今天我主要带你认识两方面的内容：一个是重新认识推荐系统关键元素的重要性，另一个是要建立起两个思维模式。

对关键元素重要性的认识：

要开发一个推荐系统产品，有这么四个关键的元素需要注意：
1、UI和UE
2、数据
3、领域知识
4、算法

他们的重要性依次递减，权重大致是4-3-2-1，要正确认识不同阶段不同因素的重要性；

最先优化的一定是产品的UI和UE，即人机交互设计和用户体验设计。颜值即正义的法则放在推荐系统中也是成立的。

数据与UI和UE是几乎同等重要的元素，它是推荐系统的食材。数据贯穿了产品始终，对数据的尊重就是对理性和科学的尊重。UI、UE、数据是一个产品的基石，无论其有没有推荐系统存在都是基石。

领域知识，与之对应的是常识和通识。没有哪一个产品不涉及领域知识，电商产品有自己的领域知识，音乐产品也有自己的领域知识。至于新闻类产品，更是有自己的领域知识。

大多数人最不了解的似乎是算法，其实算法的左右没有你想象的那么大，但也一定不是可有可无。一种对算法的常见误会就是：短期高估，长期低估。在一款个性化产品诞生之初，算法所起到的作用可以忽略，我们不能指望它能让产品起死回生，一飞冲天。但就此抛出算法是无用的也是很愚蠢的。

目标思维和不确定思维

四个元素的重要性认识清楚后，还需认识两个思维模式：目标思维和不确定思维

我个人对于软件有一个粗略分类。传统的软件是一个信息流通管道，从信息生产端到信息消费端的通道。比如一款内容app，写内容的可以正常记录，读内容的可以顺畅加载，在高并发下依然能扛得住，这就是一个正常的产品了。

但推荐系统这种产品和信息流通管道的本质不一样，它是一个信息过滤工具，要解决的不是信息流通本身，而是如何让流通更有效率。

这两个本质不同的软件产品，决定了我们要以不同的视角去对待推荐系统。传统的软件产品追求的是稳定喝满足预期，背后思想强调的是逻辑和因果链条，软件体验上设定好行为和响应，软件设计上强调分层以应对无比复杂的操作逻辑。核心词可以表述为：逻辑，因果，分层。

反观推荐系统这种信息过滤系统，追求的是指标的增长，背后思想强调的是目标和不确定性；我们并不能很确定地模拟每个人将会看到什么，也不能很好地复现一些操作过程，充满了不确定性，但是在推荐系统未动的情形下，目标先行是常识。

关于目标思维，可以参考机器学习，通常来说，训练机器学习模型是一个不断最小化目标函数的过程，先设定一个目标函数，然后通过不断迭代让这个函数值到最小值。

我们把一个推荐系统也可以看做一个函数，这个函数的输入有：UI、UE、数据、领域知识等等，输出是我们关注的指标：留存率、新闻的阅读时间、电商的GMV、视频的vv等等；

我们做任何调整：如加新的策略、替换现有的推荐算法、修改UI等等，都是在改变这个函数的参数，如果输出值在增长，就说明修改有效，就可以继续沿着这个方向修改，一旦无效或者起反作用就需要立即回滚。

目标思维的背后是量化一切的价值取向。首先要量化的就是目标本身，接下来要量化的是所有优化改进动作，量化一切的价值取向和前面说的数据的重要性是一体两面，要量化就要回收数据，数据收集对了才能得到正确的量化结果。

盯着量化后的目标去行动后，还需要具备另一个思维：不确定性思维。什么是确定思维，可以理解为完全依靠逻辑和因果链条引发而成的，只要初始条件给定，那么结果就是一定的。这是确定性思维，就是对于结果有预期，可以提前推演出来。

反之就是不确定性思维：不用因果逻辑严丝合缝地提前推演，而是用概率的眼光去看结果。

为什么负责推荐系统产品的人一定要有不确定性思维呢？原因有以下几个。
1、绝大多数推荐算法都是概率算法，因此本身就无法保证得到确切结果，只是概率上得到好的效果。
2、推荐系统追求的是目标的增长，而不是一城一池的得失；
3、如果去花时间为了一个case而增加补丁，那么付出的成本和得到的收益将会大打折扣；
4、本身出现意外的推荐也是有益的，可以探索用户的新兴趣，这属于推荐系统的一个经典问题：EE问题，会在后面的内容中专门讲；

总结：

今天，我主要说了两个内容：
1、推荐系统构成元素的相对重要性，搞清楚重点，才能快速前进；
2、建立器目标和不确定性思维，抓住目标，不择手段地增长目标，不纠结一城一池的得失。