楊 慮 ,魯耀斌 ,胡 鵬

(1.華中科技大學(xué) 管理學(xué)院,武漢 430074;2.安徽農(nóng)業(yè)大學(xué) 人文社會(huì)科學(xué)學(xué)院,合肥 230036)

隨著蘋果公司開創(chuàng)并推廣APP Store,“移動(dòng)應(yīng)用商店”模式取得巨大的成功,其他各大廠商和運(yùn)營商也開始建立自己的應(yīng)用商店?！癆PP Store”模式的出現(xiàn)與互聯(lián)網(wǎng)的發(fā)展都促進(jìn)了APP數(shù)量的增長,移動(dòng)APP已經(jīng)成為人們不可或缺的生活助手,從社交網(wǎng)絡(luò)、健康監(jiān)測到購物和娛樂,幾乎豐富了每一個(gè)方面[1]。根據(jù)七麥數(shù)據(jù)平臺(tái)的顯示,截至2021 年12月,蘋果商城中所有APP 的數(shù)量已經(jīng)多達(dá)135萬。與此同時(shí),小程序、公眾號(hào)等更為便捷化的渠道的出現(xiàn)可以讓人們?cè)诓话惭bAPP 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(jìn)行改善,成為困擾眾多APP開發(fā)者的難題。

一個(gè)APP能否存活以及存活的時(shí)長,很大程度上取決于用戶量的多少。APP數(shù)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(guān)注的指標(biāo)。本文基于APP Store的數(shù)據(jù),結(jié)合開發(fā)者和用戶的視角,探究怎樣的用戶行為和開發(fā)者行為會(huì)影響一個(gè)APP的下載量,由此提出針對(duì)APP開發(fā)者提升APP受歡迎程度的建議,幫助APP開發(fā)者更好地調(diào)整自己的戰(zhàn)略。

1 文獻(xiàn)綜述

1.1 移動(dòng)APP成功因素的相關(guān)研究

目前移動(dòng)APP 行業(yè)的增長伴隨著主要應(yīng)用商店的激烈競爭,導(dǎo)致應(yīng)用開發(fā)者都在盡力爭取其APP在應(yīng)用商店中的曝光度和影響力[2]。開發(fā)者面臨的APP曝光和增長問題引發(fā)眾多學(xué)者開始關(guān)注移動(dòng)APP 的成功因素。Tafesse[3]在對(duì)APP 應(yīng)用評(píng)級(jí)研究中考慮了開發(fā)者在APP Store中的策略,在對(duì)APP應(yīng)用評(píng)級(jí)的影響中加入了APP 大小等因素作為考量,并基于已有文獻(xiàn),將APP分為享樂型和實(shí)用型兩種類型。Wang等[4]對(duì)APP 的原創(chuàng)問題進(jìn)行了研究,提出了一種基于馬爾科夫聚類算法、支持向量機(jī)、圖像識(shí)別等的機(jī)器學(xué)習(xí)方法,通過APP 的功能、圖標(biāo)、名字等特征來識(shí)別出原創(chuàng)APP和山寨APP,并通過構(gòu)建計(jì)量模型發(fā)現(xiàn)高質(zhì)量低迷惑性的山寨APP會(huì)對(duì)原創(chuàng)APP的利益造成一定的損害。類似地,為了解開發(fā)者自己和競爭對(duì)手發(fā)布APP順序?qū)τ贏PP 評(píng)級(jí)的影響,Martin等[5]提出了一種“因果影響發(fā)布分析”工具CIRA 對(duì)APP發(fā)布順序造成的影響進(jìn)行因果分析。

還有一些學(xué)者考慮了APP Store的推薦因素,發(fā)現(xiàn)有效的推薦算法,尤其對(duì)于移動(dòng)APP 而言[6,8]是可以提升APP的點(diǎn)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(jié)合,提出了一種個(gè)性化的推薦算法。近年來,由于文本分析方法的興起,許多學(xué)者也將其運(yùn)用于APP的推薦算法中。Park等[11]根據(jù)用戶表現(xiàn)出的“狀態(tài)文本”,基于過往的下載行為,結(jié)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(chǔ),提出了一種結(jié)合用戶下載行為與用戶瀏覽行為的創(chuàng)新性手機(jī)APP推薦算法,將用戶的整體興趣和當(dāng)前興趣結(jié)合起來進(jìn)行應(yīng)用推薦。以往對(duì)于移動(dòng)APP受歡迎因素的影響大多集中在開發(fā)者的行為視角以及應(yīng)用商店中的策略和推薦,如開發(fā)者的發(fā)布次序、原創(chuàng)性等,而沒有將用戶行為與之結(jié)合起來。本文從開發(fā)者視角和用戶視角進(jìn)行APP受歡迎的因素分析。

