解析App Store排名公式工作apptentive引导企业应用程序和启动应用程序商店，我学到一件或两件事有关App Store优化成一个应用程序的排名是什么。这是我个人的目标现在有些时候拉开窗帘谷歌和苹果。然而，更深的进入兔子洞去，更未经检验的假设在我离开我的方式。

因此，我认为这是由于时间把一些长期存在的假设，通过挑战。

作为SEO，我们知道多少的影响，一个单一的排名意味着在SERP。一个小小的排名上升或下降，可当它来到你的网站的流量和收入，使所有的差异。

在应用程序的世界排名是一样重要的，当谈到站在海上的1300000多个应用程序。apptentive的最近的手机消费调查流一点光这一说法，揭示了近一半的移动应用程序的用户识别浏览App Store排行榜和搜索结果（在其中的位置取决于排名）是一种在应用商店寻找新应用程序的首选方法。简单地说，更好的排名意味着更多的下载和更容易的发现。

像谷歌和Bing，两大应用商店（Apple App Store和谷歌玩）已经确定为基于关键字的App Store排行榜排名搜索和复合的复杂和高度戒备的算法。

不像SEO，然而，很少有研究和理论已经进行了在这些排名是什么。

直到现在，那是。

在五研究的500大iOS的横截面的各种公开数据点分析课程（美国苹果App Store）和排名前500位的Android应用程序（美国谷歌播放），我会试图直接一点打破神话在ASO的记录。在这个过程中，我希望评估和量化任何感知相关的App Store排名，排名波动，和几个因素通常认为影响到应用程序的排名。

无论是苹果App Store和谷歌玩大约有1300000应用程序每个，和商店功能的应用类别相似的故障。应用居两店应该，理论上，在一个相当公平的搜索量和竞争。

这些应用程序，近三分之二没有收到一个等级99%被认为是无益的。这些研究，因此，单一规则的排名前500的应用程序在每个商店的罕见的例外。

而苹果和谷歌透露具体如何计算他们的搜索排名，这是普遍接受的这两个App Store算法因子：

平均App Store评级
评级/评论数量
下载并安装数
卸载（什么保留和流失，像应用程序）
应用程序使用统计（怎么搞的一个应用程序的用户和他们是多么频繁地启动应用程序）
增长趋势倾向于近因（如何下载数随时间的变化，如今的收视率比上周的）
该应用程序的登陆页面的关键字密度（伊恩做了伟大的工作在以前的MOZ后覆盖这个因素）
我简化了这个公式功能突出四要素具有足够的数据（或者至少代理数据）我们的分析：

排名= FN（评级，评级数，安装，趋势）

当然，现在，这个广义函数不多说。在接下来的五项研究，然而，我们会重新审视这一功能最终试图比较这四个变量的权重在App Store排名。

（为简洁，目的我会停在这里的假设，但是我去到更大的深度如何我在得出上述结论的在App Store排名55页的报告。）

现在，在疯狂的科学。

研究# 1：苹果对苹果App Store排名波动

第一，最直接的五项研究涉及跟踪在App Store排名在iOS和Android版本的日常运行相同的应用程序以确定任何趋势在两店排名波动率之间的差异。

我为这一研究的五个应用程序的一个小样本去，而唯一的标准是：

他们所有的应用程序，我积极利用（一个标准即将与五应用程序，但不影响在美国应用商店的排名）
他们在排名前500位的（但不是前25，我认为App Store排名会粘在上面的一个假设，我在研究# 2测试）
他们在谷歌Play和App Store的应用程序几乎相同的版本，这意味着他们应该（理论上）排名同样

这五个应用程序中，谷歌玩排名，事实上，比App Store排名显著波动较小。35数据点间的记录，排名在谷歌发挥感动了多达23的位置/队伍每天在App Store排名上升到89的位置/等级。在App Store排名波动的标准差，此外，大于4.45倍的谷歌玩。

当然，相同的应用程序在他们的排名变化相当显着的两个应用程序商店，所以我那么标准的百分比变化方面的排名波动为数字等级对波动性的影响控制。当演员在这光，App Store排名变化高达72%，在24小时内，而谷歌玩排名不多于9%的改变。

另外，每天的排名往往在两个应用程序商店同样的方向大约2/3的时候，这两家店，和他们的客户，可能有更多的共同点比我们想象的。

研究# 2：App Store排名波动顶部的图表

测试的假设在研究1号数据规范隐，这一目的是看看App Store排名波动是一个应用程序的当前等级相关。本研究的样本包括排名前500的应用程序在谷歌Play和App Store，特别注意那些在光谱的两端（排名1，100和401––500）。

