【基于SPSS Modeler聚類分析的移動應用商店中影響用戶滿意度的因素實證研究9800字（論文）】

基于SPSSModeler聚類分析的移動應用商店中影響用戶滿意度的因素實證研究摘要移動應用商店是用戶選擇下載應用的主要平臺，對軟件開發者和應用商店平臺方來說，用戶下載量和滿意度都是非常重要的，因此影響用戶下載量和滿意度的因素是一個非常值得研究的問題。本文在參考大量國內外相關文獻的基礎上，首先通過Python對數據進行處理，再通過聚類分析、決策樹分析、神經網絡分析等方法在SPSSModeler中進行數據挖掘[1]，然后在Tableau中進行數據可視化[2]分析，最終找到了影響用戶下載量因素：評論數、評分、大小、價格和收費類型，以及影響用戶滿意度的因素：內容評級（年齡等級）、下載量、評論數、大小、價格和收費類型，并針對這些因素向軟件開發者和應用商店平臺方分別提出了一些建議。關鍵詞移動應用商店；下載量；滿意度；數據挖掘；數據可視化目錄1引言（或緒論）……………………11.1課題背景簡介…………………11.2研究進展………………………11.3研究目的和意義………………22理論基礎…………32.1聚類分析………………………32.2決策樹分析……………………32.3神經網絡………………………43GooglePlayStore數據清洗………………53.1App…………53.2Category………………………53.3Rating…………53.4Reviews………………………53.5Size……………53.6Installs…………63.7Type……………63.8Price…………63.9ContentRating………………63.10Genres…………74影響用戶下載因素分析………84.1詳細數據處理…………………84.2數據建模分析…………………84.3數據可視化分析……………125影響用戶滿意度因素分析……………………195.1數據建模分析…………………195.2數據可視化分析……………216分析建議……………………276.1對軟件開發者…………………276.2對應用商店平臺方……………27結論…………………29參考文獻……………31第第頁1引言（或緒論）1．1課題背景簡介隨著信息科學技術的飛速發展，移動互聯網終端設備的數量不斷增加。移動應用商店作為移動互聯網終端軟件中重要的一部分，伴隨著移動終端設備基數不斷增長，其發展越來越受到關注。隨著蘋果公司AppStore在移動應用商店領域取得的商業成功，自2009年開始，移動應用商店的概念得到迅速發展，也被評為2010年十大科創新趨勢之一。移動應用商店是用戶使用移動終端設備其他App的起點和入口，其開發的根本目的是為用戶提供高效率、高質量的利用服務，滿足用戶利用需求。所以只有基于用戶行為對移動應用商店進行研究，才能夠深入用戶需求，滿足用戶預期，從而推動移動應用商店服務的不斷完善。因此，本課題以GooglePlayStore的數據為研究對象，通過機器學習[3]中的聚類分析[4]、決策樹分析以及數據可視化等大數據分析[5][6]的方法，對用戶行為進行研究，找出影響用戶下載量[7]和滿意度[8][9]的因素，針對如何提高用戶的下載量和滿意度等問題提出建議，從而促進GooglePlay應用商店的發展。1．2研究進展近年來，國內外對移動應用商店下載數據的分析已經有不少研究，研究內容有商業模式、運營模式、發展趨勢、交互設計、用戶體驗、用戶行為、用戶安全等。主要分為兩個大致方向，一個是移動應用商店運營與發展方向，一個是移動應用商店用戶行為研究。（1）移動應用商店運營與發展方向隨著信息科學和新技術的發展，對于移動平臺的終端app——移動應用商店而言，其運營機制及發展方向也在不斷更替，對此國內外多位學者進行了系統研究。曾亞從移動應用商店的實踐角度出發，解析了行業主流應用商店的商業模式、開發者管理、運營模式等，對國內三大運營商各自主導的移動應用商店進行了相應研究[10]。