Размещено на http://www.allbest.ru/

ОГЛАВЛЕНИЕ

• ВВЕДЕНИЕ
• ГЛАВА 1. АНАЛИЗ РЫНКА МОБИЛЬНЫХ ПРИЛОЖЕНИЙ. СРАВНЕНИЕ МЕТОДОВ ЭКОНОМИЧЕСКОЙ ОЦЕНКИ СПРОСА
• 1.1 Описание рынка
• 1.1.1 История рынка мобильных приложений
• 1.1.2 Классификации мобильных приложений
• 1.1.3 Анализ рынка мобильных приложений
• 1.2 Методы экономической оценки спроса
• ГЛАВА 2. ЭКОНОМЕТРИЧЕСКИЙ АНАЛИЗ СПРОСА НА МОБИЛЬНЫЕ ПРИЛОЖЕНИЯ НА ПРИМЕРЕ СЕГМЕНТА РЫНКА APPLE APP STORE В РОССИИ И США
• 2.1 Описание данных
• 2.2 Регрессионный анализ загрузок на примере российского рынка
• 2.2.1 Описательные статистики
• 2.2.2 Корреляционный анализ
• 2.2.3 Проверка на выбросы
• 2.2.4 Регрессионный анализ
• 2.2.5 Рыночные атрибуты
• 2.3 Регрессионный анализ для рынка Соединенных Штатов Америки
• 2.3.1 Описательные статистики
• 2.3.2 Корреляционный анализ
• 2.3.3 Проверка на выбросы
• 2.2.4 Регрессионный анализ сегмента американского рынка
• ЗАКЛЮЧЕНИЕ
• СПИСОК ЛИТЕРАТУРЫ
• ПРИЛОЖЕНИЕ
• Приложение 1. Распределение категориальной переменной Publisher (Разработчик) (Россия)
• Приложение 2. Распределение категориальной переменной Publisher (США)
• Приложение 3. Таблица коэффициентов корреляции (Россия)
• Приложение 4. Таблица коэффициентов корреляции (США)


ВВЕДЕНИЕ

Благодаря развитию цифровой среды, в нашем обществе происходят быстрые изменения практически во всех аспектах. Все чаще люди делают покупки в интернете, пользуются поисковиками для поиска информации и активно участвуют в «виртуальной» жизни социальных сетей. «Цифровая жизнь» повсеместно захватила развитие страны, распространение интернета имеет колоссальный успех - все эти стороны жизни пользуются большим успехом, что подталкивает различных исследователей и ученых к изучению этих процессов.

Например, в мире с каждым годом значительно увеличивается спрос на электронные устройства, такие как мобильные устройства, планшеты, электронные книги, КПК и т.д. Каждый современный человек уже не может представить свою жизнь без компьютера, мобильного телефона и других приспособлений. В частности, изначально сотовый телефон был создан с целью поддержания связи на дальних расстояниях без значимых ограничений к использованию (с помощью радиоволн), то сейчас мобильные устройства превратились в аппарат способный не только поддерживать голосовую связь, но и выполнять широкий спектр других задач. А с помощью мобильных приложений этот спектр задач переходит в бесконечность. Поскольку электронные действия легче отслеживать, это дает значительный массив данных, при этом, совершенно бесплатно. Данным аспектом в последнее время все чаще и чаще пользуются исследователи. Это дает возможность изучать социально-экономические и технико-социальные системы в обществе.

Темой данной выпускной квалификационной работы является оценка спроса на мобильные приложения.

Актуальность данной темы заключается в том, что рынок мобильных приложений зародился лишь в 2009 году с помощью компании Apple, которая впервые в мире запустила интернет-магазин для мобильных программных продуктов. Формирование рынка происходило постепенно и только в 2013 году эксперты говорят о том, что рынок вошел в фазу активного роста. По прогнозам J'son &Parthers Consulting, за 2012 год рынок мобильных приложений в мире составил 7,83 млрд долл., и к 2016-му может вырасти до 65,79 млрд. Следовательно, объяснение спроса и взаимосвязей на данном относительно новом рынке - актуальная тема для исследования.

Таким образом, объектом данной работы является рынок мобильных приложений, а предметом исследования - экономическая оценка спроса на рынке мобильных приложений (на примере сегментов российского и американского App Store магазина).

Целью выпускной квалификационной работы является выявление факторов, влияющих на спрос на мобильные приложения, обоснование данных связей.

Для достижения поставленной цели необходимо выполнить ряд задач:

· Рассмотреть и провести анализ рынка мобильных приложений в общем разрезе тенденций

· Проанализировать используемые методы исследования рынка мобильных приложений и аналогичных рынков в научных статья зарубежных и отечественных публикаций,

· Собрать данные по сегментам российского и американского рынка в разрезе одной компании-магазина мобильных приложений - Apple Store

· Провести анализ на наличие взаимосвязей между количеством загрузок и различными факторами и дать им интерпретацию с помощью построения различных моделей, выявить лучший метод моделирования, описать его преимущества.

Для полного и всестороннего рассмотрения темы работы, будут использованы научные методы исследования, в частности метод изучения и анализа научной литературы.

В качестве основных источников в этой выпускной квалификационной работе выступают следующие статьи и обзоры рынка мобильных приложений таких крупных компаний, как App Annie, Distimo, отчеты компании J'son &Parthers Consulting, сравнение имеющихся научных результатов на данный момент: Anindya Ghose, Sang Pil Han. Estimating Demand for Mobile Applications, Octavian Carare. The Impact of Bestseller Rank on Demand: Evidence From a Software Market. International Economic Review и других статей и источников.



ГЛАВА 1. АНАЛИЗ РЫНКА МОБИЛЬНЫХ ПРИЛОЖЕНИЙ. СРАВНЕНИЕ МЕТОДОВ ЭКОНОМИЧЕСКОЙ ОЦЕНКИ СПРОСА

1.1 Описание рынка

Основой исследования выпускной квалификационной работы является рынок мобильных приложений, поэтому непосредственно перед экономическим и математическим обоснованием связей следует привести описание самого рынка.

