数据中台：从0到1打造一个离线推荐系统( 三 ) 产品经理|树状图|测试方法|理

文章插图

文章插图

文章插图
2）搭建推荐系统还需要其他部门同事的配合，比如产品线的产品/运营人员。
运营人员需要在产品的功能界面中预留一个位置，类似淘宝网的“猜你喜欢”频道，可以基于自己的产品特性来选择位置；运营人员还需要协调UI资源，设计推荐位的LOGO、背景图等。
电商产品线的产品经理需要协调前/后端开发工程师完成推荐位置的前/后端和数据埋点开发的开发工作。前/后端开发工程师负责调用数据中台的推荐接口，完成推荐功能界面的开发。
数据埋点开发要解决2个问题：
一是要知道每个场景、每个算法、每天的交易额，当用户加购时，要把场景ID、算法ID，同商品一起加入购物车中，当用户下单时再将场景ID、算法ID一并加入结算。
二是我们要统计每天有哪些用户访问我们的推荐位，点击了哪些商品，就需要针对推荐模块做一个常规的埋点，埋点方法可以参考第2章“数据采集”部分内容；有了这些埋点数据，我们就可以计算推荐位每天产生的总交易额、总访问用户数等相关商业指标，也可以通过查看每个算法的准确率、召回率、覆盖率这三个指标，来找到最合适的算法。
数据中台主要承担算法的开发、推荐接口的开发、推荐系统的数据分析等工作。推荐系统的方案设计大概需要1周时间，另外需要3天的时间来评审方案，电商产品线的产品经理进行前/后端和埋点的开发工作大概需要1周的时间，数据中台针对算法的开发工作大概需要1个月的时间。
由此可知，打造一个简单版本的推荐系统预计共需要2个月左右的时间。
四、离线推荐系统测试至此，推荐系统的整个开发流程就结束了，接下来需要进行推荐系统的测试。
为了方便测试，我们可以开发一个快速拿到每个用户推荐结果的功能，方便产品经理和测试人员查看推荐数据。这项开发工作需要满足三方面要求。

可以快速查询每种召回算法带给每个用户的推荐结果。
可以快速查询通过排序算法生成每个用户的最终推荐结果。
可以快速查询向用户展示的最终推荐结果。

要想开发查询推荐结果的功能，最好配上商品的图片，看商品图片比看商品名称，更令人印象深刻，如图11-13所示，可以快速筛选出某个算法在某天为某个用户推荐的结果。

文章插图
用户推荐界面
测试工作的流程如下：
1）需要对召回算法进行测试
召回算法主要需要测试其算法的逻辑是否正确。一般来说，算法工程师和测试工程师需要合作完成测试用例的验证。算法工程师按照测试工程师的要求提供数据，测试工程师则负责验证算法逻辑的准确性。
2）需要对排序算法的结果和用户最终的推荐结果进行测试
因为逻辑比较复杂，这两个步骤的测试很有挑战性。在这里推荐一个简单的方法，项目组可以一起定义几类典型用户，比如：无用户行为的用户；有历史行为数据，但很久没来访问的用户；有历史行为数据并且最近很活跃的用户。
对于第1类用户，可以验证一下推荐给他们的结果是否符合冷启动的策略。
对于第2类用户，他们虽然有历史行为，但是历史行为的数据陈旧，无法再利用，需要验证一下推荐给他们结果是否符合我们制定的策略。
对于第三类用户，可以让算法工程师基于他们最近的行为，推荐给他们可能喜欢的商品，然后对比他们喜欢的商品，检查推荐的商品是否有很大的误差；假如某用户喜欢50～100元价格段的牛仔裤，而我们推荐给他的结果都是500元以上的牛仔裤，那么推荐结果就有问题了。
3）最后还需要对过滤的规则进行测试
比如对“用户近期买过的商品不能出现在推荐列表中”“退货、缺货率很高的商品不能出现在推荐列表中”等过滤规则进行测试。
相关阅读：
《不以用户价值为目的的数据指标设计就是耍流氓》
#专栏作家#Wilton董超华，微信公众号：改变世界的产品经理，人人都是产品经理专栏作家。畅销书《数据中台实战》作者，曾任职科大讯飞，现任富力环球商品贸易港数据中台产品负责人。主要分享商业、产品、运营、数据中台相关原创文章。
本文原创发布于人人都是产品经理，未经许可，禁止转载。