Liu等通過分析GooglePlay平臺中由711個排名的移動應用組成的大型面板數據集，得出免費增值策略與付費app的銷售增長呈正相關[11]。ErshovD等構建出基于GooglePlay移動應用商店的需求和供給模型，認為減少用戶邊際搜索成本可有效促進平臺收益[12]。KristoferKimbler通過分析AppStore的成功模式，針對運營商提出發展策略[13]。周琳深度分析了蘋果AppStore的商業發展模式，并針對國內移動應用商店提出平臺創新、培育開發商、完善支付渠道、建立品牌優勢等發展建議[14]。針對移動應用商店運營與發展方向的研究為移動應用商店市場的后續研究提供了基本條件，也為理論研究和實踐研究的進一步深入奠定了良好基石。（2）移動應用商店用戶行為研究通過對用戶行為數據進行分析，能夠更清晰地了解用戶行為習慣，發現移動應用商店在經營模式、推廣渠道等方面存在的不足，從而幫助移動應用商店更加精確高效地滿足用戶需求，提升其市場占有率。相關研究中，蔡可利用了經典的TAM模型建立了手機應用商店用戶采納模型，并引入了情景感知理論，得出影響用戶在手機商店下載應用的影響因素[15]。袁霞提出基于TAM與TPB整合模型的移動應用商店用戶下載模型，采用結構方程進行實證分析，提出針對移動應用商店平臺和移動應用開發者的優化策略[16]。王睿構建出UTAUT擴展模型，據此探究影響用戶對智能移動終端應用商店內的App購買意愿的因素[17]。TangJ等使用偏最小二乘法對蘋果AppStore中用戶付費下載行為的影響因素進行研究，提出用戶所處的社交環境在其付費下載意愿中具有重要作用[18]。戚少君提出手機應用商店的用戶接受行為研究模型，并予以驗證[19]。UsmanShehzaib等分析從GooglePlayStore中提取的評論和應用信息，建立模型，來評估移動應用程序的可接受性和流行程度[20]。上述研究通過建立相應的用戶行為模型對用戶行為展開了研究，有助于拓展移動應用商店用戶行為研究的思路和廣度。1．3研究目的和意義本課題的研究目的主要有兩點：第一點是從用戶的角度出發，構建用戶行為模型，找到影響用戶下載和滿意度的因素，并提出相應優化對策，由此提高Google應用商店在行業競爭中的優勢；第二點是為了培養自己文件檢索和論文編寫的能力，讓自己對數據分析與數據可視化領域有著更清晰的理解，以便更好地融入今后的學習工作中。本課題的研究意義在于充分了解用戶行為特征，幫助軟件開發者和Google應用商店的技術人員或管理人員提供新的開發和優化思路，從而提高Google應用商店的用戶認可度和滿意度，提升其服務水平和質量，增加其在行業競爭中的優勢，同時也為移動應用商店的發展提供借鑒。2理論基礎2．1聚類分析聚類分析就是將個體或對象分類，使得同一類中的對象之間的相似性比其他類的對象的相似性更強。目前最典型的聚類分析算法有K-means算法、K-medoids算法、CLARANS算法、BIRCH算法等，但使用更廣泛的還是K-means算法。2.1.1K-means算法K-means是一個反復迭代的過程，算法主要可以分為四個步驟：1、從樣本集合中隨機抽取k個樣本點作為初始簇的中心；2、將每個樣本點劃分到距離它最近的中心點所代表的簇中；3、用各個簇中所有樣本點的中心點代表簇的中心點；4、重復2和3，直到簇的中心點不變或達到設定的迭代次數或達到設定的容錯范圍。常用的距離度量標準是歐幾里得距離的平方：

d(x,y)其中x和y表示不同的兩個樣本，n表示樣本的維度?；跉W幾里得距離，K-means算法需要優化的問題就是，使簇內誤差平方和(SSE)最小，也叫簇慣性。SSE=其中μ(j)表示j簇的中心2．2決策樹分析決策樹是一種基本的分類與回歸方法，首先對數據進行處理，利用歸納算法生成可讀的規則和決策樹，然后使用決策對新數據進行分析。目前最常用的決策樹算法有C&RT，CHAID、QUEST和C5.0等2.2.1C&RT（分類回歸樹）C&RT生成可用于預測或分類未來觀測值的決策樹，該方法通過在每個步驟最大限度降低不純潔度，使用遞歸分區來將訓練記錄分割為組。