При анализе рынка в первую очередь следует несколько слов сказать о самих мобильных приложений.

Мобильные приложения - это программные продукты, которые специально разрабатываются для мобильных устройств, смартфонов, планшетных компьютеров или других электронных устройств. Сейчас самыми активными каналами сбыта являются рынки мобильных приложений: Apple App Store, Google Play, Windows Phone Store, BlackBerry App World и др. Цели и задачи созданий мобильных приложений достаточно разнообразны: от помощи в управлении мобильным устройством до различных развлечений в виде игр и хобби. Так же следует отметить, что большинство современных приложений бесперебойно работают лишь на смартфонах или мобильных устройствах с широкими параметрами памяти, мощности и поддержки различных функций.

1.1.1 История рынка мобильных приложений

Первым рынком мобильных приложений стал Apple App Store в 2008 году. Впоследствии на рынок вышла компания Google, создав серьезную конкуренцию Apple. The iPhone App Store был запущен 10 июля 2008 года, а Google's Android Market был открыт несколькими месяцами позднее - в октябре 2008 года. Еще годом позже, в апреле 2009 года другой магазин мобильных приложений - BlackBerry App World, начал работу, следуя за Apple и Google. В мае 2009 года на рынок вошел еще игрок - Nokia's Ovi Store. Последний крупный игрок - Microsoft - присоединился к рынку в октябре 2009 года с Windows Phone Store.

1.1.2 Классификации мобильных приложений

Мобильные приложения в первую очередь делятся на категории по предназначению, поэтому рынок приложений можно разделить на такие виды:

· Контентные приложения, которые наиболее популярны среди пользователей. Данная категория представляет такие виды деятельности как прослушивание музыки, просмотр различных фильмов, клипов и фотографий, а так же чтение цифровых книг и т.д.

· Бизнес-приложения - приложения, выполняющие узконаправленные потоки работы, как упрощение бизнес-процессов, отслеживания сделок и реализация офисных задач.

· Мобильные игры наиболее востребованный сегмент мобильных приложений, параметры выбора грандиозны, разработчики каждый день как создают совершенно новые или совершенствуют выпущенные.

· Социальные сети. Поскольку у данной категории на сегодняшний момент наибольшая востребованность, многим людям социальные сети нужны для общения, бизнеса и развлечения, поэтому в мобильных устройствах такая возможность тоже пользуется популярностью.

Кроме того, существует классификация приложений по типу монетизации:

1) Free - бесплатные,

2) Paid - платные,

3) Free+In-app purchase - бесплатные приложения с возможностью приобретения виртуальных благ, связанных с данным приложением;

4) Paid+ In-app purchase - комбинация платного приложения (оплата при скачивании) и возможности приобретения виртуальных благ, связанных с данным приложением;

5) Trial - платное приложение с бесплатной пробной версией.

1.1.3 Анализ рынка мобильных приложений

Для обоснования актуальности и интереса к мобильным приложениям приведем общую статистику по рынку мобильных устройств и приложений.

На развитие рынка мобильных приложений непосредственно влияют продажи и популярность современных мобильных устройств - другими словами, смартфонов. Смартфон - это мобильный телефон c расширенной функциональностью, его можно сравнить с карманным персональным компьютером (КПК), который может еще и звонить. Преимущество смартфонов перед обычными мобильными телефонами - наличие достаточно развитой операционной системы, открытой для разработки программного обеспечения сторонними разработчиками (операционная система обычных мобильных телефонов закрыта для сторонних разработчиков). Установка дополнительных приложений позволяет значительно улучшить функциональность смартфонов по сравнению с обычными мобильными телефонами.

По данным аналитической компании Garther, консалтинговая компания, специализирующаяся на рынке информационных технологий (США), общее проданное количество мобильных устройств в мире превышает 425 млн. шт. (Рисунок 1 ) При этом, можно так же видеть рост общих продаж на 0,68% (в количественной оценке примерно 2,8 млн. шт.) по сравнению с первым кварталом 2012 года.



Источник: Gather (May 2013)

Рисунок 1 Динамика показателей продаж мобильных устройств за 1 квартал 2013 года и за 1 кв. 2012 года, шт.,%

Как видно из второй таблицы (Рисунок 2 Динамика показателей продаж смартфонов за 1 квартал 2013 года и за 1 кв. 2012 года, шт.,%) количественный показатель продаж смартфонов в мире составляет 210 млн. шт., при этом, в начале 2012 года данный показатель был ниже на 42,9%. А в общих продажая мобильных устройств смартфоны занимают 49,3% на 1 кв. 2013 года, а в 2012 года 34,8%, из чего следует, что продажи смартфонов относительно общего количества проданных мобильных устройств растут более активно.

Источник: Gather (май 2013)

Рисунок 2 Динамика показателей продаж смартфонов за 1 квартал 2013 года и за 1 кв. 2012 года, шт.,%



По отношению к России объем рынка смартфонов посчитала аналитическая компания J'son &Parthers Consulting - это консалтинговая компания, специализирующаяся на рынках телекоммуникаций, медиа, ИТ и инновационных технологий (Россия). На рисунке ниже видно общую тенденцию роста доли смартфонов в общих продажах мобильных телефонов в России.

Источник: J'son &Parthers Consulting (декабрь 2012)

Рисунок 3 Динамика показателей объема продаж смартфонов в общих продажах мобильных устройств в России, 1 кв. 2011 - 3 кв. 2012 гг., млн. шт.

Следовательно, развитие рынка мобильных устройств и повышение спроса на более качественные и многофункциональные устройства (смартфоны) может привести к стабильному росту спроса на мобильные приложения. Тем самым снова подтверждается актуальность и значимость исследования именно этого сегмента.

