值点APP增长策略

一、背景和目的

1. 背景

最近公司新上线了一款名为“值点”的电商APP,所以为了实现用户增长需要我去设计一套策略增长方案。

2. 目的

通过值点APP及相关竞品的产品分析及用户增长策略分析,来为值点APP设计一套有效的增长方案。

二、值点APP产品分析

1. 业务逻辑

2. 产品结构

3. 版块分析

值点APP分为值得买、值得看、购物车、我的四大板块。其中最主要的班委为值得买和值得看。下面就对这两大核心板块进行分析。

1. 值得买

值得买板块实际上就是传统的电商核心内容,大致分为潮搭男装、鞋靴箱包、汽车用品、食品酒水、钟表首饰、家用电器、家装家饰、日用百货、运动户外、厨具、其他等几大商品类型。

通过具体的商品来看,值得买板块主要的用户群体为中年男性,再根据商品的价格来看,可能位于三四线城市的可能性会更大一些。

2. 值得看

值得看板块类似于传统的内容板块,大致分为视频、养生、美食、汽车、运动、数码、园艺、钓鱼灯几大文章类型。打眼看上去,在一个电商APP中增加一个内容板块有点奇怪,甚至可能有人会认为是不务正业。但是增加这个板块可能有以下几个原因:

1)大部分用户都是从今日头条直接导流过来的,增加一个内容板块,可能会让这部分用户适应的更快一些,增加一些使用时长;

2)通过用户浏览的文章,可以给用户打上相应的标签,从而推荐相应的商品。如用户总是看养生的文章,那么后台可能就会给该用户打上养生标签,从而商品模块可能就会给用户经常推荐养生的商品如养生壶、枸杞、健身等。

3)为下一步的内容电商做准备。淘宝最开始也没有这个版块,但是后期随着内容电商的快速发展,淘宝APP中都增加了微淘这种内容电商的版块,所以值点有这个版块可能也有做内容电商的可能。

三、拼多多用户增长策略分析

虽然值点APP包含购物及内容两大板块,但是其核心功能还是在电商上面,所以在深度体验了拼多多和趣头条两款APP后,决定选用拼多多来作为此次用户增长策略分析的重点。

1. 触达

1. 冷启动

拼多多的用户来源主要为微信导流,通过导流获取了用户,然后再通过其使用行为确定其是否为目标用户。

2. 自循环

在获得了目标用户后,再去利用微信生态链导流,通过核心的砍价功能,让用户主动邀请好友砍价,利用目标用户的周围的用户也是目标用户这个想法,快速增长目标用户。

2. 认知

1. 冷启动

通过APP内的各种活动,如砍价免费拿、限时秒杀、9.9特卖等活动来影响用户,刺激用户下单。

2. 自循环

通过目标用户过往的消费及浏览行为,给用户增加标签,活动中显示的商品与用户标签相匹配。如用户曾经浏览过3次电水壶的商品,但是没有购买,那么他再次点开砍价免费拿活动页面时,页面中优先展示的就是电水壶这款商品。通过这种方式反复刺激用户,让用户产生购买行为。

3. 转化

1. 冷启动

以老用户的价格敏感度以及对商品浏览的次数作为其触达用户群的冷启动值,决定平台优先推荐的商品的价格及类型。

2. 自循环

通过不断地摸索和试验过程,逐渐就会形成了针对不同用户不同商品的匹配规则,并将其使用在不同场景当中。

四、值点用户增长方案

1. 触达

1. 冷启动

在冷启动阶段,通过依托的今日头条APP的用户推荐来作获取用户。因为今日头条与值点的目标用户群体大致相同,因此导流过来的用户群体基本都是值点的目标用户。

2. 自循环

微信生态链是一个非常好的导流渠道,可以通过增加一些分享活动来达成用户的增长,如:增加拼团活动、砍价活动等。因为微信是熟人社交,所以在微信中看到分享消息的人群,基本上也是值点的目标用户。

2. 认知

1. 冷启动

在一段时间的使用之后,我们肯定已经通过用户的浏览及购买记录对用户做了一定的标注,这时我们通过赠予不同类型用户不同形式的优惠券,如折扣券、满减券、抵扣券来刺激用户消费。当然这里需要进行ABtest,可以通过派发不同形式的优惠券来测试,到底什么样的优惠券合适什么样的用户。