如果節點中100%的觀測值都屬于目標字段的一個特定類別，則樹中的該節點將被認定為“純潔”。目標和輸入字段可以是數字范圍或分類（名義、有序或標志）；所有分割均為二元分割。2.2.2QUESTQUEST可提供用于構建決策樹的二元分類法，此方法的設計目的是減少大型C&R樹分析所需的處理時間，同時也減少在分類樹方法中發現的趨勢以便支持允許有多個分割的輸入。輸入字段可以是數字范圍（連續），但目標字段必須是分類。所有分割都是二元的。2.2.3CHAIDCHAID使用卡方統計量來生成決策樹，以確定最佳的分割。CHAID與C&R樹和QUEST節點不同，它可以生成非二元樹，這意味著有些分割將有多于兩個的分支。目標和輸入字段可以是數字范圍（連續）或分類。2.2.4C5.0算法C5.0算法構建決策樹或規則集。該模型的工作原理是根據在每個級別提供最大信息收獲的字段分割樣本。目標字段必須為分類字段。允許進行多次多于兩個子組的分割。2．3神經網絡神經網絡是一種試圖模擬生物神經網絡的結構和功能的數學模型或計算模型，由一個輸入層、若干個中間隱含層和一個輸出層組成。此模型通過模擬大量類似于神經元的抽象形式的互連簡單處理單元而運行。神經網絡是功能強大的一般函數估計器，只需要最少的統計或數學知識就可以對其進行訓練或應用。

3GooglePlayStore數據清洗GooglePlayStore的數據主要包含以下字段:App(名稱)、Category（類別）、Rating（評分）、Reviews（評論數）、Size（大小）、Installs（下載量）、Type（收費類別）、Price（價格）、ContentRating（內容等級（年齡等級））、Genres（多種類別）、LastUpdated（最后更新時間）、CurrentVer（版本號）、AndroidVer（適用安卓版本），如下表3-1所示。表3-1GooglePlayStore下載數據名稱照片編輯和糖果相機和網格和剪貼簿涂色本繪畫-鉛筆畫和顏色畫類別藝術與設計藝術與設計藝術與設計評分4.13.94.5評論數159967215644大小19M14M25M下載量10,000+500,000+50,000,000+收費類別免費免費免費價格000內容等級（年齡等級）每個人每個人青少年多種類別藝術與設計藝術與設計；裝扮游戲藝術與設計最后更新時間2018/1/72018/1/152018/6/8版本號1.0.02.0.0隨設備而變化適用安卓版本4.0.3及以上4.0.3及以上4.2及以上我通過Python對該文件中所有的10841條數據進行了處理，首先導入數據并刪除了本次分析無需用到的字段，如LastUpdated、CurrentVer、AndroidVer，然后對保留的字段分別進行處理。3．1App因為APP的名稱是不可以重復的，所以這里需要刪除APP名稱重復的值：data.drop_duplicates('App',inplace=True)3．2Category首先查詢該項的所有值：print(data.Category.unique())，發現有一項錯誤的值1.9，所以需要刪除它：data=data[data.Category!='1.9']3．3Rating通過data.Rating.isna().sum()發現Rating項缺失的值有點多，有1474條，若刪除會缺失很多數據，所以這里選擇忽略NA值，不做處理。3．4Reviews將該項所有值轉換為數值型data.Reviews=pd.to_numeric(data.Reviews)3．5Size該項有以M和以k為單位的值，需統一轉換為以k為單位的數值型：deff(x):ifx[-1]=='M':res=float(x[:-1])*1024elifx[-1]=='k':res=float(x[:-1])else:res=np.nanreturnresdata.Size=data.Size.apply(f)3．