Обратимся к рынку мобильных приложений.

В ежеквартальном рыночном отчёте сервиса App Annie.com (компания, которая отслеживает изменений рейтинга и предоставляет широкую базу для разработчиков) доступна действующая информация по мировому рынку мобильных приложений.

Источник: App Annie Intelligence (ноябрь 2012)

Рисунок 4 Динамика количественного и денежного показателя скачиваний за январь - октябрь 2012 года, %

Так же показана динамика загрузок за последние 2 квартала (4 кв. 2012 г. и 1 кв. 2013 г.) двух крупнейших платформ на сегодняшний день - Apple App Store и Google Play (Android). Из диаграммы, расположенной слева, видно, что общий объем скачиваний мобильных приложений растет, и в частности, отрыв Apple App Store от Google Play уменьшается в последнее время. Но в денежном эквиваленте iOS App store остается безусловным лидером. Как написано в отчете, доход Apple Store превышает Google Play примерно в 2,6 раза в 1 кв. 2013 г. За этот период квартальный доход iOS App Store вырос примерно на одну четвертую. Между тем, доход от приложений Google Play вырос примерно на 90%.



Источник: App Annie Intelligence (апрель 2013)

Рисунок 5 Динамика количественного и денежного показателя скачиваний за 2 последних квартала (4 кв.2012 -1 кв. 2013 гг.), %

Кроме того, компания публикует статистику скачиваний по странам, которая сведена и представлена в следующей таблице:

Таблица 1 Ведущие страны по загрузкам в Apple App Store в 1 квартале 2013 года

Ведущие страны по загрузкам в Apple App Store в 1 квартале 2013 года
По количеству загрузок	По доходу
США	США
Китай	Япония
Великобритания, +1*	Великобритания
Япония, -1*	Китай, +2*
Франция	Австралия, -1*

* изменение индекса в сравнении с предыдущим кварталом

Источник: App Annie Intelligence (апрель 2013)

Китай увеличил обороты по количеству скачиваний в iOS App Store и стал ведущим фактором роста загрузок за рассматриваемый период

Выдержки из отчета: «США и Япония остаются лидерами App Store, являясь источником примерно половины всех доходов магазина. Хотя App Store в США показал больший рост доходов на протяжении последнего квартала с лидирующей категорией «игры», Китай поднял свой показатель. Еще в прошлом году Китай едва попадал в топ 10 стран. В течение прошлого квартала он поднялся на четвертую позицию с шестой, которую он занимал в четвертом квартал 2012. Игры стали категорией, которая обеспечила большую часть роста доходов в Китае; эта категория выросла в Китае примерно на 90%, что является самым высоким показателем во всем App Store».

У второго крупного рынка приложений - Google Play, ситуация по ведущим странам немного интересней. Здесь появляется Южная Корея (основоположник крупнейшая корейская компания Samsung работает преимущественно с Android), Россия, в которой мобильные устройства на Android платформе дешевле и доступней, поэтому и пользуются повышенным спросом.

Таблица 2 Ведущие страны по загрузкам в Google Play в 1 квартале 2013 года

Ведущие страны по загрузкам в Google Play в 1 квартале 2013 года
По количеству загрузок	По доходу
США	Япония
Южная Корея	Южная Корея, +1*
Индия	США, - 1*
Россия, +2*	Великобритания
Япония, -1*	Германия

* изменение индекса в сравнении с предыдущим кварталом

Источник: App Annie Intelligence (апрель 2013)

Как пишут аналитики App Annie, ведущие страны Google Play обеспечили примерно 40% загрузок в первом квартале 2013 года по сравнению с 50% в App Store.

Источник: App Annie Intelligence (сентябрь 2012)

Рисунок 6 Динамика показателей загрузки в России в двух крупнейших магазинах, 2012 г.,%

При этом показатели России неуклонно растут на протяжении последнего года (Рисунок 6, Рисунок 7) и поднялись до четвертой позиции в последнем квартале. Кроме того, именно категория «игры» стала ключевым источником и дала примерно половину загрузок в российском Google Play в 1 квартале 2013 года (что является более высоким показателем по сравнению с 40% в 4 квартале 2012 г.).

Источник: App Annie Intelligence (сентябрь 2012)

Рисунок 7 Динамика показателей дохода в России в двух крупнейших магазинах, 2012 г.,%

Следует отметить, что Япония и Южная Корея продолжают свой рост в рейтинге Google Play. «Япония продвинулась выше США в топе в 4 кв. 2012, в то время, как Южная Корея опередила Великобританию и заняла второе место в первом квартале 2013. Эти три страны доминируют в Google Play, покрывая приблизительно 70% мирового дохода магазина. Их доходы обусловлены играми в большей степени, чем в каких либо других странах Google Play. Южная Корея превзошла отметку 95%, в то время, как Япония достигла 90%.» - перевод отчета App Annie.

Так же для сравнения приведем статистику по популярным категориям мобильных приложений на 2012 год.

Источник: Distimo (январь2013)

Рисунок 8 Статистика по популярным категориям мобильных приложений, %

На Рисунок 8 Статистика по популярным категориям мобильных приложений, % видно, что по сравнению со всеми другими категориями «Игры» в несколько раз более популяризованные.

Таблица 3 Ведущие категории по загрузкам в Apple Store в 1 квартале 2013 года

Ведущие категории по загрузкам в Apple Store в 1 квартале 2013 года
По количеству загрузок	По доходу
Игры	Игры
Развлечения	Производительность
Фото и видео,+1*	Социальные сети
Утилиты, -1*	Образование, +1*
Стиль жизни	Развлечение, -1*

* изменение индекса в сравнении с предыдущим кварталом

Источник: App Annie Intelligence (апрель 2013)

В обоих магазинах лидером является категория «Игры» (см. Таблица 3, Таблица 4). По данным App Annie, в Apple App Store эта категория обеспечивает около 40% загрузок и около 70% доходов в 1 кв. 2013 года, а относительно Google Play категория игр выросла и обеспечила около 80% доходов.

