【回复的内容】
可能万sir讲述的案例的背景与自己面对的案例的不同，觉得有些结论不是那么的适用，这里罗列，探讨一下
###不太认同, "很难通过数据分析找到人的个性人需求这一观点下面的支撑案例，用户的点击行为常常不能表现你的个性，网站获得最大量点击的算法，往往是加入色情内容的链接。" ###
原因如下:
一：往往满足生理层的需求能带来不错的点击量，用色情来引流，很容易就达到很高的用户活跃度，但是不同的人在马斯洛需求模型中占支配地位是的层级是不同的。如果色情能带来那么大的经济利益，那Netflix就应该全部提供色情电影，而不用别的分类了。况且色情电影也有很多不同的风格与口味嘛.
二：很多做数据分析的同事觉得很难从数据分析有点囧的原因是，在推荐系统这个行业，60分相对容易做，因为只要把相关的热点内容推给你的活跃用户，基本上就可以做到一个及格的活跃度，如果有进一步的要求，那就是像文章说的，用户A与B有相同的爱好，那么A喜欢的，B应该也喜欢。所以把A喜欢的推给B，这个叫协同过虑。做了这一步，只要这个平台的用户画像不是太离谱，那基本也可以做到80分,自己认为的推荐系统的目标，那就是从千人一面，做到千人百面，甚至千人千面,这就不好搞了
####不太认同, Netflix已经不用推荐算法了，然后推导出精准推荐没有商业价值####
原因如下：
一：一个好的平台，让用户喜欢，有很多个维度来做，一个是能创造出优秀的内容，第二个是能筛选出优秀的内容推荐给特定的用户。 Netflix的纸牌屋是创造了优秀的内容。现在国内的内容推荐相关的公司，为了自己平台的活跃，都有大量的费用花在购买内容，或是自建团队创造内容上。正如上面所说，算法推荐的千人千面，能在内容成本越来越高的情况下发掘出一些长尾内容推荐组用户，吸引用户，且把他们留在平台上或是产生付费
二：因为就自己了解到的，搞推荐的，一般有三大块（内容特征，用户特征，算法），算法是公开的，你问中同行他用了什么算法，他们会很乐意的分享，但是你问到他们的用户特征，画像，内容特征，划分策略，对不起，这个是商业机密。 而且就如文中所说的，把a喜欢的推给和他有相同爱好的，协同过虑算法，要找到和你兴趣相投的人，把他喜欢的文章，推荐给你，这就可以发挥巨大的价值，这个兴趣相同的人的特征分析是推荐系统的很基础的能力
所以：不搞推荐算法，并不能说推荐系统就不用搞了
自己的一点别的感慨:
关于数据分析师的窘境
一：分析难.
例如,音乐的推荐,用户点击了不喜欢,代表什么呢？有可能音乐与当前的氛围不搭, 现是比如晚上了，不想听这么激烈的曲子，不过以后你可以给我推荐. 又或者代表不喜欢这个风格的曲子, 但是这个歌手的曲子还是可以给我推荐的. 比如文章推荐,用户点了不喜欢,那有可能是用户看过了,不想再看.又或者是觉得这个文章标题党了 ．特别是对于新闻类的文章来说，内容更新太快，一周的时间这个新闻就会过时，对这个新闻做的标注就像是耗材，过期了没啥用了
二: 度量数据分析师的产出难
正如文章里说明的，数据最擅长告诉我们过去的规律。而我们目前的机器学习相关的算法，只能挖掘出“相关性”。但是人们理解世界的方式是“因果” ．数据分析师，其实20%时间看数据，80%时间找原因．再说，推荐平台首先依赖的是优质内容，然后再是算法，而且大家都觉得搞算法比较高大上，但是这些算法很多都是公开的，再然后是内容特征与用户画像的优化，好不容易找到一个自己认为有效的策略，然后去实现，验证，提升度有可能是微乎其微。甚至可能你这个策略一发布，用户活跃度指标还下降了
不过，以上的窘境，做为数据分析师的你，不妨换个思路：你把数据分析换成商业分析，是否就有一下就站在食物链顶端的感觉了
~~~~~~~~~~~~~~~~~~~~~~~~~~~
附上,万维纲老师分享的内容