6Installs該項數據格式為“10,000+”的形式，所以在這里需要刪除逗號和加號，將該項所有數據轉換為數值型：definst(x):ifx[-1]=='+':res=float(x[:-1].replace(',',''))else:res=float(x)returnresdata.Installs=data.Installs.apply(inst)3．7Type首先查詢該項的所有值：data.Type.value_counts(dropna=False)，發現除了有Free和Paid這兩類數據之外，還有一項空缺值NaN，所以在這里需要刪除它：data.Type.dropna(inplace=True)3．8Price該項數據中除了為0的數據，其他數據都是“$+數值”的格式，如$4.99，所以需要將數字前的$符號刪除，將該項所有數據轉換為數值型：defprc(x):ifx[0]=='$':res=float(x[1:])else:res=float(x)returnresdata.Price=data.Price.apply(prc)3．9ContentRating通過data['ContentRating'].value_counts()發現該項沒有需要修改的值，不做處理。3．10Genres通過data.Genres.value_counts()發現多類別的App數量較少，且有一個類別做分析已經足夠，所以需刪除第二個類別：data['Genres']=data.Genres.Apply(lambdax:x.split(";")[0])至此，對于數據的預處理已經基本完成，處理完成后還剩余9659條數據。當然，后面進行分析時可能還需要對數據進行更詳細的處理。

4影響用戶下載因素分析4．1詳細數據處理因為有些字段數值差距較大且數值較多，所以在SPSSModeler軟件中通過導出節點對Rating、Reviews、Size和Price這四個字段進行了分段處理，然后將它們合并后與其他所有字段一起導出為新的Excel表格，如圖4-1所示。圖4-1SPSS詳細數據處理4.1.1Rating（評分）評分共分為4段，評分1表示Rating<3.5，評分2表示3.5≤Rating<4，評分3表示4≤Rating<4.5，評分4表示Rating≥4.5。4.1.2Reviews（評論數）評論數共分為5段，評論數1表示Reviews<1000，評論數2表示1000≤Reviews<10000，評論數3表示10000≤Reviews<100000，評論數4表示100000≤Reviews<1000000，評論數5表示Reviews≥1000000。4.1.3Size（大?。┐笮」卜譃?段，大小1表示Size≤10000，大小2表示10000<Size≤30000，大小3表示30000<Size≤60000，大小4表示Size>60000。4.1.4Price（價格）價格共分為3段，價格1表示Price=0，價格2表示0<Price<10，價格3表示Price≥10。4．2數據建模分析通過SPSSModeler中的各類節點，對數據進行處理分析。4.2.1聚類分析以Installs為目標，首先通過自動聚類節點，分析有哪些可用的聚類方法，通過結果發現Kohonen方法和兩步法構造出的聚類質量較差，而通過K-means算法構造出的聚類效果較好，所以最終通過K-means節點進行聚類分析，過程和結果如圖4-2所示。圖4-2SPSS聚類分析過程由圖4-3和圖4-4可以看出此次聚類共分為5類，聚類1所占比值最大，而聚類5占比最小。聚類1和聚類3的Rating、Reviews、Size、Price和Installs都相對較低；聚類2的Rating、Reviews都較高，Size和Installs都在中等水平；而聚類4與聚類2相反，Rating、Reviews在中等水平，Size和Installs較高；聚類5是唯一一個Price較高的聚類，所以它的Installs就會偏低。