在电商行业整体上升趋势减缓的情况下，对推荐模块的商品数据与用户数据进行分析实践，研究新形势下用户与商品之间呈现的关系，以及这些关系反映出的问题、技术问题、算法策略问题、产品形态问题、平台策略问题 等，面对这样的问题如何去思考并做出应对策略。本文结合对实际中项目中的分析过程，对用户群的分析：用户性别、用户年龄、孕妇、婴童等；对商品的分析：纸质图书、电子图书、3D图书、多媒体图书等；总结当前的应对策略、基本路线、发展目标，希望能对大家有一定的启发。

从2015年开始移动电商大幅度崛起，电商整体上升趋势减缓，移动电商崛起，原有PC端流量减少，指标下降。新形势下用户与商品之间的关系包括：数据关系、技术问题、算法策略、产品形态、平台策略。
董四辈用一张小图说明思路：移动端是一艘大船，量在变大、变快，PC相当于一条小船，在不断萎缩。领航员基本上是算法分析师或者数据分析师，想在数据变现的过程中少走弯路，船上拉的货物：数据，就是变现的重要一部分。整个船在萎缩，通过数据分析已经不大可能从大的程度上提升，这时候怎么办?整个船是产品，所以应该从产品的角度考虑。
首先是数据层面，商品数据的特点是种类变得多了，呈现出多媒体化和电子化。用户数据则有年龄增长的特点，并且更偏向移动化。对于用户，首先要找出重点用户，逐个分析原因，进行回访。对于商品，纸质图书、电子图书、3D图书、多媒体图书等等都有很多，当当采用过赠送电子书，书籍预售等方式进行个性化判定，进而总结当前的应对策略、基本路线、发展目标。
技术层面。由于做AB测试过于复杂，作业流程过长，还会有数据延迟、数据误差、AB的误差、数据埋点的误差等等。作为一个数据分析师，本身就应该了解，当数据出现问题的时候，经过分析就应该知道问题是出在前端，还是出在中间环节，或者计算环节，这时候要对这个算法工程师做出指导。此外，不能把服务端的请求数据当做曝光数据。
算法层面。举个例子，加入算法峰值，第一年是10%，第二年3%，那么第三年是否还要投入，投入多少，最终的解决方法是算法突破，找一位高级算法工程师突破这个算法，但是代价太高。此时，不能纠结在算法层面，应该从大局着手，看产品形态，如果原来的产品比较单一，这时就要改变产品形式，用改变产品形态和表现形式来吸引用户，可能一个好的产品形态上的改变相当于一个算法工程师工作三年所提升的概率。用户在购买书的过程中，要把用户购买的历程、学习的里程，包括如果用户喜欢看视频，是否能给他推荐出一些教材，还有一些名人书单，是不是要给他赠送电子书，这些小的细节也在产品形态中表现出来。
平台策略。程序员或者工作人员最爱吐槽的：公司在走下坡路，团队也在走下坡路，或者行业正在变成传统行业，所以利润不高了等等，其实在平台这方面的吐槽是最多的。对于当当来说，用户不爱读书了，因为大多数用户去看视频了，这时候对喜欢看视频的人继续做一些个人性分析，因为看视频的人还是需要一本教材的，可能关系比较好的情侣共用一个账号，单独地去打性别或者属性就不太合适了。
在分析了以上几点策略后，对整个团队提出了总体的方向。
首先是守住已有的成果，比如做推荐，不要一味地去突破、创新，因为太难了，整个PC在下降，做创新可能得不偿失。PC上有很多已经成熟的技术要进行拓展，想在技术水平上继续成长，基本上已经长不高了，但是可以长胖，原来可能只在这个页面或这个业务方向上有推荐，现在可以拓展到其他方向，比如百货、图书。原来只有图书现在扩展到百货，扩展到母婴。
第二，在用户数据上做精准化分析，比如现在收集用户已经很多年了，对用户的行为已经比较精确了，这时候就不要再推一些特别粗糙的数据。在产品形态上还是要多样化，主要依赖产品，多想一些好的创新思路，毕竟PC的展示页面比较大，开发PC技术成本比较小，比较成熟，所以可以多做一些尝试和主题。在技术层面尽量减少延迟和误差，算法层面如果遇到困境，就不要再做大难度的突破。在平台层面，尽量用技术团队的分析去影响公司和平台层面的一些决策，能够给公司提供一些好的思路和好的发展方向，这样，基本上就做到了一个合格开发人员的本职。