
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
在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15