由此可見，這些字段對下載量還是有一定影響的。圖4-3SPSS聚類分析各聚類大小圖4-4SPSS聚類分析各聚類比較而接下來圖4-5的預測變量重要性也可證明，無論評分、評論數、價格、大小這幾個字段是否進行了分段處理，大都很重要。圖4-5SPSS聚類分析預測變量重要性4.2.2決策樹分析由于Quest和C5.0方法的目標字段只能是分類類型，而目標Installs是連續類型，所以這里通過C&RT節點和CHAID節點進行決策樹分析，過程和結果如圖4-6所示。圖4-6SPSS決策樹分析流程由圖4-7和圖4-8預測變量重要性可看到評論數是最重要的。圖4-7SPSSC&RT分析預測變量重要性圖4-8SPSSCHAID分析預測變量重要性4.2.3神經網絡以Installs為目標，通過類神經網絡節點進行分析，過程和結果如圖4-9所示。圖4-9SPSS神經網絡分析流程由圖4-10預測變量重要性可以看出Reviews（評論數）最重要。圖4-10SPSS神經網絡分析預測變量重要性4．3數據可視化分析由上面的建模分析可知，對下載量影響較大的字段為Reviews、Rating、Size、Price和Type，因此接下來在Tableau中針對這些字段進行可視化分析。4.3.1Reviews可視分析由于Reviews數值差距較大，所以在此選擇前中后三個數值段進行分析，如圖4-11到圖4-13所示，可以看到當Reviews值越大Installs的值也越大，說明用戶可能選擇評論數更多的APP進行下載，當然也表示下載量越多的APP，也會有更多的用戶對其評價。這也反映了一種從眾心理，用戶會覺得有越多人進行評論說明該APP更可信。圖4-11TableauReviews分析前段圖4-12TableauReviews分析中段圖4-13TableauReviews分析后段下圖4-14對評論數_分段的分析也可證明上述說法的正確性。圖4-14Tableau評論數_分段分析4.3.2Rating可視分析由下圖4-15和圖4-16可以看到，Rating值較低的Installs也較低，Rating值中等的Installs也處于中等水平，Rating值較高的Installs值中等偏高。說明用戶更傾向于下載評分較高的APP。圖4-15TableauRating分析圖4-16Tableau評分_分段分析4.3.3Size可視分析由于Size數值差距較大，所以在此選擇前中后三個數值段進行分析，如圖4-17到圖4-19所示，并結合圖4-20大小_分段的分析，可以看到當Size值越大時Installs的值也越大，且Size中等的APP數量較多，而Size較小和較大的APP數量都相對較少，說明用戶大都下載Size適中或較大的APP。圖4-17TableauSize分析前段圖4-18TableauSize分析中段圖4-19TableauSize分析后段圖4-20Tableau大小_分段分析4.3.4Price可視分析由于Price數值差距較大，所以在此選擇前后兩個數值段進行分析，如圖4-21和圖4-22所示，并結合圖4-23價格_分段的分析，可以看到Price越小Installs越大，說明用戶大都下載價格為0或收費價格較小的APP，對于那些收費較高的APP，下載的數量就較少了。圖4-21TableauPrice分析前段圖4-22TableauPrice分析后段圖4-23Tableau價格_分段分析4.3.5Type可視分析Type即收費類型，分為Free和Paid兩種，由下圖4-24可知Free類型的APP下載量較多，即用戶更喜歡下載免費的APP。圖4-24TableauType分析總的來說，用戶更傾向于下載評分較高、評論數較多、大小適中或較大以及免費或收費價格較低的APP。

