調(diào)研豆瓣讀書的書籍詳情頁，【喜歡這本書的人也喜歡這個】推薦模塊的效果，一起來看看~

一、理想態(tài)

1.1?定義理想態(tài)

給用戶推薦相關且用戶潛在感興趣的書籍，吸引用戶進行深層次互動行為，包括點擊、評論、收藏等，提高用戶在平臺的留存。

1.2?核心指標拆解

（1）用戶基本行為分析

用戶對于【喜歡這本書的人也喜歡】推薦列表的操作如下所示。

用戶不點擊推薦書籍，表明用戶不滿足，不是用戶喜歡的；用戶點擊推薦書籍，但是存在跳出行為，表明用戶對于該推薦一般；而存在查看行為，表明用戶對于推薦的書籍存在一定的興趣，較滿足；若用戶產(chǎn)生互動行為和購買行為，則認為用戶被滿足，達到較為理想的推薦效果。

Ps：對于已登入用戶，假設推薦列表都是推薦給用戶沒有看過的書籍，如果用戶后續(xù)操作標記“在讀”，“讀過”等，表明用戶雖然看了此書但是并未在平臺上有過相應的操作，平臺并未識別到，那么后續(xù)推薦便可不再推薦。但是此次推薦，用戶產(chǎn)生了互動行為所以依然可以被認為得到滿足，因為符合理想態(tài)的定義。

（2）核心指標量化

一般來說推薦系統(tǒng)理想態(tài)的衡量指標是準確率和召回率。準確率是針對我們預測結果而言的，它表示的是預測為正的樣本中有多少是真正的正樣本。而召回率是針對我們原來的樣本而言的，它表示的是樣本中的正例有多少被預測正確了。

因此本次設定指標如下：

準確率=每本推薦書籍的點擊uv /推薦列表的總點擊uv

例如我們給用戶推薦了10本書籍，對其中2本，用戶產(chǎn)生了點擊，那么準確率為2/10= 0.2。推薦列表準確率=每本推薦書籍的求和平均值，可橫向?qū)Ρ人型扑]書籍的轉化情況，可以重點觀察過高或過低的異常值。

召回率=用戶在推薦列表的點擊書籍數(shù)/用戶在平臺的總點擊書籍數(shù)

例如我們給用戶推薦了10本書籍，其中1本用戶產(chǎn)生了點擊，而用戶最終在平臺上總共點擊了20本數(shù)，那么召回率為1 / 20 = 0.05， 表示的是推薦系統(tǒng)推薦的那些符合用戶興趣并產(chǎn)生點擊的書籍占了用戶實際總共點擊的書籍有多少比例。

推薦位置轉化率=第N個位置的點擊UV/推薦列表的總點擊UV

一般而言，越靠前位置的推薦書籍越該是用戶最感興趣，且與本書相關性高的，因此用戶點擊的可能性越大，推薦位置轉化率越高；隨著位置靠后，推薦轉化率下降；可以縱向比較，不同書籍的同位置的轉化率；可以橫向比較同一個推薦列表的不同位置的轉化率，一般而言推薦位置的轉化率。

用戶滿足程度=采用對應路徑進入的uv/通過推薦進入書籍詳情頁的總uv

如上圖所示，將用戶的交互行為路徑分類，并進行量化。

二、抽樣分析

由于數(shù)據(jù)獲取較難，因此采取抽樣調(diào)查的方法，檢查核心指標是否達到理想態(tài)，從而探索豆瓣讀書的推薦策略及是否存在問題。

2.1?分析維度及字段選擇

一般而言，推薦策略的輸入主要有兩個特征，用戶特征和書籍特征，將用戶與書籍做匹配，但是調(diào)查發(fā)現(xiàn)：

（1）選取的指標需滿足符合常理同時可量化，數(shù)據(jù)可獲取的條件，用戶特征無法獲取。

（2）游客狀態(tài)和登錄狀態(tài)，登錄與多次操作后，該推薦模塊都沒有變化，也佐證用戶特征沒有作為輸入。

因此此次主要從書籍特征進行分析，標記星號的為可用字段。

2.2?書籍選擇

書籍選擇如下，方便從不同維度進行分析。

2.3?樣本分析

（1）增長黑客

（2）運營之光2.0

（3）哈利波特與密室

（4）截句詩叢冷門

（5）聰明女人說話辦事108個細節(jié)

