[论文解读] iPhone's Digital Marketplace: Characterizing the Big Spenders

Farshad Kooti, Mihajlo Grbovic+3 more|arXiv (Cornell University)|Jan 25, 2017

Consumer Market Behavior and Pricing参考文献 21被引用 5

一句话总结

本研究分析了7.76亿笔iPhone数字购买记录，以建模应用内消费行为，发现61%的消费来自应用内购买，且前1%的用户贡献了59%的应用内消费。论文提出一个三步预测模型——购买时间间隔（符合帕累托分布）、新应用与已有应用购买预测，以及具体应用预测——表明高消费用户年龄更大、更可能是男性，且在新应用中成为高消费用户的概率是普通用户的4.5倍。

ABSTRACT

With mobile shopping surging in popularity, people are spending ever more money on digital purchases through their mobile devices and phones. However, few large-scale studies of mobile shopping exist. In this paper we analyze a large data set consisting of more than 776M digital purchases made on Apple mobile devices that include songs, apps, and in-app purchases. We find that 61% of all the spending is on in-app purchases and that the top 1% of users are responsible for 59% of all the spending. These big spenders are more likely to be male and older, and less likely to be from the US. We study how they adopt and abandon individual app, and find that, after an initial phase of increased daily spending, users gradually lose interest: the delay between their purchases increases and the spending decreases with a sharp drop toward the end. Finally, we model the in-app purchasing behavior in multiple steps: 1) we model the time between purchases; 2) we train a classifier to predict whether the user will make a purchase from a new app or continue purchasing from the existing app; and 3) based on the outcome of the previous step, we attempt to predict the exact app, new or existing, from which the next purchase will come. The results yield new insights into spending habits in the mobile digital marketplace.

研究动机与目标

• 理解iPhone设备上数字消费的分布特征与属性，尤其聚焦于应用内购买。
• 识别高消费用户（大额消费者）的人口统计与行为特征，并与普通用户进行比较。
• 建模用户购买行为的时间动态，包括应用的采用、持续使用与放弃过程。
• 开发一个预测框架，用于预测用户是否会从新应用购买或从已有应用购买，以及下一次购买将来自哪个应用。
• 为应用开发者、应用商店及广告网络提供可操作的洞察，以更有效地定位高价值用户。

提出的方法

• 分析大规模、以用户为中心的7.76亿笔Apple iOS设备数字购买数据，包含购买时间、金额、类型（应用、歌曲、应用内购买）及用户人口统计信息（年龄、性别、国家）。
• 使用多种统计分布对连续购买之间的时间间隔进行建模，发现帕累托分布拟合效果最佳。
• 训练一个监督分类器，用于预测用户是否会从新应用购买，或从其曾购买过的应用购买。
• 对于从已使用应用的购买，结合购买频率与购买间隔时间，预测用户下一次购买的具体应用。
• 对于新应用购买，采用一种新方法，基于用户过往的应用内购买历史，预测其将购买的具体新应用。
• 采用多阶段建模流程，按顺序预测购买时间、应用类型（新应用或已有应用），以及最终的应用选择，从而提升用户定位与推荐系统的效果。

实验结果

研究问题

• RQ1 iPhone上的数字消费中，应用内购买所占比例与歌曲、应用购买等其他类别相比如何？
• RQ2 高消费用户的人口统计特征（年龄、性别、居住国家）与普通用户有何不同？
• RQ3 高消费用户的消费行为随时间如何演变，特别是在购买频率与时间间隔方面？
• RQ4 在放弃一个应用后，高消费用户在新应用中成为高消费用户的概率有多大？
• RQ5 多阶段预测模型能否准确预测用户下一次将从哪个应用购买，基于其过往行为？

主要发现

• 应用内购买占iPhone所有数字消费的61%，其次为歌曲（23%）和应用购买（7%）。
• 前1%的用户贡献了59%的应用内购买消费，表明消费高度集中于少数用户。
• 高消费用户比普通用户年长3至8岁，男性概率高出22%，来自美国的可能性低31%。
• 尽管收入水平相似，高消费用户表现出先上升后下降的消费模式，购买间隔随时间延长，最终导致放弃。
• 在放弃一个应用后，高消费用户在新应用中成为高消费用户的概率是普通用户的4.5倍，凸显其作为目标用户群体的高价值。
• 购买间隔时间符合帕累托分布，所提出的三步模型能以高精度有效预测新应用与已有应用的购买行为。