调研豆瓣读书的书籍详情页中，「喜欢这本书的人也喜欢」推荐模块的效果
明确理想态
提供用户最感兴趣的图书列表
核心指标与拆解（什么情况下用户确实得到了满足，以什么指标衡量）
对于推荐内容，应该以用户session进行衡量：
1、用户点击推荐图书链接，进入图书详情页的后续行为，如：停留时长、将推荐图书加入“想读”、“在读”、“读过”等操作
2、用户未点击推荐图书链接，但后续搜索了推荐图书
但由于用户session为内部书籍无法获取（后面分析也得知，豆瓣未对用户操作进行推荐策略的依据），根据现有图书的指标进行衡量：关联性和覆盖率
抽样分析
思路说明：
分层抽样 — 推导出现有推荐策略 — 抽样更多数据进行验证，从而得出较准确的现有推荐策略结论
在得出现有推荐策略的基础上，与竞品进行对比，得出优化方案
1、选取“互联网”分类下10本有关产品和运营的书进行分析，因为想在样本数较少的情况下尽量分析到更多问题，因此人为的进行了样本干预（具体统计大图在文章的最后）
图1.分层抽样
2、从对上述图书的统计，得出了一些现有推荐策略的结论
（1）所有推荐的图书评分均在5分以上，且会大于等于当前图书的评分。
图书评分最低的2本，对应的推荐书籍平均评分也是最低的（由于样本较少，不方便下结论）
图2.评分数据
（2）作者、评分(评分人数)、出版时间在推荐的参考维度中所占比重较低
作者：所分析的10本图书中均未推荐相同作者的图书；且对于较有名的作者会在常用标签内出现
评分：有一点关联，但并不重要
出版时间：除《运营之光2.0》中可看出结合2017年（常用标签内有“2017”），推荐了基本2017年出版的图书，其他并未发现相关性；且推荐图书以经典图书为主
（3）以常用标签为主要推荐指标（对于作者和出版时间也会结合出现在常用标签内）
结论：以图书对应的常用标签作为参考，在评分为5分以上的图书中选取进行推荐
3、对上述结论进行进一步验证
对文学类图书进行查看发现，作者对推荐书籍有很大影响，但同时可看出，在常用标签里作者也被放在了第一位，因此仍可说：作者的推荐权重并不大，而是标签进行了影响
图3.文学类图书推荐数据
4、根据上面的结论，接下来以常用标签作为主要分析维度，并结合竞品进行分析（图中常用标签彩色字为当前图书和推荐图书共有标签）
（1）可以看出，当前图书和推荐图书有着较多的共有标签；标签大多是对图书内容的关键词提取，所以推荐的图书在内容上的关联性是很强的
（2）从《运营之光》中可以得出：
未推荐“三节课”相关的图书—— 未对作者关系的图书进行推荐
未推荐《从零开始做运营》—— 未对作者“竞争对手”的图书进行推荐
作为一本运营类图书，更多的推荐的是产品相关书籍
（3）从《淘宝十年产品事》、《人人都是产品经理》中可以得出：
标签内均包含作者，但未相互推荐——对作者的推荐权重过低
（4）推荐的图书较集中，出现重复推荐，且经典图书为主
（5）推荐图书固定，不会根据用户搜索记录进行调整
图4.竞品推荐对比
总结：
图5.分析结论
项目计划及其优先级
图6.项目计划及其优先级
附：完整分析表格
图7.完整分析表格
网友评论