CN107016573B - 一种应用的评测方法和评测*** - Google Patents
一种应用的评测方法和评测*** Download PDFInfo
- Publication number
- CN107016573B CN107016573B CN201710221312.9A CN201710221312A CN107016573B CN 107016573 B CN107016573 B CN 107016573B CN 201710221312 A CN201710221312 A CN 201710221312A CN 107016573 B CN107016573 B CN 107016573B
- Authority
- CN
- China
- Prior art keywords
- application
- evaluated
- coefficient
- time period
- coefficients
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种应用的评测方法及评测***,本发明实施例根据采集到的同类别应用的历史数据,设置注册函数和流失函数,从而利用所述注册函数和流失函数估算所述待评测应用在预定时间段的注册用户总量和流失用户总量,以根据所述预定时间段的注册用户总量和流失用户总量,通过预设的第一预估模型预估待评测应用在预定时间段的活跃用户量;该方案不需要依赖待评测应用的线上数据进行预测,因此可以在待评测应用上线前完成预测,从而可以根据预测结果提前部署运营策略,且由于无需依赖待评测应用的线上数据,有利于提高预测结果的准确性。
Description
技术领域
本发明涉及互联网技术领域,具体涉及一种应用的评测方法和评测***。
背景技术
随着电子设备和互联网技术的不断发展,使得依靠电子设备而存在和运行、以及能够供用户在空闲时间娱乐的游戏行业得到迅猛发展,成为用户的主要休闲方式之一,因而也越来越多开发者或厂商加入到游戏开发中。
无论是新开发的游戏还是将游戏从个人计算机(PC,Personal Computer)端游转到手游(***),都需要投入大量的人力和时间成本,因此对游戏上线后的收益进行预测十分重要,通过收益情况的预测可以评估对游戏的投入是否能得到相应的产出。现有技术中,一般通过对游戏的日活跃用户量(DAU,Daily Active User)进行评估,以根据日活跃用户量评估游戏的日收入情况,进而可以预测游戏未来上线后的收益。其中,对游戏的日活跃用户量的预估方式中,通常是根据游戏上线之后一段时间内的用户情况(例如新增用户量等)对游戏的日活跃用户量进行曲线拟合,根据拟合的曲线预测游戏未来的日活跃用户量。
在对现有技术的研究和实践过程中,本发明的发明人发现,现有技术需要在游戏上线之后一段时间内才能预测游戏的日活跃用户量,无法在上线前完成预测,因此无法根据预测结果提前部署运营策略,且由于线上数据容易受外部干扰,因而容易导致预测结果产生较大的偏差。
发明内容
本发明实施例提供一种应用的评测方法及评测***,可以在应用上线前完成相应活跃用户量的预测,从而可以根据预测结果提前部署运营策略,且不需要依赖应用上线后产生的用户数据进行预测,可以提高预测结果的准确性。
本发明实施例提供一种应用的评测方法,包括:
根据采集到的同类别应用的历史数据,设置注册函数和流失函数;
根据预设的待评测应用的初始数据,利用所述注册函数和流失函数估算所述待评测应用在预定时间段的注册用户总量和流失用户总量,所述初始数据包括待评测应用上线前的注册用户初始量和流失用户初始量;
根据所述预定时间段的注册用户总量和流失用户总量,通过预设的第一预估模型预估待评测应用在预定时间段的活跃用户量。
本发明实施例提供一种应用的评测***,包括:
设置模块,用于根据采集到的同类别应用的历史数据,设置注册函数和流失函数;
估算模块,用于根据预设的待评测应用的初始数据,利用所述注册函数和流失函数估算待评测应用在预定时间段的注册用户总量和流失用户总量,所述初始数据包括待评测应用上线前的注册用户初始量和流失用户初始量;
第一预估模块,用于根据预定时间段的注册用户总量和流失用户总量,通过预设的第一预估模型预估待评测应用在预定时间段的活跃用户量。
本发明实施例的评测方法中,根据采集到的同类别应用的历史数据设置注册函数和流失函数,以利用注册函数和流失函数估算待评测应用在预定时间段的注册用户总量和流失用户总量,进而根据预定时间段的注册用户总量和流失用户总量,通过第一预估模型评估待评测应用在预定时间段的活跃用户量,由于是根据同类别应用的历史数据预测活跃用户量,不依赖于待评测应用的线上数据,因此可以在待评测应用上线前即可完成预测,从而可以根据预测结果提前部署运营策略,且由于无需依赖待评测应用的线上数据,有利于提高预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的应用的评测方法的框架图;
图1b是本发明实施例提供的应用的评测方法的流程图;
图2是本发明实施例提供的应用的评测方法中,设置注册函数的流程图;
图3是本发明实施例提供的应用的评测方法中,设置流失函数的流程图;
图4是本发明实施例提供的应用的评测方法中,预估待评测应用在预定时间段的收入的流程图;
图5a是本发明实施例提供的应用的评测***的结构示意图;
图5b是本发明实施例提供的应用的评测***的另一结构示意图;
图6是本发明实施例提供的服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种应用的评测方法和评测***。
应用例如可以是游戏应用、即时通讯应用或微博应用,等等。其中,该应用的评测***具体可以集成在服务器等设备中。
本发明实施例的应用的评测方法,主要用于在应用上线(投放市场)之前,对应用未来上线之后的日、周或月活跃用户量进行预测,并根据预测的日、周或月活跃用户量,预测应用的日、周或月收入情况。
例如,如图1a所示,当需要进行某个应用的评测时,根据采集到的同类别应用的历史数据,设置注册函数和流失函数,然后根据预设的初始数据,利用注册函数和流失函数估算待评测应用在预定时间段的注册用户总量和流失用户总量,并根据估算的预定时间段的注册用户总量和流失用户总量,通过第一预估模型预估待评测应用在的预定时间段的活跃用户量,其中预定时间段例如可以是以天为时间单位,具体指的是应用上线后的第t天,t为大于等于1的整数,或者可以以周为周期单位,具体指的是应用上线的第t周,由此通过上述方式可以预估待评测应用上线后第t天、第t周或第t个月的活跃用户量(也即日活跃用户量、周活跃用户量或月活跃用户量)。
通过本发明实施例的评测方法及评测***,通过利用同类别应用的历史数据预测待评测应用的日活跃用户量或其他时间周期的活跃用户量,不依赖于待评测应用的线上数据,因此可以在待评测应用上线前即可完成预测,从而可以为待评测应用的上线提供更多数据参考,且由于无需依赖待评测应用的线上数据进行预测,有利于提高预测结果的准确性。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
实施例一
本实施例将从应用的评测***的角度进行描述,该应用的评测***具体可以集成在服务器,比如评测服务器等设备中。