1.2 移動(dòng)APP用戶行為的相關(guān)研究

移動(dòng)APP中的用戶行為是指用戶對(duì)于其所使用的APP做出的一些動(dòng)作(如評(píng)論、評(píng)分、反饋等),這些展現(xiàn)出的行為在一定程度上會(huì)影響用戶下載該APP的意愿。Ghosh等[13]研究了在APP市場上消費(fèi)者混淆傾向?qū)PP的口碑和購買決策的影響,同時(shí)還考慮了認(rèn)知需求在其中起到的調(diào)節(jié)作用。Hsu等[14]聚焦于用戶對(duì)于付費(fèi)APP 的購買意愿,以預(yù)期確認(rèn)模型為理論基礎(chǔ),并在其基礎(chǔ)上進(jìn)行了相應(yīng)的修正,將感知有用性替換為多維度的感知價(jià)值進(jìn)行評(píng)判,通過基于問卷的實(shí)證研究發(fā)現(xiàn),物有所值的感知、應(yīng)用評(píng)級(jí)和付費(fèi)應(yīng)用的免費(fèi)替代品均對(duì)付費(fèi)應(yīng)用的購買意愿有直接影響。袁霞[15]從行為科學(xué)角度出發(fā),基于技術(shù)接受模型和感知風(fēng)險(xiǎn)理論,發(fā)現(xiàn)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(guān)創(chuàng)新教育的AI系列產(chǎn)品,從用戶的體驗(yàn)出發(fā),認(rèn)為教育APP 從視覺上的界面設(shè)計(jì)到APP的功能設(shè)計(jì),都充分融合了用戶的體驗(yàn)需求。Hsiao等[17]研究了移動(dòng)游戲APP,基于網(wǎng)絡(luò)調(diào)查數(shù)據(jù)和結(jié)構(gòu)方程模型,游戲的感知價(jià)值會(huì)直接影響所有玩家的忠誠度,但對(duì)非付費(fèi)玩家的購買意愿影響相對(duì)較小。以往對(duì)于移動(dòng)APP中用戶行為的研究大多集中在用戶本身的感知上,側(cè)重于用戶的自我體驗(yàn)和感受,并沒有考慮APP中的用戶行為針對(duì)其他用戶對(duì)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(fā)者行為進(jìn)行結(jié)合。

1.3 APP在線評(píng)論的相關(guān)研究

用戶對(duì)于APP的在線評(píng)論是衡量一個(gè)APP質(zhì)量的重要標(biāo)準(zhǔn),也是其他用戶對(duì)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(píng)論,也可以在使用完APP 后發(fā)表評(píng)論供他人參考[19]。在線評(píng)論直觀地反映了用戶的態(tài)度,越來越多的學(xué)者通過對(duì)用戶在線評(píng)論的挖掘來分析評(píng)論與APP 的聯(lián)系。王善策[20]通過挖掘APP 的更新日志和用戶評(píng)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(fā)現(xiàn)一些特定的更新模式可以促進(jìn)APP的排名,而一些特定的評(píng)論強(qiáng)度也有利于提高評(píng)論的評(píng)分。Gao等[23]提出了一個(gè)新的框架“R-Tracker”,從用戶在應(yīng)用商店的評(píng)論中進(jìn)行主題挖掘,并對(duì)主題進(jìn)行分類,建立了一個(gè)基于APP評(píng)論的動(dòng)態(tài)更新主題挖掘模型。還有學(xué)者關(guān)注APP的負(fù)面評(píng)論,利用主題特征來分析用戶的負(fù)面評(píng)論對(duì)APP 的迭代更新模式是否產(chǎn)生影響[21]。除了在線評(píng)論反映出的用戶的外在態(tài)度,用戶的內(nèi)在信念也一直是研究的熱點(diǎn)問題。基于APP Store中的用戶評(píng)論數(shù)據(jù),研究發(fā)現(xiàn),用戶最初信念引起的確認(rèn)偏差對(duì)用戶對(duì)于評(píng)論的有用性的判斷產(chǎn)生負(fù)面影響,而如果用戶對(duì)于其最初信念的信心較弱,這種確認(rèn)偏差造成的負(fù)面影響也會(huì)變?nèi)鮗22]。用戶評(píng)論作為用戶在線活動(dòng)的一個(gè)重要組成部分,一直都是眾多學(xué)者的研究重點(diǎn)。但是以往對(duì)于APP在線評(píng)論的研究更多關(guān)注用戶已存在的評(píng)論,并沒有挖掘一些被刪除的評(píng)論。本文聚焦于被刪除的APP評(píng)論,結(jié)合計(jì)量模型和主題特征提取等方法挖掘其價(jià)值。

