Az adatok ritkasága, az üres vagy nulla értékeket tartalmazó értékek soraival teli adatkészletek jelentik a legnagyobb nehézséget az ajánlásnál. Kritikus fontosságú, hogy megtaláljuk a módját az adathalmaz sűrűbb és információt tartalmazó részeinek felhasználásának.
Rejtett asszociáció:
Ugyanazok a termékek eltérő jelölésekkel, címkékkel figyelmen kívül hagyhatók, ami azt jelenti, hogy az információ nem épül be megfelelően.
Skálázhatóság: A hagyományos megközelítést túlterhelte a termékek és ügyfelek sokasága. Ez az adathalmazok bővülésével kihívást jelent, és teljesítménycsökkenéshez vezethet.
A megfelelő rendszer jellemzője a releváns ajánlások nyújtása.
A hagyományos mérési technikák közé tartoznak a pontossági vagy lefedettségi mérések. A pontosságot úgy lehet leírni, mint a helyes ajánlások hányadát az összes lehetséges ajánlásból. A lefedettség azon elemek vagy felhasználók számát méri, amelyekhez a rendszer ténylegesen képes ajánlást adni. Például a pontosság lehet magas, ugyanakkor a lefedettség alacsony. Ez akkor fordulhat elő, ha a jogosult felhasználói részhalmaznak szóló ajánlás érvényes és pontos, ugyanakkor sokan kikerülték azt, mivel kevés felhasználó értékelt egy elemet.
Általánosságban elmondható, hogy az ajánlómotorok a több információval egyre hatékonyabbak. Azok az ajánlómotorok, amelyek intelligens, intuitív, vizuális megjelenítési technikákat alkalmaznak az eredményeikhez, sokkal valószínűbb, hogy ismétlődő látogatásokat biztosítanak.
Az ajánlómotor önfenntartó, folyamatosan javuló környezetének megteremtése sokkal többre támaszkodik, mint magának a motornak a felkészítése.