坑本身不可怕，可怕的是同一个坑里面摔了两次而不自知，前车之鉴后车之师，这里面会写一些我的思考。
之前知乎上有邀请回答“在你做推荐系统的过程中都遇到过什么坑？”想想这一年的摸爬滚打，感慨万千。这篇文章想算是做策略产品近一年时间的一个复盘，或者更具体一点是在做推荐策略产品中遇到的坑。
清单体，一吐为快！
坑一：数据问题
推荐策略产品的搭建，如果数据问题是其面临的第二大问题，那么就没有什么可以称作是最大的问题了。
这里的数据问题并不是指没有数据，而且没有结构化的数据。
结构化数据也称作是行数据，是由二维表结构来进行逻辑展示和表达的数据，严格遵循数据格式与长度规范，主要通过关系型数据库进行存储和管理。
主要表现在三个方面：
埋点缺失，线上数据无法收集
数据没有进行科学的存储，导致无法使用
存储结构比较散乱，工程效率低下
以上三点，直接决定了一个业务线是否能够搭建推荐策略产品。记得之前参加公司一个内部的会议，让我印象很深刻的一段话：
底层数据各种属性不全，最好的规则也白搭。
解决方案
关于数据落表以及表结构这块，其实是需要看一个研发的功力。
数据埋点这块，可以参考一下我之前写的文章：一文读懂产品埋点
当然，除了上述的客观问题之外，还会经常碰到下面的连环提问：
哇，这个东西我不喜欢，为什么还在我的列表展示？
嗯，这个东西是怎么推出来的，毫无根据啊
这几个东西我怎么都没见过……
我想买一个电磁炉，咋没给我推出来啊……
啊，你看我们两个推得东西不一样啊，会不会被投诉……
这些提问的背后，实际上是近几年推荐热带来的用户预期管理不当。
在大多数人的眼中，推荐系统无所不能，而且能够未卜先知，当然更不能犯错，推出来的item必须是它喜欢的，认可的。
而精准度，不存在的。
对此
我的内心毫无波动，甚至还有点想笑
解决方案
在讲解方案，进行规划的时候做好预期管理，同时对于项目的核心衡量指标做好定义和目标阈值设置。
推荐系统现在越来越被广大人民神化了，再加上“人工智障”的把持，简直要飞天。
所以当有人看到你的推荐系统没有GBDT，SVD，甚至连个最简单的频繁二项集都没有的话，呵呵，不好意思，你这不叫推荐系统。
此时……
不要慌，问题不大。
可以进入科普时刻：
推荐系统除了基于各种算法的推荐，还有一个大类是基于内容的推荐。这其中包括了基于约束的推荐，基于知识的推荐等。
可以先试一试基于用户的个性化行为feature去做一些个性化的推荐是否能够提升相关的指标，是否契合本业务线？
一个新的业务线如果一上来就开始选各种算法，训练各种模型，先不说客观条件具备与否，就说最后的ROI是否能够达到都需要画一个问号。
推荐策略本身还是为业务服务，从业务出发，撇开业务谈策略都是耍流氓。
解决方案
做推荐系统不要聚焦在什么牛逼的算法，回归业务，挖掘业务中可以结合推荐策略能够高效，精准解决的痛点才是关键。
坑四：模糊的指标评价体系
关于推荐系统的指标，能够罗列一大堆：PV，UV，请求次数，请求UV，点击PV，点击UV，曝光PV，曝光UV等等；当然我们一般都用核心指标来衡量，主要包括：CTR，CVR，RCVR，UV价值，RPM。
那么，在设定ROI之前我们到底该如何确定选取哪个指标呢？
这就需要我们在设定在设定推荐系统的核心指标之前，首先想清楚目前的目标导向是什么。是GMV导向，还是转化率导向，还是流量导向？
目标导向不同，直接决定了整个推荐系统设计过程中的策略，公式，算法，特征等等的选取。
解决方案
对于新业务线暂时不要以GMV为导向，可以从流量或转化率的角度入手，选取CTR作为核心指标；对于比较稳定的业务线则以GMV为导向，选取UV价值、RPM等作为核心指标。
坑五：高大上的算法与看似不那么好的效果
很多人对推荐系统有一个常见误区，尤其对于业务人员，认为推荐就应该推荐的越准越好。
这个准是什么概念呢？比如用户假设喜欢冒险和情感类电影，那推荐系统一直推荐这两种题材的电影才是一个好的推荐系统，如果有其他题材的电影，那么这就是一个效果不好的推荐系统。
然而也就只有冒险和情感类电影。
用户的兴趣是会随时变动的，关键有时候连他自己都不知道自己喜欢什么，所以推荐系统除了满足这种在大量的物品中为用户高效，精确的筛选出其感兴趣的item之外，目前更多的是承担一种挖掘用户兴趣的需求，也就是让用户愿意在你的产品中“逛起来”。
对于推荐系统来讲通常这叫“新颖度”，也就是衡量推荐系统挖掘冷门物品的能力。
解决方案
推荐系统除了追求精准度之外，要结合业务特性设置其他衡量指标。比如对于内容型的产品，除了用户可能感兴趣的内容之外，平台热门，优质的内容也可以推给用户，这其实也是一个不断反哺用户画像库的过程。
以上大概就是近一年做推荐策略产品的一些主要复盘，其实总的来说就是一句话：策略，数据驱动要回归业务本身，这一切的源头就是结构化的数据。
