基于SPSSModeler聚類分析的移動應(yīng)用商店中影響用戶滿意度的因素實證研究摘要移動應(yīng)用商店是用戶選擇下載應(yīng)用的主要平臺，對軟件開發(fā)者和應(yīng)用商店平臺方來說，用戶下載量和滿意度都是非常重要的，因此影響用戶下載量和滿意度的因素是一個非常值得研究的問題。本文在參考大量國內(nèi)外相關(guān)文獻的基礎(chǔ)上，首先通過Python對數(shù)據(jù)進行處理，再通過聚類分析、決策樹分析、神經(jīng)網(wǎng)絡(luò)分析等方法在SPSSModeler中進行數(shù)據(jù)挖掘[1]，然后在Tableau中進行數(shù)據(jù)可視化[2]分析，最終找到了影響用戶下載量因素：評論數(shù)、評分、大小、價格和收費類型，以及影響用戶滿意度的因素：內(nèi)容評級（年齡等級）、下載量、評論數(shù)、大小、價格和收費類型，并針對這些因素向軟件開發(fā)者和應(yīng)用商店平臺方分別提出了一些建議。關(guān)鍵詞移動應(yīng)用商店；下載量；滿意度；數(shù)據(jù)挖掘；數(shù)據(jù)可視化目錄1引言（或緒論）……………………11.1課題背景簡介…………………11.2研究進展………………………11.3研究目的和意義………………22理論基礎(chǔ)…………32.1聚類分析………………………32.2決策樹分析……………………32.3神經(jīng)網(wǎng)絡(luò)………………………43GooglePlayStore數(shù)據(jù)清洗………………53.1App…………53.2Category………………………53.3Rating…………53.4Reviews………………………53.5Size……………53.6Installs…………63.7Type……………63.8Price…………63.9ContentRating………………63.10Genres…………74影響用戶下載因素分析………84.1詳細數(shù)據(jù)處理…………………84.2數(shù)據(jù)建模分析…………………84.3數(shù)據(jù)可視化分析……………125影響用戶滿意度因素分析……………………195.1數(shù)據(jù)建模分析…………………195.2數(shù)據(jù)可視化分析……………216分析建議……………………276.1對軟件開發(fā)者…………………276.2對應(yīng)用商店平臺方……………27結(jié)論…………………29參考文獻……………31第第頁1引言（或緒論）1．1課題背景簡介隨著信息科學(xué)技術(shù)的飛速發(fā)展，移動互聯(lián)網(wǎng)終端設(shè)備的數(shù)量不斷增加。移動應(yīng)用商店作為移動互聯(lián)網(wǎng)終端軟件中重要的一部分，伴隨著移動終端設(shè)備基數(shù)不斷增長，其發(fā)展越來越受到關(guān)注。隨著蘋果公司AppStore在移動應(yīng)用商店領(lǐng)域取得的商業(yè)成功，自2009年開始，移動應(yīng)用商店的概念得到迅速發(fā)展，也被評為2010年十大科創(chuàng)新趨勢之一。移動應(yīng)用商店是用戶使用移動終端設(shè)備其他App的起點和入口，其開發(fā)的根本目的是為用戶提供高效率、高質(zhì)量的利用服務(wù)，滿足用戶利用需求。所以只有基于用戶行為對移動應(yīng)用商店進行研究，才能夠深入用戶需求，滿足用戶預(yù)期，從而推動移動應(yīng)用商店服務(wù)的不斷完善。因此，本課題以GooglePlayStore的數(shù)據(jù)為研究對象，通過機器學(xué)習(xí)[3]中的聚類分析[4]、決策樹分析以及數(shù)據(jù)可視化等大數(shù)據(jù)分析[5][6]的方法，對用戶行為進行研究，找出影響用戶下載量[7]和滿意度[8][9]的因素，針對如何提高用戶的下載量和滿意度等問題提出建議，從而促進GooglePlay應(yīng)用商店的發(fā)展。1．