起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識這一年，做策略產品經理的那5個坑
坑本身不可怕，可怕的是同一個坑里面摔了兩次而不自知，前車之鑒后車之師，這里面會寫一些我的思考。
之前知乎上有邀請回答“在你做推薦系統的過程中都遇到過什么坑？”想想這一年的摸爬滾打，感慨萬千。這篇文章想算是做策略產品近一年時間的一個復盤，或者更具體一點是在做推薦策略產品中遇到的坑。
清單體，一吐為快！
坑一：數據問題
推薦策略產品的搭建，如果數據問題是其面臨的第二大問題，那么就沒有什么可以稱作是最大的問題了。
這里的數據問題并不是指沒有數據，而且沒有結構化的數據。
結構化數據也稱作是行數據，是由二維表結構來進行邏輯展示和表達的數據，嚴格遵循數據格式與長度規范，主要通過關系型數據庫進行存儲和管理。
主要表現在三個方面：
- 埋點缺失，線上數據無法收集
- 數據沒有進行科學的存儲，導致無法使用
- 存儲結構比較散亂，工程效率低下
以上三點，直接決定了一個業務線是否能夠搭建推薦策略產品。記得之前參加公司一個內部的會議，讓我印象很深刻的一段話：
底層數據各種屬性不全，最好的規則也白搭。
解決方案
關于數據落表以及表結構這塊，其實是需要看一個研發的功力。
數據埋點這塊，可以參考一下我之前寫的文章：一文讀懂產品埋點
坑二：推薦系統牛逼到無所不能
當然，除了上述的客觀問題之外，還會經常碰到下面的連環提問：
- 哇，這個東西我不喜歡，為什么還在我的列表展示？
- 嗯，這個東西是怎么推出來的，毫無根據啊
- 這幾個東西我怎么都沒見過……
- 我想買一個電磁爐，咋沒給我推出來啊……
- 啊，你看我們兩個推得東西不一樣啊，會不會被投訴……
這些提問的背后，實際上是近幾年推薦熱帶來的用戶預期管理不當。
在大多數人的眼中，推薦系統無所不能，而且能夠未卜先知，當然更不能犯錯，推出來的item必須是它喜歡的，認可的。
而精準度，不存在的。
對此
我的內心毫無波動，甚至還有點想笑
解決方案
在講解方案，進行規劃的時候做好預期管理，同時對于項目的核心衡量指標做好定義和目標閾值設置。
坑三：沒有算法的推薦系統就很low
推薦系統現在越來越被廣大人民神化了，再加上“人工智障”的把持，簡直要飛天。
所以當有人看到你的推薦系統沒有GBDT，SVD，甚至連個最簡單的頻繁二項集都沒有的話，呵呵，不好意思，你這不叫推薦系統。
此時……
不要慌，問題不大。
可以進入科普時刻：
推薦系統除了基于各種算法的推薦，還有一個大類是基于內容的推薦。這其中包括了基于約束的推薦，基于知識的推薦等。
另外，做推薦系統也需要有互聯網的產品思維，MVP先行。
可以先試一試基于用戶的個性化行為feature去做一些個性化的推薦是否能夠提升相關的指標，是否契合本業務線？
一個新的業務線如果一上來就開始選各種算法，訓練各種模型，先不說客觀條件具備與否，就說最后的ROI是否能夠達到都需要畫一個問號。
推薦策略本身還是為業務服務，從業務出發，撇開業務談策略都是耍流氓。
解決方案
做推薦系統不要聚焦在什么牛逼的算法，回歸業務，挖掘業務中可以結合推薦策略能夠高效，精準解決的痛點才是關鍵。
坑四：模糊的指標評價體系
關于推薦系統的指標，能夠羅列一大堆：PV，UV，請求次數，請求UV，點擊PV，點擊UV，曝光PV，曝光UV等等；當然我們一般都用核心指標來衡量，主要包括：CTR，CVR，RCVR，UV價值，RPM。
那么，在設定ROI之前我們到底該如何確定選取哪個指標呢？
這就需要我們在設定在設定推薦系統的核心指標之前，首先想清楚目前的目標導向是什么。是GMV導向，還是轉化率導向，還是流量導向？
目標導向不同，直接決定了整個推薦系統設計過程中的策略，公式，算法，特征等等的選取。
解決方案
對于新業務線暫時不要以GMV為導向，可以從流量或轉化率的角度入手，選取CTR作為核心指標；對于比較穩定的業務線則以GMV為導向，選取UV價值、RPM等作為核心指標。
坑五：高大上的算法與看似不那么好的效果
很多人對推薦系統有一個常見誤區，尤其對于業務人員，認為推薦就應該推薦的越準越好。
這個準是什么概念呢？比如用戶假設喜歡冒險和情感類電影，那推薦系統一直推薦這兩種題材的電影才是一個好的推薦系統，如果有其他題材的電影，那么這就是一個效果不好的推薦系統。
然而也就只有冒險和情感類電影。
用戶的興趣是會隨時變動的，關鍵有時候連他自己都不知道自己喜歡什么，所以推薦系統除了滿足這種在大量的物品中為用戶高效，精確的篩選出其感興趣的item之外，目前更多的是承擔一種挖掘用戶興趣的需求，也就是讓用戶愿意在你的產品中“逛起來”。
對于推薦系統來講通常這叫“新穎度”，也就是衡量推薦系統挖掘冷門物品的能力。
解決方案
推薦系統除了追求精準度之外，要結合業務特性設置其他衡量指標。比如對于內容型的產品，除了用戶可能感興趣的內容之外，平臺熱門，優質的內容也可以推給用戶，這其實也是一個不斷反哺用戶畫像庫的過程。
以上大概就是近一年做推薦策略產品的一些主要復盤，其實總的來說就是一句話：策略，數據驅動要回歸業務本身，這一切的源頭就是結構化的數據。
作者：夏唬人，公眾號：夏唬人，某廠策略產品經理
本文由 @夏唬人 原創發布于人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基于 CC0 協議
可否留個聯系方式交流一下
微信號有點復雜，公眾號有我的微信
求大師推薦算法入門書籍
這個好像問算法工程師比較好。。。。
現在剛剛開始接觸，準備做推薦算法，倒是沒有頭緒，類似于淘寶的千人千面的推薦算法，根據用戶體系，有什么建議呢
是做算法工程師還是做推薦產品經理？整個算法目前在實際商業落地的其實就那么幾種根據用戶來做千人千面的話，基本都是UserCF，二項集等主流算法，可以先看一看一些入門的書籍，了解一下主流算法有哪些，適用的場景和邊界是什么？但是，需要考慮哪些feature，weight又如何，怎么排序其實與你的指標，目標有關系，這個需要實踐，即便是相同的目標，不同的業務，區別也很大
現在有個難題，請問綜合排序的算法和個性化推薦的算法是怎么做的呢，綜合排序只能想到簡單的權重比例，具體的請求指教
。。。
，，，
自娛自樂很好哦
瞎說什么大實話
看來被坑的不淺，哈哈