2. 自循环

根据不同的优惠券券领到后的转化率的不同,去调整内容分布,达到最佳转化率,将相关的数据作为老用户的标签记录下来,以后再需要增加老用户认知时,直接派发相应的优惠券。

3. 转化

1. 冷启动

以老用户的价格敏感程度及商品喜好作为触达用户群的冷启动值,决定优惠券的金额,或者决定其他如砍价活动的商品推荐。需同时设定多组ABtest,用于测试其他类型的金额或者活动的对照效果。

2. 自循环

根据不同券的领取情况或者不同推荐商品的购买情况,来不断去调整优化优惠券的类型、金额以及推荐的商品,达到转化率的最大值。

百度搜索天气关键词识别策略优化

一、背景和目的

1. 背景

我们在使用百度地图的过程中,如果要搜索从某一地点到另一地点如何坐公交才能到达时,百度地图往往会给我们展现出多个路线推荐。那么到底为什么会有多个路线推荐呢?这其中的路线推荐策略是什么呢?

2. 目的

通过对百度地图公交推荐路线的策略四要素进行分析,从而熟悉策略的分析过程,并且对百度地图的公交推荐路线的策略有更清晰的认识。

二、百度地图推荐路线策略四要素分析

1. 待解决问题

找到使用公交出行方式,从地点A到地点B的最优路线。

2. 输入

影响用户公交出行的因素主要分为用户主观因素以及客观因素。其中主观因素是用户的出行位置信息及出行偏好,被动因素指天气、时间等外界因素。

3. 计算逻辑

1. 出发地与目的地不在同一座城市

首先需要考虑长途出行的公共交通方案,如高铁、火车、飞机、大巴等。然后再考虑如何将出行方式进行排序。下图是使用百度地图的公交查询搜索的出发地和目的地位于不同城市的搜索推荐:

从北京出发到其它省份(不完全)的出行方案汇总:

从上表的数据中,我们似乎可以得出一个结论,两地距离1800公里甚至1900公里以上的会优先推荐飞机方案,低于这个阈值的会优先推荐高铁方案。

但是这里还有个问题,我们只收集了从北京出发的各种情况,还有起点终点均为其它城市的情况,我们没有考虑到。如下图:

从保定到韶关距离1789公里,优先推荐的飞机方案;从韶关到保定1768公里,优先推荐的也是飞机方案。并且我们发现,从a到b与从b到a的推荐方案并不是采用的同一种方案,如:从保定到石家庄正定机场与从石家庄正定机场到保定所推荐的路线竟然不一样,相差了1个小时的时间。

这个例子其实已经证明,我们如果单纯按照两地相距的距离来作为方案推荐的依据是非常不合理的。我们还需要考虑其他的因素如城市内的通行方式是如何推荐的(参考下面出发地与目的地在一座城市);城市间的通行方式都可能受到哪些因素的影响,如:距离、时长、甚至根据用户历史使用习惯来判定用户是否对价格不够敏感等因素。

2. 出发地与目的地在同一座城市

为了研究出发地与目的地在同一座城市的公交路线推荐策略,我们还需要通过几次搜索来进行判断。下面是几次搜索结果的统计:

通过上面的搜索结果我们发现,有时候最佳路线可能不是最快的、步行距离最短的、换成次数最少的,但是该路线为什么会成为推荐路线呢?

我们猜测这可能是不同的影响因素,都有各自的权重系数,然后将所有的影响因素与其权重系数的积加起来,就会得到一条路线的得分。最佳出行方案应该就是那条得分最低的方案。

首先我们需要将方案的各个影响因素的单位统一起来,将时间、步行距离、换成次数折算成分值,方案分值越低越好。折算方式如下表:

如方案A花费的时间为50分钟,步行距离1000米,换乘次数2次;方案B花费的时间55分钟,步行距离500米,换乘次数1次。

方案A的得分为:时间得分 = 50 / 5 = 10分;步行距离得分 = 1000 / 300 = 3.3分;换乘得分 = 2 / 1 = 2分;

方案B的得分为:时间得分 = 55 / 5 = 11分;步行距离得分 = 500 / 300 = 1.67分;换乘得分 = 1 / 1 = 1分;

计算逻辑为:方案得分 = 方案时间 * 时间系数 + 方案步行距离 * 步行距离系数 + 换乘次数 *换乘系数 + 出行方式 * 出行方式系数。最后还需要增加一个判断,即:在选定时间节点下,方案是否可用,如果不可用则直接放到页面底部中的不在运营时间的方案中。

