AppRecommender ist ein Forschungs- und Entwicklungsprojekt, das sich auf die Lösung eines der hartnäckigsten Probleme auf dem mobilen App-Markt konzentriert: Nutzern zu helfen, die richtige App zu finden, ohne sich durch Millionen irrelevanter Ergebnisse wühlen zu müssen. Entwickelt von Caixa Mágica Software in Zusammenarbeit mit ISCTE-IUL und kofinanziert von Portugal 2020 unter der Projektnummer 39703 kombiniert AppRecommender ein Multikriterien-Empfehlungssystem mit einer semantischen Suchmaschine, die speziell für mobile App Stores entwickelt wurde.
Das Projekt adressiert einen Markt, auf dem die Entdeckung fehlerhaft ist. Geschäfte wie Google Play und App Store von Apple Millionen von Anwendungen halten. Die richtige zu finden, ist kein gelöstes Problem.
AppRecommender Challenge: Ein Markt, auf dem die Entdeckung versagt
AppRecommender und das Ausmaß des Problems
Bis 2017 gab es im Google Play Store 2,8 Millionen Apps. Im App Store von Apple waren es 2,2 Millionen. Aptoide, der unabhängige Android-Store, in dem Caixa Mágica tief verwurzelt ist, hatte über eine Million. Zusammengenommen repräsentieren diese Stores einen so großen Katalog, dass eine einfache Stichwortsuche als Entdeckungsmechanismus nicht mehr ausreicht.
Die Downloadzahlen zeichnen ein ähnliches Bild. Allein im Jahr 2016 gab es weltweit 149,3 Milliarden App-Downloads – eine Zahl, die sich bis 2020 voraussichtlich verdoppeln wird. Doch Menge ist nicht gleich Erfolg. Viele dieser Downloads waren wiederholte Versuche von Nutzern, eine passende App zu finden, nachdem frühere Apps ihre Bedürfnisse nicht erfüllt hatten. In 77% der Fälle wird eine App innerhalb von 72 Stunden nach der Installation nicht erneut genutzt. Nutzer laden sie herunter, probieren sie aus, geben sie auf und suchen erneut.
Angebot und Nachfrage sind nicht aufeinander abgestimmt
Das Kernproblem ist eine Diskrepanz zwischen dem, was Shops anbieten, und dem, was Nutzer in einem bestimmten Moment tatsächlich benötigen. App-Stores verteilen. Sie empfehlen nicht im eigentlichen Sinne. Suchergebnisse werden von Downloadzahlen, Bewertungen und bezahlten Platzierungen beeinflusst, nicht von einem echten Verständnis dessen, was ein bestimmter Nutzer sucht.
Daher spielt Mundpropaganda bei der Entdeckung von Apps eine entscheidende Rolle. Im Jahr 2017 erfolgten 52% der App-Entdeckungen durch Empfehlungen von Freunden, Familienangehörigen oder Kollegen. Nur 40% erfolgten über die Suche im Geschäft. Ein Milliardenmarkt hing also eher von Gesprächen zwischen Menschen ab als von der Technologie, die jedem Nutzer zur Verfügung stand.
Für Entwickler waren die Folgen gravierend. Gartner prognostizierte, dass sich bis Ende 2018 weniger als 0,01% der App-Entwickler als kommerziell erfolgreich betrachten würden. Die meisten Apps finden, unabhängig von ihrer Qualität, niemals ihr Publikum.
Warum die bestehende Suche es nicht löst
Die Standard-Keyword-Suche geht davon aus, dass Benutzer wissen, wonach sie suchen, und dies präzise formulieren können. Beides ist nicht zuverlässig wahr. Ein Benutzer, der eine App zum Verfolgen seiner Radrouten sucht, sucht möglicherweise nach “Radeln”, “Fahrrad-Tracker”, “GPS-Sport” oder einer beliebigen Anzahl von Variationen. Er beschreibt möglicherweise, was er tun möchte, anstatt wie die App heißt. Keyword-Matching kann keines davon gut verarbeiten.
In der Praxis benötigen Benutzer ein System, das die Absicht versteht, etwas über den Kontext und die Historie des Benutzers weiß und dieses Verständnis mit dem tatsächlichen Profil verfügbarer Apps abgleicht. Dies ist ein grundlegend anderes technisches Problem als die Stichwortsuche, und es ist das Problem, für das AppRecommender entwickelt wurde.
