Extended Summary of What Apps Did You Use? :Understanding the Long-term Evolution of Mobile App Usage.pdf
1. Università degli Studi di Trieste
Dipartimento di Ingegneria e Architettura
Corso di Laurea in Ingegneria Elettronica e Informatica
Extended Summary of “What Apps Did You Use?:
Understanding the Long-term Evolution of Mobile App
Usage”
Laureando: Relatore:
Enrico Mariuzzo Prof. Alberto Bartoli
Anno Accademico 2021-2022
3. 1
Introduzione
Nel corso degli anni l’utilizzo dello smartphone è cambiato: dalle comunicazioni
a varie applicazioni come per esempio ordinare cibo, fare shopping online e molto
altro. L’economia delle app che forniscono tali servizi è in continua crescita.
Questo spinge sviluppatori e fornitori di servizi a progettare e distribuire app
sempre migliori.
Gli studi esistenti volti a comprendere l’uso delle app si basano su collezioni di
dati a breve termine, cioè raccolti in un periodo che va da una settimana a un
anno. Ogni anno, però, l’hardware e il software degli smartphone evolve e di
conseguenza anche l’utilizzo delle app.
In questo articolo gli autori studiano come l’utilizzo delle app evolve nel lungo
periodo. Comprendere l’evoluzione a lungo termine è fondamentale per
l’industria perché può consentire alle aziende di migliorare l’esperienza
dell’utente e il potere competitivo delle app. I risultati di questo studio forniscono
dunque utili implicazioni per sviluppatori di app, intermediari di mercato e fornitori
di servizi.
I dati per la ricerca sono raccolti con una piattaforma basata su Android che
registra l’utilizzo delle app degli utenti. I dati sono impiegati per condurre
un’analisi su due livelli: il macro-livello, ovvero le categorie delle app, e il micro-
livello, ovvero le app individuali.
I risultati mostrano che i due livelli presentano delle differenze nell’evoluzione
di utilizzo.
Materiali e metodi
Raccolta dati
Per collezionare i dati necessari allo studio è stata progettata un’app per
Android chiamata Carat. Carat registra i dati di utilizzo dello smartphone degli
4. 2
utenti, tuttavia è stata sviluppata come app per la diagnosi energetica (fornisce
consigli personalizzati su come migliorare la durata della batteria).
Carat raccoglie un campione di dati ogni volta che il livello della batteria cambia
dell’1%. Ogni campione contiene: un elenco delle app utilizzate, un identificatore
dell’utente, il livello della batteria, il timestamp, il fuso orario, il prefisso
internazionale e il tipo di rete. Ai fini della privacy Carat non raccoglie informazioni
personali. Inoltre, in fase di installazione informa l’utente dei dati che verranno
registrati.
In totale sono stati raccolti i dati di 1465 utenti distribuiti in 87 paesi diversi, da
gennaio 2012 a dicembre 2017.
Metriche
I dati sono stati analizzati utilizzando quattro metriche su due livelli: il macro-
livello, ovvero le categorie delle app, e il micro-livello, ovvero le app individuali.
Le metriche sono:
1. Numero di categorie/app individuali
2. Diversità tra le categorie/app individuali
3. Popolarità delle categorie/app individuali
4. Correlazioni tra le categorie/app individuali
Il numero di categorie/app individuali utilizzate da un utente è stato determinato
dall’elenco di app registrate da Carat.
La diversità tra le categorie/app individuali utilizzate da ogni coppia di utenti è
stata determinata con la distanza di Jaccard.
La popolarità delle categorie/app individuali è stata determinata come il
rapporto tra gli utenti che hanno utilizzato una determinata categoria/app
individuale e gli utenti totali.
