何種APP更受用戶歡迎?基于第三方平臺的用戶下載數據分析

楊 慮 ,魯耀斌 ,胡 鵬

(1.華中科技大學 管理學院,武漢 430074;2.安徽農業大學 人文社會科學學院,合肥 230036)

隨著蘋果公司開創并推廣APP Store,“移動應用商店”模式取得巨大的成功,其他各大廠商和運營商也開始建立自己的應用商店。“APP Store”模式的出現與互聯網的發展都促進了APP數量的增長,移動APP已經成為人們不可或缺的生活助手,從社交網絡、健康監測到購物和娛樂,幾乎豐富了每一個方面[1]。根據七麥數據平臺的顯示,截至2021 年12月,蘋果商城中所有APP 的數量已經多達135萬。與此同時,小程序、公眾號等更為便捷化的渠道的出現可以讓人們在不安裝APP 的情況下仍能享受到APP中的大部分功能。在這種背景下,如何提升APP的受歡迎程度,在哪些方面進行改善,成為困擾眾多APP開發者的難題。

一個APP能否存活以及存活的時長,很大程度上取決于用戶量的多少。APP數量的不斷增長,使得APP市場的競爭也越來越激烈,APP 的下載量是非常值得關注的指標。本文基于APP Store的數據,結合開發者和用戶的視角,探究怎樣的用戶行為和開發者行為會影響一個APP的下載量,由此提出針對APP開發者提升APP受歡迎程度的建議,幫助APP開發者更好地調整自己的戰略。

1 文獻綜述

1.1 移動APP成功因素的相關研究

目前移動APP 行業的增長伴隨著主要應用商店的激烈競爭,導致應用開發者都在盡力爭取其APP在應用商店中的曝光度和影響力[2]。開發者面臨的APP曝光和增長問題引發眾多學者開始關注移動APP 的成功因素。Tafesse[3]在對APP 應用評級研究中考慮了開發者在APP Store中的策略,在對APP應用評級的影響中加入了APP 大小等因素作為考量,并基于已有文獻,將APP分為享樂型和實用型兩種類型。Wang等[4]對APP 的原創問題進行了研究,提出了一種基于馬爾科夫聚類算法、支持向量機、圖像識別等的機器學習方法,通過APP 的功能、圖標、名字等特征來識別出原創APP和山寨APP,并通過構建計量模型發現高質量低迷惑性的山寨APP會對原創APP的利益造成一定的損害。類似地,為了解開發者自己和競爭對手發布APP順序對于APP 評級的影響,Martin等[5]提出了一種“因果影響發布分析”工具CIRA 對APP發布順序造成的影響進行因果分析。

還有一些學者考慮了APP Store的推薦因素,發現有效的推薦算法,尤其對于移動APP 而言[6,8]是可以提升APP的點擊率和下載量的。Natarajan等[9]提出一種基于用戶先前下載的APP的推薦算法,而Liu等[10]將興趣功能交互和用戶隱私偏好相結合,提出了一種個性化的推薦算法。近年來,由于文本分析方法的興起,許多學者也將其運用于APP的推薦算法中。Park等[11]根據用戶表現出的“狀態文本”,基于過往的下載行為,結合主題挖掘算法,推斷出用戶的意圖和需求。He等[12]以參與理論為理論基礎,提出了一種結合用戶下載行為與用戶瀏覽行為的創新性手機APP推薦算法,將用戶的整體興趣和當前興趣結合起來進行應用推薦。以往對于移動APP受歡迎因素的影響大多集中在開發者的行為視角以及應用商店中的策略和推薦,如開發者的發布次序、原創性等,而沒有將用戶行為與之結合起來。本文從開發者視角和用戶視角進行APP受歡迎的因素分析。