Таблица 4 Ведущие категории по загрузкам в Google Play в 1 квартале 2013 года

Ведущие категории по загрузкам в Google Play в 1 квартале 2013 года
По количеству загрузок	По доходу
Игры	Игры
Инструменты	Коммуникации
Развлечения	Социальные сети
Коммуникации	Инструменты
Социальные сети, +1*	Производительность

* изменение индекса в сравнении с предыдущим кварталом

Источник: App Annie Intelligence (апрель 2013)

Компания Canalys в своей статье на апрель 2013 утверждает, что загрузки приложений через четыре магазина - от Apple App Store, Google Play, магазин Windows Phone и BlackBerry World - поднялись на 11% в 1 квартале 2013 по всему миру в сравнении с 4-м кварталом 2012 года. В то время как прямые доходы от платных приложений вырос немного меньше - всего на 9%. В общем, денежные доходы всех компаний составили более 13,4 млрд., а выручка достигла 2,2 млрд. долл. В общем анализе рынка компанией Canalys Apple App Store прочно удерживает первую позицию -- 74% мирового рынка мобильных утилит. Google Play занимает уверенное 2-ое место, пытаясь догнать лидера. Windows Phone Store от Microsoft на третьем месте, а канадская компания BlackBerry сейчас активно развивает свой интернет-магазин и при сохранении темпов роста вполне может рассчитывать на свержение Microsoft с третьего места.

По мнению аналитиков J'son &Parthers Consulting, лидерами в наибольшей категории «Игры» в 1 кв. 2013 года стали компании Rovio и Electronic Arts: первая пользуется популярностью Angry Birds, вторая, осуществляя издательскую деятельность, контролирует разработку и распространение не только мобильных, но и обычных видеоигр.

1.2 Методы экономической оценки спроса

Рынок мобильных устройств зародился только в 2009 году, поэтому это сравнительно молодой рынок, который показывает колоссальные темпы роста, как в количественном, так и в денежном эквиваленте. Поэтому только сравнительно недавно исследователи стали заинтересовываться процессами, происходящими на этом сегменте информационного пространства. Помимо этого, совсем недавно появились компании, которые занимаются непосредственным отслеживанием динамики рынка, составлением отчетов за прошедший период.

В исследовательских целях рынок обладает сравнительной доступностью данных в Интернете - в настоящий момент сами мобильные магазины приложений составляют статистику по каждому скаченному приложению, но и существуют определенные компании, которые располагают информацией о приложениях, их рейтингах и характеристиках в разрезе основных платформ с ежедневными обновлениями.

В зарубежной литературе всего несколько исследований посвящено этой теме. Чаще встречаются различные работы, посвященные оценке спроса на пива [Gallet, 2007], сухих завтраков [Nevo, 2001], автомобилей [Berry, Levinsohn, Pakes, 1995] и других рынках. В данном параграфе рассмотрим несколько иностранных статей по моделированию и анализу спроса, которые покажут методы анализа, применяемые исследователями.

Anindya Ghose и Sang Pil Han в статье «Estimating Demand for Mobile Applications» в своей статье оценивают потребительский спрос для мобильных приложений, построив структурную модель. Исследователи используют панель данных, состоящую из топа 300 мобильных приложений, имеющих ранг продаж, цены, характеристик с двух рынков: Apple App Store и Google Play. Авторы моделируют полезность i-го покупателя от j-го мобильного приложения на данных Apple App Store и Google Android Market Южной Кореи (данные собраны от 6 октября до 14 декабря 2011 года).

,

где u_jt - полезность i-го покупателя от j-го мобильного приложения на рынке t, X_jt - вектор наблюдаемых характеристик (размер, время использования, категории приложений и др.), так же эта модель включает ненаблюдаемые характеристики (например, шоки на рынке). Потребитель i выбирает приложение j, которое приводит к максимальной полезности. Но здесь появляется проблема эндогенности цены (цена коррелирует с ненаблюдаемыми характеристиками продукта, т.е. ошибкой). Авторы решают проблему использованием так называемой random-coefficients discrete-choice model of demand - BLP model [Berry, Levinsohn, Pakes, 1995]. В литературе описаны детали этой модели, а также то, как оценить такую модель на основе агрегированных данных, а не на уровне отдельных индивидов [Musalem, Bradlow, Raju, 2009; Nevo, 2000].

Так же исследователи учитывали категории возрастов потребителей, разбив их на две группы: старшие и младшие поколения. В результате, авторы увидели взаимосвязь размера мобильного приложения и продаж и повышенную чувствительность к цене старшего поколения над младшим. Кроме того, из этого исследования заключено, что спрос увеличивается с размером файла приложения и с возрастом приложения на рынке, но уменьшается с длиной описания приложения.

Популярные интернет-магазины, такие как Amazon.com, большинство магазинов электроники, такие как Юлмарт, ЯндексМаркет и др., анализируют данные различных показателей покупателей, прошлые покупки, оценки, просмотр аналогов и цены, после чего могут предоставить рекомендации продукта клиентам. Задачей системы рекомендаций является включение данных о пользователях и их предпочтениях, а так же предположение возможных будущих симпатий и интересов. Ритейлеры тщательно анализируют продажи, поскольку исходя из них, они смогут рекомендовать одни товары и улучшить свои продажи. Вследствие этого, исследователи ищут способы эффективного моделирования систем рекомендаций. Только в последнее десятилетие данная тема стала популярна в заграничных лабораториях и университетах. В России, однако, кране мало аналогичных исследований. Поэтому рассмотрим несколько иностранных статей по моделированию спроса при влиянии систем рекомендации.

Bhavik Pathak, Robert Garfinkel, Ram D. Gopal, Rajkumar Venkatesan, и Fang Yin в своей статье «Empirical Analysis of the Impact of Recommender Systems on Sales» поднимают достаточно актуальную тему в современном цифровом обществе как влияние систем обратной связи (рекомендаций) на продажи продукта. Другими словами, авторы пытаются проследить связь между рекомендацией, продажей и ценой. Чтобы полностью понять, что авторы понимают под рекомендациями, приведем рисунок из их статьи (Рисунок 9 Описание основных характеристик товара от лица авторов):



Рисунок 9 Описание основных характеристик товара от лица авторов

На основе собранных данных исследователи разработали эмпирический метод для оценивания воздействия и эффективности рекомендаций:

,

где RCMD - сила рекомендаций, которая, по мнению авторов, зависит от количества рекомендовавших этот товар, продаж рекомендаций и типа рекомендации.

Авторы статьи предлагают такую обобщенную модель:

где rank - рейтинг продаж, rec - переменная силы рекомендации, rating - средняя величина рейтинга, rev - величина недавно добавившихся отзывов, u - случайная величина.

Следует отметить, что до этой статьи исследователи принимали продажи за зависимую переменную, чем пытались изучить эффект цифрового сарафанного радио на продажах (ссылки), в данной же статье вводится новое понятие силы рекомендации, которое является дополнительной оценкой этого цифрового сарафанного радио (продаж влияний), так же вводятся отдельные эффекты на книги и на время. Кроме того, в данной модели существует переменная, отвечающая за эффект всех факторов в прошлом, которые могут влиять на продажи.

Rajiv Garg, Rahul Telang в статье «Inferring app demand from publicly available data» на примере двух интернет-сервисов Apple's App Store и Google Play Store выводят методологию оценки влияния ранга продаж на сами продажи.

Авторы показали, что для оценки параметров уравнения, связывающего продажи и ранг продаж платного программного обеспечения достаточно знать:

· Цену каждой программы

· Ранг загрузок

· Общее количество продаж всех попавших в выборку программ.

Особенностью данной работы является общедоступность трех видов рейтингов: top?free applications (топ бесплатных приложений), top?paid applications (топ платных приложений), и top?grossing applications (топ доходных приложений). В статье рассматривается 2 рейтинга продаж: в одном - место каждой программы в рейтинге количества скачиваний (download_rank), в другом - место каждой программы в рейтинге выручки от продаж (revenue_rank).

Поскольку рассматривая Apple's App Store авторы находят разницу в приложениях для iРad и iPhone, то все выводы они делают в отдельности по сферам применения. Кроме того, данный метод авторы опробовали на другом рынке - Google Play Store и на бесплатных приложения.

Judith Chevalier и Austan Goolsbee в своей статье «Measuring prices and price competition online: Amazon and Barnes and Noble» для определение спроса на продукт (в данном случае, книги), провели эксперимент: они выбрали мало продаваемые книги и купили некоторое количество книг, превышающее границу низкого спроса), поскольку это привело к изменению ранга продаж, то исследователи вывели отношения между ним и спросом. Однако, этот метод построен на мало продаваемых продуктах, поэтому переносить его на полноценные товары неправильно. Кроме того, авторы показали, как влияет на спрос различие в ценах конкурентов (определили общий объем продаж в зависимости от распределения цен на двух аналогичных сервисах).

В другой статье «The effect of word of mouth on sales: online book reviews» Judith Chevalier и Dina Mayzlin исследовали эффект отзывов потребителей на продажах разных фирм. Именно здесь они впервые обратились к понятию «сарафанное радио». Авторы постарались дать обоснование причинной связи между сарафанным радио и продажами продукта, сравнивая продажи данной книги через эти двух продавцов книг (опять же BarnesandNoble.com и Amazon.com).

Оценки авторов показывают, что регрессия относительно продажи книг через два этих сайта, связанны с различиями между сайтами в числе отзывов на книгу и в среднем рейтинге отзывов (звезд).

Octavian Carare в своей статье «The Impact of Bestseller Rank on Demand: Evidence From a Software Market» укрепляет и дополняет результаты последних экспериментальных наблюдений литературы по изучению влияния ранга продаж путем на спрос.

Как отмечает автор, результаты работы не указывают на причинно-следственные связи ранга продаж на спрос, а могут лишь отражением последовательной корреляции между ненаблюдаемыми факторами, которые влияют на спрос. Поэтому больший акцент нужно отдавать прошлым рангам товара, что позволит контролировать возможную эндогенность.

Инструментальная оценка переменных очень близка к методу наименьших квадратов, предполагая, что потенциальная эндогенность прошлых рангов продаж существенно не влияет на результаты оценки.

В недавней работе «The Impact of Bestseller Rank on Demand: Evidence from the App Market» Octavian Carare исследует, как доля рынка мобильных приложений зависит от различных факторов, таких как цена, характеристики приложения, мимо ранга и так далее. Автор предполагает, что спрос следует распределению Парето и показывает, что предыдущие ранги вносят свой вклад в оценку будущего спроса на приложения. Не имея данные о спросе, автор должен был полагаться на моделирование данных, используя разницу между двумя ранговыми приложениями как экспоненциальные случайные величины. Это исследование пытается измерить влияние характеристик приложений и других маркетинговых стратегий на спрос, в результате чего возникает упрощенная система, которая позволяет улучшение продаж от информации.

Вспомогательная литература захватывает лишь определенные специфические характеристики нашей темы, поэтому подробно рассматривать их в обзоре не имеет смысла (по большей части, данные источники несут ознакомительный характер для общего понимания темы).

Главным отличием всех описанных ранее статей в том, что в то время, когда они писались, большинство интернет-магазинов производили ранжирование продаж, и ни один интернет-магазин или магазин мобильных приложений не предоставлял фактические данные о загрузках. Поэтому большинство исследователей разрабатывали различные стратегии, которые позволили рассчитывать спрос из данных о ранге загрузок.



