本文内容來自于近期神策數據舉辦的《智能推薦——應用場景與技術難點剖析》閉門會上的分享内容整理，分享者為神策數據副總裁張濤，曾就職于騰訊、映客和豌豆莢等知名互聯網公司。

大家好，我是張濤，在加入神策數據之前的 10 年中，我一直在 C 端産品中從事産品設計和運營管理相關的工作，做的産品包括工具類、電商類、内容類等，在這個過程中，關于搜索推薦操盤過很多實踐的項目，有從 0 開始做的，也有在中後期介入做優化叠代的。因此，今天關于推薦的分享可能不那麼偏技術視角，這有一個好處，是幫助産品和運營人員更加了解推薦，也讓技術更了解業務産品視角下的推薦。

今天的分享将為大家解答以下幾個問題。你的公司是否适合采用個性化推薦？如果需要個性化推薦，該如何做好？産品運營在參與到一個推薦系統的構建當中，有哪些常見的坑？有哪些可以避開這些坑的一些簡單方法？以及如何修煉成一個優秀的推薦産品經理？

個人認為，推薦系統是根據用戶以及不同的場景差異，對信息進行合理的排序、過濾，解決信息過載問題的一套機制。這個定義中包含四個關鍵點，如下：

1.“根據用戶以及不同的場景差異”

對于很多剛開始做推薦的人可能會忽略這一點，大部分人在思考推薦時想的更多的可能是基于用戶來做，但其實我從衆多實踐中發現，很多時候推薦産生價值不僅僅隻是說以用戶進行區分，相關場景的差異會對于最後推薦效果産生巨大的影響。

2.“推薦的本質是對信息進行合理的排序、過濾”

很多人認為推薦是一個魔盒，非常神奇，其實究其本質是企業有成千上萬甚至上億的 item，不管這些 item 是文章、視頻，還是電商裡面的商品，然後現在有某個人在一個具體的場景裡面，企業需要把這些 item 給他看，那應該把哪個放在第一個？這就是推薦系統背後的運作原理。

3. “推薦系統要解決信息過載的問題”

舉個例子，如果你的企業隻做爆款商品，整個公司隻賣兩個商品，這樣用戶一看就明白了，顯然也不需要推薦，所以做推薦的一個前提條件是你公司本身提供的業務裡面的信息太多了，對于一個正常的自然人來說，他處理不了那麼多信息的時候，企業才需要去幫助用戶解決信息過載的問題，從而為用戶設計這樣一套機制。

4.“一套機制”

這點很好理解，推薦系統是由不同的算法、規則等構成的一套機制。這四點是我從産品視角為你解讀了什麼是推薦系統，以及他的一些簡單作用。

事實上，解決我在前面提到的一系列問題，推薦系統并不是唯一的方法。比如，前面所提到的排序、過濾，做技術的同學應該很容易聯想到，搜索和廣告系統也涉及排序、過濾，且搜索也一定程度上解決了信息過載。那麼，這三個系統，它到底有什麼區别呢？我從 5 個方面對其進行了對比，下面将一一講述：

1．用戶獲取信息的方式。

廣告與推薦系統，用戶都是被動的，但搜索不一樣，用戶是主動搜索的，他需要輸入一些關鍵詞，會加入一些自己的意見和重點。

2.點擊率要求。

這三個系統對點擊率都有要求，僅在要求上有些區别，這就不祥述了。

3.驚喜度要求。

對于廣告和搜索系統來說，不需要太多的驚喜度。比如，如果我搜一個關鍵詞，搜索到我想要的資料時，并不會覺得很驚喜，甚至認為是理所當然，但是在推薦系統裡，用戶往往對驚喜度是有要求的。

具體來說，用戶對于一個推薦系統的期望是希望産品能夠給他們一些驚喜，如用戶 A 雖然不知道産品用了什麼數據、什麼方法，但如果突然推薦了一首可能他已經快遺忘的自己卻很喜歡的歌時，他就會因感到産品“好懂我”而驚喜。

4.個性化要求。

在廣告和搜索系統，個性化的需求是可有可無的，不管有沒有系統也能正常運作。但是，對于推薦系統來說，個性化要求非常高，甚至越高越好。因為個性化推薦針對的是差異化的單個場景，一定會有個性化的要求。

5.用戶反饋。

廣告和搜索系統存在比較隐性的反饋，即對于搜索結果好不好？一般很少有搜索引擎廠商會直接問用戶，你喜不喜歡搜索結果，更多是廠商去判定廣告效果和搜索效果，一般是通過 CTR，或通過整個産品的某些長期留存表現來判定。但是，對于推薦系統來說，很多推薦産品會直接地問用戶的喜好，存在很明顯的顯性主觀表達。

因此，同樣是解決類似的一系列問題。 但是這三個不同的系統存在極大的差異（如下圖），這些區别直接決定了企業去判斷某個業務适不适合使用個性化推薦，以及該如何做好個性化推薦。

更多互聯網幹貨和案例，可關注【神策數據】公衆号了解~