La correlazione tra due categorie/app individuali appartenenti alla stessa
categoria è stata determinata come segue:
5. 3
𝐶𝑜𝑟𝑟(𝐶𝐴 , 𝐶𝐵) =
𝒟(𝐶𝐴 ⋂ 𝐶𝐵)
𝒟(𝐶𝐴 ⋃ 𝐶𝐵)
dove:
- 𝐶𝐴 e 𝐶𝐵 sono due categorie/app individuali;
- 𝒟(𝐶𝐴 ⋂ 𝐶𝐵) è il numero di utenti unici che hanno utilizzato entrambe le
categorie/app individuali;
- 𝒟(𝐶𝐴 ⋃ 𝐶𝐵) è il numero di utenti unici che hanno utilizzato solo una delle due
categorie/app individuali.
Quindi 𝐶𝑜𝑟𝑟(𝐶𝐴 , 𝐶𝐵) rappresenta la probabilità che un utente abbia utilizzato
entrambe le categorie/app individuali.
Risultati
Il numero di categorie utilizzate dagli utenti è aumentato tra il 2012 e il 2014
mentre si è stabilizzato tra il 2014 e il 2017. Una possibile ragione per
l’incremento nella prima fase è lo sviluppo delle reti mobili: con la
commercializzazione del 4G gli utenti hanno cominciato ad utilizzare app sensibili
alla latenza e che consumano dati (ad esempio giochi online, app video).
Il numero di app utilizzate dagli utenti è aumentato tra il 2012 e il 2014
(coerentemente al macro-livello) ma è diminuito tra il 2014 e il 2017
(contrariamente al macro-livello). Tale discordanza è dovuta al fatto che gli utenti
hanno cominciato ad eliminare le app di bassa qualità ma hanno continuato ad
utilizzare le stesse categorie. Inoltre, si è osservato che il numero minimo di app
utilizzate è rimasto invariato a 12 per l’intero periodo di studio. Questo suggerisce
che gli smartphone hanno 12 app fondamentali.
La diversità delle categorie utilizzate da ogni coppia di utenti è diminuita nel
corso degli anni. Questo significa che, con il passare del tempo, gli utenti hanno
cominciato ad utilizzare categorie simili. Le ragioni di questa tendenza sono state
due:
6. 4
1. lo sviluppo delle tecnologie (reti network, hardware e software degli
smartphone) che ha contribuito a rendere popolari alcune categorie,
incentivando gli utenti ad utilizzarle;
2. la diffusione di app che hanno rafforzato le correlazioni fra categorie, cioè
che hanno incentivato gli utenti ad usare app di altre categorie (ad
esempio, i social network hanno incentivato gli utenti ad utilizzare app di
altre categorie per poter visualizzare i contenuti condivisi dagli altri utenti).
Al contrario, la diversità delle app individuali è aumentata dal 2012 al 2013 e
poi è diventata stabile. La discrepanza tra macro e micro-livello suggerisce il fatto
che gli utenti hanno avuto la tendenza ad usare categorie simili ma con
preferenze diverse riguardo le app individuali.
Dopo che è stata calcolata la popolarità delle categorie sono state individuate
le categorie prevalenti, ovvero quelle con una popolarità maggiore di 0,9 (cioè
le più diffuse tra gli utenti). Sono stati definiti due tipi di categorie prevalenti:
1. categorie prevalenti anteriori, cioè le categorie che hanno superato lo
0,9 di popolarità già nel 2012;
2. categorie prevalenti posteriori, cioè le categorie che hanno superato lo
0,9 di popolarità dopo il 2012.
Inoltre, è stato calcolato il tasso di crescita della popolarità di ciascuna categoria.
I risultati mostrano che: dal 2012 al 2014 tutte le categorie hanno subito un
incremento di popolarità ad eccezione delle categorie prevalenti anteriori; dal
2014 al 2017 solo le categorie nascenti hanno subito un incremento di popolarità,
tutte le altre sono rimaste stabili. Da questi risultati si è dedotto che l’evoluzione
della popolarità di ciascuna categoria ha attraversato due fasi:
1. crescita di popolarità: fase in cui la popolarità è aumentata;
2. plateau di popolarità: fase in cui la popolarità è diventata costante, cioè il
mercato di questa categoria è diventato maturo.