ГЛАВА 2. ЭКОНОМЕТРИЧЕСКИЙ АНАЛИЗ СПРОСА НА МОБИЛЬНЫЕ ПРИЛОЖЕНИЯ НА ПРИМЕРЕ СЕГМЕНТА РЫНКА APPLE APP STORE В РОССИИ И США

2.1 Описание данных

Данное исследование в первую очередь направлено на изучение взаимосвязей между количеством скачиваний (непосредственно спросом на приложения) и различными характеристиками приложения. В частности, в данном исследовании будет рассмотрен срез данных (крупный сегмент лидирующих приложений по скачиваниям) на один период времени, что с практической точки зрения может показать самые основные и значимые связи между показателями.

Для анализа спроса на мобильные приложения было выделено несколько категорий. Исходя из анализа мирового рынка мировых приложениц, самым крупным участников является магазин приложений от Apple, поэтому в исследовании общим сектором рассмотрения является iPod market (iTunes market). Из данного сегмента были взяты приложения из листа Top 150 Most Downloaded Paid Apps для двух стран: США и Россия. Но поскольку этот рейтинг располагает только основными показателями привлекательности приложения на рынке (количество загрузок, цена, категория, тип оплаты приложения и др.), основные характеристики самого приложения были взяты с соответствующего сервиса appannie.com. Данный сайт располагает широкой базой мобильных приложений, предоставляющий базу характеристик, включая рейтинг приложения среди пользователей. Поскольку не для всех приложений из данного рейтинга были получены все нужные в исследовании характеристики, а так же в рейтинге присутствуют бесплатные приложения с возможностью приобрести визуальные товары из приложения (условная монетизация), такие наблюдения были исключены из обзора.

Полученная база исследования располагает 112 наблюдениями по каждой стране с характеристиками приложений (изначальный рейтинг имел 150 актуальных приложений, но не на все приложения исследователи нашли характеристики приложений, а так же не у всех приложений были заполнены рейтинги (у новых приложений отсутствует общий рейтинг, а у некоторых приложений, которые давно не выпускали обновления, соответственно, отсутствует рейтинг последней версии). Данная база актуальна на март 2013 г.

В следующей таблице представлены используемые переменные и их определение.

Таблица 5 Обзор переменных

Название	Описание	Гипотезы
id	Идентификационный номер приложения
apps_published	Общее количество приложений, публикуемых издателем	Чем больше количество приложений, публикуемых издателей, тем больше его популярность, лучше узнаваемость и выше скачивания
paid_in_app	Тип оплаты за загрузку и возможность приобретения виртуальных товаров из приложения = 1, оплата за загрузку = 0
price_in_EUR	Цена в евро	Чем ниже цена, тем больше скачиваний
had_Free_Period	Наличие ознакомительного бесплатного периода	Наличие ознакомительного периода положительно влияет на скачивания
is_local	1, когда более 50% всех скачиваний приложений были получены в одной стране. Например, если приложение было скачано 1000 раз в общей сложности, но 700 раз из немецкого App Store, оно будет помечено как местное немецкое приложение. В случае США, устанавливается уровень 75%. 0 - обратное условие.
downloads_this_month	Количество загрузок за последний месяц
compatibility	Совместимость приложения с различными устройствами (категориальная переменная, включает iPhone, iPod touch/ Universal/iPhone only)	Если приложение совместимо с большинством устройств, тем выше его узнаваемость и выше загрузки
publisher	Издатель	Количество скачиваний больше у известных издателей
time_in_market	Время с момента запуска приложения на рынок и до последнего обновления	Чем больше приложение находится на рынке, тем больше его скачивания
curr5	Текущий рейтинг (последней версии приложения) (5 баллов)	Увеличение отличных оценок положительно влияют на количество скачиваний
curr4	Текущий рейтинг (4 баллов)	Увеличение хороших оценок положительно влияют на количество скачиваний
curr3	Текущий рейтинг (3 баллов)	Увеличение удовлетворительных оценок отрицательно влияют на количество скачиваний
curr2	Текущий рейтинг (2 баллов)	Увеличение отрицательных оценок отрицательно влияют на количество скачиваний
curr1	Текущий рейтинг (1 баллов)	Увеличение отрицательных оценок отрицательно влияют на количество скачиваний
all5	Общий рейтинг приложения (5 баллов)	Аналогично, текущему рейтингу
all4	Общий рейтинг приложения (4 баллов)
all3	Общий рейтинг приложения (3 баллов)
all2	Общий рейтинг приложения (2 баллов)
all1	Общий рейтинг приложения (1 баллов)
category	Категория приложения	В зависимости от категории приложения меняются предпочтения в потреблении
size_MB	Размер приложения
number_lang	Количество, поддерживаемых языков	Количество языков, характеризуют охват стран и народов - чем больше языков, тем больше потенциальные продажи
rated	Ограничения по возрасту	Ограничения косвенно указывают на объем публики, потенциальных потребителей - положительное влияние на объем спроса

2.2 Регрессионный анализ загрузок на примере российского рынка

2.2.1 Описательные статистики

При описательном анализе следует проверить данные и полученные переменные на ошибки, проверить нормальность распределения остатков, посмотреть на распределение зависимой переменной, по необходимости провести преобразование переменных и анализ на выбросы, которые могут искажать дальнейшие результаты.

В первую очередь, приведем общую описательную таблицу всех переменных. Как видно из Таблица 6 Описательные статистики переменных в сегменте российского рынка общее количество наблюдений, в среднем, составляет 112 (за исключением, переменной featured, которая показывает рейтинг приложения в iTunes), поскольку не у всех приложений были заполнены рейтинги (у новых приложений отсутствует общий рейтинг, а у некоторых приложений, которые давно не выпускали обновления, соответственно, отсутствует рейтинг последней версии). Следует обратить внимание на зависимую переменную downloads_this_month, среднее которой составляет более 20 тысяч скачиваний, примерно около той же величины составляет стандартное отклонение данной величины (20096,91), при этом минимальное количество загрузок составляет 8400, а максимальное 116500, следовательно, размах количества скачиваний приложений будет более 100 тысяч.