假定时间、步行距离等因素的系数如下表:

因此方案A与方案B的最终得分为:

方案A得分 = 10 * 3 + 3.3 * 2 + 2 * 1 = 38.6分

方案B得分 = 11 * 3 + 1.67 * 2 + 1 * 1 = 37.34

方案B因为得分低于方案A,因此方案B为推荐方案。

当然在基础的计算逻辑之外,还有其它因素会影响计算逻辑:

如:

– 公交车停运时,该方案直接放到页面最下方的“以下方案不在运营时间内”模块中;

– 天气状况不好时,调低步行距离系数;

– 是否是早晚高峰期,有无班车(快速直达专线)。如果在早晚高峰期且有快速直达公交,如果没有其他更优路线,优先推荐次方案;

– 路线中是否有堵车风险,如果没有则排序前调;

– 少步行:用户选择少步行时,直接将步行距离最短的路线方案作为方案排名的第一位;

– 时间短:用户选择时间短时,直接将用时最少的方案作为方案排名的第一位;

– 地铁优先:用户选择地铁优先时,将方案中使用地铁的方案作为方案排名的第一位,如果有多个乘坐地铁的方案,则再按照上面的基础计算规则进行排序;

– 不坐地铁:用户选择不坐地铁时,将发难中不使用地铁的方案作为方案排名的第一位,如果有多个不乘坐地铁的方案,则再按照上面的基础计算规则进行排序;

4. 输出

1. 正常时间与夜间的路线对比,不在运营时间的放到列表下部。

2. 正常时间与上下班时间的路线对比,早晚高峰时期,如果有快速直达专线且整体得分靠前,优先推荐。并且快速直达专线还展示了最近班次的发车时间。

微博电影类型搜索策略分析及优化

一、背景与目的

1. 背景

在使用新浪微博时,发现微博针对某类内容的搜索存在不足的地方,比如搜索张小龙,用户想要的是微信的张小龙,而不是“imgur上一张小龙虾在水桶里的…”。类似的情况还有很多,那么针对电影的搜索情况是怎么样的呢?是否需要调整一下电影类型的搜索结果的策略呢?

2. 目的

通过调研,找出微博电影类型内容的搜索存在不足的地方,分析这些搜索场景下用户有哪些需求,针对这些用户需求以及不足的点,提出优化方案。

二、场景需求分析

1. 场景一

1. 搜索词:

生化危机

2. 用户需求:

用户小张特别喜欢看生化危机,闲着无事想看看最近有没有最新的生化危机续集的消息。

3. 需求分析:

直接搜索电影名称“生化危机”属于需求不明确的query,另外因为生化危机不仅仅是电影专名,还是游戏专名,因此对本次需求需进行扩展及预测。

4. 搜索结果展示:

5. 搜索结果标注

6. 搜索切词分析:

生化危机属于电影 + 游戏专名,因此不用进行切词。

7. 搜索排序分析:

此次搜索结果与预期完全不符,排序已经无关紧要。

8. 问题与细节:

本次搜索结果与预期完全不符。

可能用户在搜索的时候,也没有意识到除了电影外,生化危机的游戏也有这么大的热度,导致搜索出的结果中只有图1、图4中一共有两条关于电影的内容,其余的内容全是生化危机的游戏。因此本次搜索体验非常不好,用户只能重新搜索,在生化危机的后面增加电影二字。

2. 场景二

1. 搜索词:

好看的电影

2. 用户需求:

周末了,想在家看一部好看的电影,先通过微博搜一搜,看看有没有什么推荐,如果有高评分的电影榜单推荐就更好啦~

3. 需求分析:

这是一个需求明确,但是对答案有特殊要求的query。
继续阅读微博电影类型搜索策略分析及优化

百度地图公交推荐路线策略分析

一、背景和目的

1. 背景

我们在使用百度地图的过程中,如果要搜索从某一地点到另一地点如何坐公交才能到达时,百度地图往往会给我们展现出多个路线推荐。那么到底为什么会有多个路线推荐呢?这其中的路线推荐策略是什么呢?

