今天我主要帶你認識兩方面的內容：一個是重新認識推薦系統關鍵元素的重要性，另一個是要建立起兩個思維模式。

對關鍵元素重要性的認識：

要開發一個推薦系統產品，有這么四個關鍵的元素需要注意：
1、UI和UE
2、數據
3、領域知識
4、算法

他們的重要性依次遞減，權重大致是4-3-2-1，要正確認識不同階段不同因素的重要性；

最先優化的一定是產品的UI和UE，即人機交互設計和用戶體驗設計。顏值即正義的法則放在推薦系統中也是成立的。

數據與UI和UE是幾乎同等重要的元素，它是推薦系統的食材。數據貫穿了產品始終，對數據的尊重就是對理性和科學的尊重。UI、UE、數據是一個產品的基石，無論其有沒有推薦系統存在都是基石。

領域知識，與之對應的是常識和通識。沒有哪一個產品不涉及領域知識，電商產品有自己的領域知識，音樂產品也有自己的領域知識。至于新聞類產品，更是有自己的領域知識。

大多數人最不了解的似乎是算法，其實算法的左右沒有你想象的那么大，但也一定不是可有可無。一種對算法的常見誤會就是：短期高估，長期低估。在一款個性化產品誕生之初，算法所起到的作用可以忽略，我們不能指望它能讓產品起死回生，一飛沖天。但就此拋出算法是無用的也是很愚蠢的。

目標思維和不確定思維

四個元素的重要性認識清楚后，還需認識兩個思維模式：目標思維和不確定思維

我個人對于軟件有一個粗略分類。傳統的軟件是一個信息流通管道，從信息生產端到信息消費端的通道。比如一款內容app，寫內容的可以正常記錄，讀內容的可以順暢加載，在高并發下依然能扛得住，這就是一個正常的產品了。

但推薦系統這種產品和信息流通管道的本質不一樣，它是一個信息過濾工具，要解決的不是信息流通本身，而是如何讓流通更有效率。

這兩個本質不同的軟件產品，決定了我們要以不同的視角去對待推薦系統。傳統的軟件產品追求的是穩定喝滿足預期，背后思想強調的是邏輯和因果鏈條，軟件體驗上設定好行為和響應，軟件設計上強調分層以應對無比復雜的操作邏輯。核心詞可以表述為：邏輯，因果，分層。

反觀推薦系統這種信息過濾系統，追求的是指標的增長，背后思想強調的是目標和不確定性；我們并不能很確定地模擬每個人將會看到什么，也不能很好地復現一些操作過程，充滿了不確定性，但是在推薦系統未動的情形下，目標先行是常識。

關于目標思維，可以參考機器學習，通常來說，訓練機器學習模型是一個不斷最小化目標函數的過程，先設定一個目標函數，然后通過不斷迭代讓這個函數值到最小值。

我們把一個推薦系統也可以看做一個函數，這個函數的輸入有：UI、UE、數據、領域知識等等，輸出是我們關注的指標：留存率、新聞的閱讀時間、電商的GMV、視頻的vv等等；

我們做任何調整：如加新的策略、替換現有的推薦算法、修改UI等等，都是在改變這個函數的參數，如果輸出值在增長，就說明修改有效，就可以繼續沿著這個方向修改，一旦無效或者起反作用就需要立即回滾。

目標思維的背后是量化一切的價值取向。首先要量化的就是目標本身，接下來要量化的是所有優化改進動作，量化一切的價值取向和前面說的數據的重要性是一體兩面，要量化就要回收數據，數據收集對了才能得到正確的量化結果。

盯著量化后的目標去行動后，還需要具備另一個思維：不確定性思維。什么是確定思維，可以理解為完全依靠邏輯和因果鏈條引發而成的，只要初始條件給定，那么結果就是一定的。這是確定性思維，就是對于結果有預期，可以提前推演出來。

反之就是不確定性思維：不用因果邏輯嚴絲合縫地提前推演，而是用概率的眼光去看結果。

為什么負責推薦系統產品的人一定要有不確定性思維呢？原因有以下幾個。
1、絕大多數推薦算法都是概率算法，因此本身就無法保證得到確切結果，只是概率上得到好的效果。
2、推薦系統追求的是目標的增長，而不是一城一池的得失；
3、如果去花時間為了一個case而增加補丁，那么付出的成本和得到的收益將會大打折扣；
4、本身出現意外的推薦也是有益的，可以探索用戶的新興趣，這屬于推薦系統的一個經典問題：EE問題，會在后面的內容中專門講；

總結：

今天，我主要說了兩個內容：
1、推薦系統構成元素的相對重要性，搞清楚重點，才能快速前進；
2、建立器目標和不確定性思維，抓住目標，不擇手段地增長目標，不糾結一城一池的得失。