Таблица 6 Описательные статистики переменных в сегменте российского рынка

Рассмотрим описательные статистики переменной Downloads_This_Month, которая отражает количество скачиваний приложений за последний месяц, и при проведении регрессионного анализа данная переменная будет являться зависимой. График распределения переменной и график нормального распределения представлен ниже (Рисунок 10 Распределение переменной downloads_this_month).

Рисунок 10 Распределение переменной downloads_this_month (Россия)

Как видно из графика распределение далеко от нормального, в доказательство приведем тест на нормальность распределения. Нулевая гипотеза гласит, что распределение нормально. Поскольку значимость (probability, далее prob)<0.05, то гипотеза о нормальности распределения загрузок отвергается. Следовательно, высока вероятность, что и остатки в регрессии не будут распределены нормально. Следует отметить, что распределение цены сильно несимметрично (асимметрия, отличаются от нуля, эксцесс - от трех, и медиана отлична от среднего). Подобный разброс количества скачиваний может быть связан с различными характеристиками приложений.

Таблица 7 Тест Франция на нормальность распределение величины downloads_this_month (Россия)



Попробуем преобразовать переменную downloads_this_month в логарифм. Получим lndownloads. Распределение представлено ниже. Графически оно уже ближе к нормальному, чем первоначальное.

Рисунок 11 Распределение переменной lndownloads (Россия)

В результате по тесту (Таблица 8 Тест Франция на нормальность распределение величины lndownloads (Россия)) снова следует, что распределение данной переменной далеко от нормального (prob<0.05). Следует отметить, что исходная величина не подразумевает наличие отрицательных значений и представляет собой целочисленные значения, поэтому логарифмирование не дает значимых результатов, поэтому исходя из графика распределения, можно предположить, что зависимая переменная может иметь пуассоновское распределение, однако к этому вопросу мы обратимся в параграфе 2.2.4. Регрессионный анализ, часть 3 «Пуассоновская регрессия».



Таблица 8 Тест Франция на нормальность распределение величины lndownloads (Россия)

При рассмотрении диаграммы по цене, следует отметить, что цены на рынке - сложившаяся категория, которая имеет несколько градаций (Таблица 9 Категории цен на мобильные приложения, выраженные в доллары и рубли):

Таблица 9 Категории цен на мобильные приложения, выраженные в доллары и рубли (Россия)

Евро	Доллар	Рубль
0,82	1,09	32,8
1,63	2,17	65,2
2,45	3,27	98
3,19	4,25	127,6
4,18	5,57	167,2
4,92	6,56	196,8
5,66	7,55	226,4

Как видно из Таблица 10 более 60% - это минимальная цена, что говорит, что большинство приложений - средняя категория, в которой могут представлены как известные «бренды», как и малоизвестные платные приложения. Кроме того, по 10% от выборки занимают цены второй и третьей ступени (1,63 евро и 2,45 евро, соответственно).



Таблица 10 Распределение категориальной переменной price_in_eur (Россия)

Далее рассмотрим категориальные переменные. По категориям приложений (Таблица 11 Распределение категориальной переменной Category (Россия)) следует отметить преимущество игр (Category - Games) более 50%, следующая по количеству - Утилиты (около 12%), далее - Entertainment (5%) и остальные.

Таблица 11 Распределение категориальной переменной Category (Россия)

Оценивая совместимость устройств и приложений, универсальные приложения занимают весомую долю на рынке, т.е. большинство приложений существует как на iPhone market, так же и на Android и других рынках мобильных приложений.



Таблица 12 Распределение категориальной переменной Compatibility (Россия)

По издателям приложений - большее количество выпустил крупный игрок на рынке - Gameloft (8 приложений), Disney (5 приложений), Apalon (3 приложения), Rovio Entertainment Ltd (3 приложения) (ссылка на приложение).

Ограничения на приложения распределяются таким образом: большинство приложений подходят и для маленьких детей 4+ (64%), 9+ (14%), но 13 приложений (12%) занимают приложения для уже взрослых.

Таблица 13 Распределение категориальной переменной Rated (Россия)

Масштабное скачивание приложения в пределах одной страны (т.е. локальные приложения) присутствуют только в 12,5% случаев из 100%. Остальные приложения скачиваются на мировом рынке, что показывает глобализацию рынка.

Таблица 14 Распределение категориальной переменной Is_local (Россия)

Tabulation of IS_LOCAL
Sample: 1 112
Included observations: 112
Number of categories: 2
			Cumulative	Cumulative
Value	Count	Percent	Count	Percent
no	98	87.50	98	87.50
yes	14	12.50	112	100.00
Total	112	100.00	112	100.00

82% приложений не имеют ознакомительного периода (бесплатного) действия, что может говорить, либо об устоявшей форме монетизации некоторых приложений либо о популярности качественных платных приложений.

Таблица 15 Распределение категориальной переменной Free_period (Россия)

Tabulation of HAD_FREE_PERIOD
Sample: 1 112
Included observations: 112
Number of categories: 2
			Cumulative	Cumulative
Value	Count	Percent	Count	Percent
no	92	82.14	92	82.14
yes	20	17.86	112	100.00
Total	112	100.00	112	100.00

Приведенным описательным анализом уже можно сделать начальную оценку данного сегмента. В самом популярном сегменте рынка 64% - это дешевые приложения (0,82 евро =32,8 руб.), что показывает, мотивацию разработчиков попасть в лидеры по скачиванию (прямая зависимость прибыли с количеством загрузок). Так же большинство приложений создаются для мирового потребителя, без привязки к какой-либо стране. Кроме того, эти приложения направлены непосредственно на зарабатывание, поскольку у 98 приложений из 112 нет ознакомительного периода.

