推荐系统的作用可以从以下4个方面分析：

一、提高流量利用率

• 流量特点：
  • 稀缺性：获取流量是有成本的，流量成本：
    • 外部成本： 把用户拉到站内的成本（获客成本），如付出广告、SEO、SEM、用红包、促销手段激励用户等。
    • 内部成本：需要引导用户在站内到哪些页面。
  • 不确定性：比如用户的意图可能无法用搜索表达，如想找一本《动物庄园》主题类似的书本。
  • 差异性：购物意图、消费水平、爱好不同。

二、挖掘和匹配长尾需求

• 互联网大数据的长尾性：在任何一个具体领域，最流行的那部分物品，并不能满足大多数用户的需求，如最畅销的top 20%商品只能满足一部分人的需求。
• 二八原则和长尾理论相对，这里没用二八原则是因为我们现在接触信息多样性大增，长尾理论能更好解读。
• 挖掘长尾需求很重要。

三、提升用户体验

精准满足用户的需求，推荐系统还能提供“导购式”体验，如提示用户哪一款产品最适合自己，有什么样的特点，提高顾客购买效率。

四、技术积累

• 推荐和广告是较为成熟的大数据应用，推荐算法，如机器学习排序、深度学习的推荐算法，在计算广告、反作弊、互联网风控等领域起作用，这些算法背后需要大数据技术的支持，如海量数据的迭代计算、流式数据的实时计算处理。

• 技术

  • 拿来型技术：从0上手的门槛较低，如数据库、某些硬件设备及消息队列等，但是用的熟练还得持续技术积累；
  • 积累型技术：与算法相关的技术大多属于该类型，开源工具越来越多，从头实现一个算法的需求较少，更多是将算法结合当前的业务、数据特点。

文章来源: andyguo.blog.csdn.net，作者：山顶夕景，版权归原作者所有，如需转载，请联系作者。

原文链接：andyguo.blog.csdn.net/article/details/123022662