调查豆瓣阅读的书籍详情页，【喜欢这本书的人也喜欢这个】推荐模块的效果。来看看吧~
第一，理想状态
1.1定义理想状态
推荐与用户相关且用户潜在感兴趣的书籍，吸引用户进行深层次的互动行为，包括点击、评论、收藏等。，提高用户在平台的留存。
1.2核心指示器的拆卸
用户基本行为分析
用户【喜欢这本书的人也喜欢】推荐列表的操作如下图。
如果用户没有点击推荐的书籍，说明用户不满意，不喜欢；用户点击推荐的书籍，但有跳出行为，说明用户对推荐一般；但是，浏览行为的存在，说明用户对推荐的书籍感兴趣，满意。如果用户有交互行为和购买行为，则认为用户满意，达到了理想的推荐效果。
Ps:对于登录用户，假设推荐列表是所有推荐给没读过的用户的书。如果用户在后续操作中标注了“正在阅读”、“正在阅读”等，说明用户虽然已经阅读了这本书，但是并没有在平台上做任何相应的操作，平台并没有识别，那么后续的推荐可以停止。但是这个推荐还是可以认为是满意的，因为用户有交互行为，因为它符合理想状态的定义。
核心指数量化
一般来说，推荐系统理想状态的衡量指标是准确率和召回率。准确性是针对我们的预测结果，它表明有多少预测的正样本是真正的正样本。召回率是针对我们的原始样本，表示样本中有多少正例被正确预测。
因此，本次设定的指标如下:
准确率=每本推荐书籍的点击uv/推荐榜单的总点击UV。
比如我们给用户推荐10本书，用户点击了其中的2本，那么准确率就是2/10= 0.2。推荐榜准确率=每本推荐书的总和平均值。可以横向比较所有推荐书籍的转化，可以重点观察过高或过低的异常值。
召回率=推荐单上用户点击的图书数/平台上用户点击的图书总数。
举个例子，我们向用户推荐10本书，其中一本产生点击，用户最终在平台上总共点击了20本，那么召回率就是1/20 = 0.05，表示推荐系统推荐的符合用户兴趣并产生点击的书籍占用户实际点击书籍总数的比例。
推荐位置转化率=第n个位置的点击UV/推荐列表的总点击UV
一般来说，靠前位置的推荐书籍应该是用户最感兴趣的，与这本书关联度高的，所以用户点击的可能性越大，推荐位置的转化率越高；位置越低，推荐转化率越低；可以纵向对比，不同书籍相同位置的转化率；你可以横向比较一下同一个推荐榜不同职位的转化率，一般来说就是推荐职位的转化率。
用户满意度=对应路径进入的uv/推荐进入图书详情页的总UV。
如上图所示，对用户的交互路径进行了分类和量化。
二。抽样分析
由于数据获取困难，采用抽样调查的方法，检查核心指标是否达到理想状态，从而探究豆瓣阅读的推荐策略，是否存在问题。
2.1分析维度和字段选择
一般来说，推荐策略的输入主要有两个特征，用户特征和图书特征，将用户与图书进行匹配，但调查发现:
选取的指标必须满足合理、可量化、数据可获取的条件，不能获取用户特征。
客人状态和登录状态，经过登录和多次操作，推荐模块没有变化，也证明了用户特征没有作为输入。
因此，本文主要分析图书的特点，标有星号的字段均可。
2.2图书选择
选择以下几本书，方便从不同维度分析。
2.3样品分析
成长黑客
运营之光2.0
哈利·波特与密室
切句诗不受欢迎。
聪明的女人说话做事都有108个细节
2.4推荐策略猜测
推荐策略的基本信息
游客和会员对比:注销后，我以游客的身份再次搜索相同的书籍，发现游客和会员看到的推荐书籍是一样的。所以我猜测豆瓣阅读没有根据用户类别进行个性化推荐。
相比身份的多次操作:再次登录，在图书详情页做想看、阅读、阅读、评价、取消阅读、取消阅读等交互操作，推荐列表中的图书没有变化；点击推荐图书详情页后，会返回到原图书详情页，推荐列表中的图书保持不变。
第二天对比日志，发现这个模块的一些书被替换了，位置也有调整。比如《成长黑客》更换了四本书，没有更换的六本书的位置也进行了调整，说明这个模块的推荐策略是按日重新推荐。
推荐吗？
通过冷门书籍的对比发现，是否推荐书籍与分级书籍的数量和分级书籍的水平密切相关。
推荐策略的关键输入
10人以上，6分以上的书，猜推荐策略。根据抽样的结果，我们可以知道:根据样本情况，我们可以知道，将图书与对应的推荐图书进行比较，推荐策略的关键输入是根据相关性的优先级来确定的，顺序为豆栏、标签、评分、出版时间、出版公司等。
所以猜测，对于10人以上，6分以上的书，大概率按照豆栏、标签、分数、出版时间、出版公司等字段加权。，获得候选内容池并排序，与本书相关度最高，得分最高者优先。
三。问题总结
3.1发现问题
在不考虑用户类别和用户行为的情况下进行个性化推荐。
没有评分或评分少、评分低的书没有推荐模块。
关键输入“豆单”太宽——准确度不够，推荐不准。
《哈利·波特与密室》《成长黑客》等前三个栏目囊括了一千多本书，各种各样的书，泛泛而不精；按照这个推荐，容易出现推荐错误。
《哈利·波特与密室》的前两栏
成长黑客的前三个专栏
比如《范志红:吃出健康的体魄》推荐的是《如何学习》，因为两者的豆列是差不多的，但是差不多的豆列都是千豆列。
标签不够宽泛准确，标签在推荐中的权重不够——准确性不够，推荐不准确。
范志红:吃一个健康的身体推荐如何学习，因为两个标签都打“学习”，而学习的标签太广了。
“诗剪诗”的标签是“诗哲=i226+227= *合肥黄山书屋*”，标签是“聪明女人言行108个细节”。pdf，文字的艺术，女人，女人的文字，不坏，智慧，社科好”，而且标签管理不到位。
《成长黑客》用不同的标签推荐“赋能”，但还是被推荐了。通过阅读发现，这两本书分别属于互联网运营类和领导力思维类。与其他推荐的书相比，类型差距较大，推荐也没有因为标签重量不足而被拒绝。
内容丰富的书籍不在第一位——排序问题
操作之光属于操作之书。与精益数据分析相比，Growth Hacker更受欢迎，相关度更高，但排名靠后。
互相推荐书籍——多样性不足，冗余推荐。
书籍与推荐书籍之间:《成长黑客》与《操作之光2.0》推荐书目重合六本；《哈利波特与密室》推荐书目与《海底两万里》重合4；与《鲁滨逊漂流记》推荐书目重合5。
书与书之间:《哈利波特与密室》推荐两本哈利波特；《剪句诗》推荐书目都是同系列的书，对应的推荐书目也推荐这本书。
经典书和小众冷门书的新版本不曝光——缺乏时效性。
根据抽样，一般推荐年份相差不大的书。而新版的经典书籍和关联度高的冷门书籍，因为评分和评论不足，不推荐，也不是通过这种方式曝光的。
3.2优先权判断
本文由@宋原创发布。每个人都是产品经理。未经许可，禁止复制。
来自Unsplash的图像，基于CC0协议。