1.2 移動APP用戶行為的相關研究

移動APP中的用戶行為是指用戶對于其所使用的APP做出的一些動作(如評論、評分、反饋等),這些展現出的行為在一定程度上會影響用戶下載該APP的意愿。Ghosh等[13]研究了在APP市場上消費者混淆傾向對APP的口碑和購買決策的影響,同時還考慮了認知需求在其中起到的調節作用。Hsu等[14]聚焦于用戶對于付費APP 的購買意愿,以預期確認模型為理論基礎,并在其基礎上進行了相應的修正,將感知有用性替換為多維度的感知價值進行評判,通過基于問卷的實證研究發現,物有所值的感知、應用評級和付費應用的免費替代品均對付費應用的購買意愿有直接影響。袁霞[15]從行為科學角度出發,基于技術接受模型和感知風險理論,發現用戶的感知有用性、感知易用性和感知娛樂性均正向影響APP的下載量。孫淑嫻[16]基于科大訊飛有限公司有關創新教育的AI系列產品,從用戶的體驗出發,認為教育APP 從視覺上的界面設計到APP的功能設計,都充分融合了用戶的體驗需求。Hsiao等[17]研究了移動游戲APP,基于網絡調查數據和結構方程模型,游戲的感知價值會直接影響所有玩家的忠誠度,但對非付費玩家的購買意愿影響相對較小。以往對于移動APP中用戶行為的研究大多集中在用戶本身的感知上,側重于用戶的自我體驗和感受,并沒有考慮APP中的用戶行為針對其他用戶對于該APP下載意愿的影響。本文考慮了用戶行為,并將其與開發者行為進行結合。

1.3 APP在線評論的相關研究

用戶對于APP的在線評論是衡量一個APP質量的重要標準,也是其他用戶對于該APP的第一印象重要來源。用戶可以在下載APP之前先瀏覽該APP的評論,也可以在使用完APP 后發表評論供他人參考[19]。在線評論直觀地反映了用戶的態度,越來越多的學者通過對用戶在線評論的挖掘來分析評論與APP 的聯系。王善策[20]通過挖掘APP 的更新日志和用戶評論,提取出APP的更新模式和用戶需求,并提出了不同的更新模式,發現一些特定的更新模式可以促進APP的排名,而一些特定的評論強度也有利于提高評論的評分。Gao等[23]提出了一個新的框架“R-Tracker”,從用戶在應用商店的評論中進行主題挖掘,并對主題進行分類,建立了一個基于APP評論的動態更新主題挖掘模型。還有學者關注APP的負面評論,利用主題特征來分析用戶的負面評論對APP 的迭代更新模式是否產生影響[21]。除了在線評論反映出的用戶的外在態度,用戶的內在信念也一直是研究的熱點問題。基于APP Store中的用戶評論數據,研究發現,用戶最初信念引起的確認偏差對用戶對于評論的有用性的判斷產生負面影響,而如果用戶對于其最初信念的信心較弱,這種確認偏差造成的負面影響也會變弱[22]。用戶評論作為用戶在線活動的一個重要組成部分,一直都是眾多學者的研究重點。但是以往對于APP在線評論的研究更多關注用戶已存在的評論,并沒有挖掘一些被刪除的評論。本文聚焦于被刪除的APP評論,結合計量模型和主題特征提取等方法挖掘其價值。

綜上所述,以往文獻對于APP受歡迎程度的研究大多是基于單側視角(基于開發者視角或基于用戶視角),本文則將用戶視角與開發者視角相結合,系統性地探究了APP受歡迎程度的影響因素。此外,以往相關研究集中于探討評論本身以及評論的效價,鮮有研究考慮用戶刪除評論這個行為。用戶刪除評論可以反映用戶對于APP的態度變化,對用戶刪除評論的文本挖掘有助于了解用戶對于APP的真實看法和體驗,這可能是影響APP受歡迎程度的一個重要因素。本文首先將被刪除評論納入APP受歡迎程度的影響因素模型,并提出了一種對被刪除評論進行分類的方法,然后對于其背后的機制進行了相應的分析。總之,本文解決了以往文獻中單側視角和忽略用戶刪除評論這兩個問題,研究結果可以為APP開發者提升APP受歡迎程度提供一些新的參考建議,幫助APP開發者更好地調整自己的戰略以擴大市場份額。

2 研究方法

2.1 數據來源

以蘋果公司APP Store上的APP為研究對象,在第三方數據平臺上對時間跨度為2021-01～2021-10的APP數據進行爬蟲采集。參照Comino等[24]選取數據的方法,根據確立的時間跨度,在各個分類中選取下載量排行前200 的APP,獲取它們從2021-01～2021-10期間每個月的數據,剔除變量數據缺失的APP,得到了2 528個APP的數據作為研究樣本。研究表明,APP 市場存在著嚴重的“二八現象”,僅有1%的APP下載量超過100萬,且排行前1 000名的APP市場份額占比達到60%[24]。這說明,頭部APP占據了絕大部分的市場,因此,可以認為,本文選取的這些排名靠前的頭部APP對于整個APP市場具有一定的代表性。

2.2 變量測量

本文以APP下載量作為衡量APP受歡迎程度的指標,即為模型的被解釋變量。將2 528個APP從2021-01～2021-10 期間每個月的下載量數據加總,得到了APP的下載量。具體公式為

