產品分析——豆瓣推薦模塊階段性調研

項目背景

以豆瓣推薦模塊階段性調研的例子，展示PM在日常工作中怎麼發現問題，之後如何評估問題，撰寫需求，跟進研發及效果迴歸。

文檔邏輯：1.找到理想態；2.抽樣分析；3.優先級判斷的步驟進行。

項目目標

• 找到豆瓣讀書的推薦理想態（數字化）；

• 對豆瓣目前的推薦結果進行抽樣分析；

• 撰寫需求文檔，文檔關鍵內容應包含：問題分析、綜合影響面、需求優先級（可解決程度及解決成本）、項目計劃；

基本拆解

|用戶流程

|理想態定義

用戶在對目標書籍無明確當下閱讀的情況下（即目標明確，搜了就要馬上讀的情況），在瀏覽過程中對推薦書籍產生興趣，並對推薦書籍產生了正向操作（購買/試讀/加入書架/購物車/禮物等），從而提高用戶在站內閱讀的體驗，提高用戶站內閱讀體驗，減少用戶選書成本。

|理想態評估關鍵指標

• 推薦點擊率（推薦圖書被點擊次數/目標圖書詳情頁推薦模塊展現次數）；

• 1-6號位各個位置推薦被點擊次數與比重；

• 對推薦書籍的操作數據：點擊購買/試讀/加入書架/購物車/禮物；

• 用戶點擊推薦書籍的深度（深度計算方式：點擊目標書籍的第一本推薦書籍深度為1，返回點擊第二本推薦書籍深度為1.2，點擊推薦書籍的推薦書籍深度為2，以此類推）；

• 推薦書籍的打開率、閱讀時長；

• 有過點擊推薦書籍行為的用戶與其他用戶的站內深度閱讀時長變化；

抽樣分析

|抽樣分析詳情

注：樣本選擇：7本各類型的書，包含當下的暢銷書、經典名著、單本圖書、系列圖書、科普、社會、文學。

|抽樣評估說明

推薦原因
①同類型推薦 ②同作者推薦 ③同出版社推薦 ④熱門書籍 ⑤優惠書籍 ⑥相同標籤 ⑦系列圖書 ⑧偏好協同推薦 ⑨高評分書籍

問題列表
ⓐ相關性弱 ⓑ評分較低 ⓒ語言混雜 ⓓ風格差異較大 ⓔ類型偏離

|抽樣結果彙總

|抽樣結果分析

在本次抽樣中我們發現，在對42本推薦書籍中打得推薦質量評價中，正向評估佔到75.89%，負向評估為24.11%左右，總體來說符合期待，但正向評估中多為合理期待下的推薦，超出讀者預期的驚喜推薦幾乎沒有，而負向推薦中，雖總體數量少，但問題較突出，體驗影響較大。

以下為結果分析結論：

• 推薦較好的情況下，書籍本身的信息提供的推薦度較少，相同標籤的內容和類型本身比較合理，其中，通過運營和算法的推薦比重較大，質量也比較好。

• 推薦較差的情況下，語言混雜的問題雖然少，但是比較好解決；少數為相關性弱的問題，可通過標籤、書籍摘要的語意理解等方式提升；運營/算法問題佔比較大，需重點解決。

項目計劃

本項目的優先級排列將充分考慮收益與成本。

注：

項目收益=待解決問題影面x解決後體驗提升程度*預期解決比例

項目成本=研發成本

其他問題

• 在本次調研中，發現豆瓣PC版與APP版的推薦策略完全不通，似乎用的不是同一套推薦策略。APP的推薦模塊為“喜歡本作品的人也喜歡…”，PC版的模塊為“喜歡讀xxx的人也喜歡的電子書”以及“喜歡讀xxx的人也喜歡...”，也許文案上可以優化一些提高瀏覽量或其他運營手段提高點擊。

空空碗成為產品經理的第845天

本文由作者@拔旗大王空空碗 在PMCAFF社區發佈，轉載請註明作者及出處。