報告作者：鄒格格、馮雨晴、劉儼黎     

未明學院商業資料分析訓練營9月班學員

報告名稱：《最強微信小程式打造之路-微信小程式專案分析報告》

自2017年1月9日小程式正式上線後，微信以不斷的開放平臺能力，極有耐心地在為小程式逐步加溫。在爭議與關注中，小程式在2018年年初做到了日活1.7億、月活4.3億。

搶票小程式刷屏、小遊戲線上人數高達2800萬人/小時、Nike以2000萬入駐“跳一跳”廣告......在微信的流量紅利下，小程式生態發展迅速。

你瞭解微信小程式嗎？在眾多小程式中哪一類小程式數量最多？哪類小程式最受歡迎？小程式的評分又收到哪些因素影響呢？

未明學院訓練營中，三位同學基於小程式分析網站上2017 年上線的熱門小程式相關資料（共1213條資料），從好評率、分類、標籤、時間等角度出發，探究影響小程式評分的因素。

他們會有哪些驚喜的發現？又會有哪些寶貴的小程式改進建議？一起來看看大資料帶給我們的收穫吧~~

01、資料來源與變數說明

圖1

本資料來源於小程式分析網站上2017 年（2017.1.1—2017.12.31）上線的熱門小程式的相關資料，共蒐集1213 條有效資料。

自變數共6個，分別為：好評率、小程式介紹、分類、標籤、作者及釋出時間。因變數為小程式所獲評分。

02、小程式介紹詞雲圖

圖2 小程式介紹詞雲圖

統計所有小程式中出現的詞條，除去出現頻數低於20的詞條，出現頻數前十的詞條分別為小程式、提供、服務、工作、查詢、資訊、平臺、使用者、生活、分享。

基本可以看出，目前的微信小程式更多選擇面向於使用者的工作需要、生活社交、資訊查詢等日常需求方面。

03、資料分析

1、小程式分類彙總

首先，讓我們來比較一下不同型別的小程式數量佔比。

如下圖所示，將小程式分為16類，工具類的小程式佔比最多，多達17.7%，社交次之12.74%，其餘超過10%的有生活、閱讀類。母嬰、體育、音樂類的佔比較少，均低於3%，其中音樂類最少，僅佔1.57%。

圖3

2、小程式評分分佈

接下來，我們一起看一下不同類別的小程式他們的評分呈現怎樣的特點。

圖4

由圖四可知，所有類別的小程式均分高達4.5分以上，集中在4.7分左右；不存在“二八現象”，絕大多數小程式評分集中在4-5分，低分段小程式很少。

出行類小程式評分最高（4.77分），影象類小程式評分最低（4.51分）。有關娛樂方面的小程式評分普遍在平均值以下，功能方面的小程式評分較高。

購物類和閱讀類的小程式在高分段的偏多，但均分低，值得進一步探究。

圖5

通過進一步探究，繪製小程式評分箱圖（圖五），我們發現小程式的評分呈現五大特點：

▲ 評分總體偏高：所有類別的小程式的中位數都集中在4.5分及其以上。

▲ 評分相對集中：大部分小程式評分集中在4-4.8之間；其中辦公類評分最集中，閱讀類評分最分散。

▲ 評分分佈較不平衡：評分集中在中位數以下的小程式類別較多。而辦公類、出行類評分集中在中位數以上。

▲ 上限都為滿分，下限也較高：下限普遍在3分及其以上，其中最低下線的閱讀類小程式為2分。

▲ 低分異常值多為1分：低分異常值為1分的小程式分佈在工具、健康、視訊類、影象類中，值得進一步研究。

3、時差序列分析

圖6

從年初上線到年末，不同時間，小程式的分佈也有所不同。

2017年1月9日小程式正式上線，當日有193個小程式上線，也是2017上半年上執行緒序最多的一天。小程式在2017年1-2月日釋出數量多，波動也大，平均日釋出數量25個左右。2月17日直至6月，小程式釋出數量的情況逐漸趨於穩定，一天釋出的小程式一般不超過10個。