式中:APP_downloadi表示第i個APP 10個月的下載量總和;APP_downloadij表示第i個APP 在第j個月的下載量。基于蘋果公司APP Store的公開數據,采集了評論數量、平均評分、版本更新頻率、被刪除評論占比、是否有支付項、安裝包大小和上線時間7個與APP下載量可能相關的因素,其變量描述如表1所示。

表1 解釋變量描述

評論數量。評論數量衡量的是一個APP在10個月內的評論數量匯總。一個APP的評論數量能夠反映這個APP 的受歡迎程度,評論數量越多的APP,其對應的用戶數和下載量也會更多。

上線時長。上線時長代表了距離APP 首次發布上架的時長。考慮到如果一個APP發布的時間越長且頻繁出現在排行榜的頂端,則說明用戶對于它的認可度就越高,它越受歡迎[25]。

平均評分。平均評分反映了用戶過去對于這個APP 的一個評價考慮。研究表明,在APP Store中,越高的用戶評分意味著更好的用戶口碑,說明更受歡迎,會擁有更高的下載量[5,26]。

版本更新頻率。版本更新頻率顯示出了開發者對于一個APP 的關注程度,屬于開發者的一種行為。APP的更新頻次越高,說明開發者越關注這個APP的功能優化。關于APP 的迭代更新方面,王善策等[20]發現,高及時度、中高充分度的更新模式不利于APP排名的提升。

被刪除評論占比。本文關注用戶刪除評論的行為顯現出了用戶對于APP的態度變化,而這種態度的變化在一定程度上會影響APP 的受歡迎程度。為此,本文選取APP 的被刪除評論。一般而言,被刪除評論分為3種:①由于違反APP Store評論規則而被APP Store刪除的評論;②被開發者刪除的差評;③用戶自己刪除的評論。對于用戶自己刪除的評論,反映了用戶對于該APP后續的消極體驗。但是直接選取被刪除評論作為指標是不可以的,因為它和評論數量有很強的相關性,所以本文選取了被刪除評論的占比作為指標。

是否有支付項。是否有支付項表示一個APP內是否有需要支付的內容,擁有增值服務的APP在使用過程中,對于購買了增值服務和沒有購買增值服務的用戶而言體驗感是有差異的,可能會導致用戶對于APP的評價下降,進而影響其受歡迎程度。Liu等[27]在對谷歌商店的APP 應用進行研究時發現,APP的免費增值策略會對付費APP 的購買程度和下載量有積極的影響。

安裝包大小。隨著移動互聯網的不斷發展,現如今的APP大小也是逐漸增大,APP越來越臃腫,使得許多用戶在考慮下載APP時也會考慮其大小,研究表明,用戶下載時會比較關注APP的大小[15]。因此,APP 安裝包的大小也是本文需要考慮的因素。

2.3 計量模型設定

根據之前所選取的解釋變量和被解釋變量,對一些變量進行取對數的歸一化預處理后,構建以APP下載量為因變量的多元線性回歸模型,如下式所示:

式中:APP_downloadi表示第i個APP的下載量排名;α為常數項;app_payi表示是否有支付項;online_timei表示上線時長;app_sizei表示安裝包大小;app_scorei表示平均評分;comment_numi為評論數量;app_versioni為版本更新頻率;del_prosi為刪除評論占比;del_squarei為del_prosi的二次項;β1～β8為各個變量的回歸系數估計值。

3 研究結果

根據2.3節建立的模型以及收集的數據,利用stata軟件,對相應的變量進行多元線性回歸,結果如表2中Model_1所示。由表2可見,在0.05的顯著性條件下,是否有支付項、上線時長、安裝包大小、平均評分、評論數量以及版本更新頻率均對APP的下載量有顯著影響,僅有被刪除評論占比一項不顯著。

考慮到模型存在的內生性問題,模型可能存在遺漏變量問題,且考慮到解釋變量和被解釋變量之間可能存在互為因果的情況(如下載量越高評分可能會越高[28]),采用引入人工變量的方法來解決內生性問題。參考Lewbel[29]提出的無需額外增加數據的工具變量構建方法來構建新的人工變量,范建亭等[30]也參考該方法構建了APP進入次序的工具變量,本文對每一個解釋變量進行了相應的工具變量構建,使用兩階段最小二乘(2SLS)法進行回歸。在回歸之后再對模型進行弱工具變量檢驗和工具變量的外生性檢驗,第1 階段的弱工具變量檢驗F統計量皆大于10,說明選取的工具變量并非弱工具變量;Sargan-Basman檢驗的p值都大于0.05,說明選取的工具變量都是外生的。再利用Hausman檢驗,發現平均評分、評論數量、版本更新頻率都具有內生性。在發現內生變量后,利用工具變量方法對原模型進行了修正,修正后的模型回歸結果如表2中Model_2所示。使用修正后的模型Model_2 作為研究模型,由結果可見,所有的解釋變量都對APP下載量有顯著影響,對于各個解釋變量造成的影響將在第4 節詳細闡述。

