若您首次搭建推荐系统，缺乏相关技术经验，且前期存在算法、工程人力不足的情况，我们建议您优先启用端到端行业推荐服务AIRec服务对接，待您已具备相关技术人员，并希望自主掌控推荐链路，我们建议您按照如下步骤进行评估，并与阿里侧架构师完成沟通后，启动服务对接。 如您未完成一、二、三的3个步骤操作，将可能影响您的服务测试体验。
一、完成行为数据采集
搭建推荐服务，一方面依赖用户、物料（待推荐内容）特征的丰富，另一方面依赖用户的行为。 我们建议您在对接推荐服务之前，检查是否已经具备最基础的埋点数据，埋点数据至少需包括发生在推荐页的曝光、点击、消费（加购、收藏、评论、转发、点赞、下单、评价）等行为；为对后续效果提升的数据丰富做好基础，我们也建议您采集全端行为数据，包括但不限于搜索行为、活动参与行为等，以上行为均可应用于模型的训练与校准。 不清楚需要的数据格式？可以参考DEMO数据。
二、明确推荐场景与核心优化指标
在接入服务之前，需要确认需要部署个性化推荐功能的页面以及核心的关注指标，指标定义口径等，方便后续的效果观察与迭代。 如，以某电商 APP为例， 需要部署个性化推荐功能的页面为首页Feed流，其中只要商品内容过审且有库存的商品均可推荐，核心考察的指标为首页推荐引导的加购与成交数据，辅助考察的指标为点击率、用户停留时长。 以下为部分数据口径参考， 如，用户首次对商品的加购行为发生在首页Feed流，则认为由首页转化。 用户从首页Feed流直接下单，或从购物车页下单由首页引导架构的商品，均认为由首页转化。
梳理清楚业务流程、统计口径，将帮助企业更好地治理埋点数据、明确KPI指标，将更多的精力投入到效果的优化与迭代中，提升企业收益。
三、确认已了解并开通如下资源
以下为完成离线建模所需云产品
序号 | 云资源名称 | 用途 |
1 | 云原生大数据计算服务MaxCompute | 数据清洗、特征工程、准备训练样本 |
2 | 大数据开发治理平台DataWorks | 数据清洗、特征工程、模型训练和评估、更新模型、同步数据到线上存储 |
3 | 机器学习PAI | 建模、编辑和调度特征工程、样本和模型训练的代码 |
4 | 对象存储OSS | 存储模型的checkpoint和save model文件，配置文件等 |
5 | PAI-Rec | 数据诊断、推荐算法定制、推荐引擎管理、a/b testing实验和报表管理等 |