大数据的声音，从没如此聒噪的充斥着我们周遭，而基于大数据的个性化推荐亦如是的包围着我们。以下是个性化推荐系统的一丝陋见，不破不立，止增笑耳：
1.好体验与烂体验只有一线之隔：
完全陌生的人为你推荐、筛选的资讯体验如何？微博的广场让少数人毫无兴趣，让多数人忘记它的存在；然而，传统编辑筛选新闻的模式，早已让用户接受。如此被事实做证明的模式，不可谓体验不好。由此可见，完全陌生的推荐、筛选机制，好体验与差体验只有一线之隔。如何选择KPI去评估其效果，必然与之前方法有所不同，值得PM去仔细思考。
2.是否真正了解用户：
先了解用户，方能为用户提供服务。因此，是否了解用户成为个性化推荐的根本。那么，如何才算是了解用户呢？现实生活中，一个十年的老友和同一航班5小时的邻居，都有不同程度的了解，亦都会有不同程度的推荐。区别是，十年老友更有可能脱口而出进行推荐，推荐的似乎更准确，而同航班的邻居则需要基于你们之间的交互，所推荐者完全基于这几小时的交互；你的系统与用户的交互有多少？是如同老友般的亲切还是犹如航班邻居般的初次相识？有共鸣和沟通么？
3.用户对于个性化推荐的诉求是否强烈：
回归一个本质的问题，为什么要推荐？如果是一个音像店，那么推荐是为了让顾客购买更多的商品，一个餐馆，为的让顾客品尝更好的菜肴并希冀成为回头客。互联网上呢？在这个流量为上的世界里，让用户浏览更多的内容，真正喜欢这个网站或应用是推荐的目的。答案似乎并非如此的简单，诚如餐馆服务员犹如聒噪般推荐其招牌菜时你的想法一样，过犹不及。并不是每一个用户都有强烈的被推荐欲望，更何况用户很有可能是如航班邻居一般，你们刚刚认识，而你甚至都没做好交互的准备；此处并非回到上一个问题，而是在于你为用户提供的场景假设，是源自你铁头功的拍脑袋，还是基于市场调查。不回避你是天才的可能，也请不要忽视用户调查的重要性。
4.改变用户使用习惯？
不要奢望通过推荐来改变用户的使用习惯，就像女士们始终都想逛街一样。推荐的利基在于满足某类活跃用户的被推荐需求。没错，社会化是趋势，但社会化的定义不是通过人工智能的算法去取代工人智能，而是将线下的交互模拟到线上，进而提供服务。在希冀通过个性化推荐，来改变用户习惯之前，还是先担忧下如何更进一步让社会化的行为方式编制入互联网的血液中。看吧，问题或许可以理解成增强社会化的交互，而不是奢望于其他。
5.明确满足用户的场景假设
技术驱动会让产品走上歪路，个性化推荐是在满足某些场景下的用户体验，而不是技术上的炫耀。产品是为满足某一场景下用户体验而生的，而技术是构成产品的基础。二者位置莫能颠倒。不要因为某项技术，而去构思个性化推荐；而是要基于满足实际用户场景假设来驱动技术解决问题。莫将辛苦得来的用户调查以及基于此设计的场景，被技术所左右。
6.瓶颈往往不在算法，而在持续的交互和数据的及时性：
推荐的瓶颈往往不在于算法，而是在于数据的搜集、整理和持续改进。随着数据量的增长，数据的实时搜集与计算变的越发困难，及时的整理变得非常有必要。如何让数据的维度、指标的粒度上实现平衡，其重要性绝对不低于算法本身。最简单且又不失豪华的例子是：你可以知道上一秒的上证指数，但是很难知道上一秒的百度搜索指数。虽然这个粒度有些吹毛求疵，但请不要忽视这个众所周知的瓶颈：大数据下，我们还很难做到为所欲所。