表2 APP下載量的線性回歸結果

3.1 穩健性檢驗

3.1.1因變量替換法 APP的受歡迎程度不僅可以由其下載量所反映,APP在應用商店中的排名也可以反映其受歡迎程度。為了確定研究結果的穩健性,排除由于因變量的測量指標選擇帶來的偏差,參考蔡曉慧等[31]在穩健性檢驗部分的做法,采用因變量替換[32-33]方法,將因變量由APP 下載量替換為APP的排名。由于排名是次序變量,故替換后改用次序probit模型來估計解釋變量的回歸系數,結果如表3第(1)列所示。由表3可見,在替換了因變量后,除了版本更新頻率外,其他解釋變量都是顯著的,與表2中Model_2結果基本一致。需要說明的是,APP排名與APP 下載量對各解釋變量的回歸系數符號相反,排名與下載量本身是負相關關系,一個APP的下載量越高,其排名越靠前(次序越小)。另外,版本更新頻率的系數未達到顯著,可能是因為版本更新頻率對APP 下載量的影響本身就很弱(0.009 29),而APP排名的變動對于版本更新頻率也沒有APP下載量敏感(如假設兩個APP的下載量相差200 萬,版本更新多一次會增加10 萬下載量,但這并不能改變兩個APP的排名,因為排名之間的下載量差距遠大于版本更新頻率對于增加下載量的貢獻),所以版本更新頻率的增加不一定能提升APP的排名。

3.1.2樣本縮尾處理 由于自變量中如評論數量、被刪除評論占比等會出現一些極端值(如0),為了檢驗研究結果的穩健性,避免樣本數據中的極端值對結果造成的偏差,參考陳強遠等[34]對企業的資產收益率與負債比率進行縮尾處理以及余泳澤等[35]使用縮尾處理對異常值的處理,對部分變量(評論數量、被刪除評論占比)分別進行5%百分位和10%百分位的單邊縮尾,處理后的結果如表3第(2)和第(3)列所示。對比表2中Model_2的結果,發現縮尾處理后各變量的顯著性與效應方向均與Model_2一致。對比縮尾前后的參數數值,并未出現顯著差異,進一步說明了研究結果的穩健性。

表3 替換因變量與樣本縮尾的穩健性檢驗結果

3.1.3子樣本選擇 為了排除研究結果取決于本文所獲取的特定數據集的可能性,進一步檢驗表2中Model_2的穩健性,參照以往研究對研究結果進行子樣本的敏感性測試[36-37]。首先,從原數據集中隨機選擇60%的子樣本進行回歸分析,結果如表4第(1)列所示,除版本更新頻率外,其余解釋變量的顯著性情況與效應方向均與Model_2的結果保持一致。版本更新頻率在子樣本估計中未達到顯著水平可能與樣本量有關,樣本量的減少會帶來標準誤的增大,進而導致回歸系數不顯著。其次,隨機選取了50%、40%的子樣本數據分別做回歸,結果均顯示子樣本的估計結果與原樣本一致(見表4第(2)和第(3)列),表明即使僅選擇部分樣本也能得到相同的結論,進一步說明了研究結果的穩健性。

表4 子樣本選擇的穩健性檢驗結果

3.2 被刪除評論的主題特征分析

計量模型的結果顯示,被刪除評論的比例與APP下載量之間存在顯著關系,被刪除評論占比與APP下載量之間存在倒“U”型關系,當被刪除評論占比為48%時,APP下載量達到最高。但是其中隱藏著用戶怎樣的行為特征,還需要進一步分析。為此,本節利用LDA 主題模型分析被刪除評論中有怎樣的用戶行為特征。

