果。

Data Analyst 与 BA 的区别

1. Data Analyst：主要聚焦于数据的收集、处理和分析，为决策提供数据支持和洞察。
2. BA：虽也涉及数据分析，但更广泛地关注需求管理、解决方案评估和利益相关者沟通等多个方面。

介绍其他岗位

1. Business Consultant：为企业提供战略规划、流程改进和解决方案实施等咨询服务。
2. Agile BA：在敏捷开发环境中，确保快速响应变化，促进沟通，支持迭代和增量的需求开发。
3. Service Analyst：专注于服务管理，分析服务流程，确保服务质量符合业务需求。

BA 在产品生命周期中的三大阶段

1. Discovery：探索阶段，了解市场、用户需求和业务目标。
2. Concept & Initiation：概念和启动阶段，定义项目范围，制定项目计划。
3. Delivery：交付阶段，实施解决方案，监控进度，确保目标实现。
4. Evolve：演进阶段，收集反馈，持续改进和调整产品。

BA 的核心技能

1. Analytical：对复杂问题进行分解和分析，提出明智的解决方案。
2. Methodology：熟悉并应用各种框架和方法论，如敏捷、瀑布等。
3. Communication：有效地与各方沟通，确保需求和解决方案的理解和一致。
4. Planning：制定和执行计划，确保资源有效配置，项目按时交付。

熟悉角色和职责：深刻理解自己在团队中的定位，明确职责范围，赢得团队的信任和尊重。

掌握关键技能：

1. Story Mapping：将复杂功能拆解为可管理的用户故事，确保团队对项目方向和优先级有清晰认识。
2. Story Slicing：将大型用户故事细分为更小、更具体的部分，促进快速迭代和交付。

理解核心概念：

1. User Story：作为沟通工具，帮助团队聚焦用户需求，确保每个功能都为用户提供价值。
2. AC（Acceptance Criteria）：明确定义成功的标准，确保交付的功能符合业务需求和用户期望。
3. Work Flow：理解项目的各个阶段和环节，确保任务高效流转，按时完成。

特征分解：掌握将复杂项目拆解为易于管理的小任务的技能，为成功打下坚实基础。

团队交流技能：

1. Workshop Facilitation，激发团队合作与创新思维。
2. Release Planning，确保项目按时交付，满足质量标准。
3. Work Visualisation，增强项目透明度和协作效率。

发现产品问题

1. 学会从不同角度审视产品，识别潜在的问题和改进点。
2. 掌握数据分析和用户反馈的解读，有效预测可能的风险，及时调整策略。

从用户视角发掘需求

1. 深入理解用户的行为和需求，将用户的声音转化为实际的产品特性。
2. 运用用户故事和场景分析，确保每个功能都能解决实际问题，提升用户满意度。

与利益相关者建立联系

1. 建立良好的沟通渠道，确保信息流的畅通和准确。
2. 学会运用影响力和说服技巧，促进项目利益相关者之间的合作和理解。

BA 未来职业晋升的三大方向：

1. Lead BA：作为团队的领导者，负责指导和协调业务分析工作，确保项目目标和业务需求的一致性。
2. Senior BA：凭借丰富的经验和专业知识，在复杂项目中扮演关键角色，为决策提供深入的分析和洞察。
3. Principle BA：作为领域专家，负责制定和优化业务分析流程和方法论，引领业务分析的最佳实践。

BA 转型产品岗位的四种职位：

1. Product Owner：作为敏捷团队的关键角色，负责定义产品愿景，管理产品积压工作，并确保团队交付最大价值。
2. Product Manager：负责产品的整体战略、规划和执行，确保产品满足市场需求并实现商业目标。
3. Operation Manager：专注于产品的日常运营和管理，确保业务流程的效率和效果。
4. Service Manager：负责服务的设计、交付和持续改进，确保服务质量和客户满意度。

BA 在敏捷开发过程中的三种角色：

1. Scrum Master：作为团队的教练和促进者，帮助团队遵循敏捷实践，提高效率和协作。
2. Project Manager：虽在传统敏捷模型中不是必需的，但在某些组织中，项目经理可能负责协调多个敏捷团队和项目。
3. Agile Coach：帮助团队和组织采用敏捷方法，提供指导和支持，促进持续改进和学习。

2小时Workshop

🟦5 Mins - Opening/Ice Breaking

快速了解学员的背景和对本次workshop的期待，以对之后的hands-on活动做调整。

1. 你对 AI 产品最迷茫的是什么？
2. 你希望今天 workshop 里获得的最大收获是什么？
3. 你对未来目标职位所看重 AI PM/BA 的哪种能力有顾虑？