2研究進展近年來，國內(nèi)外對移動應(yīng)用商店下載數(shù)據(jù)的分析已經(jīng)有不少研究，研究內(nèi)容有商業(yè)模式、運營模式、發(fā)展趨勢、交互設(shè)計、用戶體驗、用戶行為、用戶安全等。主要分為兩個大致方向，一個是移動應(yīng)用商店運營與發(fā)展方向，一個是移動應(yīng)用商店用戶行為研究。（1）移動應(yīng)用商店運營與發(fā)展方向隨著信息科學(xué)和新技術(shù)的發(fā)展，對于移動平臺的終端app——移動應(yīng)用商店而言，其運營機制及發(fā)展方向也在不斷更替，對此國內(nèi)外多位學(xué)者進行了系統(tǒng)研究。曾亞從移動應(yīng)用商店的實踐角度出發(fā)，解析了行業(yè)主流應(yīng)用商店的商業(yè)模式、開發(fā)者管理、運營模式等，對國內(nèi)三大運營商各自主導(dǎo)的移動應(yīng)用商店進行了相應(yīng)研究[10]。Liu等通過分析GooglePlay平臺中由711個排名的移動應(yīng)用組成的大型面板數(shù)據(jù)集，得出免費增值策略與付費app的銷售增長呈正相關(guān)[11]。ErshovD等構(gòu)建出基于GooglePlay移動應(yīng)用商店的需求和供給模型，認為減少用戶邊際搜索成本可有效促進平臺收益[12]。KristoferKimbler通過分析AppStore的成功模式，針對運營商提出發(fā)展策略[13]。周琳深度分析了蘋果AppStore的商業(yè)發(fā)展模式，并針對國內(nèi)移動應(yīng)用商店提出平臺創(chuàng)新、培育開發(fā)商、完善支付渠道、建立品牌優(yōu)勢等發(fā)展建議[14]。針對移動應(yīng)用商店運營與發(fā)展方向的研究為移動應(yīng)用商店市場的后續(xù)研究提供了基本條件，也為理論研究和實踐研究的進一步深入奠定了良好基石。（2）移動應(yīng)用商店用戶行為研究通過對用戶行為數(shù)據(jù)進行分析，能夠更清晰地了解用戶行為習(xí)慣，發(fā)現(xiàn)移動應(yīng)用商店在經(jīng)營模式、推廣渠道等方面存在的不足，從而幫助移動應(yīng)用商店更加精確高效地滿足用戶需求，提升其市場占有率。相關(guān)研究中，蔡可利用了經(jīng)典的TAM模型建立了手機應(yīng)用商店用戶采納模型，并引入了情景感知理論，得出影響用戶在手機商店下載應(yīng)用的影響因素[15]。袁霞提出基于TAM與TPB整合模型的移動應(yīng)用商店用戶下載模型，采用結(jié)構(gòu)方程進行實證分析，提出針對移動應(yīng)用商店平臺和移動應(yīng)用開發(fā)者的優(yōu)化策略[16]。王睿構(gòu)建出UTAUT擴展模型，據(jù)此探究影響用戶對智能移動終端應(yīng)用商店內(nèi)的App購買意愿的因素[17]。TangJ等使用偏最小二乘法對蘋果AppStore中用戶付費下載行為的影響因素進行研究，提出用戶所處的社交環(huán)境在其付費下載意愿中具有重要作用[18]。戚少君提出手機應(yīng)用商店的用戶接受行為研究模型，并予以驗證[19]。UsmanShehzaib等分析從GooglePlayStore中提取的評論和應(yīng)用信息，建立模型，來評估移動應(yīng)用程序的可接受性和流行程度[20]。上述研究通過建立相應(yīng)的用戶行為模型對用戶行為展開了研究，有助于拓展移動應(yīng)用商店用戶行為研究的思路和廣度。1．3研究目的和意義本課題的研究目的主要有兩點：第一點是從用戶的角度出發(fā)，構(gòu)建用戶行為模型，找到影響用戶下載和滿意度的因素，并提出相應(yīng)優(yōu)化對策，由此提高Google應(yīng)用商店在行業(yè)競爭中的優(yōu)勢；第二點是為了培養(yǎng)自己文件檢索和論文編寫的能力，讓自己對數(shù)據(jù)分析與數(shù)據(jù)可視化領(lǐng)域有著更清晰的理解，以便更好地融入今后的學(xué)習(xí)工作中。