[論文レビュー] Towards Release Strategy Optimization for Apps in Google Play

Sheng Shen, Xuan Lü+1 more|arXiv (Cornell University)|Jul 19, 2017

Green IT and Sustainability参考文献 35被引用数 5

ひとこと要約

本論文は、更新間隔、アプリランク、レーティングトレンド、更新目的を分析することで、Google PlayにおけるAndroidアプリのリリース戦略をデータドリブンに最適化する手法を提案する。17,820個のトップアプリから得た41,028件のリリースを用いて訓練された多項式ナイーブベイズモデルにより、更新の有効性を76％の精度で予測可能であり、ユーザーのフィードバックを最大化する最適な更新間隔を提案する。

ABSTRACT

In the appstore-centric ecosystem, app developers have an urgent requirement to optimize their release strategy to maximize the success opportunity of their apps. To address this problem, we introduce an approach to assisting developers to select the proper release opportunity based on the purpose of the update and current condition of the app. Before that, we propose the interval of an update to its previous update to characterize release patterns, and find significance of the release opportunity through empirical analysis. We mined the update-history data of 17,820 apps from 33 categories in Google Play, over a period of 105 days. With 41,028 releases identified from these apps, we reveal important characteristics of update intervals and how these factors can influence update effects. We suggest developers to synthetically consider app ranking, rating trend, and what to update in addition to the opportunity before releasing an app version. We propose a Multinomial Naive Bayes model to help decide an optimal release opportunity to gain better user adoption.

研究の動機と目的

• アプリ市場における高い競争が続く中、開発者に対して実行可能なガイダンスが不足しているという問題に対処する。
• 平均頻度を超えたリリースパターン（特に更新間隔というより細かい指標）がユーザーのフィードバックに与える影響を調査する。
• アプリランク、レーティングトレンド、更新目的の3要因の組み合わせがフィードバック結果に与える影響を検討する。
• ユーザーの肯定的フィードバックを最大化する最適な更新間隔を推奨する予測モデルを開発する。
• 開発者に、データドリブンで実行可能な提言を提供し、リリース計画の改善とユーザー参加の向上を図る。

提案手法

• 平均頻度ではなく、個々の更新間隔（直前の更新からの日数）を測定することで、局所的なリリースパターンを捉える。
• 更新間隔を3種類に分類して比較分析する：連続的（1–5日）、通常（6–14日）、希薄（15日以上）。
• アプリの順位とレーティングトレンドのデータをGoogle Playから活用し、アプリの位置とフィードバックの推移を評価する。
• 自然言語処理を用いてリリースノートを分析し、更新の目的をバグ修正、機能変更、その他の目的に分類する。
• 33のカテゴリにまたがる17,820個のトップアプリから得た41,028件のリリースを用いて、多項式ナイーブベイズモデルを訓練し、更新効果（肯定的／否定的フィードバック）を予測する。
• アプリ固有の特徴に基づき、将来のリリースに最適な更新間隔を推奨するよう、モデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 異なる更新間隔（連続的、通常、希薄）は、Google Playアプリのユーザーフィードバックにどのように影響するか？
• RQ2 アプリランクとレーティングトレンドは、リリースのフィードバック結果にどの程度影響を及けるか？
• RQ3 更新の目的（例：バグ修正 vs 機能変更）と更新頻度が、ユーザーのフィードバックに与える相互作用は何か？
• RQ4 間隔、ランク、トレンド、目的を組み合わせた予測モデルは、更新の有効性を正確に予測できるか？

主な発見

• 高ランクのアプリでは、連続的更新（1–5日間隔）がより効果的であり、こうした更新後に高いレーティングを獲得する傾向がある。これはマシュー効果を示している。
• 低ランクのアプリでは、連続的更新後にレーティングが低下する傾向があり、頻繁な更新が評価の悪化を招く可能性がある。
• 遅延した更新よりも、適切なタイミングでの連続的更新が、低下傾向のレーティングトレンドを逆転させる可能性がより高い。
• バグ修正は連続的リリースでより肯定的なフィードバックを得やすく、一方、機能変更は間隔を開けてリリース（希薄な更新）したほうが好意的に受け止められる。
• 多項式ナイーブベイズモデルは、間隔、ランク、トレンド、目的を特徴量として用いることで、76％の精度で更新効果を予測可能である。
• モデルから導かれた最適な更新間隔はアプリの文脈に依存し、ランクとトレンドに応じて最適な間隔が異なるため、文脈に応じたリリース計画が重要である。