2. 目的

通过对百度地图公交推荐路线的策略四要素进行分析,从而熟悉策略的分析过程,并且对百度地图的公交推荐路线的策略有更清晰的认识。

 

二、百度地图推荐路线策略四要素分析

1. 待解决问题

找到使用公交出行方式,从地点A到地点B的最优路线。

 

2. 输入

影响用户公交出行的因素主要分为用户主观因素以及客观因素。其中主观因素是用户的出行位置信息及出行偏好,被动因素指天气、时间等外界因素。

3. 计算逻辑

1. 出发地与目的地不在同一座城市

首先需要考虑长途出行的公共交通方案,如高铁、火车、飞机、大巴等。然后再考虑如何将出行方式进行排序。下图是使用百度地图的公交查询搜索的出发地和目的地位于不同城市的搜索推荐:

 

 

 

从北京出发到其它省份(不完全)的出行方案汇总:

从上表的数据中,我们似乎可以得出一个结论,两地距离1800公里甚至1900公里以上的会优先推荐飞机方案,低于这个阈值的会优先推荐高铁方案。

 

但是这里还有个问题,我们只收集了从北京出发的各种情况,还有起点终点均为其它城市的情况,我们没有考虑到。如下图:

从保定到韶关距离1789公里,优先推荐的飞机方案;从韶关到保定1768公里,优先推荐的也是飞机方案。并且我们发现,从a到b与从b到a的推荐方案并不是采用的同一种方案,如:从保定到石家庄正定机场与从石家庄正定机场到保定所推荐的路线竟然不一样,相差了1个小时的时间。

 

这个例子其实已经证明,我们如果单纯按照两地相距的距离来作为方案推荐的依据是非常不合理的。我们还需要考虑其他的因素如城市内的通行方式是如何推荐的(参考下面出发地与目的地在一座城市);城市间的通行方式都可能受到哪些因素的影响,如:距离、时长、甚至根据用户历史使用习惯来判定用户是否对价格不够敏感等因素。

 

 

2. 出发地与目的地在同一座城市

为了研究出发地与目的地在同一座城市的公交路线推荐策略,我们还需要通过几次搜索来进行判断。下面是几次搜索结果的统计:


继续阅读百度地图公交推荐路线策略分析

新浪微博push策略优化

一、背景&目标

1. 背景

最近有用户反馈微博每天的push量太多,对自己造成了骚扰,在经过一番分析之后,确实发现了一些问题。

1. 目前平台有三类用户,高频中频和低频。低频用户—兴趣标签少更新慢,好友互动频次差且好友多为低频用户,导致可以给他们推送的兴趣物料和关系物料很有限。高频用户正好相反,中频介于两者之间。
2. 最近push关闭人数在持续增加,其中50%为高频用户,用户关闭系统通知后将无法接收到push推送。
3. 低频用户因为下发条数少和内容质量差,push打开人数一直不理想。
4. 目前高频用户每天会收到20条推送,中频用户每天收到10条推送,低频用户每天收到少于5条的推送。从召回效果来看(CTR),高频用户打开率为10%,中频5%,低频2%。

2. 目标

平衡多种因素,设计一个提高push日均打开人数的策略方案。

二、定义理想态

1. 找到理想态

所有用户每天都点击至少一条push消息。

2. 指标拆解

1. 核心指标

核心业务指标是push的日均打开人数,预期增加5%。

2. 过程指标

1)push点击率:

点击率 = 点击人数 / push送达人数

2)push覆盖人数:

收到消息推送的总人数;

3)push到达率:

此处假设为100%,暂时不做考究;

3. 观察指标

push消息满意度作为观察指标

满意度 = push策略上线后收到push后关闭push功能的人数 / push策略上线后收到push的人数

三、抽样分析

1. 确定调研目标

调研不同类型用户收到的微博push条数及push内容是否合理。

2. 确定样本情况

因为取样条件有限,本次分析仅抽取一个用户为期6天的所有push消息。将通过在微博App中的相关操作来试图模拟用户的不同类型。

另外,在此次调研之前,取样人的微博App在1个月内基本无任何浏览及操作记录。

3. 抽样结果分析

1. 第一天:

打开消息推送,并删除大量关注。

当天共收到8条push消息,属于中频用户,且收到的push消息均为已关注用户发布的。

取样人共关注了500名用户,但是在当天的8条push中,竟然出现了2次同一已关注用户当天push数量为2的情况(ruanyf、阿里云云栖社区 当天推送次数均为2次)。当天作为中低频用户,微博push将有限的push数量给到相同的已关注用户,不是特别合理。

2. 第二天:

可能与第一天大量取关有一定影响,今天的push消息数量相比昨天减少一条,共计7条。今天收到的消息中,已经可以收到除已关注用户发布外的其它热点话题微博。当天所有push消息中:

属于已关注用户发布微博的push条数为5条,占比71.43%;

属于热点话题的push条数为2条,占比28.57;

在调研的第二天,我们发现除了与已关注用户有关的push外,还增加了微博热点话题的push。

3. 第三天:

收到的push条数没有变化,依旧为7条。当天所有push消息中:

属于已关注用户的push条数为3条,占比42.86;

属于热点话题的push条数为3条,占比42.86;

其中粉丝关注提醒应该不纳入push统计中。

调研第三天的7条push消息中:

【快递被偷】后来被证实为假新闻;

【俞敏洪不当言论】事件推送2次;

4. 第四天:

收到的push条数有了明显增长,达到16条。当天所有push消息中:

属于已关注用户的push条数为7条,占比43.75%;

属于热点话题的push条数为8条,占比50%;

属于本地生活(本地天气预报)的push条数为1条,占比6.25%;

因为微博开启了定位,所以在调研的第4天,收到了本地的天气情况;另外马拉松递国旗事件在今天push过多,共收到4条;快递小哥事件也收到2条push;除此之外,其余内容还较满意。

5. 第五天:

收到的push条数略有增长,达到18条。当天所有push消息中:

属于已关注用户的push条数为9条,占比50%;

属于热点话题的push条数为6条,占比33.33%;

属于本地新闻的push条数为1条,占比5.56%;

属于本地生活(本地天气预报)的push条数为1条,占比5.56%;

属于广告(电影新片上映)的push条数为1条,占比5.56%;

今天的18条push中,蒋劲夫事件push了3条,阿里云云栖社区的push数也达到了3次。

6. 第六天:

收到的push条数略有下降,共16条。当天所有push消息中:

属于已关注用户的push条数为8条,占比50%;

属于热点话题的push条数为7条,占比43.75%;

属于本地新闻的push条数为1条,占比6.25%;

今天的16条push中,阿里云云栖社区推送次数达4次,有点过多了。

7. push次数与活跃度关系图表

两者的关系基本成正相关,随着活跃度的增加,push次数也随之增加。

8. 调研总结

经过6天的共计72条微博push调研,有些push确实对调研人造成了困扰:

1)中低频用户收到的push数太少 — 50%

push对于中低频用户而言只有一个目的,那就是促活,即通过收到的push内容来激活用户点击push进入微博浏览的兴趣。低频用户因为本身的兴趣标签更少,所以才需要更多的push去推送,寻找能够命中他的兴趣标签。

因此我们需要适当提高低频用户收到的push条数,从当前的低于5条慢慢增长至10条左右。如果该低频用户开启了微博定位,也可以尝试推送当前位置的天气、新闻、生活等相关内容。

中低频用户占比无法确定,因此此处的中低频用户影响面暂时用此次调研用户所处中低频用户类型与总调研时长的占比。

2)高频用户收到的push数太多 — 50%

高频用户每天收到接近20条push,push次数有点过于多了。根据其他数据表明,给高频用户每天push13条消息与每天push20条消息的日均打开人数基本相同,又因为目前有很多高频用户觉得推送过多,对自己造成了骚扰,所以关闭了微博的push,所以我们直接降低高频用户的push条数为13条。高频用户占比无法确定,因此此处的高频用户影响面暂时用此次调研用户所处高频用户类型与总调研时长的占比。

3) 同一特别关注对象push过多,没有与用户行为关联 — 66.67%

如:阿里云云栖社区账号在6天内共推送了11次,占比15.28%;每天的推送占比分别为:25%、28.57%、0%、0%、16.67%、25%。除了第3、4天没有推送该账号的内容外,其余天内的推送占比大部分都超过25%。实际上该取样账号从建立开始到现在,基本没有浏览或者与阿里云云栖社区账号互动。所以该账号推送的内容过多,推送的内容应该与当前用户与关注对象的互动得分相关联,互动差的就少发布甚至不发布,除非实在没有其他标签命中再发该类账号的内容;

4)相同事件或内容push次数太多 — 28.57%

例如#俞敏洪侮辱女性# #快递小哥# #蒋劲夫家暴# #马拉松递国旗# 等事件,基本都推送过3-4次以上。虽然我确实在微博中浏览过相关内容,但是我认为同一事件推送的次数依旧过多。