Tuttavia, non sono state riscontrate fasi di declino. I motivi che hanno evitato la
formazione di una fase simile sono stati:
7. 5
1. l’insostituibilità delle categorie: perché ogni categoria contiene app con
funzioni differenti dalle app di altre categorie, diventando difficile da
sostituire;
2. la comunità di utenti: perché gli utenti che usano una categoria formano
una comunità che incoraggia gli stessi a continuare ad usare tale
categoria;
3. un ecosistema interconnesso: perché le categorie sono correlate fra loro,
vincolando gli utenti a continuare ad usare più categorie insieme.
Lo studio della popolarità delle app individuali ha invece rivelato un effetto
Pareto: dal 2012 al 2017 il mercato è stato governato da 16 app. Dodici di queste
facevano parte del sistema operativo Android e corrispondono alle 12 app
fondamentali citate in precedenza.
Per quanto riguarda le correlazioni fra categorie si è osservato che: dal 2012 al
2014 sono aumentate; dal 2014 al 2017 sono diventate stabili, cioè si è formato
un ecosistema di app solido ed interconnesso.
A differenza delle categorie, le correlazioni tra le app appartenenti ad una
stessa categoria sono risultate molto più basse. Questo è dovuto al fatto che tali
app hanno funzionalità simili, quindi è ridondante installarne più di una. Inoltre, a
causa della concorrenza all’interno delle categorie, le correlazioni tra le app si
sono ridotte nel tempo. È stato anche osservato che le app con alte correlazioni
hanno avuto in seguito la tendenza a diventare popolari.
Conclusioni
I risultati hanno mostrato delle differenze tra macro e micro-livello. Questo fatto
dovrebbe essere sfruttato dai protagonisti del mercato delle app dato che
rivestono ruoli diversi nei due livelli. Per esempio, gli intermediari di mercato sono
incaricati di gestire le piattaforme di app, mentre gli sviluppatori progettano le
app. Quindi, i vari protagonisti dovrebbero concentrarsi sull’evoluzione di utilizzo
8. 6
del loro livello e adottare delle strategie coerenti con i risultati trovati per
migliorare i servizi forniti.
Siccome il rilascio di nuove tecnologie fa aumentare le app utilizzate su
entrambi i livelli, i protagonisti del mercato dovrebbero sfruttare questa
opportunità per fornire nuovi servizi. Una potenziale opportunità è
l’implementazione del 5G.
Dato che gli utenti tendono ad usare le stesse categorie ma app diverse tra
loro, gli intermediari di mercato dovrebbero concentrarsi sul fornire servizi utili per
tutti gli utenti anziché servizi personalizzati. Invece, gli sviluppatori di app
dovrebbero concentrarsi su un piccolo gruppo di utenti e soddisfare le loro
necessità anziché cercare di realizzare app che vadano bene per tutti.
Vista la feroce competitività tra le app di una stessa categoria, che causa una
fase di eliminazione, gli sviluppatori dovrebbero migliorare la competitività delle
loro app. A tale scopo potrebbero implementare funzioni di cooperazione con le
app della stessa categoria o altre categorie (perché le app con alte correlazioni
hanno maggiori possibilità di diventare popolari). Inoltre, quando progettano una
nuova app dovrebbero considerare la maturità della categoria e sceglierne una
nascente (perché contiene poche app che dominano il mercato).
In aggiunta, il mercato delle app mostra un effetto Pareto, cioè è dominato da
un piccolo numero di app. Alla luce di questo fatto gli intermediari potrebbero
mettere i loro pacchetti di installazione il più vicino possibile agli utenti finali.
9. 7
Bibliografia
Tong Li, Mingyang Zhang, Hancheng Cao, Yong Li, Sasu Tarkoma, and Pan
Hui. "What Apps Did You Use?: Understanding the Long-term Evolution
of Mobile App Usage”. In Proceedings of TheWeb Conference 2020 (WWW
’20), April 20–24, 2020, Taipei, Taiwan, pp. 66-76.