🟦15 Mins - PPT：行业案例总览（教育 / 电商 / 金融）

PPT内容适量，预留学员讨论、问问题时间。

🎯核心目标

让学员理解 行业差异 → AI 产品形态 → 商业价值 → 常见落地方式。

⭐PPT Slides（15 Mins）

用高度结构化的方式讲 3 个行业，让学员看到“AI 产品经理如何跨行业找机会”。

📘教育行业（EdTech）

产品形态：

1. AI 个性化学习导师（Adaptive Learning）
2. AI 批改、AI 作业生成
3. AI 学习计划生成器（planner）

商业价值：

1. 降低老师工作量
2. 提高学生 engagement
3. 增加付费转化（个性化辅导）

常见模型：对话模型 + RAG + 多模态

📘电商行业（E-Commerce）

产品形态：

1. AI 智能客服（售前 + 售后）
2. AI 商品内容生成（Title、Description、SEO）
3. AI 推荐系统（next-best-offer）

商业价值：

1. 降低客服成本
2. 提高转化率
3. 增加复购

📘金融行业（Banking & Payments）

澳洲银行当前AI adoption形态。

产品形态：

1. AI 风控（Fraud detection）
2. AI 客户服务（虚拟助理）
3. AI 贷款审批/授信
4. AI 交易行为分析
5. AI 帮助 BA/PM 自动生成需求、文档、数据分析

商业价值：

1. 降低风险
2. 提升客户体验
3. 降低运营成本（KYC、审查、客服）

🟦20 Mins - PPT：AI 产品形态框架（PM & BA都能用）

PPT内容适量，预留学员讨论、问问题时间。

🎯学习目标

建立“看到一个行业案例 → 能拆成 AI 产品方案”的能力。

⭐PPT Slides（20 Mins）

1. 输入 Input（用户 / 数据 / 上下文）

1. 用户上传什么？
2. 系统从哪获取数据？（如交易数据、学习数据、购买历史）

2. AI 模块（模型 + RAG + 工具）

1. 用的是 GPT？Fine-tuned？
2. 有 RAG 吗？
3. 有多模态吗？

3. 业务逻辑（Rule + Workflow）

1. 什么时候调用模型？
2. 如何做安全检查？
3. 如何把模型结果变成可执行的动作？

4. 输出 Output（用户看见的东西）

1. 文案
2. 推荐结果
3. 报告
4. 决策结果

🔹练习（very quick）

让学员用框架拆解 ChatGPT 搜索：

“Amazon AI 智能客服是怎么工作的？”

2 分钟即可。

🟦30 Mins - PPT：深度行业案例拆解

⭐ 案例：Personalised Payment Solution Recommendation

逐步拆解：

1. 用户痛点

1. 选择多
2. 信息复杂难以理解

2.业务痛点（银行）

1. 客服量巨大
2. 系统流程复杂导致 drop-off

3. AI 产品形态设计

输入：客户基本信息

AI 模块：

1. OCR + LLM 解析文件
2. 风险判断模型
3. 多轮对话协助
4. 业务逻辑：
5. 如果文件不清晰 → 自动提示更换
6. 如果风控评分高 → 人工审核
7. 如果资料完整 → 自动 pass
8. 输出：
9. Payment product recommendation
10. Why
11. 用户下一步提示

4. PM 要做的事

1. 需求范围定义
2. success metric（转化率、审核成本）
3. 和数据科学、工程团队沟通
4. 优化 onboarding funnel

5. BA 要做的事

1. 需求文档
2. 用户流程图
3. 风险控制场景
4. 数据字段 mapping
5. 流程异常情况分析
6. Test case

🟦30 Mins - AI Hands-on 实操

🎯 Hands-on 目标

让每位学员 独立且完整 做一次：

1. 业务问题分析
2. 用户旅程拆解
3. AI 需求拆解（输入/输出/规则/异常）
4. 数据需求分析
5. Test case 编写
6. 用 ChatGPT 生成 AI Demo
7. 最后做BA 面试风格的案例展示

整个过程既是 BA 工作流程，也是 BA 面试题。

🛠Hands-on 任务（30 分钟）

🔨 任务：为一个行业（教育/电商/金融）设计一个 AI 产品，并用 ChatGPT 或自选 AI 工具做一个 Demo。

学员组成一个BA team，互相协作和分享。

📌 成果：

产出一个 “需求文档 mini version”