綜上所述,以往文獻(xiàn)對(duì)于APP受歡迎程度的研究大多是基于單側(cè)視角(基于開發(fā)者視角或基于用戶視角),本文則將用戶視角與開發(fā)者視角相結(jié)合,系統(tǒng)性地探究了APP受歡迎程度的影響因素。此外,以往相關(guān)研究集中于探討評(píng)論本身以及評(píng)論的效價(jià),鮮有研究考慮用戶刪除評(píng)論這個(gè)行為。用戶刪除評(píng)論可以反映用戶對(duì)于APP的態(tài)度變化,對(duì)用戶刪除評(píng)論的文本挖掘有助于了解用戶對(duì)于APP的真實(shí)看法和體驗(yàn),這可能是影響APP受歡迎程度的一個(gè)重要因素。本文首先將被刪除評(píng)論納入APP受歡迎程度的影響因素模型,并提出了一種對(duì)被刪除評(píng)論進(jìn)行分類的方法,然后對(duì)于其背后的機(jī)制進(jìn)行了相應(yīng)的分析?？傊?本文解決了以往文獻(xiàn)中單側(cè)視角和忽略用戶刪除評(píng)論這兩個(gè)問題,研究結(jié)果可以為APP開發(fā)者提升APP受歡迎程度提供一些新的參考建議,幫助APP開發(fā)者更好地調(diào)整自己的戰(zhàn)略以擴(kuò)大市場份額。

2 研究方法

2.1 數(shù)據(jù)來源

以蘋果公司APP Store上的APP為研究對(duì)象,在第三方數(shù)據(jù)平臺(tái)上對(duì)時(shí)間跨度為2021-01～2021-10的APP數(shù)據(jù)進(jìn)行爬蟲采集。參照Comino等[24]選取數(shù)據(jù)的方法,根據(jù)確立的時(shí)間跨度,在各個(gè)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(gè)月的數(shù)據(jù),剔除變量數(shù)據(jù)缺失的APP,得到了2 528個(gè)APP的數(shù)據(jù)作為研究樣本。研究表明,APP 市場存在著嚴(yán)重的“二八現(xiàn)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(dá)到60%[24]。這說明,頭部APP占據(jù)了絕大部分的市場,因此,可以認(rèn)為,本文選取的這些排名靠前的頭部APP對(duì)于整個(gè)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(biāo),即為模型的被解釋變量。將2 528個(gè)APP從2021-01～2021-10 期間每個(gè)月的下載量數(shù)據(jù)加總,得到了APP的下載量。具體公式為

式中:APP_downloadi表示第i個(gè)APP 10個(gè)月的下載量總和;APP_downloadij表示第i個(gè)APP 在第j個(gè)月的下載量?；谔O果公司APP Store的公開數(shù)據(jù),采集了評(píng)論數(shù)量、平均評(píng)分、版本更新頻率、被刪除評(píng)論占比、是否有支付項(xiàng)、安裝包大小和上線時(shí)間7個(gè)與APP下載量可能相關(guān)的因素,其變量描述如表1所示。

表1 解釋變量描述

評(píng)論數(shù)量。評(píng)論數(shù)量衡量的是一個(gè)APP在10個(gè)月內(nèi)的評(píng)論數(shù)量匯總。一個(gè)APP的評(píng)論數(shù)量能夠反映這個(gè)APP 的受歡迎程度,評(píng)論數(shù)量越多的APP,其對(duì)應(yīng)的用戶數(shù)和下載量也會(huì)更多。

上線時(shí)長。上線時(shí)長代表了距離APP 首次發(fā)布上架的時(shí)長?？紤]到如果一個(gè)APP發(fā)布的時(shí)間越長且頻繁出現(xiàn)在排行榜的頂端,則說明用戶對(duì)于它的認(rèn)可度就越高,它越受歡迎[25]。

