京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代下,如何挖掘长尾应用
上世纪末,意大利经济学者帕累托注意到19世纪英国人的财富和收益模式,经过大量调查和研究,帕累托发现:社会上20%的人占有80%的社会财富,这个定律被称为“二八定律”,此定律也可以应用到其他领域。“二八定律“意味着大量处于80%位置的产品(其中有不少优秀产品)会被埋没。在互联网时代,安德森的“长尾理论”很好地解决了“二八定律”中长尾产品被忽略的问题,比如亚马逊的平台策略可以让长尾产品的销售额达到与热门产品足以匹敌的水平。
但在移动互联网时代,应用市场的应用并没有像“长尾理论”一样达到有效的分发,而更趋近于“二八定律”,艾瑞曾有报告指出:几乎每一个垂直细分领域,都是一到三款主流应用几乎占据了80%的用户的手机桌面,剩下的80%的APP要去抢夺剩下20%的用户。对于用户来说,如果有适合自己的优秀应用被埋没在80%中,实在是一件悲剧的事情。
用户是如何寻找心仪的app的
我们说互联网时代是信息爆炸的时代,而移动互联网时代绝对是APP爆炸的时代,据公开报告,截止2014年年底,谷歌Play Store的应用数量已达到了143万,而Apple Store的应用数量也已经超过121万。在如此多的应用中如何找到自己感兴趣的应用?
一般来说,用户寻找应用的方法有3种,第1种是直接搜索,这种方式一般是针对必备应用(比如微信)或者自己知道的热门应用(比如华尔街日报)。第2种是应用市场中的推荐或排行榜,这种推荐大部分是广告行为,应用不一定真正满足用户的喜好,而且排行榜上的应用可谓“百年不变”,很难满足用户探索新应用的好奇心。第3种是推荐应用的应用,比如最美应用,这种应用可以让不少并不大众的应用得到曝光并让用户了解和使用,但问题同样存在,它通常每天只推荐有限的几款应用,而对于大批量的优质长尾应用的曝光度不够,并且对于编辑人员来说,每天从浩如烟海的应用中挑选应用实在是一件费时费力的事。
上述三种寻找应用的方式各有优劣,但它们有一个共同的缺陷,那就是忽略了大批长尾应用中的优秀应用。在移动互联网时代,可能每天都会诞生优秀的应用,这些应用可能不为人知,短期内也没法登上排行榜,却可能是受人们喜欢的潜在应用,这样的应用受到了大部分应用市场的忽略。
基于长尾应用的解决之道
挖掘应用市场中的长尾应用无论对用户还是对企业都有巨大的价值,随着大数据时代的到来,长尾应用被发掘的几率越来越大,目前对于长尾应用的挖掘大概有两种方式。一种是上文说到的类似最美应用这样的推荐类app,不少媒体和产品都会基于自己的特性为用户推荐app,比如豌豆荚中有一个“关注”分类,如果你关注了类似虎嗅网,好奇心日报这类媒体或应用,就可以收到它们的推荐信息。第二种也是大部分应用市场最常用的方式,即根据用户的下载历史和动作推荐用户可能喜欢的应用,这背后的算法便基于大数据分析。
除以上两种方式之外,目前我还发现了一种专门基于长尾优秀应用推荐的地图式应用推荐,比如石榴掌游,它本质上是一款可视化内容推荐平台,但它并不像大部分应用市场那样只推荐某几款热门应用,打开石榴掌游你会看到琳琅满目的应用(现在以游戏为主),它用算法按照相似程度把手游排列在一起,越近的就越相似,越远的就越不同,就如同手握一张手游世界地图一样,一旦你点击某个图标,就会看到此应用的具体介绍、图片以及玩家上传的视频,通过这些信息用户便可以判断游戏是否是自己喜欢的类型。石榴掌游上陈列着数不清的长尾游戏应用,打开它的界面你就像进入一个百宝箱一样,在里面寻觅自己感兴趣的应用。同时石榴掌游也是一个背后依托强大机器学习算法的应用,它可以根据用户手机的自有应用预测用户可能喜欢的应用,也可以根据用户的浏览和下载记录判断用户的喜好,从而为用户提供更精准的推荐。
大数据时代的意义在于每个人无论购买什么产品,都会收到与自己的真实需求异常契合的产品推荐,产品推荐或广告对于每个人来说都是独特的,定制化的,广告或产品不再是一种打扰,而是需求。可以预见在大数据分析技术越来越成熟的未来,长尾产品的市场和价值将会越来越大。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27