type
status
date
slug
summary
tags
category
icon
password
priority
在和很多产品、运营团队合作的过程中，我常不得不扮演那个“泼冷水”的角色，特别是当大家对推荐算法寄予厚望的时候。
听到这样的战略规划：“我们明年目标是增长 80%，推荐系统是其中的关键。”
我的观点很直接：如果你的增长战略严重依赖推荐算法，一旦算法效果不及预期，目标就直接崩盘，那么这本质上是一个糟糕的战略。对于规模增长，推荐算法不能雪中送炭，它只能在规模之上锦上添花。
AB难以驱动AA增长
我们得诚实地面对数据和经验。在大多数成熟业务中，推荐算法的迭代（AB测试）带来的提升通常是个位数百分比，比如 5%。 如果你的业务目标是 100% 的增长，那 5% 的算法优化扔进去，连水花都压不住。即便你把目标定到 200%，算法贡献的那 5% 依然是杯水车薪。
这就是现实：推荐算法很难做到“雪中送炭”。
很多时候，推荐算法的先进程度与产品的成功与否，并没有必然的强相关。我们都能找到这样的例子：
- 一个占据市场头部的超级 App，它的推荐算法可能只是良好水平；
- 一个拥有业内顶尖算法团队的产品，可能因为缺乏市场契合度，依然在二线梯队挣扎。
这个事实很残酷，但也说明了一个道理：产品的核心价值是 1，算法是后面的 0。
真正的分水岭：ROI 与边际成本
但我并不是说算法不重要。恰恰相反，在规模足够大时，算法是决定胜负的关键。只是它的作用机制，和很多产品经理理解的“增长驱动”完全不同。
这里的核心差异，在于“产品策略”与“算法策略”在经济学模型上的本质区别。
产品/运营策略：边际收益递减
以电商最常用的“补贴增长”为例。这类策略的投入产出比（ROI）通常是随着规模扩大而逐步下降的。
最初你可能花很少的钱就能拉来用户，但随着规模扩大，为了撬动更难转化的用户，获客成本（CAC）会飙升。我听说过某电商产品的拉新成本一度飙升到 200 元/人。
这就导致了一个尴尬的局面：规模越大，成本增长比收入增长还快，利润反而被吃掉了。
推荐算法策略：边际收益递增（或持平）
推荐算法的逻辑完全不同。
- 在线机器成本： 随着流量线性增加，ROI 保持基本稳定；
- 研发与训练成本： 这部分是相对固定的“固定成本”。服务 5000 万用户的算法团队，和服务 5 亿用户的团队，人力投入可能只差一两倍，而不是十倍。
一旦模型训练好，把它部署到更大的流量上，成本就被瞬间摊薄了。规模越大，算法的 ROI 反而越高。这就是算法的魔力——它没有随规模递增的边际成本。
算法是“利润驱动器”，而非“规模发动机”
理解了 ROI 的逻辑，我们就能看清算法的真实定位。
举个简化的财务模型：
假设公司营收 100 亿，其中 10 亿是毛利，但这 10 亿又被运营成本吃掉了，利润为 0。
- 如果是产品/运营策略： 费尽力气把营收做到 110 亿。虽然多了 1 亿毛利，但因为边际成本高，运营成本也可能增加了 1 亿。结果是：规模大了，但利润还是 0。
- 如果是算法策略： 通过优化匹配效率，带来了 10 亿的增量交易。这产生 1 亿毛利，但算法增加的服务器和人力成本可能只有 1000 万。结果是：公司凭空多出了 9000 万的纯利润。
所以，我的结论是：
在产品的成长期，不要指望算法做核心驱动力。这时候要靠产品模式、靠运营手段去跑马圈地，算法只要不拖后腿就行。
在产品的成熟期，当规模已经足够大，传统的增长手段 ROI 开始下滑时，推荐算法才是真正的王者。它不是用来做规模增长的燃料，它是用来做利润收割的机器。
以上，推荐算法只能锦上添花，不能雪中送炭。