参阅图1b,该应用的评测方法的具体流程可以包括以下步骤:
步骤S101:根据采集到的同类别应用的历史数据,设置注册函数和流失函数。
注册函数用于评估待评测应用在预定时间段的注册用户总量,流失函数用于评估待评测应用在预定时间段的流失用户总量。
其中,将待评测应用未来上线之后的时间以时间段进行划分,时间段的长度可以根据实际需要进行设定,例如可以以一天、一周或者一个月的时间长度进行划分,预定时间段是指从待评测应用上线之后的第1个时间段算起,待评测应用上线后的第t个时间段。例如,以天为单位为例,一天为一个时间段,预定时间段是指从待评测应用上线后的第1天算起,待评测应用上线后的第t天,t为大于等于1的整数。在下文的描述中,预定时间段均以待评测应用上线后的第t天为例进行说明。
注册用户是指注册了待评测应用的用户。流失用户是指注册了待评测应用但未登录待评测应用的用户。预定时间段的注册用户总量则是指待评测应用从上线的第1个时间段起,到第t个时间段所达到的注册用户的总数量;预定时间段的流失用户总量是指待评测应用从上线的第1个时间段起,到第t个时间段所达到的流失用户的总数量。
下面将进一步描述本发明实施例设置注册函数和流失函数的流程。其中,根据同类别应用的历史数据,设置注册函数和流失函数,具体包括设置注册函数的子步骤和设置流失函数的子步骤。
(1)设置注册函数的子步骤,如图2所示,具体包括:
子步骤S201:获取同类别应用的多个第一历史数据。
其中,同类别应用是指已上线的应用,且与待评测应用类别相同或相近的应用,例如,若待评测应用为某种游戏应用,则同类别应用也为与待评测应用类型相同或相近的游戏应用,以使得预测结果更准确。同类别应用的历史数据为同类别应用上线至对待评测应用进行评测的当前时间之间所产生的数据。
其中,第一历史数据包括同类别应用的最大注册用户总量和多个时间段的注册用户总量,例如以一天为一个时间段为例,同类别应用的一个时间段的注册用户总量是指同类别应用从上线的第1天起,在第n天达到的注册用户总量,n大于等于1。
子步骤S202:根据第一历史数据,通过预设的第二预估模型确定注册函数的创新系数和模仿系数。
根据bass(巴斯)扩散模型理论可知,对于新开发的产品,使用新产品的用户的增长数量主要受两种因素的影响,第一种是受宣传、推广或大众传媒等外部影响,第二种是受已使用新产品的用户的传播影响,即内部影响。其中创新系数用于衡量外部影响的强度,模仿系数用于衡量内部影响的强度。
确定注册函数的创新系数和模仿系数,具体如下:
获取的多个第一历史数据中,多个时间段的注册用户总量可以根据实际需要进行选择,例如可以选取为同类别应用在上线后的第2天~第20天中每天所达到的注册用户总量,或者可以选取同类别应用在上线后的第3天、第5天、第7天、……、以及第31天中每天所达到的注册用户总量,等等。
其中,第二预估模型为bass扩散模型,根据bass扩散理论可知,bass扩散模型具有以下表达式:
利用上述bass扩散模型(1)确定注册函数的创新系数和模仿系数时,Sn用于表示同类别应用上线后的第n天的注册用户总量,Sn-1表示同类别应用上线后的第n-1天的注册用户总量,α11表示创新子系数,α21表示模仿子系数,M1表示同类别应用的最大注册用户总量。将获取的同类别应用第一历史数据代入上述模型即可得到创新子系数α11和模仿子系数α21。
例如,获取的第一历史数据包括同类别应用上线后的第3天、第4天和第5天所达到的注册用户总量,代入上述bass扩散模型(1)中可得到以下方程组:
其中,M1的取值为同类别应用的最大注册用户总量,S3表示同类别应用在上线后的第3天所达到的注册用户总量,S4表示同类别应用在上线后的第4天所达到的注册用户总量。S5表示同类别应用在上线后的第5天所达到的注册用户总量。由此,通过求解方程组可以计算得到一组创新子系数α11和模仿子系数α21。
其中,注册函数的创新系数和模仿系数的确定规则可以有多种,例如,可以直接将利用上述bass扩散模型(1)计算得到的一组创新子系数α11和模仿子系数α21分别作为注册函数的创新系数和模仿系数。或者,另一种方式中,也可以根据计算得到的创新子系数α11和模仿子系数α21确定注册函数的创新系数α1和模仿系数α2的取值范围,再从范围中进行选取,具体如下:
根据多个第一历史数据,通过上述bass扩散模型(1)确定多组创新子系数和模仿子系数。例如,取同类别应用上线后的第3~17天中每天所达到的注册用户总量,根据上述bass扩散模型(1)可得到14个方程,每连续两天的注册用户总量对应的方程组确定一组创新子系数α11和模仿子系数α21,由此可以确定7组创新子系数α11和模仿子系数α21。
根据多个创新子系数确定注册函数的创新系数的取值范围,以及根据多个模仿子系数确定注册函数的模仿系数的取值范围。例如,根据上述7组创新子系数α11和模仿子系数α21中的7个创新子系数α11确定注册函数的创新系数α1的取值范围,以及根据7组创新子系数α11和模仿子系数α21中的7个模仿子系数α12确定注册函数的模仿系数α2的取值范围,具体是确定注册函数的创新系数和模仿系数所处的数量级,以确定其取值范围,该数量级例如有0.1~0.9的数量级或0.01~0.09的数量级,等等。并且,通过确定多个创新子系数α11中,在每种数量级内的创新子系数α11的数量占所有创新子系数α11的权重,来确定注册函数的创新系数α1所处的数量级,其中将最大权重者对应的数量级确定为注册函数的创新系数α1所处的数量级。注册函数的模仿系数α2所处的数量级也采用类似方法确定。
举例而言,7个创新子系数α11分别为0.15、0.09、0.40、0.35、0.50、0.82、0.60,对这7个创新子系数α11做数量级分类可知,在0.1~0.9的数量级内有6个创新子系数α11,在0.01~0.09的数量级内有1个创新子系数α11,因此在0.1~0.9的数量级内的创新子系数α11的数量占所有创新子系数α11的权重为6/7,权重最大,因此确定注册函数的创新系数α1所处的数量级为0.1~0.9,也即注册函数的创新系数α1的取值范围为0.1~0.9。注册函数的模仿系数α2所处的数量级也采用类似方法确定,在此不做赘述。
确定注册函数的创新系数α1和模仿系数α2的取值范围后,根据预设的待评测应用的最大注册用户总量、以及预设的待评测应用达到最大注册用户总量的时间段,通过第二预估模型从注册函数的创新系数α1的取值范围中选取其中一个作为注册函数的创新系数α1,以及从注册函数的模仿系数α2的取值范围中选取其中一个作为注册函数的模仿系数α2。
具体地,预设的待评测应用的最大注册用户总量用M表示,其中,可以将对待评测应用进行市场调研得到的目标用户量作为待评测应用可达的最大注册用户总量M。另外,确定最大注册用户总量M后,可以根据已上线同类别应用达到或趋近该最大注册用户总量M所需的时间(天数)T,将待评测应用达到最大注册用户总量M所需的时间设为T天,表示待评测应用在上线后的第T天达到最大注册用户总量M,即预设的待评测应用达到最大注册用户总量的时间段为第T天。
