本文以商业化应用推荐为例，告诉我们不懂推荐算法的产品，也能从产品侧出发， 设计出一款不错的推荐系统。
相信很多新手产品，看到算法二字，多是懵圈的。
什么排序算法、最短路径等都是相对传统的算法（注：传统是指科班出身的产品都会接触过）。但对于推荐算法，多数产品对着网上搜到的资源，都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后，更是加大了理解的难度。
但，不了解推荐算法，就无法做推荐系统了吗？其实，产品人员可以从产品侧挖掘自己的长处。
下面，以商业化应用推荐为例，讨论如何在不熟悉推荐算法的前提下设计推荐系统。
01 解决什么问题
改善用户体验：对于用户不感兴趣的应用，少推荐，减少整体的广告显示，提升用户体验（毕竟，多数情况下，商业化与体验是矛盾的）。
02 设定目标
这是比较难的。需要了解当前的推荐策略 与 优化后的策略，才能制定出来。要么你熟悉推荐算法，要么知晓行业数据。建议是：如果没有明确的依据，不要拍脑袋。
03 有什么数据
用户画像，是一个谈到烂的话题。但小体量的公司很难把用户画像落地，因为需求是简单的：根据用户画像，用户的喜欢做……但在实际执行中，很难建立一个数据模型处理万千的数据并应用到推荐场景当中。
下面讨论数据情况，有哪些维度的数据，直接决定数据模型。
1. 基础数据
无论贵公司是以APK还是SDK的方式，用户手机安装了什么应用，均可以拿到。具体数据如下：
2. 基础数据的推导
根据基础数据，我们可以推导出应用卸载列表。
用户卸载列表：指用户点击安装后，又卸载的应用。用相临两周的应用列表，做差，即可得到。如下图所示，相对于本周数据，上周缺少了百度地图与饿了么两个应用。
3. 不喜欢应用列表
04 高阶数据
如果可以获取用户使用应用的详情，那做应用推荐时，准确度可大幅提升。但普通应用获取不到此类数据，所以本篇不作讨论。
05 推荐策略
已安装类别中，推荐额外应用：如用户安装了QQ音乐，可以推荐网易云音乐。
1. 先上整体流程图
第一步：获取用户本地应用，即用户当前时间段安装的应用。建议以周为统计周期。
第二步：对用户本地应用按类别整理。示例数据中，用户有“系统工具，导航”这两类数据。但缺少“音乐，旅游”等类别的应用。那么每个分类的排名是如何得来的呢？
衡量一个分类的排名，涉及到多个因素。我们暂时用最简单的，推荐成功率来计算。即：以往的数据中，每个类别推荐成功了多少个应用/总的推荐数。
各位读者实际的项目中，要根据自己的业务特点，来计算排名。
第三步：获取第一个缺失分类及所包含的应用。在步骤2中，排名第1，第2的类别已有，下一个类别为音乐，即为用户缺失的类别中，最为靠前的。如上图红色字所示。
第四步：获取该类别的第一个应用。每个类别可能有多个应用。应用间的排名，也可暂用推荐成功率来计算。如下图所示，在缺少的音乐排名中，QQ音乐排名第一位。我们选出该应用，优先推荐。
第五步：将步骤4中的应用，按不喜欢名单过滤。如上图，如果用户不喜欢QQ音乐，则按照顺序，向其推荐 网易音乐。
最后，统计是否已经达到需要的广告数量。如果没有达到，则继续在该类别中取下一个应用。如果该类别已经取完，则依次获取下一个类别中的应用。
第六步：保底推荐。最后托底的推荐策略，防止所有的应用遍历一遍广告数量还是不够的情况。
以上，就是精简后的，按缺失类别推荐应用的最基本的流程。您可能会问：为什么优先从一个类别中挑选应用呢？是的，上文实际的策略是：单（缺失）类别优先的策略。