平均評(píng)分。平均評(píng)分反映了用戶過去對(duì)于這個(gè)APP 的一個(gè)評(píng)價(jià)考慮。研究表明,在APP Store中,越高的用戶評(píng)分意味著更好的用戶口碑,說明更受歡迎,會(huì)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(fā)者對(duì)于一個(gè)APP 的關(guān)注程度,屬于開發(fā)者的一種行為。APP的更新頻次越高,說明開發(fā)者越關(guān)注這個(gè)APP的功能優(yōu)化。關(guān)于APP 的迭代更新方面,王善策等[20]發(fā)現(xiàn),高及時(shí)度、中高充分度的更新模式不利于APP排名的提升。

被刪除評(píng)論占比。本文關(guān)注用戶刪除評(píng)論的行為顯現(xiàn)出了用戶對(duì)于APP的態(tài)度變化,而這種態(tài)度的變化在一定程度上會(huì)影響APP 的受歡迎程度。為此,本文選取APP 的被刪除評(píng)論。一般而言,被刪除評(píng)論分為3種:①由于違反APP Store評(píng)論規(guī)則而被APP Store刪除的評(píng)論;②被開發(fā)者刪除的差評(píng);③用戶自己刪除的評(píng)論。對(duì)于用戶自己刪除的評(píng)論,反映了用戶對(duì)于該APP后續(xù)的消極體驗(yàn)。但是直接選取被刪除評(píng)論作為指標(biāo)是不可以的,因?yàn)樗驮u(píng)論數(shù)量有很強(qiáng)的相關(guān)性,所以本文選取了被刪除評(píng)論的占比作為指標(biāo)。

是否有支付項(xiàng)。是否有支付項(xiàng)表示一個(gè)APP內(nèi)是否有需要支付的內(nèi)容,擁有增值服務(wù)的APP在使用過程中,對(duì)于購買了增值服務(wù)和沒有購買增值服務(wù)的用戶而言體驗(yàn)感是有差異的,可能會(huì)導(dǎo)致用戶對(duì)于APP的評(píng)價(jià)下降,進(jìn)而影響其受歡迎程度。Liu等[27]在對(duì)谷歌商店的APP 應(yīng)用進(jìn)行研究時(shí)發(fā)現(xiàn),APP的免費(fèi)增值策略會(huì)對(duì)付費(fèi)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(dòng)互聯(lián)網(wǎng)的不斷發(fā)展,現(xiàn)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(shí)也會(huì)考慮其大小,研究表明,用戶下載時(shí)會(huì)比較關(guān)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(jì)量模型設(shè)定

根據(jù)之前所選取的解釋變量和被解釋變量,對(duì)一些變量進(jìn)行取對(duì)數(shù)的歸一化預(yù)處理后,構(gòu)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(gè)APP的下載量排名;α為常數(shù)項(xiàng);app_payi表示是否有支付項(xiàng);online_timei表示上線時(shí)長;app_sizei表示安裝包大小;app_scorei表示平均評(píng)分;comment_numi為評(píng)論數(shù)量;app_versioni為版本更新頻率;del_prosi為刪除評(píng)論占比;del_squarei為del_prosi的二次項(xiàng);β1～β8為各個(gè)變量的回歸系數(shù)估計(jì)值。

3 研究結(jié)果

根據(jù)2.3節(jié)建立的模型以及收集的數(shù)據(jù),利用stata軟件,對(duì)相應(yīng)的變量進(jìn)行多元線性回歸,結(jié)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(xiàng)、上線時(shí)長、安裝包大小、平均評(píng)分、評(píng)論數(shù)量以及版本更新頻率均對(duì)APP的下載量有顯著影響,僅有被刪除評(píng)論占比一項(xiàng)不顯著。

