坑本身不可怕，可怕的是同一個(gè)坑里面摔了兩次而不自知，前車(chē)之鑒后車(chē)之師，這里面會(huì)寫(xiě)一些我的思考。

之前知乎上有邀請(qǐng)回答“在你做推薦系統(tǒng)的過(guò)程中都遇到過(guò)什么坑？”想想這一年的摸爬滾打，感慨萬(wàn)千。這篇文章想算是做策略產(chǎn)品近一年時(shí)間的一個(gè)復(fù)盤(pán)，或者更具體一點(diǎn)是在做推薦策略產(chǎn)品中遇到的坑。

清單體，一吐為快！

坑一：數(shù)據(jù)問(wèn)題

推薦策略產(chǎn)品的搭建，如果數(shù)據(jù)問(wèn)題是其面臨的第二大問(wèn)題，那么就沒(méi)有什么可以稱(chēng)作是最大的問(wèn)題了。

這里的數(shù)據(jù)問(wèn)題并不是指沒(méi)有數(shù)據(jù)，而且沒(méi)有結(jié)構(gòu)化的數(shù)據(jù)。

結(jié)構(gòu)化數(shù)據(jù)也稱(chēng)作是行數(shù)據(jù)，是由二維表結(jié)構(gòu)來(lái)進(jìn)行邏輯展示和表達(dá)的數(shù)據(jù)，嚴(yán)格遵循數(shù)據(jù)格式與長(zhǎng)度規(guī)范，主要通過(guò)關(guān)系型數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)和管理。

主要表現(xiàn)在三個(gè)方面：

• 埋點(diǎn)缺失，線上數(shù)據(jù)無(wú)法收集
• 數(shù)據(jù)沒(méi)有進(jìn)行科學(xué)的存儲(chǔ)，導(dǎo)致無(wú)法使用
• 存儲(chǔ)結(jié)構(gòu)比較散亂，工程效率低下

以上三點(diǎn)，直接決定了一個(gè)業(yè)務(wù)線是否能夠搭建推薦策略產(chǎn)品。記得之前參加公司一個(gè)內(nèi)部的會(huì)議，讓我印象很深刻的一段話：

底層數(shù)據(jù)各種屬性不全，最好的規(guī)則也白搭。

解決方案

關(guān)于數(shù)據(jù)落表以及表結(jié)構(gòu)這塊，其實(shí)是需要看一個(gè)研發(fā)的功力。

數(shù)據(jù)埋點(diǎn)這塊，可以參考一下我之前寫(xiě)的文章：一文讀懂產(chǎn)品埋點(diǎn)

坑二：推薦系統(tǒng)牛逼到無(wú)所不能

當(dāng)然，除了上述的客觀問(wèn)題之外，還會(huì)經(jīng)常碰到下面的連環(huán)提問(wèn)：

• 哇，這個(gè)東西我不喜歡，為什么還在我的列表展示？
• 嗯，這個(gè)東西是怎么推出來(lái)的，毫無(wú)根據(jù)啊
• 這幾個(gè)東西我怎么都沒(méi)見(jiàn)過(guò)……
• 我想買(mǎi)一個(gè)電磁爐，咋沒(méi)給我推出來(lái)啊……
• 啊，你看我們兩個(gè)推得東西不一樣啊，會(huì)不會(huì)被投訴……

這些提問(wèn)的背后，實(shí)際上是近幾年推薦熱帶來(lái)的用戶(hù)預(yù)期管理不當(dāng)。

在大多數(shù)人的眼中，推薦系統(tǒng)無(wú)所不能，而且能夠未卜先知，當(dāng)然更不能犯錯(cuò)，推出來(lái)的item必須是它喜歡的，認(rèn)可的。

而精準(zhǔn)度，不存在的。

對(duì)此

我的內(nèi)心毫無(wú)波動(dòng)，甚至還有點(diǎn)想笑

解決方案

在講解方案，進(jìn)行規(guī)劃的時(shí)候做好預(yù)期管理，同時(shí)對(duì)于項(xiàng)目的核心衡量指標(biāo)做好定義和目標(biāo)閾值設(shè)置。

坑三：沒(méi)有算法的推薦系統(tǒng)就很low

推薦系統(tǒng)現(xiàn)在越來(lái)越被廣大人民神化了，再加上“人工智障”的把持，簡(jiǎn)直要飛天。

所以當(dāng)有人看到你的推薦系統(tǒng)沒(méi)有GBDT，SVD，甚至連個(gè)最簡(jiǎn)單的頻繁二項(xiàng)集都沒(méi)有的話，呵呵，不好意思，你這不叫推薦系統(tǒng)。

此時(shí)……

不要慌，問(wèn)題不大。

可以進(jìn)入科普時(shí)刻：

推薦系統(tǒng)除了基于各種算法的推薦，還有一個(gè)大類(lèi)是基于內(nèi)容的推薦。這其中包括了基于約束的推薦，基于知識(shí)的推薦等。

另外，做推薦系統(tǒng)也需要有互聯(lián)網(wǎng)的產(chǎn)品思維，MVP先行。

可以先試一試基于用戶(hù)的個(gè)性化行為feature去做一些個(gè)性化的推薦是否能夠提升相關(guān)的指標(biāo)，是否契合本業(yè)務(wù)線？