對于被刪除的評論,可以按照刪除者的不同分為平臺刪除評論、開發者刪除評論以及用戶刪除評論3類。APP Store系統自動刪除的評論一般都是垃圾評論,這種評論不包含任何實用意義,包括虛假廣告、惡意刷好評以及大量重復評論等[40],如“國內暢銷榜,海外ASO 排名優化,海外聯運發行,低價接單ios評論0 刪除,QQ 聯系:2969685870”。而對于這種垃圾評論,一旦被平臺識別到,就會被平臺直接刪除。基于已有文獻[38,41]對于垃圾評論的識別方法,從被刪除評論中識別出被平臺刪除的評論。對于剩下的評論,由于互聯網上用戶評論是偏積極評分的[42],且研究表明,77%的新用戶表示如果一個APP評分低于3分,則他們不會下載該APP[43]。基于此,本文判定,除了平臺刪除的評論外,剩下的評論中評分高于3分的為用戶刪除評論,小于等于3分的為開發者刪除評論。分類后,平臺刪除評論、開發者刪除評論和用戶刪除評論分別占比54.03%、1.22%和44.74%,對分類后的評論進行了詞云圖的展示,如圖1所示。

圖1 3類被刪除評論詞云圖(從左至右分別為平臺刪除評論、開發者刪除評論和用戶刪除評論)

在對被刪除評論進行分類后,利用python中的jieba庫對各類評論進行了分詞處理。在分詞之后,再對分好后的詞進行停用詞處理。停用詞處理的主要目的是剔除詞匯如雖然、但是、啊等這種關聯詞、語氣詞以及其他無意義的詞,本文選用哈工大停用詞表作為剔除停用詞的重要依據。在剔除停用詞后,再利用python中的gensim 庫以及LDA 模型對各類評論進行主題生成,最后得出10個主題,每個主題由15個詞表示,得到的主題如表5所示。

表5 被刪除評論的主題模型結果

結合3種分類的被刪除評論的詞云圖和主題分析結果,可以看出,平臺刪除評論主要是一些廣告(借錢、貸款等)和重復性好評(開發者請人刷的好評),而這一類評論占據了被刪除評論的50%以上。開發者刪除的主要是可能影響APP 整體評價和評分的評論,如差的APP使用體驗、不好的服務體驗等,這一類評論占比較少。用戶刪除評論從主題分析結果可以看出,大多是對于APP的好評以及對于APP的功能的贊揚。大部分的主題都是對APP積極的一些主題,說明被刪除評論大都是一些好評評論,而這些評論被刪除代表了用戶在最開始使用軟件時感覺良好,但是在之后使用應用時并非如之前一般好,從而產生刪除的想法。這說明,用戶的后續體驗感并不好,而被刪除評論中有近50%是這種評論。

4 結果討論

基于上述研究,本文得出7個因素對于APP受歡迎程度影響效應的結果。

(1) 刪除評論占比與APP 下載量呈倒“U”型關系。當刪除評論占比較小時,隨著刪除評論占比的增加,APP下載量會上升,而刪除評論占比較大卻又使APP下載量減少。根據主題特征分析,這種現象是由于評論中有許多垃圾評論,當平臺識別垃圾評論并刪除時,相當于“凈化”了評論區,這會使得APP的下載量上升。當用戶開始自發刪評時,這些被刪除評論主要都是對APP的積極評論。這說明,用戶評論刪除比例越高,表示用戶的后續體驗感反差越大,則該APP的下載量越少,所以當比例過大時,反而占比越高下載量越低。

(2) 有支付項與APP下載量顯著負相關,說明用戶更傾向于喜歡無支付項的APP,這與Liu等[27]發現的免費APP增值策略會對付費APP的下載量有積極影響的結果相吻合,符合大眾的消費習慣。對于開發者而言,需要權衡APP下載量與盈利之間的關系,可以在APP發展前期利用免費策略吸引更多的用戶,在用戶增長飽和后再加入支付項來提升盈利。

(3)APP的版本更新頻率與APP 下載量無顯著相關,盡管在表2中Model_2的結果是顯著的,但是其系數過低(β=0.009 29),可以認為APP 的版本更新頻率與下載量幾乎無關。Lee等[26]的研究結果顯示,更新的APP相比于不更新的APP 更成功;而王善策[20]發現,高及時性的更新模式反而不利于APP排名的提升。這說明,更新APP 并不一定會增加APP的受歡迎程度。根據對于本文數據中的版本更新頻率的可視化分析,發現絕大部分APP更新頻率維持在20次/年左右,說明用戶更傾向于平穩使用,高頻率的APP更新并不會帶來顯著的下載量提升,只要將APP更新頻率維持在一定水平即可。

