做大部分移動互聯網產品，都離不開推薦系統提升流量分發效率，也離不開廣告系統最終將流量變現。推薦系統與廣告系統在業務中起到的作用和價值是不同的，但從流量利用的角度，又有諸多相似之處。本篇以近些年從事推薦產品工作實踐爲依託，聊聊推薦系統與廣告系統的關係。
千人一面
互聯網發展早期，無論是廣告還是內容，都是將線上作爲線下的延伸。
線下廣告牌或傳統媒體上的廣告位按照時間售賣，互聯網早期的廣告也是按廣告位售賣的邏輯，售賣了廣告位，廣告主就獨佔了此廣告位的曝光權益。從用戶視角，就是千人一面的廣告：不管進入多少次，不管誰進入，看到的廣告都一樣。此時的廣告系統，更多是做排期和配素材的系統。
此時內容或商品的線上呈現，也沿用線下紙媒邏輯，重編輯和運營，編輯和運營決定內容或商品的展現。從用戶視角看，只要編輯或運營沒有做調整，所有人每次見到的內容或商品都是一樣的。此階段如果講推薦系統的話，是編輯或運營作爲「專家」提供的專家推薦系統。
在這個階段，無論是廣告系統，還是推薦系統，都受限於時代發展。千人一面最大的問題，是不能滿足細粒度的用戶偏好和需求，導致轉化率有限。
千人百面
互聯網相比線下的優勢在於數據的回收。線下環境收集不到曝光和轉化相關數據，而線上可以將這些數據回收構建用戶畫像，進而以更精準的方式做廣告或內容的投放。
廣告系統進一步進化從千人一面進化到千人百面，即同一資源位，可以根據人羣拆分給不同的廣告主做投放。例如賣化妝品的廣告主只給女性用戶做投放；賣剃鬚刀的廣告主只給男性用戶做投放。廣告主投放更精準了，轉化率更高了；廣告平臺通過拆分售賣，整體收益更高了；用戶而言，體驗也更好了。
於推薦系統也經歷了千人百面的階段，頭部電商平臺運營經歷了千人一面通投，到針對不同用戶畫像做投放的階段。相比通透，針對不同用戶畫像的投放，更爲精準轉化率更高，同時也給運營人員更多運營抓手。
在上一份工作中，面向一些傳統企業（券商、銀行、零售），有畫像缺行爲，又想做個性化的推薦提升業務價值的需求，搭建了規則推薦系統，給運營人員提供千人百面的運營工具抓手。此類產品核心是給運營拆分用戶流量的能力，但業務收益高低，需要依賴於運營本身對業務的理解。
在這個階段，無論是廣告系統還是推薦系統，都是從拆分用戶流量的視角，提升用戶和物品的匹配效率，但又都非常依賴運營人員對用戶及物品的理解。
千人千面
隨着數據量和技術的發展，廣告系統和推薦系統都很快地引入了機器學習能力，解決以上階段依賴人來做決策的瓶頸問題。
廣告系統引入競價廣告，廣告主出價，廣告系統通過預估模型，對廣告進行點擊率預估，兩者相乘得到平臺收益，再按多個廣告主投放的廣告，給平臺帶來的預期收益做排序，最終決定廣告的展現。即由廣告系統決定給用戶推哪個廣告。再進一步發展，廣告系統引入出價與計費分離的OCPX模式，通過同時對點擊率和轉化率做預測識別流量，調整出價。OCPX模式能夠爲廣告主更爲精準的獲得轉化更好的流量。
推薦系統引入機器學習及深度學習，通過算法確定給一個用戶推哪些內容或商品，及其排列先後順序，以求得最佳轉化效果。
在這個階段，無論廣告系統還是推薦系統，通過機器學習或深度學習，構建一個或多個模型引入做點擊率預估或轉化率預估。更爲依靠數據驅動系統而非人的決策，同時對數據的豐富度和質量要求越來越高。廣告系統的三方（廣告主、平臺、用戶）相比推薦系統（平臺、用戶）多了廣告主的出價作爲排序影響因素。
通過以上三個階段的回顧，不難發現，廣告系統與推薦系統發展有着同樣的脈絡和路徑，都朝着更精準匹配方向發展。也越來越注重數據和機器學習的應用。
同時我們也需要見到，由於不同平臺方技術能力、數據積累能力、業務階段不同，不同平臺方可能處於以上三階段之一，這就給了To B領域落地和賦能的機會。
關於作者：
小樂帝，一線AI產品經理、簡書科技優秀作者、產品經理讀書會創始人。
「產品經理讀書會」
專注於愛讀書愛思考的產品人提供讀書推薦、產品思考、以書會友的環境
歡迎愛讀書的產品人分享產品道路上的感悟
歡迎關注：產品經理讀書會