[논문 리뷰] Towards Release Strategy Optimization for Apps in Google Play

Sheng Shen, Xuan Lü외 1명|arXiv (Cornell University)|2017. 07. 19.

Green IT and Sustainability참고 문헌 35인용 수 5

한 줄 요약

이 논문은 업데이트 간격, 앱 랭킹, 평점 추세 및 업데이트 목적을 분석하여 Google Play에서 안드로이드 앱 출시 전략을 데이터 기반으로 최적화하는 방법을 제안한다. 상위 앱 17,820개에서 나온 41,028건의 출시 이력을 기반으로 훈련된 다항 나이브 베이즈 모델을 사용하여 업데이트 효과를 예측하는 데 76%의 정확도를 달성했으며, 사용자 피드백을 극대화하기 위한 최적의 업데이트 간격을 제안한다.

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.

연구 동기 및 목표

• 앱 마켓의 높은 경쟁에도 불구하고 개발자들이 앱 출시 전략을 최적화하기 위한 실질적인 지침이 부족한 문제를 해결한다.
• 평균 빈도를 넘는 출시 패턴이 사용자 피드백에 어떻게 영향을 미치는지 분석하며, 더 세밀한 지표인 업데이트 간격을 중심으로 연구한다.
• 앱 랭킹, 평점 추세 및 업데이트 목적의 복합적 영향이 피드백 결과에 어떻게 작용하는지 조사한다.
• 사용자 피드백을 극대화하는 데 최적의 업데이트 간격을 추천하는 예측 모델을 개발한다.
• 개발자들이 출시 계획과 사용자 참여도를 향상시키기 위해 데이터 기반의 실천 가능한 권고안을 제공한다.

제안 방법

• 평균 빈도가 아닌 개별 업데이트 간격(이전 업데이트 이후 경과 일수)을 측정하여 국소적 출시 패턴을 파악한다.
• 비교 분석을 위해 간격을 세 가지 유형으로 분류한다: 연속적(1–5일), 정상적(6–14일), 희박한(15일 이상).
• 앱 순위 및 평점 추세 데이터를 활용해 앱의 위치와 피드백 경로를 평가한다.
• 자연어 처리를 통해 릴리스 노트에서 업데이트 목적을 분석하여 버그 수정, 기능 변경, 기타 목적 등으로 분류한다.
• 33개 카테고리에 걸쳐 상위 앱 17,820개에서 나온 41,028건의 출시 이력을 기반으로 다항 나이브 베이즈 모델을 훈련하여 업데이트 효과(긍정/부정 피드백)를 예측한다.
• 앱 고유의 특성에 기반해 향후 출시에 가장 적합한 업데이트 간격을 추천하기 위해 모델을 최적화한다.

실험 결과

연구 질문

• RQ1 다양한 업데이트 간격(연속적, 정상적, 희박한)은 Google Play 앱의 사용자 피드백에 어떻게 영향을 미치는가?
• RQ2 앱 랭킹과 평점 추세는 릴리스의 피드백 결과에 어느 정도 영향을 미치는가?
• RQ3 업데이트 목적(예: 버그 수정 vs. 기능 변경)이 업데이트 빈도와 어떻게 상호작용하여 사용자 피드백에 영향을 미치는가?
• RQ4 간격, 랭킹, 추세 및 목적을 종합한 예측 모델은 업데이트 효과를 정확하게 예측할 수 있는가?

주요 결과

• 고순위 앱에서는 연속적 업데이트(1–5일 간격)가 더 효과적이며, 이러한 업데이트 후 평점이 높아지는 경향이 있어 매튜 효과가 나타남을 시사한다.
• 저순위 앱은 연속적 업데이트 후 평점이 낮아지는 경향이 있어, 성능이 열악한 앱에서는 빈번한 업데이트가 사용자 인식에 악영향을 줄 수 있음을 시사한다.
• 적절한 시점의 연속적 업데이트는 지연된 업데이트보다 하락하는 평점 추세를 뒤집는 데 더 높은 가능성을 가진다.
• 버그 수정은 연속적으로 배포될 경우 더 많은 긍정적 피드백을 얻지만, 기능 변경은 간격을 두고 배포될 경우 더 잘 수용된다.
• 다항 나이브 베이즈 모델은 간격, 랭킹, 추세 및 목적을 특성으로 사용하여 업데이트 효과를 76%의 정확도로 예측한다.
• 모델에서 유도된 최적의 업데이트 간격은 앱의 맥락에 따라 달라지며, 랭킹과 추세에 따라 달라지므로 맥락 인식 기반의 출시 계획이 필요하다.