考慮到模型存在的內(nèi)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(píng)分可能會(huì)越高[28]),采用引入人工變量的方法來解決內(nèi)生性問題。參考Lewbel[29]提出的無需額外增加數(shù)據(jù)的工具變量構(gòu)建方法來構(gòu)建新的人工變量,范建亭等[30]也參考該方法構(gòu)建了APP進(jìn)入次序的工具變量,本文對(duì)每一個(gè)解釋變量進(jìn)行了相應(yīng)的工具變量構(gòu)建,使用兩階段最小二乘(2SLS)法進(jìn)行回歸。在回歸之后再對(duì)模型進(jìn)行弱工具變量檢驗(yàn)和工具變量的外生性檢驗(yàn),第1 階段的弱工具變量檢驗(yàn)F統(tǒng)計(jì)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(yàn)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(yàn),發(fā)現(xiàn)平均評(píng)分、評(píng)論數(shù)量、版本更新頻率都具有內(nèi)生性。在發(fā)現(xiàn)內(nèi)生變量后,利用工具變量方法對(duì)原模型進(jìn)行了修正,修正后的模型回歸結(jié)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(jié)果可見,所有的解釋變量都對(duì)APP下載量有顯著影響,對(duì)于各個(gè)解釋變量造成的影響將在第4 節(jié)詳細(xì)闡述。

表2 APP下載量的線性回歸結(jié)果

3.1 穩(wěn)健性檢驗(yàn)

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(yīng)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(jié)果的穩(wěn)健性,排除由于因變量的測量指標(biāo)選擇帶來的偏差,參考蔡曉慧等[31]在穩(wěn)健性檢驗(yàn)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(jì)解釋變量的回歸系數(shù),結(jié)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(jié)果基本一致。需要說明的是,APP排名與APP 下載量對(duì)各解釋變量的回歸系數(shù)符號(hào)相反,排名與下載量本身是負(fù)相關(guān)關(guān)系,一個(gè)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(shù)未達(dá)到顯著,可能是因?yàn)榘姹靖骂l率對(duì)APP 下載量的影響本身就很弱(0.009 29),而APP排名的變動(dòng)對(duì)于版本更新頻率也沒有APP下載量敏感(如假設(shè)兩個(gè)APP的下載量相差200 萬,版本更新多一次會(huì)增加10 萬下載量,但這并不能改變兩個(gè)APP的排名,因?yàn)榕琶g的下載量差距遠(yuǎn)大于版本更新頻率對(duì)于增加下載量的貢獻(xiàn)),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(píng)論數(shù)量、被刪除評(píng)論占比等會(huì)出現(xiàn)一些極端值(如0),為了檢驗(yàn)研究結(jié)果的穩(wěn)健性,避免樣本數(shù)據(jù)中的極端值對(duì)結(jié)果造成的偏差,參考陳強(qiáng)遠(yuǎn)等[34]對(duì)企業(yè)的資產(chǎn)收益率與負(fù)債比率進(jìn)行縮尾處理以及余泳澤等[35]使用縮尾處理對(duì)異常值的處理,對(duì)部分變量(評(píng)論數(shù)量、被刪除評(píng)論占比)分別進(jìn)行5%百分位和10%百分位的單邊縮尾,處理后的結(jié)果如表3第(2)和第(3)列所示。對(duì)比表2中Model_2的結(jié)果,發(fā)現(xiàn)縮尾處理后各變量的顯著性與效應(yīng)方向均與Model_2一致。對(duì)比縮尾前后的參數(shù)數(shù)值,并未出現(xiàn)顯著差異,進(jìn)一步說明了研究結(jié)果的穩(wěn)健性。

表3 替換因變量與樣本縮尾的穩(wěn)健性檢驗(yàn)結(jié)果

3.1.3子樣本選擇 為了排除研究結(jié)果取決于本文所獲取的特定數(shù)據(jù)集的可能性,進(jìn)一步檢驗(yàn)表2中Model_2的穩(wěn)健性,參照以往研究對(duì)研究結(jié)果進(jìn)行子樣本的敏感性測試[36-37]。首先,從原數(shù)據(jù)集中隨機(jī)選擇60%的子樣本進(jìn)行回歸分析,結(jié)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(yīng)方向均與Model_2的結(jié)果保持一致。版本更新頻率在子樣本估計(jì)中未達(dá)到顯著水平可能與樣本量有關(guān),樣本量的減少會(huì)帶來標(biāo)準(zhǔn)誤的增大,進(jìn)而導(dǎo)致回歸系數(shù)不顯著。其次,隨機(jī)選取了50%、40%的子樣本數(shù)據(jù)分別做回歸,結(jié)果均顯示子樣本的估計(jì)結(jié)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(jié)論,進(jìn)一步說明了研究結(jié)果的穩(wěn)健性。