5影響用戶滿意度因素分析Rating表示所有參與評分的用戶對該APP的評分平均數，是表示用戶對該APP滿意程度最有效的字段，所以在此以Rating為目標進行用戶滿意度分析。5．1數據建模分析通過SPSSModeler中的各類節點，對數據進行處理分析。5.1.1聚類分析以Rating為目標，首先通過自動聚類節點，分析有哪些可用的聚類方法，通過結果發現兩步法構造出的聚類質量較差，而通過Kohonen和K-means算法構造出的聚類效果較好，所以最終通過Kohonen節點和K-means節點進行聚類分析，過程和結果如圖5-1所示。圖5-1SPSS聚類分析滿意度過程首先對于Kohonen方法，由下圖5-2預測變量重要性可以看到ContentRating、Type和Size是最重要的，對結果影響最大。圖5-2SPSSKohonen方法預測變量重要性然后對于K-Means算法，由下圖5-3預測變量重要性可以看到ContentRating和Type是最重要的，對結果影響最大，Price和Size也較重要。圖5-3SPSSK-Means算法預測變量重要性5.1.2決策樹分析由于Quest和C5.0方法的目標字段只能是分類類型，而目標Installs是連續類型，所以這里通過C&RT節點和CHAID節點進行決策樹分析，過程和結果如圖5-4所示。圖5-4SPSS決策樹分析滿意度流程由下圖5-5的C&RT方法預測變量重要性可以看到Installs最重要，Reviews也較重要，而其他字段的重要性較差。圖5-5SPSSC&RT分析滿意度預測變量重要性由下圖5-6的CHAID方法預測變量重要性可以看到Reviews最重要，Installs、Type、ContentRating的重要性依次遞減。圖5-6SPSSCHAID分析滿意度預測變量重要性5．2數據可視化分析由上面的建模分析可知，對下載量影響較大的字段為ContentRating、Installs、Reviews、Size、Price和Type，因此接下來在Tableau中針對這些字段進行可視化分析。5.2.1ContentRating可視分析由下圖5-7可以看到除了Everyone即每個用戶都可下載的APP基本上各種評分都有，其他有特定年齡段使用的APP大都評分中等或較高，說明針對特定年齡開發的APP還是很符合該年齡段的要求的。圖5-7TableauContentRating滿意度分析5.2.2Installs可視分析由下圖5-8可以看到Installs較少的Rating也較低，反之Installs較多的Rating也較高，說明下載量越高的APP大都是用戶越滿意的。圖5-8TableauInstalls滿意度分析5.2.3Reviews可視分析由于Reviews數值差距較大，所以在此選擇前后兩個數值段進行分析，如圖5-9和圖5-10所示，可以看到Reviews值越小Rating值越低，反之Reviews值越大Rating值也越高，說明用戶評分越高即越滿意就更可能對APP進行評論，反之用戶對此APP不滿意就可能不會花費時間去評論。圖5-9TableauReviews滿意度分析前段圖5-10TableauReviews滿意度分析后段5.2.4Size可視分析由于Size數值差距較大，所以在此選擇前中后三個數值段進行分析，如圖5-11到圖5-13所示，可以看到Size值較小和較大時Rating值都較高，但Size值中等時有一部分APP的Rating值較低，說明用戶不太滿意。圖5-11TableauSize滿意度分析前段圖5-12TableauSize滿意度分析中段圖5-13TableauSize滿意度分析后段5.2.5Price可視分析由于Price數值差距較大，所以在此選擇前后兩個數值段進行分析，如圖5-14和圖5-15所示，可以看到Price越低時有一部分APP的Rating越低，反之Price越高時Rating中等偏高，說明收費低的APP大都滿意度較高但也有一部分滿意度較低，而收費高的APP滿意度大都中等偏高。圖5-14TableauPrice滿意度分析前段圖5-15TableauPrice滿意度分析后段5.2.6Type可視分析由圖5-16可以看到大多數APP的Rating值都較高，Rating值較低的APP大都為Free類型，即Free類型的APP相較于Paid類型的APP滿意度更低。