Aufbau des AppEmpfehlungssystems
Zwei komplementäre Komponenten von AppRecommender
AppRecommender basiert auf zwei Systemen, die zusammenarbeiten: einer Multi-Kriterien-Empfehlungsmaschine und einer semantischen Suchmaschine. Jedes löst einen anderen Teil des Entdeckungsproblems.
Die Empfehlungs-Engine von AppRecommender schlägt Apps proaktiv vor. Sie wartet nicht darauf, dass ein Benutzer sucht. Stattdessen bestückt sie Touchpoints auf mobilen Startbildschirmen, Weboberflächen und anderen Oberflächen mit Anwendungen, die zum Profil, zum Kontext und zu den vermuteten Bedürfnissen des Benutzers passen. Relevante Apps erscheinen, bevor Benutzer danach suchen müssen.
Die Verarbeitung von Momenten, in denen Benutzer suchen, ist die Aufgabe der semantischen Suchmaschine. Anstatt Schlüsselwörter mit App-Titeln und -Beschreibungen abzugleichen, versucht sie zu verstehen, was der Benutzer tatsächlich will, und gleicht diese Absicht mit den App-Profilen im Store ab. Ein Benutzer, der ein Verhalten beschreibt und nicht eine App-Kategorie nennt, sollte dennoch relevante Ergebnisse erhalten.
Multi-kriterien-Empfehlung
Die Empfehlungskomponente verwendet mehrere Datenpunkte, um die Passgenauigkeit zwischen einem Nutzer und einer App zu bewerten. Nutzerprofil, vergangenes Verhalten, aktueller Kontext, Gerätetyp, Standort, Tageszeit und die Eigenschaften der Apps selbst fließen in die Berechnung ein.
Dieser Ansatz erzeugt Empfehlungen, die spezifisch für den Einzelnen und nicht generisch für eine bestimmte demografische Gruppe sind. Zwei Benutzer mit ähnlichen Profilen, aber unterschiedlichen Nutzungsmustern erhalten unterschiedliche Empfehlungen, da das System beide Dimensionen berücksichtigt. Entscheidend ist, dass sich Empfehlungen in Echtzeit ändern, wenn sich der Kontext ändert. Eine App, die um 7 Uhr morgens während des Pendelns relevant ist, kann sich von einer unterscheiden, die um 20 Uhr zu Hause relevant ist.
Semantische Suche für Intent-Matching
Die semantische Suchkomponente adressiert das Vokabularproblem bei der App-Entdeckung. Benutzer suchen nicht in der gleichen Sprache, in der Entwickler ihre Apps beschreiben. Die Suchmaschine von AppRecommender wurde entwickelt, um diese Lücke zu schließen, indem die Absicht des Benutzers, die in natürlicher Sprache ausgedrückt wird, auf die strukturierten Profile von Apps im Store abgebildet wird.
In der Praxis bedeutet dies, dass ein Benutzer beschreiben kann, was er tun möchte, und Ergebnisse erhält, die seiner Absicht entsprechen und nicht seinen exakten Worten. Das System analysiert die Abfrage, schließt daraus, was der Benutzer zu erreichen versucht, und ruft Apps ab, deren Profile mit diesem Ziel übereinstimmen. Dies ist erheblich nützlicher, als jede App mit einem passenden Schlüsselwort im Titel zurückzugeben.
AppRecommender: Echtzeit-Lieferung über Touchpoints hinweg
Beide Komponenten sind für den Echtzeitbetrieb ausgelegt. Empfehlungen erscheinen, wenn ein Nutzer die Startseite des Stores öffnet. Suchergebnisse werden unmittelbar nach einer Anfrage zurückgegeben. Es gibt keine Stapelverarbeitung oder verzögerte Personalisierung. Das System reagiert auf den aktuellen Zustand des Nutzers und nicht auf eine Momentaufnahme seiner Historie von Stunden oder Tagen.
Diese Echtzeitfähigkeit ist wichtig, da sich der Kontext schnell verschiebt. Die Bedürfnisse eines Nutzers, wenn er einen App Store öffnet, sind auf diesen Moment zugeschnitten. Eine Empfehlungsmaschine, die den aktuellen Kontext nicht berücksichtigen kann, arbeitet mit veralteten Informationen.