表4 子樣本選擇的穩(wěn)健性檢驗(yàn)結(jié)果

3.2 被刪除評(píng)論的主題特征分析

計(jì)量模型的結(jié)果顯示,被刪除評(píng)論的比例與APP下載量之間存在顯著關(guān)系,被刪除評(píng)論占比與APP下載量之間存在倒“U”型關(guān)系,當(dāng)被刪除評(píng)論占比為48%時(shí),APP下載量達(dá)到最高。但是其中隱藏著用戶怎樣的行為特征,還需要進(jìn)一步分析。為此,本節(jié)利用LDA 主題模型分析被刪除評(píng)論中有怎樣的用戶行為特征。

對(duì)于被刪除的評(píng)論,可以按照刪除者的不同分為平臺(tái)刪除評(píng)論、開發(fā)者刪除評(píng)論以及用戶刪除評(píng)論3類。APP Store系統(tǒng)自動(dòng)刪除的評(píng)論一般都是垃圾評(píng)論,這種評(píng)論不包含任何實(shí)用意義,包括虛假廣告、惡意刷好評(píng)以及大量重復(fù)評(píng)論等[40],如“國內(nèi)暢銷榜,海外ASO 排名優(yōu)化,海外聯(lián)運(yùn)發(fā)行,低價(jià)接單ios評(píng)論0 刪除,QQ 聯(lián)系:2969685870”。而對(duì)于這種垃圾評(píng)論,一旦被平臺(tái)識(shí)別到,就會(huì)被平臺(tái)直接刪除。基于已有文獻(xiàn)[38,41]對(duì)于垃圾評(píng)論的識(shí)別方法,從被刪除評(píng)論中識(shí)別出被平臺(tái)刪除的評(píng)論。對(duì)于剩下的評(píng)論,由于互聯(lián)網(wǎng)上用戶評(píng)論是偏積極評(píng)分的[42],且研究表明,77%的新用戶表示如果一個(gè)APP評(píng)分低于3分,則他們不會(huì)下載該APP[43]。基于此,本文判定,除了平臺(tái)刪除的評(píng)論外,剩下的評(píng)論中評(píng)分高于3分的為用戶刪除評(píng)論,小于等于3分的為開發(fā)者刪除評(píng)論。分類后,平臺(tái)刪除評(píng)論、開發(fā)者刪除評(píng)論和用戶刪除評(píng)論分別占比54.03%、1.22%和44.74%,對(duì)分類后的評(píng)論進(jìn)行了詞云圖的展示,如圖1所示。

圖1 3類被刪除評(píng)論詞云圖(從左至右分別為平臺(tái)刪除評(píng)論、開發(fā)者刪除評(píng)論和用戶刪除評(píng)論)

在對(duì)被刪除評(píng)論進(jìn)行分類后,利用python中的jieba庫對(duì)各類評(píng)論進(jìn)行了分詞處理。在分詞之后,再對(duì)分好后的詞進(jìn)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(guān)聯(lián)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(jù)。在剔除停用詞后,再利用python中的gensim 庫以及LDA 模型對(duì)各類評(píng)論進(jìn)行主題生成,最后得出10個(gè)主題,每個(gè)主題由15個(gè)詞表示,得到的主題如表5所示。

表5 被刪除評(píng)論的主題模型結(jié)果

結(jié)合3種分類的被刪除評(píng)論的詞云圖和主題分析結(jié)果,可以看出,平臺(tái)刪除評(píng)論主要是一些廣告(借錢、貸款等)和重復(fù)性好評(píng)(開發(fā)者請(qǐng)人刷的好評(píng)),而這一類評(píng)論占據(jù)了被刪除評(píng)論的50%以上。開發(fā)者刪除的主要是可能影響APP 整體評(píng)價(jià)和評(píng)分的評(píng)論,如差的APP使用體驗(yàn)、不好的服務(wù)體驗(yàn)等,這一類評(píng)論占比較少。用戶刪除評(píng)論從主題分析結(jié)果可以看出,大多是對(duì)于APP的好評(píng)以及對(duì)于APP的功能的贊揚(yáng)。大部分的主題都是對(duì)APP積極的一些主題,說明被刪除評(píng)論大都是一些好評(píng)評(píng)論,而這些評(píng)論被刪除代表了用戶在最開始使用軟件時(shí)感覺良好,但是在之后使用應(yīng)用時(shí)并非如之前一般好,從而產(chǎn)生刪除的想法。這說明,用戶的后續(xù)體驗(yàn)感并不好,而被刪除評(píng)論中有近50%是這種評(píng)論。