2.4?推薦策略猜測

（1）推薦策略的基本情況

游客與會員對比：在退出登錄后，以游客身份重新搜索一遍相同的書籍，發(fā)現(xiàn)游客和會員看到的推薦書籍是一樣的，由此猜測：豆瓣讀書沒有按用戶類別做個性化推薦。

同身份多次操作對比：再次登錄，在書籍詳情頁做了想讀、在讀、讀過、評價、取消在讀、取消讀過等交互操作，推薦列表的書籍沒有變化；點開推薦書籍詳情頁后，又返回原書籍詳情頁，推薦列表的書籍依然沒有變化。

同身份隔天登入對比：發(fā)現(xiàn)該模塊的部分書籍進行了替換，位置也進行了調(diào)整，如《增長黑客》替換了4本書，未被替換的6本位置也有所調(diào)整，表明該模塊的推薦策略以天為單位進行重新推薦。

三、問題匯總

3.1?發(fā)現(xiàn)問題

（1）沒有考慮用戶類別和用戶行為做個性化推薦

（2）無評分或評分人數(shù)少，評分低的書籍無推薦模塊

（3）關鍵輸入“豆列”涵蓋性過廣——準確性不夠，推薦不準

《哈利波特與密室》，《增長黑客》等前三的豆列收錄書籍過千，各種類型的書都有，泛而不精；依據(jù)此進行推薦，容易出現(xiàn)推薦錯誤。

《哈利波特與密室》前二豆列

《增長黑客》前三豆列

如《范志紅：吃出健康好身材》推薦《如何學習》，因為兩者的豆列有相似，但是相似豆列均為收錄數(shù)過千，泛而不精的豆列（37°暖書單（二） (37°暖)）。

（4）標簽寬泛不準確，標簽在推薦中的權重不夠——準確性不夠，推薦不準

《范志紅：吃出健康好身材》推薦《如何學習》，因為兩者的標簽都命中“學習”，而學習這個標簽過于寬大。

《截句詩叢冷門》的標簽為“詩歌?? 哲思?? =i226+227=?? *合肥·黃山書社*”，《聰明女人說話辦事108個細節(jié)》的標簽為“聰明女人說話辦事108個細節(jié).pdf、說話的藝術、女人、女人說話、還湊合、智慧、很好?? 社科”，標簽管理不到位，書迷貼上的稀奇古怪的標簽限制了小眾圖書的推薦和曝光。

《增長黑客》推薦《賦能》，標簽不相同但是被推薦，通過閱讀發(fā)現(xiàn)兩者書籍分別屬于互聯(lián)網(wǎng)運營類和領導思維類，與其他被推薦書籍相比，類型差距較大，推薦由于標簽權重不夠，沒有被剔除。

（5）內(nèi)容強相關的書籍并未排在前面——排序問題

《運營之光》屬于運營類書籍，《增長黑客》比《精益數(shù)據(jù)分析》的類型，關聯(lián)豆列，熱度（讀過、在讀、想讀、評論數(shù)加總）都要高，但是卻排在后面。

（6）書籍之間相互推薦——多樣性不夠，推薦冗余

書籍與被推薦書籍之間：《增長黑客》和《運營之光2.0》的推薦書目重合6個；《哈利波特與密室》與《海底兩萬里》的推薦書目重合4個；與《魯濱遜漂流記》的推薦書目重合5個。

系列書籍之間：《哈利波特與密室》中推薦了兩本哈利波特系列書籍；《截句詩叢冷門》的推薦書目全是同系列書籍，其對應的推薦書籍也推薦本書。

（7）新版本的經(jīng)典書籍和小眾冷門書籍得不到曝光——時效性缺乏

通過抽樣可知，一般都會推薦年份差距不大的書籍，但是經(jīng)典書籍的新版本和相關性較高的小眾冷門書籍，猜測因為評分，評論數(shù)等不夠，并沒有被推薦，得不到該途徑的曝光。

3.2?優(yōu)先級判斷

本文由 @宋夏天 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉載

題圖來自Unsplash，基于CC0協(xié)議