确定注册函数的创新系数α1和模仿系数α2的取值范围后,可以通过遍历筛选的方式确定所需的创新系数和模仿系数,其中所选择的创新系数和模仿系数能够使得上述bass扩散模型(1)满足以下条件:所选择的创新系数和模仿系数能够使得利用上述bass扩散模型(1)计算得到在第T天的注册用户总量为最大注册用户总量M,换句话而言,所选择的创新系数和模仿系数能够满足上述bass扩散模型(1)在n=T时,ST=M。具体而言,在上述bass扩散模型(1)中,令S0=0,以及令M1的取值为待评测应用的最大注册用户总量M,从创新系数α1的取值范围中选取一个创新系数,从模仿系数α2的取值范围中选取一个模仿系数,将M和所选取的创新系数和模仿系数代入上述bass扩散模型(1)中,根据S0=0的初始条件计算ST的值。通过不断选取创新系数和模仿系数计算ST的值,直至所选取的创新系数和模仿系数能够使得ST=M为止,将满足ST=M的一组创新系数和模仿系数分别作为注册函数的创新系数α1和模仿系数α2。例如,选取的一组创新系数和模仿系数(0.55,0.45)满足ST=M,则注册函数的创新系数α1=0.55,注册函数的模仿系数α2=0.45。
其中,可以根据需要设置创新系数和模仿系数的选取规则,例如,当创新系数的取值范围确定在0.1~0.9的数量级,则可以以“0.1”为步长单位进行选取,如当创新系数选取0.1不满足上述条件时,选取下一个创新系数则为0.2,以此类推。或者,其他方式中,也可以以“0.05”、“0.15”或“0.2”等为步长单位进行选取。模仿系数的选取规则与上述类似,对此不做赘述。通过上述方式,可以使得所确定的注册函数的创新系数和模仿系数更合理。
子步骤S203:根据创新系数、模仿系数、与预定时间段相邻的前一时间段的注册用户总量和流失用户总量、以及预设的待评测应用的最大注册用户总量,设置注册函数。
以预定时间段为待评测应用上线后的第t天为例,与预定时间段相邻的前一时间段则为第t-1天。其中,以注册函数的创新系数为α1、模仿系数为α2为例,注册函数用公式表达如下:
在上述公式(2)中,Rt表示待评测应用在第t天的注册用户总量,M为预设的待评测应用的最大注册用户总量,Rt-1表示待评测应用在第t-1天的注册用户总量,Qt-1表示待评测应用在第t-1天的流失用户总量。
(2)设置流失函数的子步骤,如图3所示,具体包括:
子步骤S301:获取同类别应用的多个第二历史数据。
多个第二历史数据包括同类别应用的最大流失用户总量和多个时间段的流失用户总量,例如以一天为一个时间段为例,同类别应用的一个时间段的流失用户总量是指同类别应用上线后的第n天所达到的流失用户总量。
子步骤S302:根据第二历史数据,通过预设的第二预估模型确定流失函数的自发退出应用系数和被动退出应用系数。
此外,不再使用产品的用户主要分为两种,一种是用户根据自己意愿退出产品的使用,另一种是指用户受社交传播影响而退出产品的使用,其中,自发退出应用系数用于衡量用户对应用的粘性,被动退出应用系数用于衡量社交传播影响的强度。
仍然使用bass扩散模型确定流失函数的自发退出应用系数和被动退出应用系数,使用的bass扩散模型如下:
其中,为便于描述,将该bass扩散模型(3)与上述bass扩散模型(1)使用不同的字母描述。在该bass扩散模型(3)中,Lt用于表示同类别应用上线后第t天的流失用户总量,Lt-1表示同类别应用上线后第t-1天的流失用户总量,β11表示自发退出应用子系数,β21表示被动退出应用子系数,C表示同类别应用的最大流失用户总量。
其中,多个第二历史数据可以根据实际需要进行选择,例如可以选取为同类别应用在上线后的第2天至第20天每天所达到的流失用户总量,或者可以选取同类别应用在上线后的第3天、第5天、以及第7天中每天所达到的流失用户总量。
由此,根据获取的多个第二历史数据,利用上述bass扩散模型(3)可以计算出β11和β21的值。例如,获取的第二历史数据为同类别应用上线后第3天的流失用户总量L3、第4天的流失用户总量L4和第5天的流失用户总量L5,则根据bass扩散模型(3)可以得到以下方程组:
对上述方程组求解可以得到β11和β21的值。
其中,流失函数的自发退出应用系数和被动退出应用系数的确定规则可以有多种,例如可以直接将根据一个方程组求解得到的一组自发退出应用子系数β11和被动退出应用子系数β21分别作为流失函数的自发退出应用系数和被动退出应用系数。或者,另一种方式中,还可以根据多个β11和多个β21的平均值进行确定,具体如下:
获取多个第二历史数据,利用上述bass扩散模型(3)确定多个β11和β21,例如,获取同类别应用上线后第3天到第17天的每一天的流失用户总量,则可以得到14个关于β11和β21和方程,每连续两天的流失用户总量对应的方程组可以求解出一组β11和β21,因此可以得到7组β11和β21。
其中,β11和β21的数量可以根据需要设置,例如通过获取多个第二历史数据以确定6组β11和β21。其中,通过对多个β11和β21进行相关性分析可以确定β11和β21具有线性关系,因此,通过线性回归的方式对多个β11和β21进行线性拟合,从而可以确定第一斜率k1和第一截距b1。根据第一斜率k1和第一截距b1得到关于自发退出应用系数和被动退出应用系数的第一线性方程,用公式表达如下:
β21=k1β11+b1 (4)
计算多个β11的平均值,该平均值用β1表示,将该平均值β1作为流失函数的自发退出应用系数。
将多个β11的平均值β1代入上述第一线性方程,作为第一线性方程中的“β11”的值,从而基于上述第一线性方程计算得到β2,如下:β2=k1β1+b1,将β2作为流失函数的被动退出应用系数。
通过上述方式,可以确定流失函数的自发退出应用系数β1和被动退出应用系数β2,并且,通过求平均值以及利用线性方程的方式计算β1和β2,可以使得利用β1和β2计算的流失用户总量更准确。
当然,在其他实施方式中,也可以将多个β21的平均值作为流失函数的被动退出应用系数。
子步骤S303:根据自发退出应用系数、被动退出应用系数、以及与预定时间段相邻的前一时间段的注册用户总量和流失用户总量,设置流失函数。
其中,以流失函数的自发退出应用系数为β1、被动退出应用系数为β2为例,则流失函数用公式表达如下:
其中,Qt表示待评测应用在第t天的流失用户总量,Rt-1表示待评测应用在第t-1天的总注册用户量,Qt-1表示待评测应用在第t-1天的流失用户总量。
通过上述方式,完成注册函数和流失函数的设置。
步骤S102:根据预设的待评测应用的初始数据,利用注册函数和流失函数估算待评测应用在预定时间段的注册用户总量和流失用户总量,初始数据包括待评测应用上线前的注册用户初始量和流失用户初始量。
其中,在上线前,待评测应用不会产生注册用户和流失用户,因此注册用户初始量和流失用户初始量均为0,即,对于上述注册函数的表达公式(2)而言,R0=0;对于上述流失函数的表达公式(5)而言,Q0=0,最大注册用户总量M可以根据市场调研得到。
由此,根据这些已知量,利用注册函数的公式(2)和流失函数的公式(5)可以估算得到待评测应用在第t天的注册用户总量Rt和流失用户总量Qt。
例如,当t=3,则第3天的注册用户总量R3和流失用户总量Q3的估算过程如下:
其中,R0、Q0、α1、α2、M、β1和β2均为已知量,通过上述方式可以结算得到R3和Q3,其中,注册函数中的Q1、Q2可以通过流失函数得到,流失函数中的R1和R2可以通过注册函数得到。
步骤S103:根据待评测应用在预定时间段的注册用户总量和流失用户总量,通过预设的第一预估模型预估待评测应用在预定时间段的活跃用户量。
具体地,第一预估模型为:待评测应用在预定时间段的活跃用户量=预定时间段的注册用户总量-预定时间段的流失用户总量。