4 結(jié)果討論

基于上述研究,本文得出7個(gè)因素對(duì)于APP受歡迎程度影響效應(yīng)的結(jié)果。

(1) 刪除評(píng)論占比與APP 下載量呈倒“U”型關(guān)系。當(dāng)刪除評(píng)論占比較小時(shí),隨著刪除評(píng)論占比的增加,APP下載量會(huì)上升,而刪除評(píng)論占比較大卻又使APP下載量減少。根據(jù)主題特征分析,這種現(xiàn)象是由于評(píng)論中有許多垃圾評(píng)論,當(dāng)平臺(tái)識(shí)別垃圾評(píng)論并刪除時(shí),相當(dāng)于“凈化”了評(píng)論區(qū),這會(huì)使得APP的下載量上升。當(dāng)用戶開始自發(fā)刪評(píng)時(shí),這些被刪除評(píng)論主要都是對(duì)APP的積極評(píng)論。這說明,用戶評(píng)論刪除比例越高,表示用戶的后續(xù)體驗(yàn)感反差越大,則該APP的下載量越少,所以當(dāng)比例過大時(shí),反而占比越高下載量越低。

(2) 有支付項(xiàng)與APP下載量顯著負(fù)相關(guān),說明用戶更傾向于喜歡無支付項(xiàng)的APP,這與Liu等[27]發(fā)現(xiàn)的免費(fèi)APP增值策略會(huì)對(duì)付費(fèi)APP的下載量有積極影響的結(jié)果相吻合,符合大眾的消費(fèi)習(xí)慣。對(duì)于開發(fā)者而言,需要權(quán)衡APP下載量與盈利之間的關(guān)系,可以在APP發(fā)展前期利用免費(fèi)策略吸引更多的用戶,在用戶增長飽和后再加入支付項(xiàng)來提升盈利。

(3)APP的版本更新頻率與APP 下載量無顯著相關(guān),盡管在表2中Model_2的結(jié)果是顯著的,但是其系數(shù)過低(β=0.009 29),可以認(rèn)為APP 的版本更新頻率與下載量幾乎無關(guān)。Lee等[26]的研究結(jié)果顯示,更新的APP相比于不更新的APP 更成功;而王善策[20]發(fā)現(xiàn),高及時(shí)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(huì)增加APP的受歡迎程度。根據(jù)對(duì)于本文數(shù)據(jù)中的版本更新頻率的可視化分析,發(fā)現(xiàn)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(wěn)使用,高頻率的APP更新并不會(huì)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(píng)論數(shù)量與APP下載量顯著正相關(guān),說明一個(gè)APP的用戶評(píng)論數(shù)量越多,則相應(yīng)的也會(huì)使APP的下載量提升,這與Lee等[26]的研究結(jié)果相吻合。說明對(duì)于同類型的APP而言,評(píng)論數(shù)量越多越能吸引用戶下載,如用戶想要下載記賬類的APP,會(huì)更傾向于在APP Store中下載評(píng)論數(shù)量高的APP。

(5) 用戶評(píng)分情況與APP下載量顯著正相關(guān),這也與之前對(duì)APP 評(píng)分的研究結(jié)果相吻合[3,25]。APP的平均評(píng)分越高,說明其在用戶之間的口碑越好,對(duì)于一個(gè)新用戶,更愿意選擇口碑值更高的APP進(jìn)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(guān),說明APP越大,其下載量會(huì)越高。這是因?yàn)锳PP 越大,說明其內(nèi)容和功能就越豐富,越有可能包含對(duì)用戶有價(jià)值的潛在功能[46]。已有研究發(fā)現(xiàn),APP過大容易造成用戶手機(jī)內(nèi)存不足問題而使用戶放棄下載[1,15],這與本文的研究結(jié)果是相反的。這可能是因?yàn)殡S著手機(jī)技術(shù)的不斷發(fā)展,手機(jī)的容量也在不斷地提升,相比于考慮內(nèi)存問題,用戶更傾向于享受豐富的功能。

(7)APP的上線時(shí)長與APP 下載量顯著正相關(guān),與已有研究結(jié)果相符合[1,25]。該結(jié)果說明,APP上線的時(shí)間越長,其影響力和傳播效果就會(huì)越好,能夠吸引更多的用戶對(duì)APP進(jìn)行下載。因此,開發(fā)者應(yīng)注重APP的長遠(yuǎn)規(guī)劃和口碑效應(yīng),以保持APP下載量的增長。

5 結(jié)語

Store的數(shù)據(jù),綜合考慮開發(fā)者與用戶行為,并將被刪除的評(píng)論納入考量的因素,利用計(jì)量模型,發(fā)現(xiàn)是否有支付項(xiàng)、上線時(shí)長、安裝包大小、平均評(píng)分、評(píng)論數(shù)量以及被刪除評(píng)論占比均對(duì)APP的下載量有一定的影響,并進(jìn)一步對(duì)被刪除評(píng)論進(jìn)行了分類以及主題分析?；谘芯堪l(fā)現(xiàn),為APP開發(fā)者和營銷人員提出如下啟示和建議:

(1) 適當(dāng)引導(dǎo)用戶去對(duì)APP 進(jìn)行評(píng)論。評(píng)論數(shù)量越多會(huì)使得下載量也越多,所以對(duì)開發(fā)者而言,想要提高下載量,就要適當(dāng)?shù)匾龑?dǎo)用戶去對(duì)APP進(jìn)行評(píng)論,可以在APP中將好評(píng)請(qǐng)求與APP 的使用場景相融合,這樣既不會(huì)打斷用戶的使用而影響用戶體驗(yàn),又可以巧妙地引導(dǎo)用戶去對(duì)APP 進(jìn)行評(píng)論。在引導(dǎo)的同時(shí)也要注意,不要急于請(qǐng)求用戶進(jìn)行評(píng)價(jià),可以在用戶穩(wěn)定使用后再去引導(dǎo),這樣用戶

本文基于APP的評(píng)論會(huì)更穩(wěn)定,從而避免出現(xiàn)刪除好評(píng)的情況。

(2) 注重APP 的口碑和長期影響。更高的評(píng)分和更長的上線時(shí)長都會(huì)對(duì)APP 的下載量有積極的影響,因?yàn)锳PP上線的時(shí)間越長,其影響力和傳播效果就會(huì)越好,所以好的口碑會(huì)增強(qiáng)這種傳播影響力。這需要APP 的開發(fā)者注重APP 的長期口碑,需要提高用戶的全方面體驗(yàn)。

(3) 提升用戶的后續(xù)體驗(yàn)。用戶自發(fā)地刪除自己之前的好評(píng)很可能是因?yàn)樵谠u(píng)論之后,用戶的后續(xù)體驗(yàn)不如先前體驗(yàn)好,存在著一些反差,而這種反差越大,也會(huì)使得刪除評(píng)論的比例越大。當(dāng)刪除評(píng)論占比過高時(shí),刪除評(píng)論的比例越大,其APP 的下載量就會(huì)越少。因此,為提升APP 的下載量,不僅要關(guān)注用戶的初始體驗(yàn),還要提升用戶的后續(xù)體驗(yàn),需要對(duì)用戶后續(xù)提出的問題及時(shí)反饋和改進(jìn)。

(4) 結(jié)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?yàn)锳PP 越大,說明其內(nèi)容和功能就越豐富,越有可能包含對(duì)用戶有價(jià)值的潛在功能,而這也是用戶所希望能體驗(yàn)、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(xiàng)功能,因?yàn)橛脩魧?duì)于支付項(xiàng)是敏感的,建議在APP前期需要用戶增長時(shí)使用免費(fèi)策略,等到用戶增長趨于平穩(wěn)后再考慮適當(dāng)?shù)丶尤胍恍┲Ц俄?xiàng)功能。

本文拓展了對(duì)于APP受歡迎問題的研究視角,考慮了用戶刪除評(píng)論的行為,為未來對(duì)APP用戶行為和市場表現(xiàn)的研究提供了新的切入角度和研究思路。研究結(jié)論可以幫助APP開發(fā)者從用戶的體驗(yàn)出發(fā)調(diào)整發(fā)展的戰(zhàn)略。不過,本文是基于蘋果公司APP Store的數(shù)據(jù),未選取其他手機(jī)操作系統(tǒng)(如安卓系統(tǒng))上APP商店的數(shù)據(jù),而其他系統(tǒng)的APP用戶可能會(huì)與蘋果用戶存在著一定的特征差異,導(dǎo)致本文的結(jié)論存在著一定的局限性。盡管蘋果用戶龐大的基數(shù)使得本文的結(jié)果具有一定的代表性,未來的研究可以進(jìn)一步擴(kuò)大數(shù)據(jù)的選取范圍,分析不同系統(tǒng)用戶可能存在的特征差異與APP 受歡迎程度的關(guān)系。