业务算法 / 01
业务问题怎么抽象成算法问题
业务算法的第一步不是选模型，而是把模糊诉求变成可建模、可评估、可上线的问题。
从业务话术到算法语言
业务常说：
- 推荐不够准。
- 广告成本太高。
- 风控误伤太多。
- 配送晚高峰不稳定。
- 大模型回答不可靠。
这些不是算法问题，只是现象。算法要继续拆：
- 优化目标是什么。
- 决策对象是什么。
- 可用动作是什么。
- 数据和标签是什么。
- 约束和风险是什么。
- 如何验证收益。
例子：推荐不够准
可能拆成：
- 召回覆盖不足。
- 排序模型对新用户不准。
- 多样性差导致用户疲劳。
- 内容质量低。
- 负反馈没有进入目标。
不同原因对应不同方案，不能直接说“换模型”。
例子：广告成本太高
可能拆成：
- CTR 低。
- CVR 低。
- 出价过高。
- 定向过宽。
- 预算 pacing 不合理。
- 转化归因不准。
算法方案可能是预估、出价、定向、预算或归因，不一定是单个模型。
抽象框架
用这个框架：
业务目标 -> 决策对象 -> 动作空间 -> 指标体系 -> 数据标签 -> 约束条件 -> 算法方案
如果其中任何一环不清楚，项目就容易跑偏。
面试题：怎么把业务问题定义成算法问题
理想回答：
我会先确认业务目标和主指标，再判断我们能控制的决策对象是什么，例如排序、阈值、补贴、分配或生成答案。然后定义数据、标签和约束，选择模型、规则、优化或因果方法。最后通过离线评估和线上实验验证方案是否真正改善业务指标。
总结
业务算法不是把模型套到数据上，而是把业务目标转成可决策的问题。能否做好问题定义，是算法岗和普通模型训练最大的差别之一。
下一篇建议继续看：