我之前的團隊正在開發新的使用者引導流程，並達到一個我們想要圍繞個人化和推薦做一些很酷的事情的階段。看看周圍，機器學習似乎已融入當今每個已建立的產品中。說「如果我們要像其他人一樣成功，我們也需要機器學習」真的很誘人。
但我們是一個小團隊，並且以快速的步調迭代。我們沒有時間、資源或需要頂級的推薦系統。我們採取了不同的途徑，在我們的情況下，我認為我們透過簡化的方法就達成了 80-90% 的目標：僅使用 SQL 的規則式推薦。
最佳實務
- 驗證問題：這個問題值得解決嗎？ 確保提供推薦或個人化有顯著的好處。
- 驗證資料：特定使用者群體的行為是否與其他使用者有顯著差異？ 如果沒有，那麼您將無法提出有用的建議。
- 決定「逐一」或「最終決定」方法：依序逐一應用規則，並在符合規則時停止，或應用所有規則然後做出最終決定。在「逐一」情境中，規則通常表示為一組 case 語句，並且在確定性情境中往往表現良好。在「最終決定」情境中，您通常會考慮多個因素，然後傳回最佳選項。
- 建立知情的規則：使用資料分析和直覺來建立您的決策樹或評分系統。
- 撰寫 v1 版本並根據結果迭代：我預設的工具是 SQL，因為它夠快速且功能強大，足以完成工作。撰寫一個查詢，提取產品在該點將擁有的資料，然後應用一系列 case 語句，可以逐一應用或將每個語句加總在一起，以輸出一個或多個結果。