4、標籤長度

圖7

圖8

小程式的標籤相當於小程式自身的一張“名片”，不同的“名片”對小程式的評分也有著重要影響。由圖7可知：

★ 各類小程式的評分中標籤長度短的小程式所獲評分佔各自總評分的一半以上，而標籤長度長的小程式所獲評分在總評分中佔比最小。

★ 由資料可知標籤字元長度短的小程式獲得更多的評分，可推測標籤字元長度短的小程式擁有更多的使用者。

★ 大部分分類小程式的評分佔總評分的4%左右，而工具、社交、生活、閱讀的評分顯著高於這個數值，其中工具的評分最高，佔總評分的17.7%。

★ 總體可見，使用者對於社交、工具、閱讀、生活類的小程式滿意度較高，可推測其在日常生活中有一定的消費需求，且目前的小程式能較好的實現他們的需求

04、建模分析

首先，我們繪製了顯著性分析表格（顯著性是用於實驗處理組與對照組或兩種不同處理的效應之間是否有差異，以及這種差異是否顯著的方法。我們把數值小於0.05的顯著性水平，視作有顯著說明的假設，因而可排除數值大於0.05的變數。）

圖9：顯著性分析

根據圖9表格，我們可知：

評分變數、字元長度的迴歸程度十分顯著，具有顯著的解釋意義。釋出時間變數、人氣變量回歸程度不顯著，解釋意義弱。

因此，我們將我們將釋出時間、人氣變數剔除，進行其他變數對評分的影響研究。

接著，我們建立模型。

圖10

模型為：

Y（評分）=2.101E-14+5*（好評率）-5.546E-17*（標籤字元長度值）+1.368E-16*（分類優化值）

模型完美擬合，因而我們需要進一步探尋該三個變數各自對評分的影響。

圖11

小程式分類、小程式字元長短、好評率這三個變數，實現了完美擬合，說明這三個變數對於評分的影響是顯著的。

此表中R值等於1，說明該三者變數具有絕對相關的關係。

進一步，我們需對單一變數進行詳細研究。

圖12：好評率相關性

上述表中，R的數值等於1，好評率完美擬合評分模型，說明好評率與評分有著必然相關的聯絡

圖13：好評率模型

上述表中，評分作為因變數，可精準反映模型 Y（評分）=2.220E-14+5*（好評率）。

最後，去除好評率的相關性。

圖14

圖14表中，R值為0.095，遠小於0.5，因而評分與標籤字元長度、分類的相關性很弱。

為了進一步完善研究，我們將對二者相關性進行單獨檢驗。

圖15

圖16

標籤字元長度的R值為0.054，分類的R值為0.078，均遠小於0.5 。因此我們得出：標籤字元長度、分類與評分的相關性很弱。

綜上述：在上述諸多變數當中，唯有評分與好評率有著絕對相關的關係，對總評分起到了絕對顯著的影響，其他變數的迴歸程度關係很弱，因而對總評分的影響甚微，卻不代表毫無影響。

05、建模分析建議

1. 重視且提升低頻剛需領域：提供娛樂方面服務的小程式評分較低，例如音樂類、視訊類、影象類等，深入調查後給予詳細的解決方法。

2. 保持高頻剛需類的優勢：如出行類、工具類、金融類等，使用者對此的好評率高。在維持方便快捷的優勢的同時，也要對此進行優化，提供更細緻的服務。

3. 完善平臺機制：鼓勵更多使用者進行小程式評價，提供更良好的平臺讓程式開發商開發出更多樣化的小程式上線。

4. 標籤具體更有利：各類小程式的標籤需要在15個字以上，更具體，讓消費者更快速地瞭解到小程式提供的相關服務。

5. 注重優化: 保持現有的小程式發行速率，更注重優化現有小程式，提高使用者體驗，增強使用者群體的粘連性。

總體而言，小程式的評分與使用者體驗的感受具有極大關聯，程式運營方可通過加強自身程式的使用者體驗為主導，進行重點研發以及投入，並以小程式的名稱唯一性、釋出時間、描述匹配關鍵詞、宣傳等方面為次要導向，進行加強，完善使用者體驗，使得小程式具備競爭力。

以上就是本次彙報的全部內容，看完是不是對網際網路產品與運營有了更清楚的認識呢？

小夥伴們通過訓練營的行業熱點真實專案，不但掌握了資料分析應用技能，也對行業有了更加深入的認識，這段專案經歷和他們的專案報告，也將成為他們未來進入行業時簡歷背景上出彩的一筆。期待見到更多小夥伴的優秀作品哦~~