做大部分移动互联网产品，都离不开推荐系统提升流量分发效率，也离不开广告系统最终将流量变现。推荐系统与广告系统在业务中起到的作用和价值是不同的，但从流量利用的角度，又有诸多相似之处。本篇以近些年从事推荐产品工作实践为依托，聊聊推荐系统与广告系统的关系。
千人一面
互联网发展早期，无论是广告还是内容，都是将线上作为线下的延伸。
线下广告牌或传统媒体上的广告位按照时间售卖，互联网早期的广告也是按广告位售卖的逻辑，售卖了广告位，广告主就独占了此广告位的曝光权益。从用户视角，就是千人一面的广告：不管进入多少次，不管谁进入，看到的广告都一样。此时的广告系统，更多是做排期和配素材的系统。
此时内容或商品的线上呈现，也沿用线下纸媒逻辑，重编辑和运营，编辑和运营决定内容或商品的展现。从用户视角看，只要编辑或运营没有做调整，所有人每次见到的内容或商品都是一样的。此阶段如果讲推荐系统的话，是编辑或运营作为「专家」提供的专家推荐系统。
在这个阶段，无论是广告系统，还是推荐系统，都受限于时代发展。千人一面最大的问题，是不能满足细粒度的用户偏好和需求，导致转化率有限。
千人百面
互联网相比线下的优势在于数据的回收。线下环境收集不到曝光和转化相关数据，而线上可以将这些数据回收构建用户画像，进而以更精准的方式做广告或内容的投放。
广告系统进一步进化从千人一面进化到千人百面，即同一资源位，可以根据人群拆分给不同的广告主做投放。例如卖化妆品的广告主只给女性用户做投放；卖剃须刀的广告主只给男性用户做投放。广告主投放更精准了，转化率更高了；广告平台通过拆分售卖，整体收益更高了；用户而言，体验也更好了。
于推荐系统也经历了千人百面的阶段，头部电商平台运营经历了千人一面通投，到针对不同用户画像做投放的阶段。相比通透，针对不同用户画像的投放，更为精准转化率更高，同时也给运营人员更多运营抓手。
在上一份工作中，面向一些传统企业（券商、银行、零售），有画像缺行为，又想做个性化的推荐提升业务价值的需求，搭建了规则推荐系统，给运营人员提供千人百面的运营工具抓手。此类产品核心是给运营拆分用户流量的能力，但业务收益高低，需要依赖于运营本身对业务的理解。
在这个阶段，无论是广告系统还是推荐系统，都是从拆分用户流量的视角，提升用户和物品的匹配效率，但又都非常依赖运营人员对用户及物品的理解。
千人千面
随着数据量和技术的发展，广告系统和推荐系统都很快地引入了机器学习能力，解决以上阶段依赖人来做决策的瓶颈问题。
广告系统引入竞价广告，广告主出价，广告系统通过预估模型，对广告进行点击率预估，两者相乘得到平台收益，再按多个广告主投放的广告，给平台带来的预期收益做排序，最终决定广告的展现。即由广告系统决定给用户推哪个广告。再进一步发展，广告系统引入出价与计费分离的OCPX模式，通过同时对点击率和转化率做预测识别流量，调整出价。OCPX模式能够为广告主更为精准的获得转化更好的流量。
推荐系统引入机器学习及深度学习，通过算法确定给一个用户推哪些内容或商品，及其排列先后顺序，以求得最佳转化效果。
在这个阶段，无论广告系统还是推荐系统，通过机器学习或深度学习，构建一个或多个模型引入做点击率预估或转化率预估。更为依靠数据驱动系统而非人的决策，同时对数据的丰富度和质量要求越来越高。广告系统的三方（广告主、平台、用户）相比推荐系统（平台、用户）多了广告主的出价作为排序影响因素。
总结
通过以上三个阶段的回顾，不难发现，广告系统与推荐系统发展有着同样的脉络和路径，都朝着更精准匹配方向发展。也越来越注重数据和机器学习的应用。
同时我们也需要见到，由于不同平台方技术能力、数据积累能力、业务阶段不同，不同平台方可能处于以上三阶段之一，这就给了To B领域落地和赋能的机会。