5)push下发时间不合理

push下发时间散布较广,目前基本在6:00 – 23:00之间,但实际上推送时间过早、过晚或工作时间推送时,打开率可能都不一定很高,而且在工作时间推送很容易打扰用户工作,甚至导致用户取消push功能。另外在调研中经常会在10分钟内收到两条push信息,甚至在调研进行到第5天时,在早晨8:10 – 8:21的短短11分钟内,连续收到3条push信息;甚至更有在同一分钟内收到2条push消息的记录。

6)其它内容方面

因为内容方面的评判会显得过于主观,可能与取样人之前被打的标签或者因标签太少而随便推送标签测试命中的情况有一定影响,此处暂时不对push的内容质量做过多的评判。

7)简单用户沟通

针对上面的问题,我调研了两名微博重度用户。两名用户均关闭了微博的push功能,原因如下:

  • push数量太多,觉得非常烦
  • 相同事件的push次数太多。因为该用户为微博重度用户,经常会打开微博看热点事件,偶尔点击某条热点事件后,微博App会一直push该热点事件。

四、push策略分析

1. 可供下发的push物料类型梳理

在进行了一番体验后发现,可以下发的push物料类型大致分为以下几类:

2. push物料展现形式梳理

用户点击push拉起微博客户端时,push内容的展现形式如下:

3. 当前push下发方式

4. 当前push下发用户的策略

五、解决方案优先级判断

六、PRD

​​​​​​​

今日头条推荐文章模块策略调研

一、背景与目的

1. 背景

今日头条的feed流文章推荐醉的非常出色,但是好像文章底部的【推荐文章】模块目前尚存在一定的优化空间,我们可以对此模块进行阶段性调研。

2. 目的

通过对今日头条【健康】频道文章底部的推荐文章进行抽样分析,找出可能存在的问题并进行合理的需求管理。

二、找到理想态

1. 定义理想态

今日头条平台当前能够给出的用户可能最感兴趣的、与用户阅读的内容最匹配的文章方案。

2. 核心指标及拆解

推荐文章点击率、浏览推荐文章超过20秒的占比是核心指标。

1)推荐文章点击率 = 用户点击推荐文章的次数 / 看到推荐文章模块的用户浏览次数

2)用户浏览推荐文章超过20秒的百分比 = 浏览推荐文章超过20秒的阅读次数 / 推荐文章的点击次数

3. 初步制定问题分析框架

1. 阅读推荐文章流程图

在浏览文章的时候,可能会出现用户还没看到推荐文章的时候就退出的情况;

在看到推荐文章的时候,可能会出现用户对推荐文章不感兴趣而退出的情况。因为无法获取其它用户点击推荐文章后的停留时间以及相关操作,此次阶段性调研暂时只针对看到推荐文章后没有点击进入的情况进行推荐策略的调研。

三、抽样分析

1. 确定调研目标

今日头条健康频道的文章。

2. 确定抽样对象

在今日头条健康频道的信息流中抽取10条文章。

3. 选择抽样方法

我们采用等距随机抽样的方式作为此次数据分析的样本。即:每次下拉获取新数据时,从中挑取第3条文章作为样本。

4. 确定抽样数量

此次数据分析抽取10篇文章作为样本。

5. 样本分析标注

6. 整理汇总问题

在对问题标注后,我们能够比较清晰的看出目前的头条推荐文章策略存在一定问题。

1. 时效性问题

用户因推荐文章的时效性问题(时令季节不符),没有满足需求。占比2%;

2. 相关性较低

用户因推荐文章的相关性较低(内容角度有差别),没有满足需求。占比18%;

用户因推荐文章的相关性较低(内容角度有差别),没有满足需求。占比10%;

3. 无相关性

用户因推荐文章与当前阅读文章无相关性,没有满足需求。占比:40%;

4. 无推荐文章

用户因无推荐文章,没有满足需求。占比16.67%。

此外,样本1中还出现了处于推荐文章列表前两位的文章与当前文章相关性较低,且这两篇推荐文章是同一个作者的情况,如下图:

样本7还出现了推荐文章列表前三位的文章与当前文章相关性较低,内容角度、标签均有差异的文章。这三篇文章均为描述蒲公英泡水好处的,也有推荐重复较多的嫌疑,如下图:

四、优先级判断

通过上面的抽样调查分析,针对出现的四种问题,我们可以从策略层面、运营层面寻找解决方案,方案如下: