毕业设计（论文）-基于消费者行为数据的应用商店消费者更新决策影响因素研究.doc

基于消费者行为数据的应用商店消费者更新决策影响因素研究（四川大学工商管理学院，610064）摘要：面对移动互联网及移动应用商店的快速发展，各移动应用企业纷纷采用积极研发策略，应用产品更新换代周期逐渐缩短。但是，面对如此迅速的产品更新，消费者却并未表现出积极的响应，哪些因素影响了消费者的更新决策，已经成为应用开发者及企业关注的重要问题。以应用商店消费者为研究对象，结合数据挖掘及实证研究方法，从应用产品特征及消费者行为出发探索影响消费者更新决策的因素，构建消费者更新决策影响因素模型及消费者更新决策行为预测模型。通过实证研究，发现应用产品的更新时机、顾客感知价值以及转移成本对消费者更新决策具有显著影响。最后预测结果表明，基于影响因素构建的消费者更新决策行为预测模型对消费者的更新行为具有较强判别能力。关键词：应用商店；消费者更新决策；影响因素； Logistic回归；Naive Bayes0 引言随着移动互联网及手机等移动智能终端发展，手机正由传统的沟通工具向主要的移动互联网应用及服务承载终端演进。手机应用商店作为移动互联网应用及服务的承载及交易平台在未来发展中的地位突显出来。美国苹果公司于2008年率先推出自己的应用商店，创造了一种全新的商业模式，他的巨大成功吸引了各大巨头的纷纷进入，证明了手机应用商店在未来移动互联网领域的战略地位雷震洲.移动应用商店的故事J.世界电信.2009,10:15-18.。应用商店的快速发展加速了移动互联网和移动应用的发展，众多互联网企业和软件开发者纷纷推出自己的客户端应用，积极的研发策略使得应用产品的研发周期不断缩短，产品更新更加迅速。但是，面对如此迅速的产品更新，消费者却并未表现出积极的响应，即使这一行为是完全免费的。那么，为什么消费者不喜欢进行应用产品更新？这一问题至今仍然困扰着应用的开发者和运营者们。应用商店作为一种新业态，还属于一种新生事物，它的推出时间为2008年，距现在仅有几年的时间，因此针对这一问题的研究国内外文献还较少。目前对应用商店的研究主要集中于应用商店盈利模式、开发者以及消费者三个方面。例如Bergvall-Kareborn和HowcroftBirgitta BK, Debra Howcroft. Mobile Applications Development on Apple and Google PlatformsJ. Communications of the Association for Information Systems. 2011,29(12):565-580. Birgitta BK, Michael Bjorn, Didier Chinchilla. Motivational profiles of toolkit users iPhone and Android developersJ. International Journal of Technology Marketing.2011, 6(1):36-56.研究了目前应用商店研发中存在的问题，Ghezzi等Ghezzi A, Balocco R, Rangone A. How a new distribution paradigm changes the core resources, competences and capabilities endowment: the case of Mobile Application StoresJ. Mobile Business and 2010 Ninth Global Mobility Roundtable.2010.6:33-42.分析了应用商店模式对于行业核心竞争力的影响，HolzerA.Holzer;J.Ondrus. Trends in Mobile Application DevelopmentJ. Social Informatics and Telecommunications Engineering,2009,12(1):55-64.和Ondrus A.Holzer;J.Ondrus.Mobile application market: A developers perspectiveJ. Telematics and Informatics.2011.28(1):22-31.从开发者角度探讨了移动应用开发市场的发展趋势，并根据所总结的趋势为开发者提出了8条具有针对性的建议，有关在应用商店中的客户行为分析，AyalewHY Ho, LY Syu. Uses and gratifications of mobile application users: Electronics and Information Engineering (ICEIE), 2010 International Conference , Aug 1-3,2010C. Kyoto : IEEE Xplore,c2011.在其论文中对Apple应用商店中消费者的行为从定性与定量方式两个角度进行了研究。结果显示低收入的年轻人群较高收入的人群更频繁地购买应用程序。虽然结果表明消费者行为与所使用的访问设备有关，但是应用的可视化效果、消费者关于应用的先验知识、评分、屏幕截图和客户评论都是消费者在访问应用时所考虑的主要因素。恰当和正确地理解消费者的更新决策对于企业非常重要，它能够帮助营销人员更好地定位潜在用户并且提升产品的销售。因此许多学者开始对消费者的更新决策进行研究，例如李东进等人李东进 ,吴波 ,武瑞娟. 中国消费者购买意向模型对Fishbein 合理行为模型的修正J. 管理世界, 2009,14(1): 121-129探究了感知价值、顾客满意、转移成本和消费时间间隔4个因素对消费者重复购买意向的影响，Dongjin等人HK Choi, D Kim, T Uhm, E Limpens. A sequence-based genetic map of Medic ago truncatula and comparison of marker nonlinearity with M. sativaJ. Genetics, 2004,166(3): 1463-1502以中国消费者为研究对象，探讨了影响消费者重复购买的因素。高技术产品的更新换代及消费者更新决策是学者们关注较多的问题。在对高科技产品的消费者更新决策影响因素研究中，郭立夫和毛传虎郭立夫,毛传虎.高技术产品更新换代模型研究J. 数量经济技术经济研究.1999,16(2).建立了一种属于产品同质替代范畴的高技术产品更新换代模型。Kim和SrinivasanTPN Bui, HB Kim, S Srinivasan ;Micro bacterium ginsengiterrae sp. Nov., a -glycosidase-producing bacterium isolated from soil of a ginseng fieldJ.International Journal of Systematic and Evolutionary Microbiology.2010,60(12): 2808-2812对PDA的更新时点进行了研究，结果发现更新成本和对产品速度提升的期望是影响消费者更新的主要因素。Chen和ZhouXH Huang, X Chen, L Cao, L Chen ;Involvement of PI3K/PTEN/AKT/mTOR pathway in invasion and metastasis in hepatocellular carcinoma: Association with MMP9J. Herpetology Research,2009,39(2):177-186. 认为影响信任、满意度和转移障碍这三个因素显著地影响了消费者的重复购买，其中，服务质量和感知价值影响信任和满意度，转移成本决定转移障碍。通过上述的分析可以发现，这些研究大多关注的是耐用消费品或是高科技产品，针对应用商店中消费者对应用程序更新决策的研究目前还未曾得到过关注，同样也没有为管理人员提出建议与见解。因此本文从消费者更新升级行为出发，期望将对消费者更新决策的研究领域扩展到应用商店领域中，探究影响应用商店消费者更新升级行为的因素以及与之相关的产品特征和消费者行为特征，为应用开发者及企业提供关于提升应用程序更新的新产品规划的建议及依据，并帮助其有效的预测及识别消费者的更新行为和不更新的原因，从而及时制定有效的激励措施，提升消费者的更新积极性，优化产品的扩散及发展。1 理论基础及假设的提出由于本文所研究的问题在国内外仍处于起步阶段，还未形成系统的成熟的理论，因此本文使用类比的方法，分别从目前已有的较成熟的两个相似行为，即高科技产品更新和消费者重复购买决策两个维度进行了分析，结合应用产品自身的特点，提出本文的基本假设。1.1 产品更新时机与消费者更新决策一些学者的研究表明新产品投放市场的时机影响着消费者对产品价值的感知，不同产品的推出时机均可能存在差异，从而导致消费者购买选择存在差异。如在对易逝性高科技产品更新策略的研究中，很多学者将新产品投放市场的时间看作是一个直接关系到企业产品销售利润的因素，Eisenhardt和Brown(1998)、Druehl和Schmidt(2009)等学者已对产品每次更新的间隔进行了研究。从消费者的角度，鲁若愚和冯旭(2008)的研究认为消费者在确认自己是否需要对产品更新换代时会担心易逝性高科技产品更新速度太快，产品折旧速度快，因而选择持币待购冯旭,鲁若愚,刘德文.易逝性高科技产品更新过程分析J.科研管理,2008,29(1):59-61.。也有研究表示，更新换代过于频繁会产生所谓的“泛替代障碍”，这种心理状态会使消费者产生逆反心理，他们会总是担心自己购买的产品会很快过时，总是在等待很快出现下一个更新产品，影响了企业产品的正常销售，同时，无规则的更新换代更会加大这种效应。基于前人的研究，本文从更新速度的3个维度：间隔、周期和稳定提出假设：H1： 应用更新时机会影响消费者的更新决策。H1-1：平均更新周期正向影响消费者的更新决策。H1-2：本次更新时间间隔正向影响消费者的更新决策。H1-3：更新周期稳定性正向影响消费者的更新决策。1.2 顾客感知价值与消费者更新决策对采集到的消费者行为数据进一步分析发现，不同的消费者对应用产品的评价等感知是不同的。一些学者的研究也表明消费者对产品的感知价值将影响消费者的购买决策。如在Day(1984)和Oliver(1991)对顾客满意的定义中指出，所谓的顾客满意，是其针对某一特定的交易行为，在消费过后对这次交易进行的整体评价。消费者的评价是其满意度的反映。在营销文献中始终认为顾客满意是忠诚和重复购买的关键因素。巴诺斯和刘祥亚(2002)认为用户满意度是顾客产生重复购买意向的原因变量，可以对顾客重复购买意向做出某种程度的解释杰姆.G.巴诺斯.客户关系管理成功奥秘:感知客户M. 机械工业出版社,2002:257-260.。陈明亮(2003)提出的RI模型中也指出，顾客感知价值和顾客满意正向影响消费者重复购买意向。因此推断出以下假设：H2：消费者对上代产品的满意度正向影响消费者的更新决策。消费时尚是目前社会生活中的一种非常规的消费行为流行现象，主要表现为人们对某特定消费品或消费方式的崇尚与追求。而易逝性高科技产品每一次的更新不仅从性能上对产品进行了提升，同时也融入了一定的时尚元素，使其越来越具有潮流性。潮流性的事物总是会被人们广泛宣传和传播，组织行为学认为人都有从众的心理，因此可以推断，越是潮流性的事物，越是容易引起关注。因此推断出以下假设：H3： 应用的潮流性正向影响消费者的更新决策。1.3 转移成本与消费者更新决策在易逝性高科技产品的更新换代研究中，很多学者从消费者购买新产品的转移成本的角度，将转移成本划分为了交易成本与学习成本两类，并对他们对于消费者的更新决策的影响进行了研究。其中，鲁若愚和冯旭(2008)的研究发现，面对高科技产品的快速频繁更新，消费者在考虑是否需要购买易逝性高科技产品是往往会存在顾虑，消费者可能会出于转移成本的考虑而不愿意进行产品的替换13。尽管易逝性高科技产品具有更优越的性能，但是对于已购买了上一代产品的消费者而言，购买新产品存在转换成本，所以必然会将新产品所带来的效用与转换成本相比较。这里所说的转换成本包括购买费用以及学习使用新产品花费的时间成本。如果不能对转换成本进行补偿，消费者便会选择继续使用原有产品。对于应用产品，免费的特性使消费者在更新时无需花费购买成本，但是在使用3G流量下载应用时，产生的流量费用却会为消费者带来一定的开销，而这一费用取决于应用的容量大小。因此推断出以下假设：H4： 交易成本反向影响消费者的更新决策。学习成本指消费者预期更新后需要学习和适应新功能、新技术的时间等成本。在应用产品的更新中，虽然消费者在更新前后所使用都是同一产品，但是由于新的版本中加入了更多新的功能，使得消费者必须要像对待新产品一样重新去适应新的改变。本文认为新产品中更新内容的多少会影响学习新功能的时间，而消费者累计未进行更新的版本数又会增加新内容的数量。所以我们假设：H5： 学习成本反向影响消费者的更新决策。H5-1：更新内容项目总数反向影响消费者的更新决策。H5-2：消费者对该产品累计未更新版本数量反向影响消费者的更新决策。2 消费者更新决策影响因素模型基于以上理论假设，建立消费者更新决策影响因素的Logit模型（见公式（1）。以产品更新时机各版本更新周期均值、本次更新时间间隔、更新周期稳定性，顾客感知价值消费者对上代产品的满意度、应用的潮流性，以及转移成本交易成本、更新内容项目总数、消费者对该产品累计未更新版本数量作为自变量，对消费者更新决策进行回归。其中，采用曾经下载过某应用历史版本的消费者为研究对象，将其是否下载新版本应用的行为作为消费者更新决策的度量指标。以某应用所有版本更新周期标准差作为更新周期稳定性的度量指标；以某应用下载量在同类产品总下载量中占有率作为应用潮流性的度量指标；以应用的容量大小作为交易成本的度量指标。而对于消费者对上代产品的满意度，采用消费者对已下载历史版本产品的评分作为度量指标，而不采用调查问卷所获取的打分值，主要考虑是：消费者打分是最为原始的数据，比调查问卷获取的满意度数据更准确客观。各变量的符号及解释见表1. logit Pi=ln(Pi1-Pi)=+1(TIME_M)i+2(TIME_R)i+3(TIME_S)i+4(CONS_G)ik+5(APP_D)i+6(APP_S)i+7(UPDATA_N)i+ 8(CONS_V)ik+ik (1)表1 模型中各变量代表符号及解释变量解释变量解释Pik应用产品i 消费者k的更新决策（更新=1；不更新=2）(APP_D)i应用产品i的下载量在同类产品总下载量中占有率(TIME_M)i应用产品i的各版本更新周期均值(APP_S)i应用产品i的容量大小(TIME_R)i应用产品i本次更新时间间隔(UPDATA_N)i应用产品i的更新内容项目总数(TIME_S)i应用产品i所有版本更新周期标准差(CONS_V)ik应用产品i 消费者k对该产品累计未更新版本数量(CONS_G)ik应用产品i 消费者k对已下载历史版本产品的评分3 研究数据及模型结果分析所有实验均是在内存为2G，主频为1.73GHz的Pentium R PC机上进行的，实验采用Windows XP操作系统和spss17.0软件平台。3.1 研究数据选取国内某应用商店的若干产品的消费者，研究数据来源于该应用商店后台数据库中记录的真实数据。研究所用数据分为消费者行为数据和应用产品数据两部分，其中，消费者行为数据是2010-5-12至2012-1-12期间这些消费者的所有下载行为数据和他们对应用的评分数据；应用产品数据是该应用商店内所有应用的基本信息数据以及2010-5-12至2012-1-12期间每日每个应用的下载量数据。实验中通过各类产品下载量排行榜，采用分层抽样的方式，共选取了30款应用产品，以该30款应用产品的消费者作为研究对象，样本数量共计27,308条，行为数据共计1,272,084条。通过对数据的观察发现，在所选的消费者样本中，部分消费者在所选的36个应用中存在交叉下载行为，即消费者A同时下载了36个应用中的多个。为了保证每个消费者对每个属性指标都具有唯一值，对于这些存在交叉下载行为的消费者，我们仅保留了他们在这36个产品中的最近时间的一次下载记录。之所以这样选取数据是参考了Arthur提出的以最近的行为预测客户的购买行为比用其他任何一种因素进行预测更加准确和有效的观点Arthur Middleton Hughes. Making Your Database Pay Off Using Recency Frequency and Monetary AnalysisDB/OL./articles/Art104a.htm.。同时，由于我们所研究的应用产品为免费产品，未考虑消费者对付费应用的下载情况，所以删除掉了消费者对付费应用的下载记录。实验中，为了提高数据表现和对模型的适应性，对于连续属性，研究中采用Fayyad等UCI Repository of Machine Learning Databases DB/OL. /ml/, 2008-4-16的方法进行预离散化，离散化后的数据描述性统计分析结果见表2.表2 模型中各变量的描述性统计变量有效观测值均值标准差最小值最大值Pik27308.24.42901(TIME_M)i273088.683.766218(TIME_R)i273087.928.526136(TIME_S)i273083.272.381221(CONS_G)ik273083.99.77535(APP_D)i2730812.366.397221(APP_S)i273088.116.956241(UPDATA_N)i273084.562.084110(CONS_V)ik273081.54.855153.2 模型初步统计检验分析为了避免各变量之间存在多重共线性，同时也为了进一步说明各影响因素对因变量的解释能力，采用逐步回归法（向前步进）回归模型，剔除不显著变量之后得到最终的消费者更新决策影响因素模型。模型整体拟合以及标准化参数估计结果见表3.详细统计检验表见附录。表3 回归方程中的变量BS.E.WalddfSig.Exp(B)Step 8a(APP_D)i.019.00425.7261.0001.019(APP_S)i.049.002458.4361.0001.050(UPDATA_N)i -.031.0108.9411.003.969(CONS_V)ik -4.146.182520.9561.000.016(TIME_M)i -.097.007172.7141.000.908(TIME_R)i .132.0032120.1201.0001.141(TIME_S)i .097.010100.8211.0001.102常数2.254.203123.3991.0009.526a. Variable(s) entered on step 7: 应用产品i的更新内容项目总数-(UPDATA_N)i.b. F =17.859，sig. = 0. 000； R2 = 0.359， Adj. R2 = 0.536 通过对构建的回归模型中各变量的分析，发现各影响因素对因变量的P值均小于0.05的显著性水平，说明该回归模型中各系数都是显著的。对回归方程参数的检验使用似然比的检验方法，经过检验，回归模型在最后一步中，在自由度df=1时，卡方值为17.859，大于临界值，且P值0.05，证明该回归方程整体显著。最后，在对模型的总体分析中，在自由度df=8时，最大似然平方的对数为18143.842，大于临界值，且各拟合优度值显著，方程的拟合度检验通过，从而证明本研究中构建的回归方程整体拟合度较高。综上，本文构建的Logistic回归模型各项系数均通过检验，说明其拟合良好，可以用它来对各影响因素进行分析。3.3 模型结果分析通过对剔除影响不显著变量后的回归模型的分析，本文模型的回归结果对前述假设的支持情况见表4.表4 模型估计结果对研究假设的支持情况研究假设假设检验结果假设关系是否显著影响方向是否相同H1：应用更新时机会影响消费者的更新决策。H1-1：平均更新周期正向影响消费者的更新决策。H1-2：本次更新时间间隔正向影响消费者的更新决策。H1-3：更新周期稳定性正向影响消费者的更新决策。H2：消费者对上代产品的满意度正向影响消费者的更新决策。H3：应用的潮流性正向影响消费者的更新决策。H4：交易成本反向影响消费者的更新决策。H5：学习成本反向影响消费者的更新决策。H5-1：更新内容项目总数反向影响消费者的更新决策。H5-2：消费者对该产品累计未更新版本数量反向影响消费者的更新决策。（注：表中符号“”表示支持；“”表示括假设关系不显著或关系相反）在显著影响消费者更新决策的因素中，消费者对该产品累计未更新版本数量(CONS_V)影响最大且为反向，即消费者对该产品累计未更新版本数量越少，该消费者越有可能对新版本进行更新，这与本文的假设相一致。其次是应用产品本次更新距离上次更新的时间间隔 (TIME_R) 对消费者更新决策存在正向影响，即两代应用产品的更新时间间隔越长，消费者越有可能会更新产品，这与本文的假设相一致。再次，应用产品的平均更新周期(TIME_M)和应用产品各版本的更新周期稳定性对消费者更新决策的影响相当，但是方向相反，后者具有正向影响，说明应用产品各版本的更新周期越稳定，消费者越有可能会定期更新产品，与本文假设相一致；而前者具有反向影响，说明应用产品的平均更新周期越长，消费者越有可能会更新产品，这与本文假设相反，这一结果可能的解释是：产品的平均更新周期较长，说明产品的更新换代步伐较缓，使得消费者在心理上降低了对产品过快更新换代的抵触，同时，对产品较长时间的使用使消费者对产品的功能有了足够的了解，增加了对产品的信任和忠诚；另一方面，较长时间的使用老版本产品的有限功能，使消费者对新版本产品的上线期望上升，因为当产品存在更新版本时，消费者的更新意愿上升。另外，交易成本(APP_S)对消费者更新决策存在正向影响，这说明应用产品的容量越大，消费者越有可能会更新产品，这与本文的假设也相反，这一结果可能的解释是：一方面，由于手机流量的收费越来越趋近于合理化，消费者已经可以轻松负担更新应用所产生的流量费用，而也有大部分消费者可以通过使用WIFI无线网络接入互联网，从而可以无需花费流量便可对应用进行更新，因而降低了消费者对产品交易成本的关注；另一方面，较大的应用容量往往意味着更完备的功能，更高的画面体验，对于追去较高用户体验的消费者来说，应用的容量越大，越有可能会提升他们更新的意愿。而应用的潮流性(APP_D)对消费者更新决策存在一定的正向影响，即该应用在市场中的占有率越高，消费者越有可能会更新该产品，这一结论与本文假设相一致。最后，更新内容项目总数 (UPDATA_N) 反向影响消费者的更新决策，即应用产品每次更新的内容越集中，消费者可能越会更新该产品，与本文的假设相一致。从表3中可以看出，变量CONS_G，即消费者对已下载的历史版本的评分并未包含在回归方程中，说明该变量对消费者更新决策的影响不显著。说明对于应用产品的消费者，其对老版本产品的满意度不会影响其对新版本产品的更新决策。这一现象与传统的消费者重复购买行为以及易逝性高科技产品更新的影响因素研究有着不一样的结论。在以往的研究中，多数学者认为消费者对产品的满意度会正向的影响消费者的重复购买行为，但是对于应用产品，消费者更新决策却表现出了与其满意度并无关联。产生这一现象的原因是由应用产品自身特点所决定的。应用产品的使用无损耗性，使得消费者可以无需担忧产品价值衰减或功能损坏而不得不对产品更新换代或另寻其他产品，较高的满意度也就加深了消费者对现有产品的忠诚度，从而降低了其更新意愿。同时，应用产品的更新是免费的，这也使得消费者可以无需支付产品更新换代的货币成本，使得对已有产品满意度较低的消费者愿意通过更新产品来改善现有产品的不足。由此，消费者对上代产品的评价无论高低，都不会影响其更新决策。4 基于影响因素的消费者更新决策预测模型为了验证上述通过影响因素模型找到的各影响因素对消费者更新决策的决定性作用，本文使用Naive Bayes模型，借助上述已找到的对更新决策具有显著性影响的各因素构建消费者更新决策预测模型，对消费者的更新决策进行预测分析。之所以选用Naive Bayes模型，是因为贝叶斯学习模型的反复学习特点与消费者的个体使用决策行为十分相似，可以用它来很好的反应消费者的决策行为(龚艳萍 & 李峰, 2007) 龚艳萍,李峰.基于消费者个体采用决策的新产品扩散模型综述J.科技管理研究,2007(6)。为了验证模型的预测效果，本文使用3.1中用于进行影响因素模型研究的30个应用消费者数据作为预测模型的训练集，并在该应用商店中随机选取了6个应用产品的1399名消费者作为测试集，对他们的更新决策行为进行预测。预测过程如下：分别提取1399个预测样本的各项影响因素数据及消费者更新决策数据，并将数据进行离散化处理，然后通过本文提出的消费者更新决策预测模型对1399个样本的更新决策进行预测，并与人工提取的更新决策数据进行比较。此部分的预测任务为判断消费者是否会对产品进行更新，属于二值分类问题，本文借助二维列联表计算查准率、查全率及两者合成的综合指数，以此来评估模型的预测效果（见表5）.表 5 预测效果评估列联表实际为更新的样本量实际为不更新的样本量预测为更新的样本量374 (A)68 (B)预测为不更新的样本量46 (C)911 (D)模型总体预测精度： ACC=A+DA+B+C+D100% (2)模型对更新类（不更新类）的查准率：precisionupdate(nupdate)=A(D)A+B(C+D)100% (3)模型对更新类（不更新类）的查全率：recallupdate(nupdate)=A(D)A+C(B+D)100% (4)根据以上公式计算出：更新行为的查准率=84.61%，查全率=89.05%，不更新行为的查准率=95.19%，查全率=93.05%，模型总体预测精度=91.85%。各类评价指标都在84%以上，且模型总体预测精度较高，说明本文基于上述消费者更新决策影响因素模型的研究所构建的消费者更新决策行为预测模型具有较好的预测效果，对消费者是否进行产品更新行为具有较强的判断能力。由于预测对象为消费者的更新决策行为，对于应用开发者及企业来说，正确的识别不进行产品更新的消费者往往比识别进行产品更新的消费者具有更重要的意义。从实验结果评价指标中可以看出，本文所构建的更新决策行为预测模型在对不更新类消费者更新行为预测结果的查全率和查准率两项指标均高于93%，可以较好的识别出具有潜在不更新意向的消费者，从而便于企业及早采取措施，激励消费者的更新行为，优化新版本产品的扩散。5 结束语移动互联网的飞速发展加速了应用商店及移动应用的发展，众多互联网企业和软件开发者纷纷推出自己的客户端应用，为了在激烈的市场竞争中获取主动权，企业大多采用积极的研发策略，产品的研发周期不断缩短，产品更新更加迅速。但是，产品的更新换代是否被接受，最终要落到消费者的更新行为上。研究表明，消费者对于频繁的应用更新，并未表现出积极的响应。因此，在产品升级计划制定前，对消费者的更新决策影响因素进行研究，帮助企业了解消费者的偏好及合理化升级内容成为迫切需要解决的问题。而目前，对此领域以及解决此问题的研究仍然很匮乏。本文以应用商店消费者为研究对象，从产品与消费者的双向维度出发，以识别消费者更新决策影响决定性因素为目标，结合回归分析及Naive Bayes模型，建立了消费者更新决策影响因素模型，并利用识别出的影响因素构建了消费