本課題的研究意義在于充分了解用戶行為特征，幫助軟件開發(fā)者和Google應(yīng)用商店的技術(shù)人員或管理人員提供新的開發(fā)和優(yōu)化思路，從而提高Google應(yīng)用商店的用戶認可度和滿意度，提升其服務(wù)水平和質(zhì)量，增加其在行業(yè)競爭中的優(yōu)勢，同時也為移動應(yīng)用商店的發(fā)展提供借鑒。2理論基礎(chǔ)2．1聚類分析聚類分析就是將個體或?qū)ο蠓诸?，使得同一類中的對象之間的相似性比其他類的對象的相似性更強。目前最典型的聚類分析算法有K-means算法、K-medoids算法、CLARANS算法、BIRCH算法等，但使用更廣泛的還是K-means算法。2.1.1K-means算法K-means是一個反復(fù)迭代的過程，算法主要可以分為四個步驟：1、從樣本集合中隨機抽取k個樣本點作為初始簇的中心；2、將每個樣本點劃分到距離它最近的中心點所代表的簇中；3、用各個簇中所有樣本點的中心點代表簇的中心點；4、重復(fù)2和3，直到簇的中心點不變或達到設(shè)定的迭代次數(shù)或達到設(shè)定的容錯范圍。常用的距離度量標(biāo)準是歐幾里得距離的平方：

d(x,y)其中x和y表示不同的兩個樣本，n表示樣本的維度?；跉W幾里得距離，K-means算法需要優(yōu)化的問題就是，使簇內(nèi)誤差平方和(SSE)最小，也叫簇慣性。SSE=其中μ(j)表示j簇的中心2．2決策樹分析決策樹是一種基本的分類與回歸方法，首先對數(shù)據(jù)進行處理，利用歸納算法生成可讀的規(guī)則和決策樹，然后使用決策對新數(shù)據(jù)進行分析。目前最常用的決策樹算法有C&RT，CHAID、QUEST和C5.0等2.2.1C&RT（分類回歸樹）C&RT生成可用于預(yù)測或分類未來觀測值的決策樹，該方法通過在每個步驟最大限度降低不純潔度，使用遞歸分區(qū)來將訓(xùn)練記錄分割為組。如果節(jié)點中100%的觀測值都屬于目標(biāo)字段的一個特定類別，則樹中的該節(jié)點將被認定為“純潔”。目標(biāo)和輸入字段可以是數(shù)字范圍或分類（名義、有序或標(biāo)志）；所有分割均為二元分割。2.2.2QUESTQUEST可提供用于構(gòu)建決策樹的二元分類法，此方法的設(shè)計目的是減少大型C&R樹分析所需的處理時間，同時也減少在分類樹方法中發(fā)現(xiàn)的趨勢以便支持允許有多個分割的輸入。輸入字段可以是數(shù)字范圍（連續(xù)），但目標(biāo)字段必須是分類。所有分割都是二元的。2.2.3CHAIDCHAID使用卡方統(tǒng)計量來生成決策樹，以確定最佳的分割。CHAID與C&R樹和QUEST節(jié)點不同，它可以生成非二元樹，這意味著有些分割將有多于兩個的分支。目標(biāo)和輸入字段可以是數(shù)字范圍（連續(xù)）或分類。2.2.4C5.0算法C5.0算法構(gòu)建決策樹或規(guī)則集。該模型的工作原理是根據(jù)在每個級別提供最大信息收獲的字段分割樣本。目標(biāo)字段必須為分類字段。允許進行多次多于兩個子組的分割。2．3神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)是一種試圖模擬生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模型，由一個輸入層、若干個中間隱含層和一個輸出層組成。此模型通過模擬大量類似于神經(jīng)元的抽象形式的互連簡單處理單元而運行。神經(jīng)網(wǎng)絡(luò)是功能強大的一般函數(shù)估計器，只需要最少的統(tǒng)計或數(shù)學(xué)知識就可以對其進行訓(xùn)練或應(yīng)用。

3GooglePlayStore數(shù)據(jù)清洗GooglePlayStore的數(shù)據(jù)主要包含以下字段:App(名稱)、Category（類別）、Rating（評分）、Reviews（評論數(shù)）、Size（大?。nstalls（下載量）、Type（收費類別）、Price（價格）、ContentRating（內(nèi)容等級（年齡等級））、Genres（多種類別）、LastUpdated（最后更新時間）、CurrentVer（版本號）、AndroidVer（適用安卓版本），如下表3-1所示。表3-1GooglePlayStore下載數(shù)據(jù)名稱照片編輯和糖果相機和網(wǎng)格和剪貼簿涂色本繪畫-鉛筆畫和顏色畫類別藝術(shù)與設(shè)計藝術(shù)與設(shè)計藝術(shù)與設(shè)計評分4.13.94.5評論數(shù)159967215644大小19M14M25M下載量10,000+500,000+50,000,000+收費類別免費免費免費價格000內(nèi)容等級（年齡等級）每個人每個人青少年多種類別藝術(shù)與設(shè)計藝術(shù)與設(shè)計；裝扮游戲藝術(shù)與設(shè)計最后更新時間2018/1/72018/1/152018/6/8版本號1.0.02.0.0隨設(shè)備而變化適用安卓版本4.0.3及以上4.0.3及以上4.2及以上我通過Python對該文件中所有的10841條數(shù)據(jù)進行了處理，首先導(dǎo)入數(shù)據(jù)并刪除了本次分析無需用到的字段，如LastUpdated、CurrentVer、AndroidVer，然后對保留的字段分別進行處理。3．1App因為APP的名稱是不可以重復(fù)的，所以這里需要刪除APP名稱重復(fù)的值：data.drop_duplicates('App',inplace=True)3．2Category首先查詢該項的所有值：print(data.Category.unique())，發(fā)現(xiàn)有一項錯誤的值1.9，所以需要刪除它：data=data[data.Category!='1.9']3．3Rating通過data.Rating.isna().sum()發(fā)現(xiàn)Rating項缺失的值有點多，有1474條，若刪除會缺失很多數(shù)據(jù)，所以這里選擇忽略NA值，不做處理。3．4Reviews將該項所有值轉(zhuǎn)換為數(shù)值型data.Reviews=pd.to_numeric(data.Reviews)3．5Size該項有以M和以k為單位的值，需統(tǒng)一轉(zhuǎn)換為以k為單位的數(shù)值型：deff(x):ifx[-1]=='M':res=float(x[:-1])*1024elifx[-1]=='k':res=float(x[:-1])else:res=np.nanreturnresdata.Size=data.Size.apply(f)3．6Installs該項數(shù)據(jù)格式為“10,000+”的形式，所以在這里需要刪除逗號和加號，將該項所有數(shù)據(jù)轉(zhuǎn)換為數(shù)值型：definst(x):ifx[-1]=='+':res=float(x[:-1].replace(',',''))else:res=float(x)returnresdata.Installs=data.Installs.apply(inst)3．7Type首先查詢該項的所有值：data.Type.value_counts(dropna=False)，發(fā)現(xiàn)除了有Free和Paid這兩類數(shù)據(jù)之外，還有一項空缺值NaN，所以在這里需要刪除它：data.Type.dropna(inplace=True)3．8Price該項數(shù)據(jù)中除了為0的數(shù)據(jù)，其他數(shù)據(jù)都是“$+數(shù)值”的格式，如$4.99，所以需要將數(shù)字前的$符號刪除，將該項所有數(shù)據(jù)轉(zhuǎn)換為數(shù)值型：defprc(x):ifx[0]=='$':res=float(x[1:])else:res=float(x)returnresdata.Price=data.Price.apply(prc)3．9ContentRating通過data['ContentRating'].value_counts()發(fā)現(xiàn)該項沒有需要修改的值，不做處理。3．10Genres通過data.Genres.value_counts()發(fā)現(xiàn)多類別的App數(shù)量較少，且有一個類別做分析已經(jīng)足夠，所以需刪除第二個類別：data['Genres']=data.Genres.Apply(lambdax:x.split(";")[0])至此，對于數(shù)據(jù)的預(yù)處理已經(jīng)基本完成，處理完成后還剩余9659條數(shù)據(jù)。當(dāng)然，后面進行分析時可能還需要對數(shù)據(jù)進行更詳細的處理。

4影響用戶下載因素分析4．1詳細數(shù)據(jù)處理因為有些字段數(shù)值差距較大且數(shù)值較多，所以在SPSSModeler軟件中通過導(dǎo)出節(jié)點對Rating、Reviews、Size和Price這四個字段進行了分段處理，然后將它們合并后與其他所有字段一起導(dǎo)出為新的Excel表格，如圖4-1所示。圖4-1SPSS詳細數(shù)據(jù)處理4.1.1Rating（評分）評分共分為4段，評分1表示Rating<3.5，評分2表示3.5≤Rating<4，評分3表示4≤Rating<4.5，評分4表示Rating≥4.5。4.1.2Reviews（評論數(shù)）評論數(shù)共分為5段，評論數(shù)1表示Reviews<1000，評論數(shù)2表示1000≤Reviews<10000，評論數(shù)3表示10000≤Reviews<100000，評論數(shù)4表示100000≤Reviews<1000000，評論數(shù)5表示Reviews≥1000000。4.1.3Size（大?。┐笮」卜譃?段，大小1表示Size≤10000，大小2表示10000<Size≤30000，大小3表示30000<Size≤60000，大小4表示Size>60000。4.1.4Price（價格）價格共分為3段，價格1表示Price=0，價格2表示0<Price<10，價格3表示Price≥10。4．2數(shù)據(jù)建模分析通過SPSSModeler中的各類節(jié)點，對數(shù)據(jù)進行處理分析。4.2.1聚類分析以Installs為目標(biāo)，首先通過自動聚類節(jié)點，分析有哪些可用的聚類方法，通過結(jié)果發(fā)現(xiàn)Kohonen方法和兩步法構(gòu)造出的聚類質(zhì)量較差，而通過K-means算法構(gòu)造出的聚類效果較好，所以最終通過K-means節(jié)點進行聚類分析，過程和結(jié)果如圖4-2所示。圖4-2SPSS聚類分析過程由圖4-3和圖4-4可以看出此次聚類共分為5類，聚類1所占比值最大，而聚類5占比最小。聚類1和聚類3的Rating、Reviews、Size、Price和Installs都相對較低；聚類2的Rating、Reviews都較高，Size和Installs都在中等水平；而聚類4與聚類2相反，Rating、Reviews在中等水平，Size和Installs較高；聚類5是唯一一個Price較高的聚類，所以它的Installs就會偏低。由此可見，這些字段對下載量還是有一定影響的。圖4-3SPSS聚類分析各聚類大小圖4-4SPSS聚類分析各聚類比較而接下來圖4-5的預(yù)測變量重要性也可證明，無論評分、評論數(shù)、價格、大小這幾個字段是否進行了分段處理，大都很重要。圖4-5SPSS聚類分析預(yù)測變量重要性4.2.2決策樹分析由于Quest和C5.0方法的目標(biāo)字段只能是分類類型，而目標(biāo)Installs是連續(xù)類型，所以這里通過C&RT節(jié)點和CHAID節(jié)點進行決策樹分析，過程和結(jié)果如圖4-6所示。圖4-6SPSS決策樹分析流程由圖4-7和圖4-8預(yù)測變量重要性可看到評論數(shù)是最重要的。圖4-7SPSSC&RT分析預(yù)測變量重要性圖4-8SPSSCHAID分析預(yù)測變量重要性4.2.3神經(jīng)網(wǎng)絡(luò)以Installs為目標(biāo)，通過類神經(jīng)網(wǎng)絡(luò)節(jié)點進行分析，過程和結(jié)果如圖4-9所示。圖4-9SPSS神經(jīng)網(wǎng)絡(luò)分析流程由圖4-10預(yù)測變量重要性可以看出Reviews（評論數(shù)）最重要。圖4-10SPSS神經(jīng)網(wǎng)絡(luò)分析預(yù)測變量重要性4．3數(shù)據(jù)可視化分析由上面的建模分析可知，對下載量影響較大的字段為Reviews、Rating、Size、Price和Type，因此接下來在Tableau中針對這些字段進行可視化分析。4.3.1Reviews可視分析由于Reviews數(shù)值差距較大，所以在此選擇前中后三個數(shù)值段進行分析，如圖4-11到圖4-13所示，可以看到當(dāng)Reviews值越大Installs的值也越大，說明用戶可能選擇評論數(shù)更多的APP進行下載，當(dāng)然也表示下載量越多的APP，也會有更多的用戶對其評價。這也反映了一種從眾心理，用戶會覺得有越多人進行評論說明該APP更可信。圖4-11TableauReviews分析前段圖4-12TableauReviews分析中段圖4-13TableauReviews分析后段下圖4-14對評論數(shù)_分段的分析也可證明上述說法的正確性。圖4-14Tableau評論數(shù)_分段分析4.3.2Rating可視分析由下圖4-15和圖4-16可以看到，Rating值較低的Installs也較低，Rating值中等的Installs也處于中等水平，Rating值較高的Installs值中等偏高。說明用戶更傾向于下載評分較高的APP。圖4-15TableauRating分析圖4-16Tableau評分_分段分析4.3.3Size可視分析由于Size數(shù)值差距較大，所以在此選擇前中后三個數(shù)值段進行分析，如圖4-17到圖4-19所示，并結(jié)合圖4-20大小_分段的分析，可以看到當(dāng)Size值越大時Installs的值也越大，且Size中等的APP數(shù)量較多，而Size較小和較大的APP數(shù)量都相對較少，說明用戶大都下載Size適中或較大的APP。圖4-17TableauSize分析前段圖4-18TableauSize分析中段圖4-19TableauSize分析后段圖4-20Tableau大小_分段分析4.3.4Price可視分析由于Price數(shù)值差距較大，所以在此選擇前后兩個數(shù)值段進行分析，如圖4-21和圖4-22所示，并結(jié)合圖4-23價格_分段的分析，可以看到Price越小Installs越大，說明用戶大都下載價格為0或收費價格較小的APP，對于那些收費較高的APP，下載的數(shù)量就較少了。圖4-21TableauPrice分析前段圖4-22TableauPrice分析后段圖4-23Tableau價格_分段分析4.3.5Type可視分析Type即收費類型，分為Free和Paid兩種，由下圖4-24可知Free類型的APP下載量較多，即用戶更喜歡下載免費的APP。圖4-24TableauType分析總的來說，用戶更傾向于下載評分較高、評論數(shù)較多、大小適中或較大以及免費或收費價格較低的APP。

5影響用戶滿意度因素分析Rating表示所有參與評分的用戶對該APP的評分平均數(shù)，是表示用戶對該APP滿意程度最有效的字段，所以在此以Rating為目標(biāo)進行用戶滿意度分析。5．1數(shù)據(jù)建模分析通過SPSSModeler中的各類節(jié)點，對數(shù)據(jù)進行處理分析。5.1.1聚類分析以Rating為目標(biāo)，首先通過自動聚類節(jié)點，分析有哪些可用的聚類方法，通過結(jié)果發(fā)現(xiàn)兩步法構(gòu)造出的聚類質(zhì)量較差，而通過Kohonen和K-means算法構(gòu)造出的聚類效果較好，所以最終通過Kohonen節(jié)點和K-means節(jié)點進行聚類分析，過程和結(jié)果如圖5-1所示。圖5-1SPSS聚類分析滿意度過程首先對于Kohonen方法，由下圖5-2預(yù)測變量重要性可以看到ContentRating、Type和Size是最重要的，對結(jié)果影響最大。