Forschung, die dem System zugrunde liegt
AppRecommender wurde nicht als rein kommerzielles Produkt entwickelt. Seine Ursprünge liegen in der akademischen und angewandten Forschung, die in Zusammenarbeit mit ISCTE-IUL, einer der führenden Universitäten Portugals für Technologie- und Managementforschung, durchgeführt wurde. Die Partnerschaft kombinierte die Ingenieurkompetenz von Caixa Mágica und die realen App-Store-Daten von Aptoide mit der Forschungsexpertise von ISCTE-IUL im Bereich Empfehlungssysteme und maschinelles Lernen.
Diese Grundlage ist entscheidend für die Qualität der zugrunde liegenden Modelle. Empfehlungssysteme sind nur so gut wie die Forschung, die hinter ihnen steckt. Wenn man auf begutachteten Methoden und getesteten Ansätzen aufbaut statt auf Ad-hoc-Engineering, entsteht ein System, das über verschiedene Benutzer, Kontexte und App-Kataloge hinweg zuverlässig funktioniert.
AppRecommender Einfluss: Was ändert sich für die einzelnen Stakeholder
App-Empfehlungen für Benutzer: Finden Sie sofort die richtige App
Der direkteste Vorteil von AppRecommender ist die Reduzierung von Zeit und Aufwand, den Benutzer für die Suche nach Apps aufwenden, die ihren Bedürfnissen tatsächlich entsprechen. Derzeit ist dieser Prozess nach jeglichen Maßstäben ineffizient. Benutzer suchen mehrmals, laden Apps herunter, die sie nicht verwenden, und verlassen sich auf persönliche Empfehlungen, da die eigenen Werkzeuge des Shops unzureichend sind.
AppRecommender setzt neue Maßstäbe. Nutzer werden bereits beim Öffnen des Stores mit relevanten Apps konfrontiert, noch bevor sie eine Suche starten müssen. Wenn sie doch suchen, spiegeln die Ergebnisse ihre Absicht wider und nicht nur eine Übereinstimmung mit Suchbegriffen. Die Abbruchrate von 77% innerhalb von 72 Stunden nach der Installation ist ein direktes Anzeichen für eine mangelhafte Auffindbarkeit. In der Praxis bedeutet eine bessere Auffindbarkeit, dass Nutzer Apps finden, die wirklich ihren Bedürfnissen entsprechen, was wiederum bedeutet, dass sie diese mit größerer Wahrscheinlichkeit weiterhin nutzen werden.
Für Entwickler und Unternehmen: die richtige Zielgruppe erreichen
Die kommerzielle Misserfolgsquote bei App-Entwicklern ist kein primäres Qualitätsproblem. Viele gute Apps finden nie ihre Nutzer, weil die Entdeckung von etablierten Unternehmen mit großen Marketingbudgets und hohen Downloadzahlen dominiert wird. Ein Empfehlungssystem, das Apps anhand der Passform und nicht der Popularität mit Nutzern abgleicht, eröffnet kleineren Entwicklern einen echten Weg zu ihrem Publikum.
Für Unternehmen, die Apps als Teil einer breiteren Produkt- oder Dienstleistungsstrategie bewerben, bietet AppRecommender eine präzisere Zielgruppenansprache. Das Erreichen von Nutzern, die aufgrund ihres Profils und ihres Kontexts wahrscheinlich mit einer App interagieren, ist wertvoller als das Erreichen eines großen, aber undifferenzierten Publikums.
Für Caixa Mágica und Aptoide: ein besserer Store
Caixa Mágica, als federführender Promoter des AppRecommender-Projekts, bringt die Ergebnisse durch seine Beziehungen zu Aptoide. Für Aptoide, einen Store, bei dem die Qualität der Entdeckungen ein entscheidender Wettbewerbsvorteil ist, stellt AppRecommender eine direkte Verbesserung des Kerndienstes dar.
Bessere Empfehlungen bedeuten, dass Nutzer mehr Zeit im Store verbringen. Relevantere Suchergebnisse bedeuten weniger abgebrochene Sitzungen. Verbesserte Entdeckungsfunktionen erhöhen die Anzahl aktiver Nutzer und die Qualität des Engagements auf der gesamten Plattform. Entwickler, deren Apps die richtigen Nutzer erreichen, veröffentlichen eher über Aptoide und investieren in ihre Präsenz im Store.