例如,以预定时间段为待评测应用上线后的第t天为例,则第一预估模型用公式表示为:Nt=Rt-Qt,其中Nt表示待评测应用在第t天的活跃用户量,也即日活跃用户量,Rt表示待评测应用在第t天达到的注册用户总量,Qt表示待评测应用在第t天达到的流失用户总量。
通过上述方式,可以预估待评测应用在未来上线后的第1天、第2天、……、第T天的活跃用户量,从而可以得到待评测应用的日活跃用户量曲线。
本实施例,通过利用采集到的同类别应用的历史数据,预估待评测引用的日活跃用户量或其他时间周期的活跃用户量,不依赖于待评测应用的线上数据进行预测,因此可以在待评测应用上线前即可完成预测,从而可以根据预测结果提前部署运营策略,且由于无需依赖待评测应用的线上数据,有利于提高预测结果的准确性。此外,利用预估模型预估待评测应用上线后天/周/月活跃用户量,以拟合得到待评测应用的活跃用户量曲线,相比于现有采用已知历史数据直接绘制曲线而言,可以使得拟合曲线更符合实际,提高预测结果的合理性和准确性,且可以使得拟合曲线具有更好的解释性。并且,本实施例的活跃用户量由于加入了流失用户总量的因素进行评估,考虑的影响因素更全面,可以提高预测结果的准确性。
此外,在本发明实施例中,还可以根据上述注册函数和流失函数,确定待评测应用在第t天当天的新增注册用户总量,以为待评测应用的生命周期提供更多参考数据,具体如下:
(1)根据以下公式计算待评测应用在第t天当天的待调整新增注册用户总量:
(2)根据以下公式计算待评测应用在第t天当天的流失用户总量,即日流失用户总量:
(3)根据流失用户总量对待调整新增注册用户总量rt进行修正,具体地,修正后的新增注册用户总量rt’:rt'=rt+qt。
考虑到流失用户,因此在评估每天的新增注册用户总量时,将计算得到的rt叠加上日流失用户总量,可以评估得到真正的新增注册用户总量rt’,为待评测应用的生命周期的预测提供参考。
由此,根据本实施例的注册函数和流失函数,通过获取日流失用户总量,以对待评测应用真正的新增注册用户量进行预估,可以使得预估结果更准确,为待评测应用的生命周期提供更多参考数据。
实施例二
根据上述实施例一所描述的方法,以下将对待评测应的日收入的评估过程做进一步描述。
参阅图4,在本实施例中,通过第一预估模型预估待评测应用的日活跃用户量(即Nt)之后,日收入的评估过程具体如下:
步骤S401:获取同类别应用的多个第三历史数据。
其中,第三历史数据包括同类别应用的多个时间段的付费渗透率和每用户平均收入值(ARPU,Average Revenue Per User)。
其中,付费渗透率指的是付费用户占活跃用户的比例。当计算日收入时,付费渗透率则是指日活跃用户中付费用户所占的比例,而每用户平均收入值则是指在一天内从每个用户得到的收入值。
例如,时间段以天为例,一天为一个时间段,同类别应用的第三历史数据包括日付费渗透率以及日每用户平均收入值,将同一日的付费渗透率和每用户平均收入值作为一组第三历史数据,本实施例将获取多组第三历史数据,即获取同类别应用上线后的连续多天中的每天的付费渗透率和每用户平均收入值,例如,多组第三历史数据为:同类别游戏上线后第2天的付费渗透率和每用户平均收入值、第3天的付费渗透率和每用户平均收入值、........、以及第10天的付费渗透率和每日用户平均收入值,等。
步骤S402:根据第三历史数据,确定待评测应用的付费渗透率以及每用户平均收入值。
具体地,根据同类别应用的多组第三历史数据,利用线性回归确定第二斜率k2和第二截距b2。其中,通过对多组第三历史数据进行相关性分析可知,付费渗透率和每用户平均收入值具有线性关系,因此,通过线性回归的方式对多组第三历史数据进行线性拟合,从而可以确定第二斜率k2和第二截距b2。
根据第二斜率k2和第二截距b2得到关于付费渗透率和每用户平均收入值的第二线性方程,用公式表示如下:
U=k2P+b2
其中,U表示付费渗透率,P表示每用户平均收入值。
计算同类别应用的多个每用户平均收入值的平均值,例如,若选取了10天的每用户平均收入值,则求和10天的每用户平均收入值,并将所求每用户平均收入值的总和除以10,得到平均值。将同类别应用的多个每用户平均收入值的平均值作为待评测应用的每用户平均收入值,用P0表示。其中,待评测应用上线后每日的每用户平均收入值设为相同的值,即均设为同类别应用的多个每用户平均收入值的平均值。当然,待评测应用的每用户平均收入值可以根据实际需要进行设定,例如可以根据市场调研结果进行设定,或者可以由付费点设置相关策划提供期望的每日用户平均收入值,并不限于上述的设定方式。
根据待评测应用的每用户平均收入值,基于上述第二线性方程计待评测应用的付费渗透率,具体而言,将P0作为第二线性方程的P的值,根据第二线性方程计算得到待评测应用的付费渗透率U0,即U0=k2P0+b2,其中待评测应用上线后每日的付费渗透率也都设为相同的值,即均为U0。
步骤S403:根据待评测应用的付费渗透率、每用户平均收入值以及待评测应用在预定时间段的活跃用户量,预估待评测应用在预定时间段的收入。
预定时间段例如为待评测应用上线后的第t天,则待评测应用在第t天的收入可以根据以下公式进行计算:
V=Nt*U0*P0
其中,V表示待评测应用在第t天的收入,也即日收入,Nt为待评测应用在上线后第t天的活跃用户量,U0为待评测应用的付费渗透率,P0为待评测应用的每用户平均收入值。
根据上述方式,可以实现对待评测应用的日收入的预估,并且通过利用同类别应用的每用户平均收入值的均值作为评估待评测应用的日收入的每用户平均收入值,以及通过线性回归方式确定付费渗透率,可以使得收入情况的预估更合理、更准确。
实施例三
为了更好地实施上述方法,本发明实施例还提供一种应用的评测***,该评测***具体可以集成在服务器,比如评估服务器等设备中。
如图5a所示,该评测***包括设置模块501、估算模块502以及第一预估模块503,如下:
(1)设置模块501;
设置模块501,用于根据采集到的同类别应用的历史数据,设置注册函数和流失函数。
其中,设置模块501可以包括第一确定单元、第一设置单元、第二确定单元以及第二设置单元。
第一确定单元,用于获取同类别应用的多个第一历史数据,并根据第一历史数据,通过预设的第二预估模型确定注册函数的创新系数和模仿系数。第一历史数据例如包括同类别应用的最大注册用户总量和多个时间段的注册用户总量。
其中,第一确定单元具体用于根据第一历史数据,通过预设的第二预估模型确定多个创新子系数和多个模仿子系数,并根据多个创新子系数确定注册函数的创新系数的取值范围,以及根据多个模仿子系数确定注册函数的模仿系数的取值范围,从而根据预设的待评测应用的最大注册用户总量、以及预设的待评测应用达到最大注册用户总量的时间段,从创新系数的取值范围中选取其中一个作为注册函数的创新系数,以及从模仿系数的取值范围中选取其中一个作为注册函数的模仿系数,其中,所选取的创新系数和模仿系数能够使得利用上述bass扩散模型(1)计算得到的在T时间段的注册用户总量为预设的待评测应用的最大注册用户总量。
例如,取同类别应用上线后的第3~17天中每天所达到的注册用户总量,根据上述bass扩散模型(1)可得到14个方程,每连续两天的注册用户总量对应的方程组确定一组创新子系数α11和模仿子系数α21,由此可以得到7个创新子系数α11和7个模仿子系数α21,从而可以根据这7个创新子系数α11和7个模仿子系数α21确定相应系数的范围。其中,预设的待评测应用的最大注册用户总量用M表示,将待评测应用达到最大注册用户总量M所需的时间设为T天,表示待评测应用在上线后的第T天达到最大注册用户总量M,从确定的相应系数范围内所选择的创新系数α1和模仿系数α2能够满足上述bass扩散模型(1)在n=T时,ST=M。
其中,第一设置单元用于根据创新系数、模仿系数、与预定时间段相邻的前一时间段的注册用户总量和流失用户总量、以及预设的待评测应用的最大注册用户总量,设置注册函数。
以预定时间段为待评测应用上线后的第t天为例,与预定时间段相邻的前一时间段则为第t-1天。其中,以注册函数的创新系数为α1、模仿系数为α2为例,注册函数用公式表达如下:
在上述公式(2)中,Rt表示待评测应用在第t天的注册用户总量,M为预设的待评测应用的最大注册用户总量,Rt-1表示待评测应用在第t-1天的注册用户总量,Qt-1表示待评测应用在第t-1天的流失用户总量。
其中,第二确定单元用于获取同类别应用的多个第二历史数据,并根据第二历史数据,通过上述bass扩散模型(3)确定流失函数的自发退出应用系数和被动退出应用系数。其中,多个第二历史数据包括同类别应用的最大流失用户总量和多个时间段的流失用户总量,多个时间段的流失用户总量可以根据实际需要进行选择,例如可以选取为同类别应用在上线后的第2天至第20天每天所达到的流失用户总量。
其中,流失函数的自发退出应用系数和被动退出应用系数的确定方式可以有多钟,例如,通过获取同类别应用在多个时间段的流失用户总量,利用上述bass扩散模型(3)计算出多个自发退出应用子系数β11和多个被动退出应用子系数β21。通过线性回归的方式对多个β11和β21进行线性拟合,从而可以确定第一斜率k1和第一截距b1,并根据第一斜率k1和第一截距b1得到关于自发退出应用系数和被动退出应用系数的第一线性方程,如下:
β21=k1β11+b1
计算多个β11的平均值,该平均值用β1表示,将该平均值β1作为流失函数的自发退出应用系数。
将多个β11的平均值β1代入上述第一线性方程,作为第一线性方程中的“β11”的值,从而基于上述第一线性方程计算得到β2,如下:β2=k1β1+b1,将β2作为流失函数的被动退出应用系数。
其中,第二设置单元用于根据自发退出应用系数、被动退出应用系数、以及与预定时间段相邻的前一时间段的注册用户总量和流失用户总量,设置流失函数。
其中,以流失函数的自发退出应用系数为β1、被动退出应用系数为β2为例,则流失函数用公式表达如下:
其中,Qt表示待评测应用在第t天的流失用户总量,Rt-1表示待评测应用在第t-1天的总注册用户量,Qt-1表示待评测应用在第t-1天的流失用户总量。
通过上述方式,完成注册函数和流失函数的设置。
(2)估算模块502;
估算模块502用于根据预设的待评测应用的初始数据,利用注册函数和流失函数估算待评测应用在预定时间段的注册用户总量和流失用户总量,初始数据包括待评测应用上线前的注册用户初始量和流失用户初始量。
其中,在上线前,待评测应用不会产生注册用户和流失用户,因此注册用户初始量和流失用户初始量均为0,即,对于上述注册函数的表达公式而言,R0=0;对于上述流失函数的表达公式而言,Q0=0,最大注册用户总量M可以根据市场调研得到。
由此,根据已知量R0、Q0、α1、α2、M、β1和β2,利用注册函数和流失函数可以估算得到待评测应用在第t天的注册用户总量Rt和流失用户总量Qt。
(3)第一预估模块503;
第一预估模块503用于根据待评测应用在预定时间段的注册用户总量和流失用户总量,通过预设的第一预估模型预估待评测应用在预定时间段的活跃用户量。
例如,以预定时间段为待评测应用上线后的第t天为例,则第一预估模型用公式表示为:Nt=Rt-Qt,其中Nt表示待评测应用在第t天的活跃用户量,也即日活跃用户量,Rt表示待评测应用在第t天达到的注册用户总量,Qt表示待评测应用在第t天达到的流失用户总量。
通过上述方式,可以预估待评测应用在未来上线后的第1天、第2天、……、第T天的活跃用户量,从而可以得到待评测应用的日活跃用户量曲线。
通过本实施例,根据同类别应用的历史数据,可以预估待评测应用的日活跃用户量或周活跃用户量等,不需要依赖于待评测应用的线上数据进行预测,因此可以在待评测应用上线前即可完成预测,且由于无需依赖待评测应用的线上数据,有利于提高预测结果的准确性。
进一步地,如图5b所示,评测***进一步还可以包括确定模块504和第二预估模块505,如下:
确定模块504用于获取同类别应用的多个第三历史数据,并根据第三历史数据确定待评测应用的付费渗透率以及每用户平均收入值。
第三历史数据包括同类别应用的多个时间段的付费渗透率和每用户平均收入值(ARPU,Average Revenue Per User)。例如,时间段以天为例,一天为一个时间段,同类别应用的第三历史数据包括日付费渗透率以及日每用户平均收入值,将同一日的付费渗透率和每用户平均收入值作为一组第三历史数据,从而根据同类别应用的多组第三历史数据,利用线性回归确定第二斜率k2和第二截距b2。
根据第二斜率k2和第二截距b2得到关于付费渗透率和每用户平均收入值的第二线性方程,用公式表示如下:
U=k2P+b2
其中,U表示付费渗透率,P表示每用户平均收入值。
计算同类别应用的多个每用户平均收入值的平均值,以作为待评测应用的每用户平均收入值,用P0表示。将P0作为第二线性方程的P的值,根据第二线性方程计算得到待评测应用的付费渗透率U0,即U0=k2P0+b2。
第二预估模块505用于根据待评测应用的付费渗透率、每用户平均收入值以及待评测应用在预定时间段的活跃用户量,预估待评测应用在预定时间段的收入。
预定时间段例如为待评测应用上线后的第t天,则待评测应用在第t天的收入可以根据以下公式进行计算:
V=Nt*U0*P0
其中,V表示待评测应用在第t天的收入,也即日收入,Nt为待评测应用在上线后第t天的活跃用户量,U0为待评测应用的付费渗透率,P0为待评测应用的每用户平均收入值。
通过上述方式,通过利用同类别应用的历史数据预估待评测应用的收入情况,从而可以在待评测应用上线前对完成对待评测应用的收入预估,从而为待评测应用的运营提供更多数据参考,且能够使得预测结果更合理准确。
实施例四
本发明实施例还提供一种服务器,可以作为本发明实施例的评测服务器。如图6所示,其示出了本发明实施例所涉及的服务器的结构示意图,具体来讲:
该服务器可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储器602、电源603和输入单元604等部件。本领域技术人员可以理解,图6中示出的服务器结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器601是该服务器的控制中心,利用各种接口和线路连接整个服务器的各个部分,通过运行或执行存储在存储器602内的软件程序和/或模块,以及调用存储在存储器602内的数据,执行服务器的各种功能和处理数据,从而对服务器进行整体监控。可选的,处理器601可包括一个或多个处理核心;优选的,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。
存储器602可用于存储软件程序以及模块,处理器601通过运行存储在存储器602的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器602还可以包括存储器控制器,以提供处理器601对存储器602的访问。
服务器还包括给各个部件供电的电源603,优选的,电源603可以通过电源管理***与处理器601逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入单元604,该输入单元604可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,服务器还可以包括显示单元等,在此不再赘述。具体在本实施例中,服务器中的处理器601会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中,并由处理器601来运行存储在存储器602中的应用程序,从而实现各种功能,如下:
根据采集到的同类别应用的历史数据,设置注册函数和流失函数,并根据预设的待评测应用的初始数据,利用注册函数和流失函数估算待评测应用在预定时间段的注册用户总量和流失用户总量,然后根据预定时间段的注册用户总量和流失用户总量,通过预设的第一预估模型评估待评测应用在预定时间段的活跃用户量。
其中,可以根据同类别应用的第一历史数据,确定注册函数的创新系数和模仿系数,以根据创新系数、模仿系数以及预设的待评测应用的最大注册用户总量等参数设置注册函数。
其中,可以根据同类别应用的第二历史数据,确定流失函数的自发退出应用系数和被动退出应用系数,以根据自发退出应用系数和被动退出应用系数等参数设置流失函数。
其中,还可以根据待评测应用在预定时间段的活跃用估量,预估待评测应用在预定时间段的收入。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
本发明实施例,通过利用同类别应用的历史数据设置注册函数和流失函数,以利用注册函数和流失函数实现对预定时间段的活跃用户量的预测,因此不依赖于待评测应用的线上数据进行预测,因此可以在待评测应用上线前即可完成预测,从而可以根据预测结果提前部署运营策略,且由于无需依赖待评测应用的线上数据,有利于提高预测结果的准确性。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)、磁盘或光盘等。
以上对本发明实施例所提供的一种活体检测方法和装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种应用的评测方法,其特征在于,所述方法包括:
获取待评测应用的同类别应用的第一历史数据,根据所述第一历史数据和预设的巴斯扩散模型确定注册函数的创新系数和模仿系数,所述第一历史数据包括所述同类别应用的最大注册用户总量和多个时间段的注册用户总量;
根据所述创新系数、所述模仿系数、与预定时间段相邻的前一时间段的注册用户总量、流失用户总量以及预设的所述待评测应用的最大注册用户总量,设置注册函数;
获取所述待评测应用的同类别应用的第二历史数据,根据所述第二历史数据和所述巴斯扩散模型确定流失函数的自发退出应用系数和被动退出应用系数,所述第二历史数据包括所述同类别应用的最大流失用户总量和多个时间段的流失用户总量,所述自发退出应用系数和所述被动退出应用系数分别对应于所述巴斯扩散模型的创新系数和模仿系数;
根据所述自发退出应用系数、所述被动退出应用系数、与所述预定时间段相邻的前一时间段的注册用户总量和流失用户总量,设置流失函数;
根据预设的所述待评测应用的初始数据,利用所述注册函数估算所述待评测应用在所述预定时间段的注册用户总量,所述初始数据包括所述待评测应用上线前的注册用户初始量和流失用户初始量;
根据所述初始数据,利用所述流失函数估算所述待评测应用在所述预定时间段的流失用户总量;
计算所述待评测应用在所述预定时间段的注册用户总量和流失用户总量之间的差值,得到所述待评测应用在所述预定时间段的活跃用户量;
其中,所述注册函数的表达式为Rt=Rt-1+α1×(M﹣Rt-1﹣Qt-1)+α2×(Rt-1/M)×(M﹣Rt-1﹣Qt-1),所述流失函数的表达式为Qt=Qt-1+β1×(Rt-1﹣Qt-1)+β2×(Rt-1/Qt-1)×(Rt-1﹣Qt-1),其中,Rt表示所述待评测应用在所述预定时间段的注册用户总量,M为预设的所述待评测应用的最大注册用户总量,Rt-1表示所述待评测应用在与所述预定时间段相邻的前一时间段的注册用户总量,Qt表示所述待评测应用在所述预定时间段的流失用户总量,Qt-1表示所述待评测应用在与所述预定时间段相邻的前一时间段的流失用户总量,α1为所述创新系数,α2为所述模仿系数,β1为所述自发退出应用系数,β2为所述被动退出应用系数。
2.根据权利要求1所述的评测方法,其特征在于,所述根据所述第一历史数据和预设的巴斯扩散模型确定注册函数的创新系数和模仿系数,包括:
根据所述第一历史数据,通过预设的巴斯扩散模型确定多个创新子系数和多个模仿子系数;
根据所述多个创新子系数确定注册函数的创新系数的取值范围,以及根据所述多个模仿子系数确定注册函数的模仿系数的取值范围;
根据所述待评测应用的最大注册用户总量、以及预设的所述待评测应用达到所述最大注册用户总量的时间段,从创新系数的取值范围中选取其中一个作为注册函数的创新系数,以及从模仿系数的取值范围中选取其中一个作为注册函数的模仿系数;
其中,将所述待评测应用达到所述最大注册用户总量的时间段用T时间段表示,所选取的创新系数和模仿系数能够使得利用所述巴斯扩散模型计算得到的在所述T时间段的注册用户总量为所述待评测应用的最大注册用户总量。
3.根据权利要求1所述的评测方法,其特征在于,所述根据所述第二历史数据和所述巴斯扩散模型确定流失函数的自发退出应用系数和被动退出应用系数,包括:
根据所述第二历史数据,通过所述巴斯扩散模型确定多个自发退出应用子系数和多个被动退出应用子系数;
计算所述多个自发退出应用子系数的平均值,得到流失函数的自发退出应用系数;
通过线性回归对所述多个自发退出应用子系数和多个被动退出应用子系数进行线性拟合,得到第一斜率和第一截距;
根据所述第一斜率和所述第一截距得到关于自发退出应用系数和被动退出应用系数的第一线性方程;
根据流失函数的自发退出应用系数,基于所述第一线性方程确定流失函数的被动退出应用系数。
4.根据权利要求1-3任一项所述的评测方法,其特征在于,所述计算所述待评测应用在所述预定时间段的注册用户总量和流失用户总量之间的差值,得到所述待评测应用在所述预定时间段的活跃用户量之后,所述方法还包括:
获取同类别应用的多个第三历史数据,所述第三历史数据包括同类别应用的多个时间段的付费渗透率和每用户平均收入值,所述付费渗透率为付费用户占活跃用户的比例,所述每用户平均收入值为在一天内从每个用户得到的收入值;
根据所述第三历史数据,确定所述待评测应用的付费渗透率以及每用户平均收入值;
根据所述待评测应用的付费渗透率、每用户平均收入值以及所述待评测应用在所述预定时间段的活跃用户量,预估所述待评测应用在所述预定时间段的收入。
5.根据权利要求4所述的评测方法,其特征在于,所述根据所述第三历史数据,确定所述待评测应用的付费渗透率以及每用户平均收入值,包括:
通过线性回归对所述同类别应用的多个付费渗透率和多个每用户平均收入值进行线性拟合,得到第二斜率和第二截距;
根据所述第二斜率和所述第二截距得到关于付费渗透率和每用户平均收入值的第二线性方程;
计算同类别应用的多个每用户平均收入值的平均值,得到所述待评测应用的每用户平均收入值;
根据所述待评测应用的每用户平均收入值,基于所述第二线性方程确定所述待评测应用的付费渗透率。
6.一种应用的评测***,其特征在于,所述***包括:
第一确定单元,用于获取待评测应用的同类别应用的第一历史数据,根据所述第一历史数据和预设的巴斯扩散模型确定注册函数的创新系数和模仿系数,所述第一历史数据包括所述同类别应用的最大注册用户总量和多个时间段的注册用户总量;
第一设置单元,用于根据所述创新系数、所述模仿系数、与预定时间段相邻的前一时间段的注册用户总量、流失用户总量以及预设的所述待评测应用的最大注册用户总量,设置注册函数;
第二确定单元,用于获取所述待评测应用的同类别应用的第二历史数据,根据所述第二历史数据和所述巴斯扩散模型确定流失函数的自发退出应用系数和被动退出应用系数,所述第二历史数据包括所述同类别应用的最大流失用户总量和多个时间段的流失用户总量,所述自发退出应用系数和所述被动退出应用系数分别对应于所述巴斯扩散模型的创新系数和模仿系数;
第二设置单元,用于根据所述自发退出应用系数、所述被动退出应用系数、与所述预定时间段相邻的前一时间段的注册用户总量和流失用户总量,设置流失函数;
估算模块,用于根据预设的所述待评测应用的初始数据,利用所述注册函数估算所述待评测应用在所述预定时间段的注册用户总量,所述初始数据包括所述待评测应用上线前的注册用户初始量和流失用户初始量;根据所述初始数据,利用所述流失函数估算所述待评测应用在所述预定时间段的流失用户总量;
第一预估模块,用于计算所述待评测应用在所述预定时间段的注册用户总量和流失用户总量之间的差值,得到所述待评测应用在所述预定时间段的活跃用户量;
其中,所述注册函数的表达式为Rt=Rt-1+α1×(M﹣Rt-1﹣Qt-1)+α2×(Rt-1/M)×(M﹣Rt-1﹣Qt-1),所述流失函数的表达式为Qt=Qt-1+β1×(Rt-1﹣Qt-1)+β2×(Rt-1/Qt-1)×(Rt-1﹣Qt-1),其中,Rt表示所述待评测应用在所述预定时间段的注册用户总量,M为预设的所述待评测应用的最大注册用户总量,Rt-1表示所述待评测应用在与所述预定时间段相邻的前一时间段的注册用户总量,Qt表示所述待评测应用在所述预定时间段的流失用户总量,Qt-1表示所述待评测应用在与所述预定时间段相邻的前一时间段的流失用户总量,α1为所述创新系数,α2为所述模仿系数,β1为所述自发退出应用系数,β2为所述被动退出应用系数。
7.根据权利要求6所述的评测***,其特征在于,所述第一确定单元具体用于:
根据所述第一历史数据,通过预设的巴斯扩散模型确定多个创新子系数和多个模仿子系数;
根据所述多个创新子系数确定注册函数的创新系数的取值范围,以及根据所述多个模仿子系数确定注册函数的模仿系数的取值范围;
根据所述待评测应用的最大注册用户总量、以及预设的所述待评测应用达到所述最大注册用户总量的时间段,从创新系数的取值范围中选取其中一个作为注册函数的创新系数,以及从模仿系数的取值范围中选取其中一个作为注册函数的模仿系数;
其中,将所述待评测应用达到所述最大注册用户总量的时间段用T时间段表示,所选取的创新系数和模仿系数能够使得利用所述巴斯扩散模型计算得到的在所述T时间段的注册用户总量为所述待评测应用的最大注册用户总量。
8.根据权利要求6所述的评测***,其特征在于,所述第二确定单元具体用于:
根据所述第二历史数据,通过所述巴斯扩散模型确定多个自发退出应用子系数和多个被动退出应用子系数;
计算所述多个自发退出应用子系数的平均值,得到流失函数的自发退出应用系数;
通过线性回归对所述多个自发退出应用子系数和多个被动退出应用子系数进行线性拟合,得到第一斜率和第一截距;
根据所述第一斜率和所述第一截距得到关于自发退出应用系数和被动退出应用系数的第一线性方程;
根据流失函数的自发退出应用系数,基于所述第一线性方程确定流失函数的被动退出应用系数。
9.根据权利要求6~8任一项所述的评测***,其特征在于,所述***还包括:
确定模块,用于获取同类别应用的多个第三历史数据,所述第三历史数据包括同类别应用的多个时间段的付费渗透率和每用户平均收入值,所述付费渗透率为付费用户占活跃用户的比例,所述每用户平均收入值为在一天内从每个用户得到的收入值;根据所述第三历史数据,确定所述待评测应用的付费渗透率以及每用户平均收入值;
第二预估模块,用于根据所述待评测应用的付费渗透率、每用户平均收入值以及所述待评测应用在所述预定时间段的活跃用户量,预估所述待评测应用在所述预定时间段的收入。
10.根据权利要求9所述的评测***,其特征在于,所述确定模块具体用于:
通过线性回归对所述同类别应用的多个付费渗透率和多个每用户平均收入值进行线性拟合,得到第二斜率和第二截距;
根据所述第二斜率和所述第二截距得到关于付费渗透率和每用户平均收入值的第二线性方程;
计算同类别应用的多个每用户平均收入值的平均值,得到所述待评测应用的每用户平均收入值;
根据所述待评测应用的每用户平均收入值,基于所述第二线性方程确定所述待评测应用的付费渗透率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710221312.9A CN107016573B (zh) | 2017-04-06 | 2017-04-06 | 一种应用的评测方法和评测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710221312.9A CN107016573B (zh) | 2017-04-06 | 2017-04-06 | 一种应用的评测方法和评测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107016573A CN107016573A (zh) | 2017-08-04 |
CN107016573B true CN107016573B (zh) | 2022-09-09 |
Family
ID=59446587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710221312.9A Active CN107016573B (zh) | 2017-04-06 | 2017-04-06 | 一种应用的评测方法和评测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016573B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034875B (zh) * | 2018-07-03 | 2020-07-14 | 深圳市和讯华谷信息技术有限公司 | 使用app偏好情况的评价方法、***、介质及设备 |
CN112767056B (zh) * | 2021-02-04 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 业务数据预测方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462177A (zh) * | 2013-09-20 | 2015-03-25 | 纽昂斯通信有限公司 | 移动应用每日用户参与分数和用户配置 |
CN106204127A (zh) * | 2016-07-06 | 2016-12-07 | 乐视控股(北京)有限公司 | 针对应用的用户评价方法及装置 |
CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
CN106408217A (zh) * | 2016-11-10 | 2017-02-15 | 北京京东金融科技控股有限公司 | 一种产品生命周期的识别方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8712828B2 (en) * | 2005-12-30 | 2014-04-29 | Accenture Global Services Limited | Churn prediction and management system |
US20110125546A1 (en) * | 2009-11-20 | 2011-05-26 | Xerox Corporation | System, method and computer-usable medium for generating financial data based on long term demand data |
-
2017
- 2017-04-06 CN CN201710221312.9A patent/CN107016573B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462177A (zh) * | 2013-09-20 | 2015-03-25 | 纽昂斯通信有限公司 | 移动应用每日用户参与分数和用户配置 |
CN106204127A (zh) * | 2016-07-06 | 2016-12-07 | 乐视控股(北京)有限公司 | 针对应用的用户评价方法及装置 |
CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
CN106408217A (zh) * | 2016-11-10 | 2017-02-15 | 北京京东金融科技控股有限公司 | 一种产品生命周期的识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于巴斯扩散模型的品牌信息传播动力机制研究;潘嘉欣;《科技与管理》;20170131;第19卷(第1期);第37-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107016573A (zh) | 2017-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ballesteros-Pérez et al. | Earned Schedule min-max: Two new EVM metrics for monitoring and controlling projects | |
Groeger | A study of participation in dynamic auctions | |
Takano et al. | A sequential competitive bidding strategy considering inaccurate cost estimates | |
Abotaleb et al. | Construction bidding markup estimation using a multistage decision theory approach | |
CN108446350B (zh) | 一种基于主题模型分析与用户长短兴趣的推荐方法 | |
CN110287250A (zh) | 用户等级量化方法和装置 | |
CN107016573B (zh) | 一种应用的评测方法和评测*** | |
Chaudhari et al. | Analyzing participant behaviors in design crowdsourcing contests using causal inference on field data | |
CN114066699A (zh) | 碳排放量测算方法、装置及终端设备 | |
Nan et al. | A varying-coefficient Cox model for the effect of age at a marker event on age at menopause | |
Prasetyawan et al. | The integration between business model canvas and manufacturing system design | |
Hyndman | Forecasting: An Overview. | |
Vanhoucke et al. | Earned value management | |
CN108667877A (zh) | 确定推荐信息的方法及装置、计算机设备及存储介质 | |
CN110858343A (zh) | 一种数据资产价值评估***以及方法 | |
Nadimi | A novel fuzzy linear regression model based on a non-equality possibility index and optimum uncertainty | |
Ziani et al. | Equilibrium behavioural strategies in an M/M/1 queue | |
CN111160774A (zh) | 一种评价分数的计算方法和计算机设备 | |
CN112819507A (zh) | 一种服务推送方法、装置、电子设备以及可读存储介质 | |
WO2020211245A1 (zh) | 一种发展趋势数据获取方法、装置 | |
CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
Manga et al. | A particle swarm optimization-based framework for agile software effort estimation | |
Hazrati et al. | Analysing Recommender Systems Impact on Users' Choices. | |
Branisavljević et al. | Uncertainty reduction in water distribution network modelling using system inflow data | |
CN106909744B (zh) | 流程模型可信度动态评估方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |