研究移动用户APP操作行为的相关关系分析
数据采集
为验证本系统采集情境数据的性能、可靠性和实用性,选取Application功能所采集到的情境数据进行不同用户安装使用的不同APP应用之间的关联关系。本研究主要研究对象是在校大学生及研究生,总计安装成功30个用户,成功收集到的有效数据28份,数据采集成功率达93.33%。本研究资料的分析是以关系网络分析方法研究各样本APP间的相关关系以及各种APP使用的频率规律。
本案例研究成功安装的28个用户中,男生占39% ,女生占61%,本科生占43%,研究生占57%,并且将APP应用大致分了7类,分别是:系统管理类、社会交流类、学习工具类,网络购物、支付类、检索工具类、休闲娱乐类、实用工具类。通过对数据库中的数据进行整理得到251条有效数据,根据分类将不同类APP应用情况进行统计。如表4所示:
表4 样本基本信息
基本信息 | 参与人数 | 百分比 |
性别 |
|
|
男 | 11 | 39.29% |
女 | 17 | 60.71% |
总数 | 28 | |
年级 | ||
本科 | 12 | 42.86% |
研究生 | 16 | 57.14% |
总数 | 28 | |
APP应用 | APP数 | 百分比 |
应用分类 |
|
|
系统管理 | 19 | 7.57% |
社会交流 | 77 | 30.68% |
学习工具 | 21 | 8.37% |
网购支付 | 19 | 7.57% |
检索工具 | 14 | 5.58% |
休闲娱乐 | 32 | 12.75% |
其他实用 | 69 | 27.49% |
总数 | 251 | — |
6.2 实验设计与结果分析
根据设定的数据集格式如表5,对获取的251条情境数据进行前期清洗整理,通过采用随机游走数学统计模型,在借助分析软件的情况下进行关系网络分析。
表5 数据集格式说明
列 | 列名 | 说明 |
第一列 | NA | 行的*** |
第二列 | Deviceid | 智能手机ID,同一手机内的不同app应用使用ID来关联 |
第三列 | Item | App名称,每行只包含一款app,由“<app分类名称>.<app名称>”组成 |
通过使用R语言对格式化的数据进行分析处理,发现4个App社群并绘制App应用间的关系网络图,如图9所示:
图9 App间的关系图
由于智能手机APP应用快速发展,APP应用已经深入人们的生活、工作和学习,大学生是思维极为活跃的一个群体,有较高获取外界新鲜事物信息的兴趣。因此大学生是适用智能手机APP应用的重度适用人群。根据上图的相关关系网络分析可以进一步对大学生使用APP情况进行深入的挖掘和研究。社群A1由APP分类中的系统管理的部分应用组成,该部分APP应用与其他分类APP关联较少。所以此社群中的APP并不是用户使用的核心应用,但是它们也是对用户需求的一种个性补充。社群A2中的APP应用数量较少,但是在使用91(掌上阅读)和51(咪咕阅读)学习工具时,还使用了实用工具记事本。然而APP应用1(360浏览器)处在社群A1和A4相交的边缘,说明不管使用社群A1还是社群A2中的APP应用都有可能使用到1应用,这样可以认为它是一款很受欢迎的APP应用。社群A3中娱乐休闲类和实用工具类APP应用以及学习工具类关联较近,说明用户经常会同时使用这三类中的应用,尤其娱乐休闲和实用工具类同时使用的可能性较大。在社群A3和A4相交处主要分布着社会交流类APP如、85(短信)、75(微信)、10(QQ),体现了三者的应用范围的广泛,属于主流APP应用。社群A4中主要集中分布着一些娱乐休闲类和系统管理类APP应用,并且娱乐休闲类APP应用主要是新型的直播与社交APP应用如36(格瓦拉@电影)、81(闲鱼)、37(花椒直播)、94(知乎),体现用户对个性APP应用需求存在相关关系和大学生对新鲜事物的兴趣较高。通过各社群APP间相关关系分析,可以为APP应用的用户推荐提供一定的参考。
从整个相关关系网络出发,可以发现部分APP应用处在各社群相交处并且数量不多,这些APP应用连接着不同的社群,经常与其他APP应用共同使用。为了进一步研究各种APP频率分布情况,使用统计学方法进行数据统计分析。部分数据如表6所示:
表6 APP频率分布情况表
应用分类 | N1 | N2 | N3 | N4 | N5 | N6 | N7 | N8 |
系统管理 | 手机管家 | 猎豹清理 | i管家 | 省电管理 | 360卫士 | 酷管家 | 高耗电管理 | 安全中心 |
0.4211 | 0.1579 | 0.1053 | 0.1053 | 0.0526 | 0.0526 | 0.0526 | 0.0526 | |
社会交流 | 微信 | 短信 | 微博 | 知乎 | 贴吧 | 触宝电话 | vivoice | |
0.3636 | 0.3506 | 0.1299 | 0.0649 | 0.0260 | 0.0260 | 0.0130 | 0.0130 | |
学习工具 | WPS | 超级课程表 | 豆瓣 | 有道词典 | 百词斩 | 掌上阅读 | 咪咕阅读 | 电子书 |
0.3333 | 0.1429 | 0.0952 | 0.0952 | 0.0952 | 0.0476 | 0.0476 | 0.0476 | |
网购支付 | 支付宝 | 手机淘宝 | 唯品会 | 天猫 | 卷皮折扣 | 手机京东 | 招商银行 | — |
0.4211 | 0.2632 | 0.1053 | 0.0526 | 0.0526 | 0.0526 | 0.0526 | — | |
检索工具 | UC浏览器 | 360浏览器 | 百度浏览器 | 猎豹浏览器 | QQ浏览器 | 小米浏览器 | — | — |
0.4286 | 0.2143 | 0.0714 | 0.0714 | 0.0714 | 0.0714 | — | — | |
休闲娱乐 | 优酷 | 爱奇艺 | 哔哩哔哩动画 | 闲鱼 | 花椒直播 | 天天爱消除 | 搜狐视频 | 炉石传说 |
0.1250 | 0.0625 | 0.0625 | 0.0625 | 0.0313 | 0.0313 | 0.0313 | 0.0313 | |
其他实用 | 相册 | 应用商店 | 计算器 | 日历 | 高德地图 | ofo bicycle | 迅雷 | 百度云 |
0.1449 | 0.0870 | 0.0580 | 0.0580 | 0.0435 | 0.0290 | 0.0145 | 0.0145 | |
平均值 | 0.3197 | 0.1826 | 0.0896 | 0.0729 | 0.0532 | 0.0444 | 0.0353 | 0.0318 |
根据APP分类将每个类中的各种APP应用进行统计计算百分率并按从大到小排序,然后求取各列平均值,以研究APP应用使用频率的分布情况。从平均比率可以得出APP使用基本符合长尾理论[21],即主流APP应用的使用比率比较高,非主流APP应用的使用比率相对较低,但非主流APP的存在增加了APP应用市场的个性和丰富性。由于全民创新能力的提升以及大学生敢于尝试新事物的个性,位于长尾理论尾部的小众市场APP越来越受到关注与使用。由于这些面向特定小群体的APP应用基本可以和主流APP应用具有相同的吸引力,因此位于长尾理论尾部的小众化的APP在一定程度上对主流APP应用产生市场竞争力。