一個(gè)新的業(yè)務(wù)線如果一上來(lái)就開(kāi)始選各種算法，訓(xùn)練各種模型，先不說(shuō)客觀條件具備與否，就說(shuō)最后的ROI是否能夠達(dá)到都需要畫(huà)一個(gè)問(wèn)號(hào)。

推薦策略本身還是為業(yè)務(wù)服務(wù)，從業(yè)務(wù)出發(fā)，撇開(kāi)業(yè)務(wù)談策略都是耍流氓。

解決方案

做推薦系統(tǒng)不要聚焦在什么牛逼的算法，回歸業(yè)務(wù)，挖掘業(yè)務(wù)中可以結(jié)合推薦策略能夠高效，精準(zhǔn)解決的痛點(diǎn)才是關(guān)鍵。

坑四：模糊的指標(biāo)評(píng)價(jià)體系

關(guān)于推薦系統(tǒng)的指標(biāo)，能夠羅列一大堆：PV，UV，請(qǐng)求次數(shù)，請(qǐng)求UV，點(diǎn)擊PV，點(diǎn)擊UV，曝光PV，曝光UV等等；當(dāng)然我們一般都用核心指標(biāo)來(lái)衡量，主要包括：CTR，CVR，RCVR，UV價(jià)值，RPM。

那么，在設(shè)定ROI之前我們到底該如何確定選取哪個(gè)指標(biāo)呢？

這就需要我們?cè)谠O(shè)定在設(shè)定推薦系統(tǒng)的核心指標(biāo)之前，首先想清楚目前的目標(biāo)導(dǎo)向是什么。是GMV導(dǎo)向，還是轉(zhuǎn)化率導(dǎo)向，還是流量導(dǎo)向？

目標(biāo)導(dǎo)向不同，直接決定了整個(gè)推薦系統(tǒng)設(shè)計(jì)過(guò)程中的策略，公式，算法，特征等等的選取。

解決方案

對(duì)于新業(yè)務(wù)線暫時(shí)不要以GMV為導(dǎo)向，可以從流量或轉(zhuǎn)化率的角度入手，選取CTR作為核心指標(biāo)；對(duì)于比較穩(wěn)定的業(yè)務(wù)線則以GMV為導(dǎo)向，選取UV價(jià)值、RPM等作為核心指標(biāo)。

坑五：高大上的算法與看似不那么好的效果

很多人對(duì)推薦系統(tǒng)有一個(gè)常見(jiàn)誤區(qū)，尤其對(duì)于業(yè)務(wù)人員，認(rèn)為推薦就應(yīng)該推薦的越準(zhǔn)越好。

這個(gè)準(zhǔn)是什么概念呢？比如用戶(hù)假設(shè)喜歡冒險(xiǎn)和情感類(lèi)電影，那推薦系統(tǒng)一直推薦這兩種題材的電影才是一個(gè)好的推薦系統(tǒng)，如果有其他題材的電影，那么這就是一個(gè)效果不好的推薦系統(tǒng)。

然而也就只有冒險(xiǎn)和情感類(lèi)電影。

用戶(hù)的興趣是會(huì)隨時(shí)變動(dòng)的，關(guān)鍵有時(shí)候連他自己都不知道自己喜歡什么，所以推薦系統(tǒng)除了滿足這種在大量的物品中為用戶(hù)高效，精確的篩選出其感興趣的item之外，目前更多的是承擔(dān)一種挖掘用戶(hù)興趣的需求，也就是讓用戶(hù)愿意在你的產(chǎn)品中“逛起來(lái)”。

對(duì)于推薦系統(tǒng)來(lái)講通常這叫“新穎度”，也就是衡量推薦系統(tǒng)挖掘冷門(mén)物品的能力。

解決方案

推薦系統(tǒng)除了追求精準(zhǔn)度之外，要結(jié)合業(yè)務(wù)特性設(shè)置其他衡量指標(biāo)。比如對(duì)于內(nèi)容型的產(chǎn)品，除了用戶(hù)可能感興趣的內(nèi)容之外，平臺(tái)熱門(mén)，優(yōu)質(zhì)的內(nèi)容也可以推給用戶(hù)，這其實(shí)也是一個(gè)不斷反哺用戶(hù)畫(huà)像庫(kù)的過(guò)程。

以上大概就是近一年做推薦策略產(chǎn)品的一些主要復(fù)盤(pán)，其實(shí)總的來(lái)說(shuō)就是一句話：策略，數(shù)據(jù)驅(qū)動(dòng)要回歸業(yè)務(wù)本身，這一切的源頭就是結(jié)構(gòu)化的數(shù)據(jù)。

作者：夏唬人，公眾號(hào)：夏唬人，某廠策略產(chǎn)品經(jīng)理

本文由 @夏唬人 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自 Unsplash，基于 CC0 協(xié)議