圖5-2SPSSKohonen方法預(yù)測變量重要性然后對于K-Means算法，由下圖5-3預(yù)測變量重要性可以看到ContentRating和Type是最重要的，對結(jié)果影響最大，Price和Size也較重要。圖5-3SPSSK-Means算法預(yù)測變量重要性5.1.2決策樹分析由于Quest和C5.0方法的目標(biāo)字段只能是分類類型，而目標(biāo)Installs是連續(xù)類型，所以這里通過C&RT節(jié)點和CHAID節(jié)點進行決策樹分析，過程和結(jié)果如圖5-4所示。圖5-4SPSS決策樹分析滿意度流程由下圖5-5的C&RT方法預(yù)測變量重要性可以看到Installs最重要，Reviews也較重要，而其他字段的重要性較差。圖5-5SPSSC&RT分析滿意度預(yù)測變量重要性由下圖5-6的CHAID方法預(yù)測變量重要性可以看到Reviews最重要，Installs、Type、ContentRating的重要性依次遞減。圖5-6SPSSCHAID分析滿意度預(yù)測變量重要性5．2數(shù)據(jù)可視化分析由上面的建模分析可知，對下載量影響較大的字段為ContentRating、Installs、Reviews、Size、Price和Type，因此接下來在Tableau中針對這些字段進行可視化分析。5.2.1ContentRating可視分析由下圖5-7可以看到除了Everyone即每個用戶都可下載的APP基本上各種評分都有，其他有特定年齡段使用的APP大都評分中等或較高，說明針對特定年齡開發(fā)的APP還是很符合該年齡段的要求的。圖5-7TableauContentRating滿意度分析5.2.2Installs可視分析由下圖5-8可以看到Installs較少的Rating也較低，反之Installs較多的Rating也較高，說明下載量越高的APP大都是用戶越滿意的。圖5-8TableauInstalls滿意度分析5.2.3Reviews可視分析由于Reviews數(shù)值差距較大，所以在此選擇前后兩個數(shù)值段進行分析，如圖5-9和圖5-10所示，可以看到Reviews值越小Rating值越低，反之Reviews值越大Rating值也越高，說明用戶評分越高即越滿意就更可能對APP進行評論，反之用戶對此APP不滿意就可能不會花費時間去評論。圖5-9TableauReviews滿意度分析前段圖5-10TableauReviews滿意度分析后段5.2.4Size可視分析由于Size數(shù)值差距較大，所以在此選擇前中后三個數(shù)值段進行分析，如圖5-11到圖5-13所示，可以看到Size值較小和較大時Rating值都較高，但Size值中等時有一部分APP的Rating值較低，說明用戶不太滿意。圖5-11TableauSize滿意度分析前段圖5-12TableauSize滿意度分析中段圖5-13TableauSize滿意度分析后段5.2.5Price可視分析由于Price數(shù)值差距較大，所以在此選擇前后兩個數(shù)值段進行分析，如圖5-14和圖5-15所示，可以看到Price越低時有一部分APP的Rating越低，反之Price越高時Rating中等偏高，說明收費低的APP大都滿意度較高但也有一部分滿意度較低，而收費高的APP滿意度大都中等偏高。圖5-14TableauPrice滿意度分析前段圖5-15TableauPrice滿意度分析后段5.2.6Type可視分析由圖5-16可以看到大多數(shù)APP的Rating值都較高，Rating值較低的APP大都為Free類型，即Free類型的APP相較于Paid類型的APP滿意度更低。圖5-16TableauType滿意度分析6分析建議6．1對軟件開發(fā)者6.1.1針對不同年齡段開發(fā)相應(yīng)APP通過本研究可以看出，針對特定年齡段開發(fā)的APP比所有用戶都可下載的APP滿意度更高，因此軟件開發(fā)者可以根據(jù)不同年齡段的特征開發(fā)特定的APP，這樣會使不同年齡段的人更容易找到適合自己的APP，提高APP的下載量和用戶滿意度。