2.2.2 Корреляционный анализ

Для выявления взаимосвязей среди переменных часто используются два способа:

· парные корреляции;

· матрица диаграмм рассеяния.

Поскольку, в данной работе слишком много объясняющих переменных, сначала проведем анализ на частные взаимосвязи.

Одной из главных объясняющих является цена приложения.

Однако из Рисунок 12 Распределение цены и загрузок (Россия) можно заключить, что связи между ценой и загрузками нет (регрессионная линия параллельна линии абсцисс). Попробуем проверить другие сочетания переменных.

На Рисунок 13 Распределение загрузок и логарифма цены (Россия)приведена связь при преобразовании цены в логарифм и количества скачиваний приложения - так же как и в предыдущем варианте, графически взаимосвязи не выявлено.

Рисунок 14 Распределение логарифмов цены и загрузок (Россия) показывает взаимосвязь, когда обе переменные преобразованы через логарифм. В этом случае, наблюдается небольшой рост процентного отношения загрузок к увеличению на 1% цены. Данное наблюдение противоречит первоначально поставленной гипотезе, что с увеличением цены, количество скачиваний уменьшается. Такой же эффект можно наблюдать на графике lndownloads c price_in_eur (Рисунок 14 Распределение логарифмов цены и загрузок (Россия))

Рисунок 12 Распределение цены и загрузок (Россия)

Рисунок 13 Распределение загрузок и логарифма цены (Россия)

Рисунок 14 Распределение логарифмов цены и загрузок (Россия)



Рисунок 15 Распределение цены и логарифма загрузок (Россия)

Тем самым можно показать, что цена не влияет на загрузки напрямую, что показывает коэффициент корреляции между данными переменными (Таблица 16 Коэффициенты корреляции цены и объема загрузок (Россия))

Таблица 16 Коэффициенты корреляции цены и объема загрузок (Россия)

	DOWNLOADS_THIS_MONTH	LNDOWNLOADS
PRICE_IN_EUR	0.050108 (0.5998)	0.093606 (0.3263)

В следующей таблице (Таблица 17 Коэффициенты корреляции между загрузками и другими характеристиками (Россия)) представлены основные коэффициенты линейной корреляции количества загрузок и других характеристик (рейтинг, цена и т.д.).

В начале таблицы приведены преобразованные переменные рейтинга: all_average - средняя оценка общего рейтинга приложения, all5_percent - процент отличных оценок в общем рейтинге, тоже самое сделано относительно текущего рейтинга. Как показывают уровни значимости этих коэффициентов - они не значимы, другими словами, между данными переменными нет линейной связи. Так же не обнаружена линейная взаимосвязь между загрузками и тем, сколько времени приложение находится на рынке, а так же с ценой нет линейной связи. Остальные коэффициенты корреляции значимы, особенно сильно влияют рейтинги, общий и текущий.

Таблица 17 Коэффициенты корреляции между загрузками и другими характеристиками (Россия)

Probability	DOWNLOADS_THIS_MONTH
ALL_AVERAGE	0.114059
	0.2610
ALL5_PERCENT	0.105493
	0.2987
CURR_AVERAGE	0.124058
	0.2212
CURR5_PERCENT	0.130751
	0.1971
TIME_IN_MARKET	0.092380
	0.3486
SIZE_MB	0.323846
	0.0008
PRICE_IN_EUR	0.042432
	0.6674
NUMBER_LANG	0.206995
	0.0341
APPS_PUBLISHED	0.205166
ALL1	0.550593
	0.0000
ALL2	0.489155
	0.0000
ALL3	0.542517
	0.0000
ALL4	0.684397
	0.0000
ALL5	0.714840
	0.0000
CURR1	0.521830
	0.0000
CURR2	0.409883
	0.0000
CURR3	0.486480
	0.0000
CURR4	0.551106
	0.0000
CURR5	0.657925
	0.0000

2.2.3 Проверка на выбросы

Для проверки данных на выбросы построим регрессию, которая будет включать большинство регрессоров (не берем curr рейтинг, поскольку он сильно коррелирует с общим рейтингом).

Вообще между категориями общего рейтинга тоже существует обоснованная сильная корреляция (поэтому можно предполагать, что в нашей модели будет мультиколлинеарность), но поскольку с экономической точки зрения нам важно оценить влияние рейтинга/оценок приложения, то пока эти переменные оставим совместно.

.quietly reg downloads_this_month apps_published paid_in_app price_in_eur had_free_period is_local universal iphoneipodtouch gameloft disney time_in_market all5 all4 all3 all2 all1 size_mb number_lang books business education entertainment finance games healthandfitness lifestyle music photoandvideo productivity reference socialnetworking utilities

Проверим регрессию на выбросы. С помощью нескольких способов, которые можно реализовать в Stata. Поскольку мы имеем несовершенство информации, некоторые рейтинги пропущены, поэтому данные способы выявления выбросов отмечают именно эти наблюдения. Придется их удалить для дальнейшего полноценного анализа.



Таблица 18 Проверка на выбросы (Россия)

Удалим из регрессии те выбросы, которые выявили оба теста.

2.2.4 Регрессионный анализ

Базовая линейная модель

Для рассмотрения основных возможных взаимосвязей построим первоначальную линейную модель со всеми объясняющими переменными.



Таблица 19 Линейная модель со всеми объясняющими переменными (Россия)

Как мы видим, модель получилась значимой, но помимо этого, существует большое количество незначимых объясняющих переменных.

Рисунок 16 Распределение остатков (Россия)

Проверим на нормальность распределения остатков. Тест Харки-Бера (prob=0.000002) показывает, что распределение не нормально. При проведении т...