其实所谓的个性化的服务，无非就是给服务打充分的标签，然后给用户打充分的标签，然后做标签的匹配就好
其实背后的难点是用户的标签和服务的标签具体怎么打，怎么做匹配，才会得到用户的认可
其实我们在玩抖音的时候，就明显感觉看下来想看更想看，在看淘宝的猜你喜欢的时候，也能感受到沉浸在刷淘宝的过程中无法自拔
这背后实际上是因为内容背后的标签和用户兴趣的标签做到了非常高精度的匹配
我们感兴趣的事情吸引我们不断的沉迷下去
我们来猜测一下机器都是在怎么猜测我们的喜好的
商品的会有商品的类型，商品的所在价位区间的标签，商品的美观度，相似用户喜欢的程度的标签，还有一些显而易见的展示出来的标签，例如皇冠店的商品，例如商品的评价，商品的回购率等等
而用户本身会有基于用户特征的标签，例如喜欢买什么类型商品的标签，一般买商品中价位水平的标签，对商品美观度的要求，对商品评价的敏感度等等
正常在猜你喜欢的板块，按照这个用户过往兴趣最有可能感兴趣的商品给出推荐，按照和这个用户相似度比较高的用户青睐的商品给出推荐，基本上就达到了既给用户推荐了她当前想买的商品，同时也推荐了存在比较高购买可能性的商品，既有深度又有面了
这也是为什么我们常常在刷淘宝的时候，为啥我想买的你都知道的感觉
同样抖音的推荐逻辑也是相似的，沿用了今日头条的推荐，也是基于用户的兴趣推测，和用户的可能行基于用户的特征和内容的标签，做了一些相关的推荐
所以基于兴趣基于用户推荐的大数据逻辑都是一样的
我们可以看出来数据思维本质上是
1）搜集数据
2）做出决策
3）高效执行
搜集数据就是这些标签的梳理
作出决策，就是在这么多的标签当中，筛选一个靠谱的优先级，例如我刚刚浏览过的商品类型的匹配读优先级最高，和我相似用户最近在购买的商品的优先级最低，以此计算出来，我会感兴趣的商品的分数，然后由高到低推荐给我
而高效执行的背后，考验的就是系统的计算能力了，如果我们知道怎么计算，知道用哪些标签来计算，可就是计算的实时性不高，每次用户看到的都是差不多的内容和商品，那效果也会大打折扣
我们之所以能够精准的去匹配用户，背后对应的是我们能够处理并吸引的是用户当下的注意力
实际上我们当初在选择回成都还是去深圳的时候，也做了一个类似的数据模型
例如我们筛选了几个维度
城市潜力、薪资、生活体验，工作成就感体验，朋友关系等多个维度打分，并且基于一个优先级，给在成都和深圳长期生活打出了一个总分
这背后城市的的潜力，薪资，生活体验等分数具体应该怎么打由哪些细节来体验，就是我们对于数据的搜集，而在城市的潜力，薪资，生活体验 这几个标签中，每个标签具体哪个标签优先级更高，它的分数应该有更高的权重，来自于我们对于生活要求的评估，而立刻执行计算也很重要，想必大家都有这样的感觉，在房价波动这么大的今天，生活压力城市间的比较真是分分钟发生变化，而对于薪资的要求也未必是一个递进的过程，可能一件生活中偶发的事情，就会影响这个标签在我们心中的权重，有可能身边有人生了病需要大笔资金的时候，我们对于薪资，对于朋友圈的价值，对于生活资源的丰富度的优先级的评估可能都会出现变化
所以我们要知道所有的数据角度的评估，实际上结果都是基于当下的，所以得最快速度的执行完成这个计算
