微观上，没有唯一答案才是推荐系统唯一的答案
在相当长的一段时间里，百度搜索的pm们有一项基本功就是搜索结果满意度的评估。搜索的结果是固定集合，每个query的结果千人一面。每个PM都有上帝能力，在不看用户行为的时候能大体判断出哪个是更好的结果。
从搜索切换到推荐，从固定query（一个词）切换到了富含上下文的模糊query（时间、地点、人物偏好、阅读历史、网络环境），也就从千人一面唯一答案 切换至了千人千面的多元答案。
例子：
在雾霾当道的环境里，给关心亲子内容的用户推荐怎样的内容是好的？
是雾霾口罩，还是英语教育？
主观判断是雾霾口罩吧（这正是传统网站编辑的选择）。但是细拆一下就会发现，坐标在云南、西藏的人，他们是将雾霾当社会问题来看的，而不是亲子健康问题来看的。他们不那么关心雾霾口罩、空气净化器的选购。
进一步，推荐给身在北京的家长可好？细拆一下还是有问题，如果一个用户已经看了足够多的雾霾相关内容，他还会不会看更多的同类内容呢？新的内容是换个角度论述，还是包含更多的信息？
一连串的拆分做下来，你会发现在千人千面的场景下，主观判断颓然无力。你也许还有能力判断什么是极差的，但很难判断什么是更好的。
放下了主观预判，接受每个用户的个体差异性，才能够更好的通过后验数据来验证自己的想法，把提案权留给自己，把决定权交给用户。让每一个策略、规则、产品形态、交互方式，都成为经过已有用户群体检验的合格品。
宏观上，围绕满意度和留存优化，才能更可持续的发展。
在微观上放弃了主观臆断，才能够在宏观上，在统计数据和产品方向上去设定目标，产出方案，检验效果。
常见的指标如点击率，多样性等不用多说，是最敏感且易测的指标。但推荐产品经理需要跳脱局部指标的KPI导向，站在整个产品来看：只有用户（无论是C端还是B端）满意度【反馈、问卷】 和 留存指标，才是可持续发展的根本。
以视频为例，如果为了凑VV，可以做自动播放、可以偏向于推荐较短的内容、可以推高热的内容、可以不做兴趣探索等等，常见的指标不一定 甚至说 一定不会下降。但这样，从长期来看丧失了更好的发现C端新需求的机会，也对B端作者的分发不够友好。这种变化也会慢慢体现在C端或B端的留存指标上。
围绕敏感指标做优化的时候，你不仅需要是一个用户【站在如新用户、老用户的角度来考虑】，还需要是一个自媒体【站在我是一个自媒体，这个新策略对我的内容分发量有什么影响】，换位思考满意度，从而预估这个操作是否会对留存产生影响。
举个例子，在打击某类内容的时候，最直观想到的是全局指标。一个数填进报表里，从多少降低到多少，这个双月的OKR就达成了。
但是这个指标是否会出现某个用户身上出现密集？造成用户个体的体验变差？那就需要引入用户个体指标，在用户层增加强规则打散；
解决了全局指标和个体指标，那是否会存在某个内容漏网获得极大的展示量，从而引发B端的破窗效应？那就接着要引入内容个体指标，确保这样的内容不会有太高的展示量。
把平台、C端、B端都想一遍，得出的产品才不会偏得太远。
操作性：将方向量化成指标，PK指标重要度，指导解决方案选取
我现在在做粉丝方向的，我很痛苦。
因为对于粉丝的内容进行强Boost，是一个很明确有损点击、有损停留时长的事情，甚至于仅从C端用户的阅读需求上来说，几乎没有什么正收益。
那，为什么还要做？
- 可能刺激C端做更多的互动，享受更多内容之外的服务。
- 帮助B端更好的变现，从而增强B端的留存。
点击、停留时长都是看得见的数字。
为了推进粉丝向的事情，就必须补充可量化的B端指标如跟其他平台发文量的对齐，回复粉丝评论的情况，C端指标如外链点击率、粉丝互动率等等。
指标间可能是冲突的，进一步PK指标的重要程度，达成一个为了实现指标A可以损失百分之几指标B的折衷，从而在此范围内进行迭代。