6.1.2優(yōu)化APP大小即相應(yīng)的介紹通過本研究可以看出，Size較小的APP大都下載量較少但滿意度較高，Size較大的APP下載量和滿意度大都較高，Size值中等的APP大都下載量較高但滿意度較少，所以軟件開發(fā)者可以優(yōu)化APP的大小，使得APP的大小與功能相匹配，盡量不要出現(xiàn)功能少但APP太大的情況。此外APP介紹是用戶了解APP最直接的方式，介紹文案的描寫應(yīng)該包含APP所有重要的信息，還要注重語言的簡略性和生動性。6.1.3合理收取APP費用通過本研究可以看出，免費或收費價格較低的APP下載量較高，且大部分滿意度也較高，但有一部分滿意度較低，收費較高的APP下載量較低但大都滿意度中等偏高，所以軟件開發(fā)者合理收取APP的費用，開發(fā)出更好的產(chǎn)品，使用戶感到價有所值，這樣才會提高APP下載量和用戶滿意度。6．2對應(yīng)用商店平臺方6.2.1針對不同的年齡推薦相應(yīng)APP若開發(fā)者針對不同的年齡段開發(fā)了相應(yīng)的APP，那么應(yīng)用商店平臺則需要分析自己核心用戶群體的年齡分布情況，并對其喜歡下載的APP進行分析，得到用戶的一些喜好特征，然后針對用戶年齡段及喜好進行推薦，減少用戶的時間浪費，提高用戶下載效率及滿意度。6.2.2詳細介紹APP信息用戶了解APP最主要的方式就是通過APP的詳細介紹信息，針對軟件開發(fā)者提供的信息，應(yīng)用商店平臺可以對此進行合理的布局及描述，不僅要傳遞出應(yīng)有的價值和用處，還要注意語言的簡潔性和生動性，盡量第一眼就打動用戶，提高下載量。6.2.3提高用戶評論的欲望通過本研究可以看出，Reviews值越多時，APP下載量和用戶滿意度都會更高，評論數(shù)越多說明該APP的活躍用戶越多，用戶就會更傾向于下載這種APP，所以應(yīng)用商店平臺應(yīng)該想辦法提高用戶評論的欲望。當(dāng)然，最直接的方法就是提高APP的質(zhì)量，讓用戶真的滿意，從而提高用戶評論數(shù)；其次，應(yīng)用商店平臺可以通過活動獎勵方式促進用戶評論，如評論領(lǐng)積分兌換獎品活動等。結(jié)論目前各個應(yīng)用商店都在積極進行優(yōu)化，基于用戶行為對應(yīng)用商店進行研究，才能夠深入用戶需求，滿足用戶預(yù)期，從而推動移動應(yīng)用商店服務(wù)的不斷完善。本文從用戶行為出發(fā)，通過數(shù)據(jù)處理與數(shù)據(jù)挖掘，確定了影響APP下載量的5個主要因素：評論數(shù)、評分、大小、價格和收費類型，以及影響用戶滿意度的6個主要因素：內(nèi)容評級（年齡等級）、下載量、評論數(shù)、大小、價格和收費類型，并通過可視化逐一驗證。發(fā)現(xiàn)當(dāng)評論數(shù)的值越大時用戶下載量和滿意度也就越高，說明用戶更喜歡下載評論數(shù)較多的APP且越滿意某APP就越可能對其進行評價；當(dāng)APP大小值越大用戶下載量就越高，但用戶滿意度在APP大小較大或較小時都較高，反而中等大小的一部分APP用戶滿意度較低，說明中等大小的APP有很大的改進空間；當(dāng)收費類型為免費或價格值較低時，用戶下載量較高但滿意度較低，說明即使用戶更愿意下載免費或價格低的APP，但還是收費較高的APP更能讓用戶滿意；當(dāng)下載量越高的評分也越高，說明下載量越多的APP大都是用戶越滿意的，并且用戶也更喜歡下載評分更高的APP；當(dāng)內(nèi)容評級（年齡等級）有年齡限制時比任何人都能下載的APP滿意度更高，說明針對特定年齡段進行APP開發(fā)還是很有必要的。最終從軟件開發(fā)者角度和應(yīng)用商店平臺角度針對上述影響因素分別提出了相應(yīng)的建議。目前國內(nèi)外對于應(yīng)用商店的研究還算較多，但針對應(yīng)用商店可視化的研究非常少，對此還是有很多值得進一步探討和研究的問題。用戶在使用應(yīng)用商店的過程中還產(chǎn)生了大量的數(shù)據(jù)，例如本次研究中舍棄的APP最后更新時間、適用手機版本等數(shù)據(jù)。后續(xù)的研究還可以分析這些行為數(shù)據(jù)，發(fā)現(xiàn)更多的用戶行為特征。

參考文獻[