在切入正式流量前需要注意以下几点：
1、保证切流的随机性；
2、避免其他流量的掺杂，控制变量对比效果。
3、由于推荐返回的结果是根据某个user_id的感兴趣程度从高到低返回，所以不要推荐结果做重排序等操作。
4、预留QPS及弹性计费说明。
5、区分流量埋点是根据电商行业中的trace_id字段进行区分，切到智能推荐的流量则（trace_id=Alibaba）、您自行运营/自研那部分流量（trace_id=selfhold）。如果您有明确的逻辑区分，可以把您运营/自有的算法等方式可以通过上报不同的trace_id值进行区分。
6、可根据实例仪表盘对比智能推荐的效果变化，以及通过场景报表对比智能推荐和您自研的推荐效果。
如果您是先启动实例后再推送增量行为数据：
建议积累1-2周的行为数据后再观察推荐效果。
如果您是通过历史数据启动实例，且确保数据可用性显示正常：
则可于次日观察推荐效果。
一、概念解释
trace_id: 对应的是电商行业行为数据中的trace_id字段，用于区分回传的行为是Alibaba智能推荐产生的流量，还是用户自研系统产生的流量。trace_id具体使用方式见 官档-数据规范-trace_id字段含义。
跨渠道用户：即出现在多个桶中的用户指标，为保证推荐效果的可对比性，需要随机切分用户流量，且避免用户混合访问双方流量，因此此指标应该为0。
举例说明：一个user_id=1的用户，回传了两条行为数据，bhv_type均为expose，但是trace_id分别为Alibaba和selfhold，则我们判断，user_id=1的用户，看到的推荐结果，两次分别是自研系统推荐以及阿里推荐系统推荐，则该用户跨渠道了。
scene_id：对应的是行为数据中的scene_id字段。
二、实例仪表盘
通过实例仪表盘可以查看智能推荐的效果，方便跟过去做对比以及及时了解业务数据状况。
I 用户维度指标
当您进入实例仪表盘功能后，默认展示如上图的用户维度指标。
指标释义：
PV_CTR：Click-Through-Rate）即点击通过率，计算公式：总点击数/总曝光数。（不去重）
UV_CTR：基于用户的点击率，计算公式：有点击用户/总浏览用户。
PV_CVR（转化率）: 购买次数/点击次数。
UV_CVR（转化率）：购买用户数/点击用户数活跃item数：统计时间内产生过行为的商品总数。
日环比： 该值和前一日取值对比。
周同比： 该值和上周同一日取值对比。
最高： 查询时间段内最大取值。
最低： 查询时间段内最小取值。
均值： 查询时间段内，所有天的平均值。
日活用户：一天回传有行为的用户数。
月活用户：三十天内回传有行为的用户数
II 商品维度指标
点击此处可以查看当前实例的商品维度指标。
您可以在此处查看不同场景下触发用户行为的商品类型分布：
以及触发用户行为的商品一级类目/二级类目分布情况：
III 自定义分析指标
在您选定好期望分析的指标后，点击“开始分析”。
三、场景报表
如果您的场景是在控制台进行创建的，可以在这里查看每个场景的效果指标。
通过场景报表可以查看这个场景的各项指标如：点击率、转化率、用户活跃度、整体流量规模、流量转化率、人均流量。
可以勾选出您内部运营的那部分流量（trace_id=selfhold），来查看效果，与智能推荐（trace_id=Alibaba）这边的效果进行对比。
指标：
整体流量规模中指标如下：
曝光pv：客户回传行为中变量（传入查询的指定日期）的曝光次数总计。
点击pv：客户回传行为中变量（传入查询的指定日期）的点击次数总计。
收藏pv：客户回传行为中变量（传入查询的指定日期）的收藏次数总计。
分享pv： 客户回传行为中变量（传入查询的指定日期）的分享次数总计。
评论pv：客户回传行为中变量（传入查询的指定日期）的评论次数总计曝光uv：客户回传行为中变量（传入查询的指定日期）的曝光人数总计。
点击uv：客户回传行为中变量（传入查询的指定日期）的点击人数总计。
收藏uv：客户回传行为中变量（传入查询的指定日期）的收藏人数总计。
分享uv： 客户回传行为中变量（传入查询的指定日期）的分享人数总计。
评论uv：客户回传行为中变量（传入查询的指定日期）的评论人数总计。