简易版，目的是为了理清职位职责，正式PRD/需求分析文档之后课程会Cover：

1. 输入输出（I/O specs）
2. 异常情况（error cases）
3. 两个 test case

🛠 实操步骤：讨论、合作、ChatGpt实操

Step 1：讨论并选择行业和mini项目（2 分钟）

1. 教育 / 电商 / 金融（可提供3个选项）
2. 每个学员选择自己的mini AI 项目

Step 2：用 ChatGPT 生成草稿（10 分钟）

让 ChatGPT 生成：

1. 业务问题（Business Problem）

1. 当前流程哪里有痛点？
2. 对业务有什么影响？

2. 用户旅程（User Journey）

写简单 5 步即可：

用户 → 输入 → AI → 系统处理 → 输出

3. 输入 & 输出（I/O Requirements）

1. 用户提供什么？
2. AI 模型提供什么？
3. 系统给用户的结果是什么？

4. 异常情况（Edge Cases）

每人至少写 2 个：

1. 文件不清晰
2. 用户输入不完整
3. AI 回答不可靠

5. 两个 Test Cases

1. 正常路径 1 个
2. 异常路径 1 个

Step 3：用 ChatGPT 做 Demo（10 分钟）

例如：

“你现在是一个 AI 个性化学习导师，帮一个学生制定英语学习计划。”

或者

“你是一个电商 AI 客服，帮客户找退货资格。”

或者

“你是一个金融 AI 风控模型，判断这个交易是否可疑。”

Step 4：快速展示（8 分钟）

每人3-4分钟展示

1. 选的行业案例
2. “BA 5 件套”里的重点
3. 实测 ChatGPT Demo 的结果
4. 如果这是真实项目，会怎么改需求（很 BA）

🟦15 Mins - 答疑/职业路径讨论&辅导

🎯目标

让学员理解个人求职GAP和努力方向。目标职位BA的学员之间可以互相参考和分享。

澳洲BA能力侧重点

澳洲最看重 BA 能力：沟通 + 结构化能力。

1. 如何把 AI 项目当作 portfolio
2. 如何用 AI 做 BA 产出（流程图、需求文档）
3. 金融行业如何给非 IT 背景提供优势（domain knowledge）

🟦5 Mins -Wrap-up

介绍实操Lab内容，作为本次Workshop的一个延伸。

这节课是开放问答时间，帮助你解决在学习或项目实践中遇到的疑惑。老师将针对大家的问题进行讲解和现场演示，帮助你理清思路、解决卡点。

你将获得：

1. 针对个人学习与实战问题的个性化解答
2. 对课程知识点的再梳理与强化
3. 实例讲解：从实际问题中提炼解决思路
4. 学习如何在团队协作中表达与解决问题

本节课继续以互动答疑为主，针对进阶内容（如AI应用落地、数据结构或工作流优化）进行深入讲解。

你将获得：

1. 对复杂AI流程与工具整合问题的指导
2. 常见错误与调试思路的讲解
3. 团队合作与任务拆解的实用技巧
4. 导师现场演示真实案例的解决过程

这节课聚焦项目实战阶段中常见的挑战，如任务管理、需求文档撰写与AI协作问题。

你将获得：

1. PRD与自动化项目的实战反馈与改进建议
2. 项目流程优化与时间管理技巧
3. 从导师与同学案例中学习实用经验
4. 进一步提升解决复杂问题的思维能力

本节课是结营前的总答疑与复盘。导师将帮助大家回顾整个学习流程，总结AI产品经理的核心能力结构，并为下一步职业发展提供方向建议。

你将获得：

1. 对核心知识体系的系统回顾与串联
2. 结营项目常见问题与优化建议
3. 导师针对求职与实战应用的答疑指导
4. 明确下一阶段学习与职业提升路径

Web 全栈班 P3 项目介绍

这节课将带你全面了解业务分析师（BA）岗位的求职要求，并教你如何在简历中精准展示自己的优势。导师会结合真实案例，分析哪些内容能吸引招聘官的注意，哪些常见错误会让你错失机会。

你将学习：

1. 了解 BA 岗位招聘方最关注的能力与关键词
2. 学会梳理项目经验，突出数据分析、需求管理等核心技能
3. 掌握简历内容结构与英文表达的规范写法
4. 学习如何针对不同公司定制化修改简历
5. 获得导师点评与修改建议，打造更具竞争力的BA简历