(4) 用戶評論數量與APP下載量顯著正相關,說明一個APP的用戶評論數量越多,則相應的也會使APP的下載量提升,這與Lee等[26]的研究結果相吻合。說明對于同類型的APP而言,評論數量越多越能吸引用戶下載,如用戶想要下載記賬類的APP,會更傾向于在APP Store中下載評論數量高的APP。

(5) 用戶評分情況與APP下載量顯著正相關,這也與之前對APP 評分的研究結果相吻合[3,25]。APP的平均評分越高,說明其在用戶之間的口碑越好,對于一個新用戶,更愿意選擇口碑值更高的APP進行下載,而好的口碑值可以獲取更高的APP下載量。

(6) 安裝包大小與APP下載量顯著正相關,說明APP越大,其下載量會越高。這是因為APP 越大,說明其內容和功能就越豐富,越有可能包含對用戶有價值的潛在功能[46]。已有研究發現,APP過大容易造成用戶手機內存不足問題而使用戶放棄下載[1,15],這與本文的研究結果是相反的。這可能是因為隨著手機技術的不斷發展,手機的容量也在不斷地提升,相比于考慮內存問題,用戶更傾向于享受豐富的功能。

(7)APP的上線時長與APP 下載量顯著正相關,與已有研究結果相符合[1,25]。該結果說明,APP上線的時間越長,其影響力和傳播效果就會越好,能夠吸引更多的用戶對APP進行下載。因此,開發者應注重APP的長遠規劃和口碑效應,以保持APP下載量的增長。

5 結語

Store的數據,綜合考慮開發者與用戶行為,并將被刪除的評論納入考量的因素,利用計量模型,發現是否有支付項、上線時長、安裝包大小、平均評分、評論數量以及被刪除評論占比均對APP的下載量有一定的影響,并進一步對被刪除評論進行了分類以及主題分析。基于研究發現,為APP開發者和營銷人員提出如下啟示和建議:

(1) 適當引導用戶去對APP 進行評論。評論數量越多會使得下載量也越多,所以對開發者而言,想要提高下載量,就要適當地引導用戶去對APP進行評論,可以在APP中將好評請求與APP 的使用場景相融合,這樣既不會打斷用戶的使用而影響用戶體驗,又可以巧妙地引導用戶去對APP 進行評論。在引導的同時也要注意,不要急于請求用戶進行評價,可以在用戶穩定使用后再去引導,這樣用戶

本文基于APP的評論會更穩定,從而避免出現刪除好評的情況。

(2) 注重APP 的口碑和長期影響。更高的評分和更長的上線時長都會對APP 的下載量有積極的影響,因為APP上線的時間越長,其影響力和傳播效果就會越好,所以好的口碑會增強這種傳播影響力。這需要APP 的開發者注重APP 的長期口碑,需要提高用戶的全方面體驗。

(3) 提升用戶的后續體驗。用戶自發地刪除自己之前的好評很可能是因為在評論之后,用戶的后續體驗不如先前體驗好,存在著一些反差,而這種反差越大,也會使得刪除評論的比例越大。當刪除評論占比過高時,刪除評論的比例越大,其APP 的下載量就會越少。因此,為提升APP 的下載量,不僅要關注用戶的初始體驗,還要提升用戶的后續體驗,需要對用戶后續提出的問題及時反饋和改進。

(4) 結合一定的營銷策略來豐富APP的功能。APP的安裝包越大,其下載量越高,因為APP 越大,說明其內容和功能就越豐富,越有可能包含對用戶有價值的潛在功能,而這也是用戶所希望能體驗、挖掘到的。但是豐富的功能并不意味著要增加大量的支付項功能,因為用戶對于支付項是敏感的,建議在APP前期需要用戶增長時使用免費策略,等到用戶增長趨于平穩后再考慮適當地加入一些支付項功能。

本文拓展了對于APP受歡迎問題的研究視角,考慮了用戶刪除評論的行為,為未來對APP用戶行為和市場表現的研究提供了新的切入角度和研究思路。研究結論可以幫助APP開發者從用戶的體驗出發調整發展的戰略。不過,本文是基于蘋果公司APP Store的數據,未選取其他手機操作系統(如安卓系統)上APP商店的數據,而其他系統的APP用戶可能會與蘋果用戶存在著一定的特征差異,導致本文的結論存在著一定的局限性。盡管蘋果用戶龐大的基數使得本文的結果具有一定的代表性,未來的研究可以進一步擴大數據的選取范圍,分析不同系統用戶可能存在的特征差異與APP 受歡迎程度的關系。