向工具内容复合型产品转型的应用商店

2017年iOS11AppStore大变革，将原本的精选项目标签页替换为今日推荐，去掉了排行榜页。

重大调整背后，一方面是用户难以发现软件，除游戏外人们需要下载新应用的场景和发现新应用的欲望越来越少；另一方面是在app的下载上，各大应用市场现在没有太大差异竞争点。

如何为用户挖掘新鲜、独特的应用内容，而非在分类中就可以找到的头部应用很关键；应用商店本质是工具型产品，近年可以发现，应用商店在向“工具+内容”的方向调整转型，通过内容向用户推荐优质独特的app进而下载，内容成为突破点。

本文将从用户发现应用场景的搭建、精细化内容运营、推荐策略方面探讨如下三个问题：

一、应用商店如何让用户愿意体验并下载更多app？

Quest Mobile最新调查显示全网用户月人均打开app个数是25个，用户对各个分类的需求已被头部应用满足。

下载更多app需要在等待、安装、允许权限开通、熟悉新应用上耗费时间，还需要占用更多内存，让本来并不充裕的手机空间更加雪上加霜。

（这里想顺便说说苹果和安卓应用权限申请的差异：苹果是当用户需要使用某一功能时，系统才会弹出对应权限的弹窗申请，安卓则是安装打开后逐项申请；从用户体验上个人认为苹果更加合理，每次下载完安卓应用，一下子出现四五个弹窗询问是否允许权限开通，实在是有些烦躁。）

在内存占用上，华为应用市场已经推出了快应用，相当于微信小程序，用户可以在端内无需下载，快速打开快应用体验核心功能。

在减轻用户下载成本方面，手机应用市场能做的有限，在增加下载获得感方面，主要是为用户推荐合适的app，让他们下载有所值。

二、应用商店如何为用户提供更加独特的体验？

对每一个产品，我们都会分析其用户画像，性别、年龄段、阶层、城际分布等要素。

应用商店是一款特殊的产品，它的用户范围更加广，社会身份和角色更加丰富，可以说是全阶层、全地域、全角色的产品。

我们可以从更多维度去了解用户，是普通用户还是新机用户？一二线用户还是下沉用户？消费能力如何？用户画像的刻画对精细化内容运营、推荐策略，应用找用户有重要的意义。

想要提供更加独特的用户体验，从工具向和内容向两个方面出发：

1. 工具向：用户在应用商店里是如何下载新应用的？用户场景是怎样的？

用户发现应用的核心用户场景有搜索、分类、浏览三种。

根据艾媒咨询2018中国移动应用商店用户下载新应用的方式调查，60.5%用户通过搜索下载新应用，45.8%通过分类筛选下载新应用。

搜索和分类都是用户的主动行为，对应带明确目的和半明确目的；当用户场景为明确知道自己想要下载某款应用时，搜索为用户提供直达功能；当用户场景为明确要下载的分类但不确定具体下载哪款时，分类为用户提供筛选功能。

在这两个主动用户场景之外，还有大概10%（统计方式与艾媒报告不同）的用户通过浏览发现新应用，浏览是用户的被动行为，不明确目的，在应用商店中的“闲逛”发现好玩有趣的新应用。

1）搜索

搜索入口的设计，包括搜索框、搜索页和搜索结果页。

搜索框设计：应用商店基本一致，都有做推荐app的提示文字功能。

搜索页设计：各大手机应用厂商的搜索页功能对比，icon样式是用户对app最直观的感受，90%以上用户的注意力会第一时间被icon吸引。

华为和应用宝的搜索页的热门应用都直接以icon样式吸引用户，豌豆荚则将游戏和软件的分类提前到了搜索页中。

搜索结果页设计：应用宝的搜索结果页最为简洁，应用横条只包含icon、名称、副标题、下载次数等元素。

华为和豌豆荚在结果页做了较多相关搜索，百度手机助手把应用详情页的功能（三图、视频）提前到结果列表页中，吸引用户关注，但三图/视频卡片对应的是更少应用能露出；华为应用市场除了应用标签页，还有一个内容标签页，聚合各种内容，为华为阅读、华为视频引流。

2）分类

分类的痛点在于分类名称是否准确可感知、app分类归属重复、分类中app排序不够权威。

华为应用市场每个一级分类下都会有“热门”的二级分类，但热门中的app与其他二级分类头部应用是相同的，造成曝光资源的浪费；可以考虑在热门曝光过的应用，在二级分类外页中不露出，仅在详情页中露出，让更多app可以获得曝光机会。

3）浏览

浏览虽然占比只有大概10%，但相对于搜索和分类是最能做出差异化的场景，也是内容运营的主阵地。

2. 内容向：怎样通过内容向用户推荐应用？

应用商店的分发场景越来越向内容分发、社交分发、娱乐分发靠拢，内容又是时间大杀器，可以提升用户粘性和留存。

下图总结了目前各大应用商店通过内容向用户推荐应用的方式，针对不同内容形式的精细化运营将在第三个问题讲到。

三、如何从“用户找应用”转变为“应用找用户”？

推荐算法让传统的“用户找应用”转变为“应用找用户”成为可能，推荐算法的两端是物与人，物即判断内容特性，人即识别用户喜好，对内容和用户贴标签并匹配。

常见的推荐算法是TOP-N、Trending、基于物品的协同和基于用户的协同：

• TOP-N：排名靠前的热榜推荐，在召回序列的头部结果中优中选优；e.g.榜单。
• Trending Now：推荐短期热点，周期性消费或者突发热点；e.g.搜索页的“大家都在搜”、热点卡。
• 基于物品的协同：确定用户喜欢的物品，推荐相似物品；e.g.某些卡片的推荐理由为“根据XX应用推荐”。
• 基于用户的协同：找到与该用户某方面口味相似的人群，将这一人群喜欢的物品推荐给该用户；e.g.某些卡片的推荐理由为“文学爱好者看过”。

推荐卡片、推荐图文和短视频的精细化运营：

• 推荐卡片：从人出发，设想场景、用户群体、兴趣爱好等维度下对物（应用）的需求，把人与物联系起来，组织成应用卡片；设想人在某个场景下可能需要什么，如用户在通勤时间不方便看，更希望通过听来获取资讯，如喜马拉雅FM、每日英语听力、36Kr等；设想某类细分人群的需求，如为宝妈群体推荐宝宝知道、亲宝宝等；设想兴趣爱好者的需求，如为摄影爱好者推荐一甜、马卡龙等。
• 推荐图文：图文的特点是长内容，适合深度介绍，主题可选应用特色功能，对同类应用功能进行比较，功能教学等。
• 推荐短视频：在短视频的情境下，更多是视频内容与应用之间的映射。

参考资料：

闫泽华老师：《内容算法：把内容变成价值的效率系统 从算法到应用》

本文作者 @RfSr 。

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！