終於到鐵人賽的最後一天了，今天我們不談技術，來談談當在實作推薦系統時，有什麼「非技術問題」要注意！

一、一定要清楚業務目標是什麼！

什麼是業務目標呢？就是當初需要這個系統的動機。

也許有人會覺得，就是照著推薦演算法做出來，挑對商品讓使用者選就好了，這和業務目標有什麼關係？就算有關係，好像和工程師也沒關係！

舉個例子，Youtube 和 Netfix 都是提供影片服務，但他們的業務目標一樣嗎？觀察他們的商業模式，你就會知道是不一樣的。

Youtube 的商業模式是賣廣告，所以它的推薦系統不能只選擇使用者會看的影片，還要注意到這影片能放廣告嗎？所以Youtube主力在推的影片，都不會是太短的影片，這樣他才好安插廣告。

Netflix 收的是月費，所以他的目的就是要能讓使用者願意再花錢續訂，所以他就只要考慮哪些影片使用者會喜歡就好，和 Youtube 推薦的方式就會不一樣。

二、別小看冷啟動機制

雖然推薦系統裡有一堆酷炫的推薦演算法，但一開始系統沒有流量、沒有數據，根本沒有資料可以做訓練。

所以冷啟動是一定要做好的事，冷啟動沒做好，無法提供價值給客戶，後面就算有再多再好的演算法也用不到。

這時如果可以，就需要多採訪業界有經驗的專家，從他們身上了解到使用者會在意哪些事，讓在冷啟動階段，使用者也覺得系統是有幫助的。像這些，也不完全是技術問題，但對系統的成功非常的重要。

三、不只要關心技術，更要關心使用者的習慣，挖掘更重要的特徵

推薦系統要成功，一定要站在使用者的角度想事情，這樣才能取得比改善演算法更大的進展。

強如 Netflix 若要只是在演算法的調整，使 CTR 可以增加 10 % ，也是很困難的事。

但有一次，他們發現影片的預覽圖片居然會影響 CTR 。他們發現，如果有人喜歡的明星在預覽圖上，則影片的 CTR 就會增加。

這個發現很重要，因為這表示他們只要在預覽圖上下功夫就好了。因此他們為每部影片製作不同的預覽圖，在使用者瀏覽時，系統選出他最有可能點擊的圖給他，這樣就可以簡單讓 CTR 上升。

這樣簡單的調整，竟讓 CTR 上升超過 10%，比起去調整模型，這是 CP 值相當高的一個做法。

有沒有發現，這樣的成果不是靠技術達到的，而是透過了解使用者習慣最後達到的，這也是個技術以外但影響成果的例子。

小結

如同開頭的那句話：「打造系統不是問題，打造有人用的系統才是問題！」，很多時候系統要成功，只靠技術並不夠，還需要些非技術的事情配合，以上是我覺得重要的三件事和大家分享。

PS：

1. 今天是鐵人賽的最後一天了，感謝大家陪伴這30天的旅程。中間一度我還以為會停更，還好都撐過來了。
2. 這一系列的文章也會告個段落，若大家有任何問題的話，可以在文章下方留言，期待和大家一起來討論。