夜雨聆风同学们，【DTS导师周推】第九期 🌿
上次我们聊了"从业务问题到数据看板"——把现状看清楚，是用数据驱动决策的第一层。今天聊更高级的形态：用数据"影响行为"。这事儿做到极致的，就是推荐系统。
你有没有过这种体验？
加班到 8 点，累到不想动，外卖App刚打开就推"你常点的黄焖鸡"——瞬间被理解 ✅ 搜了一次烧烤，接下来一周首页全是烧烤，烧烤烧烤烧烤……——突然被标签 ❌
"被理解"和"被标签"，背后是同一套系统在跑。差别在哪？今天拆给你看。
任何推荐系统——外卖、抖音、淘宝、小红书——本质上都跑这 4 步。这 4 步里，技术只占一半，另一半是产品决策。
环节 1：数据采集——"你比想象中更透明"
你以为App只知道你"点了什么"？其实它知道的多得多：
显性数据：搜索词、加购物车、点过的菜、收藏、评价 隐性数据：停留时长、滑动速度、跳过哪些、浏览路径（光"滑过"和"停下来看"含义完全不同） 场景数据：定位（公司在哪/家在哪）、时间（午餐11:30还是凌晨1点）、网络（WiFi还是4G）、设备型号
💡 导师经验：我在企业做B端SaaS时发现一个反直觉的事——"客户点开但没保存"这种被动行为数据，比主动反馈更能反映真实意图。用户不说的话，他的行为替他说了。
环节 2：用户画像——"系统给你打了上百个标签"
拿到数据后，系统会给你打标签，分三层：
⚠️关键提醒：标签会"打架"、会"过时"。你毕业从学生变上班族，标签不会自动更新——这就是经典的"用户冷启动"和"标签漂移"问题。数据科学家一半的工作，是处理这种"标签不可靠"的脏活。
环节 3：推荐策略——"技术+产品决策的化学反应"
这是最容易被外行误解的一步。你以为推荐是"算出来的"，其实是"筛+排+调"三步：
百万商品↓ 召回（粗筛，几百个候选）↓ 模型：协同过滤 / 双塔模型 / 知识图谱几百个候选↓ 排序（精排，每个打分）↓ 模型：点击率预估 / 转化率预估几十个最终候选↓ 重排（人工规则+产品策略）↓ 规则：多样性、新鲜度、商业目标、广告位最终第1位/第2位/第3位...
📌产品决策发生在"重排"这一步——技术算出"你最可能点黄焖鸡"，但产品经理决定：
把黄焖鸡放第 1 位（最大化点击）还是第 3 位（避免用户点完就走）？ 偶尔插一个"你没点过但可能喜欢"的菜（探索）还是每次都推熟悉的（利用）？ 推一个广告商付费的菜（商业目标）还是推一个对你真正有用的（用户价值）？
这一层没有任何算法能替你决定。这是产品经理的工作，也是产品思维最高级的体现。
环节 4：效果评估——"你怎么证明它有效？"
推荐出去了，不能"发了就完事"。看效果分三层：
离线指标（用历史数据回测）：准确率、召回率、AUC——只能验证"模型本身好不好" 在线指标（真实流量）：点击率CTR、下单率、复购率——能验证"用户买不买账" A/B 实验（最可信）：10%用户看新推荐、90%看旧推荐，对比转化差异
⚠️关键提醒：点击率高 ≠ 业务好。我见过最离谱的案例：某App推"重油重辣9.9元特价菜"，点击率飙升30%，但用户吃完拉肚子，复购率两周后暴跌15%。只看一个指标的产品经理，一定会踩这个坑。
为什么有些推荐让你觉得"被理解"，有些让你觉得"被算计"？
核心原理叫"探索与利用的权衡"（Exploration vs Exploitation）：
利用：只推你历史上喜欢的——短期点击率高，长期陷入信息茧房 探索：偶尔推你没见过的——短期点击率会掉，但长期能发现新兴趣、提升留存
真实案例：某头部外卖App"猜你喜欢"曾被骂上热搜——推券太多、推荐太准，反而让用户觉得"被算计"。后来他们调整策略：每天只推 3 个真正相关的 + 1 个探索性的，反而提升了长期复购。
📌 同样的逻辑在我们身边处处可见：
抖音偶尔插一条"不相关"内容，是为了不让你腻 音乐App推荐你熟悉的歌 + 偶尔推新歌，是同一套思维 老师讲课只讲你会的不行——得有 20% 是"探索"内容，能力才长得上去
🔗 怎么从"看懂"到"用上"？
推荐系统不是技术同学独占的领域。我工作中发现，懂推荐逻辑的产品同学比纯技术同学更值钱——因为他们能在"模型能算什么"和"产品应该做什么"之间搭桥。
如果你未来想做产品经理、AI产品经理、用户增长，推荐系统是你绕不开的"必修课"。哪怕不做产品，理解它也能让你：
看任何App都多一层"它在算计我什么"的清醒 找实习面试时，能用 4 环节拆解任何一个你常用的 App 在毕设/竞赛里，把"推荐系统"作为切入点（这是数据科学最热门的实战方向之一）
💡兴趣探索：打开你常用的 1 个 App（外卖/抖音/淘宝/小红书都行），用今天讲的 4 环节拆解它。
它在采集你的哪些数据？ 它可能给你打了什么标签？ 它在"重排"那一步会做什么产品决策？（这一步最难，可以猜） 怎么知道推荐效果好不好？什么指标会"作弊"？
📚关键词卡片：
🔍 召回-排序-重排 — 推荐系统工业级的三段式架构，搜"推荐系统 召回 排序 重排"，搞懂一个推荐结果从百万商品到第 1 位经历了什么 🔍 探索与利用（E&E） — 推荐系统最经典的权衡问题，搜"Exploration Exploitation 多臂老虎机"，理解为什么总推你喜欢的反而是 bug 🔍 用户冷启动 — 新用户没数据时怎么推荐，搜"用户冷启动 推荐系统"，3 种主流解决方案值得了解
👀下期预告：暑假小项目——分析你的微信/抖音使用数据，完整走一遍"采集→清洗→分析→洞察"的数据流 🔬
