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
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12