圖5-16TableauType滿意度分析6分析建議6．1對軟件開發者6.1.1針對不同年齡段開發相應APP通過本研究可以看出，針對特定年齡段開發的APP比所有用戶都可下載的APP滿意度更高，因此軟件開發者可以根據不同年齡段的特征開發特定的APP，這樣會使不同年齡段的人更容易找到適合自己的APP，提高APP的下載量和用戶滿意度。6.1.2優化APP大小即相應的介紹通過本研究可以看出，Size較小的APP大都下載量較少但滿意度較高，Size較大的APP下載量和滿意度大都較高，Size值中等的APP大都下載量較高但滿意度較少，所以軟件開發者可以優化APP的大小，使得APP的大小與功能相匹配，盡量不要出現功能少但APP太大的情況。此外APP介紹是用戶了解APP最直接的方式，介紹文案的描寫應該包含APP所有重要的信息，還要注重語言的簡略性和生動性。6.1.3合理收取APP費用通過本研究可以看出，免費或收費價格較低的APP下載量較高，且大部分滿意度也較高，但有一部分滿意度較低，收費較高的APP下載量較低但大都滿意度中等偏高，所以軟件開發者合理收取APP的費用，開發出更好的產品，使用戶感到價有所值，這樣才會提高APP下載量和用戶滿意度。6．2對應用商店平臺方6.2.1針對不同的年齡推薦相應APP若開發者針對不同的年齡段開發了相應的APP，那么應用商店平臺則需要分析自己核心用戶群體的年齡分布情況，并對其喜歡下載的APP進行分析，得到用戶的一些喜好特征，然后針對用戶年齡段及喜好進行推薦，減少用戶的時間浪費，提高用戶下載效率及滿意度。6.2.2詳細介紹APP信息用戶了解APP最主要的方式就是通過APP的詳細介紹信息，針對軟件開發者提供的信息，應用商店平臺可以對此進行合理的布局及描述，不僅要傳遞出應有的價值和用處，還要注意語言的簡潔性和生動性，盡量第一眼就打動用戶，提高下載量。6.2.3提高用戶評論的欲望通過本研究可以看出，Reviews值越多時，APP下載量和用戶滿意度都會更高，評論數越多說明該APP的活躍用戶越多，用戶就會更傾向于下載這種APP，所以應用商店平臺應該想辦法提高用戶評論的欲望。當然，最直接的方法就是提高APP的質量，讓用戶真的滿意，從而提高用戶評論數；其次，應用商店平臺可以通過活動獎勵方式促進用戶評論，如評論領積分兌換獎品活動等。結論目前各個應用商店都在積極進行優化，基于用戶行為對應用商店進行研究，才能夠深入用戶需求，滿足用戶預期，從而推動移動應用商店服務的不斷完善。本文從用戶行為出發，通過數據處理與數據挖掘，確定了影響APP下載量的5個主要因素：評論數、評分、大小、價格和收費類型，以及影響用戶滿意度的6個主要因素：內容評級（年齡等級）、下載量、評論數、大小、價格和收費類型，并通過可視化逐一驗證。發現當評論數的值越大時用戶下載量和滿意度也就越高，說明用戶更喜歡下載評論數較多的APP且越滿意某APP就越可能對其進行評價；當APP大小值越大用戶下載量就越高，但用戶滿意度在APP大小較大或較小時都較高，反而中等大小的一部分APP用戶滿意度較低，說明中等大小的APP有很大的改進空間；當收費類型為免費或價格值較低時，用戶下載量較高但滿意度較低，說明即使用戶更愿意下載免費或價格低的APP，但還是收費較高的APP更能讓用戶滿意；當下載量越高的評分也越高，說明下載量越多的APP大都是用戶越滿意的，并且用戶也更喜歡下載評分更高的APP；當內容評級（年齡等級）有年齡限制時比任何人都能下載的APP滿意度更高，說明針對特定年齡段進行APP開發還是很有必要的。最終從軟件開發者角度和應用商店平臺角度針對上述影響因素分別提出了相應的建議。目前國內外對于應用商店的研究還算較多，但針對應用商店可視化的研究非常少，對此還是有很多值得進一步探討和研究的問題。用戶在使用應用商店的過程中還產生了大量的數據，例如本次研究中舍棄的APP最后更新時間、適用手機版本等數據。后續的研究還可以分析這些行為數據，發現更多的用戶行為特征。

參考文獻[