在这种不确定系统下工作，我们有时候会出现一段时间拿不到结果的情况，也不太清楚接下来该往哪里走，会特别迷茫，甚至会怀疑自己。这种时候信念是能帮助我们走过上面这一段段黑暗的光，一个可以燎原的小小的火种。而所谓的信念，指的是相信自己能做出东西。支撑这个信念的一方面是乐观的心态，另外一方面更重要的是过去成功的经验路径。乐观的心态还是可以有理论支撑的，也就是机器学习中的 "No Free Lunch Theory (NFLT)"。这个定理告诉我们，没有一种机器学习算法可以在所有情况下都比另一种更好。每个公司的用户都会有一些差异，同一个产品的不同页面和模块用户行为分布也会有差异，产品随着新老用户变迁分布也会发生变化。此外产品上总是忍不住做一些改版或者心智调整的工作，会带来分布的骤变。总之，以前的模型，别人的模型肯定都没有那么适用了，我们肯定是有空间可以做事情的。失败不是成功之母，成功才是。那么对于校招/刚进入职场的同学如何建立起自己成功的路径呢？简而言之有两条可行的大道。第一条是从自己的技术/学术积累入手，在初步了解业务问题和逻辑框架后，结合自己的学术/技术积累，找到问题的切入点。比如自己对图模型的相关工作比较了解，目前系统里的召回大部分是行为base的I2I，U2I等，我是否能基于图模型做一些工作。第二条路是从业务入手，在浅层地了解业务后，找到一个或多个点，不停地dig in，深挖，发现数据和分布的异常。对于推荐系统来说，常用的方法就是对人群和物料进行切片，找到一个用户-物料对的子集，这块推荐有异常便是一个机会点。异常的表现一般是数据指标不合常理的低，但真正要把Ta做高，对于一些成熟场景来说也绝非易事。如何进行数据分析挖掘提效点，后文将会具体展开。
三、原则
最后我们来聊聊拿结果的原则，即要事第一。当我们复盘为什么没有拿到结果时，要么是不懂判断什么是要事，要么是不懂什么叫做第一。那么如何来判断什么是重要的事情。我们可以有三个视角：老板视角，业务视角，技术视角。首先最简单的是老板视角，你多和Leader/老板沟通，大致上就能知道他最关注的事情是什么。如果有一些变化你觉得可能会导致重要性发生调整，可以及时沟通确认。其次是业务视角，基于你对产品和业务的理解。举个栗子，商业化一般是公司的核心目标，但是不同的阶段商业化的重要程度不一样。有的时候愿意多牺牲一些商业化的利益，甚至承受一些亏损，来追求规模上的增长。规模的增长往往与用户的留存和活跃相关，这里月活和日活也有一些细微的差别。以在线视频网站来说，用户的停留时长与用户的留存乃至会员转化都有比较强的正相关关系，那么这个时候，系统的目标就不能单单追求点击率，还得考虑时长这种目标来建模了。业务上我们还需要看到的一个点是，产品形态上app是由很多个页面组成，业务也会分属很多个团队负责，各个页面和各个团队追求的目标也不尽相同。比如典型的双列Feed 一般分为外流和内流，对于用户播放转化这一目标来说，内流毫无增量的贡献，更适合以时长以及下滑深度等而不是点击率类指标作为其目标。技术视角对重要判断也有自身的三个角度。一是for PR(Public Relation，这里指对外展示公司或者团队的技术先进性)，主要关注的是创新性和如何蹭热点。对应的产出一般是Paper，或者是大会上的专题分享等。如果一个技术点在当前SOTA(state of Art)基础上有明确的创新，值得整理发表论文或者分享，那么Ta的重要性可以提升一些。二是我们通常说的技术包装，有一些工作往往从创新度上还没有达到直接可以整理发表的水平，但是我们也付出了很多精力去做，也拿到了一些结果，但是在总结通晒的时候常常让人感觉平平无奇。但是有些同学明明线上收益和我们差不多，但是PPT/Doc却很有深度的样子，图『琳琅满目』，逻辑一套一套的。是不是人家会『包装』而我不会？其实我个人更愿意把技术包装叫做技术规划或者技术远见。就像是一棵树，它结果的时候一般在年度或者半年度的绩效总结或者晋升场合上，但是种子在大半年前甚至更早就已经种下了。我们往往喜欢用拥抱变化作为没有长期或者成体系技术规划的借口，但是很少检讨自己是否能更好地抓住一些不变和本质的东西。亚马逊创始人贝索斯曾说过：我经常被问到一个问题：“未来十年，会有什么样的变化？”但我很少被问到：“未来十年，什么是不变的？”。我认为第二个问题比第一个问题更重要，因为你需要将你的战略建立在不变的事物上。回到算法的工作中，不变的业务中的一些具体问题，比如：新的物料来了如何高效地冷启，同时能快速发现其中优质内容放大；父母和小孩共用设备如何做更好地推荐等等。如果两份任务同时摆在我们面前，一份任务更能解决业务或者系统的本质问题，那么Ta的优先级就更高。三是技术债的角度，往往我们为了完成一些短期的任务，代码和系统会逐渐演化成一座shit mountain，那么在初期就需要尽可能好的框架设计，维护中做好防止劣化。这个东西短期不需要考虑，拉长到半年或者一年还是会有一些影响，比如资源是模型复杂度的约束，如果复杂度的增长远快于收益的增长，后期模型就迭代不动了。此外如果为了满足短期的需求，拆分了巨多不按照通常的『召回-粗排-精排-重排』路径的链路去强插和配比例透出，后期就很难去融合，这也变相降低了模型迭代的影响面。知道什么是要事，那接下来的事情就是做到“第一”了。第一简而言之就是集中优势兵力去打歼灭战。另外一个相关但是没那么重要的事情是如果减少给不重要的事情投入兵力。我们需要把80%以上的精力和时间都放到这件要事上，从各个角度去揣摩它，试探它，分析它。
洋博约 8 分钟