假设

我期待的排名更高挥发性的应用程序排名的意义排450号应该能够将更多的队伍在任何一天比一个APP排名50。这种假设是基于假设，排名较高的应用程序有更多的安装，活跃用户，和评级，并将采取大幅度产生这些因素中的任何一个明显的转变。

一看上面显示在商店的应用程序已经越来越动荡的排名表（基于多少队伍，他们在过去24小时移动）下对他们排名列表。

这是尤其如此，当比较的频谱的两端与一个看似直波动线谷歌发挥100大应用程序之间和很少的光点在App Store前100。比较这部分的下端，排名401–）500，在商店的经验，在他们的排名更加动荡。在色域，我发现排名在Play Store和App Store排名28%的相关性波动之间的相关性24%。

根据这一观点，在谷歌玩的401–平均APP）500级移动排名12.1在过去的24小时里，而在排名前100的App移动平均只有1.4的行列。为应用程序商店，这些数字分别为64.28和11.26，使稍低排名应用程序超过五次波动排名最高的应用程序。（我说略这些“低级别”的应用程序仍然排名高于所有应用程序的99.96%。）

等级与波动之间的关系在App商店排行榜上是一致的，而排名在波动更大的影响在谷歌下端发挥图表（排名1-100有35%相关）比它的上端（等级级有1%的相关性）。

研究# 3：App Store排名在星星

下一步的研究着眼于等级和星级评定确定设置顶部的图表应用程序除了休息和探索任何与App Store排名波动的趋势之间的关系。

假设

排名= FN（评级，等级数，安装，趋势）

在绪论中讨论，本研究直接涉及到的因素之一，通常认为是App Store排名影响：平均评级。

开始，我认为，更高的等级一般对应于更高的收视率，巩固排名算法中的星级评级的作用。

至于波动，我没有预料到的平均在App Store排名波动起作用的评价，我认为没有理由为高评级的程序要比低级别的应用程序不易挥发，反之亦然。相反，我认为波动是与评级体积 （我们将在我们最后的研究探讨）。

研究# 4：App Store排名在版本

这一研究是在一个应用程序的当前版本的年龄之间的关系，它的排名和排名的波动

研究# 5：App Store排名在月度活跃用户

在最后的研究，我想了解它的排名应用的知名度的作用。在一个理想世界，普及将通过一个应用的月活跃用户（MAU）测量，但是因为很少有移动应用程序开发者已经发布了这个信息，我已经解决了两个公开的代理：等级数和安装。

总结

曾经那么稍短做长后，这里的螺母和螺栓，在App Store的优化这五个疯狂的科学研究发现：

顶部的图表，苹果App Store排名4.45x更加动荡比谷歌玩
排名越来越不稳定，T他下一个APP排名。这是尤其如此，在苹果应用商店的排行榜。
在商店，高等级的应用往往有一个App Store评级数远远超过平均值的应用。
评级出现向谷歌玩算法更重要，尤其是苹果的App Store排行榜经验更广泛的评级分布比谷歌剧排行榜。
的高一个应用程序是额定的，不易挥发它的排名。
的排名100的应用程序在任何商店的更新更加频繁比一般的应用程序，并与老版本应用程序的评级较低的正相关。
一个应用程序的更新频率负相关与谷歌Play排名波动，但呈正相关在App Store排名波动。这可能是由于苹果如何衡量一个应用程序的最新评级和评论。
排名最高的谷歌播放应用程序接收，平均，15.8x更多评级比排名最高的App Store的应用程序。
在应用程序商店，秋季401–500居下接收，平均，10–的评量20%在排名前100的应用程序看到的。
评量，通过扩展，安装或老鼠，也许是队伍的最佳指标，一个29–40%相关两者之间的。
重温我们的第一（虽然简单）想在应用商店的排名算法给我们这个松散定义的函数：

排名= FN（评级，评级数，安装，趋势）

我现在重新编写函数为称重这四个因素，其中，B，C和D是未知的乘数公式，权重，或：

排名=（等级*）+（等级数×B）+（安装* C）+（趋势* D）

这五项研究对麻生太郎棚一点光在这些乘法器，显示等级数有秩的相关性最强，其次是安装，在应用程序商店。

它与其他两个因素评价和趋势两店表现出最大的差异。我想说，App Store评级优先增长趋势猜测，鉴于它的地方，一个应用程序的当前版本和顶部的图表评级的广泛分布的重要性。谷歌玩，另一方面，似乎有利的评级，与应用程序就必须有至少四颗星星进入前100行列的一个不成文的规定。

因此，我们在这最后的一瞥是在商店做顶图结束我们的疯狂科学：

在苹果App Store排名算法的因素权重

评级数>安装>趋势>评级

在谷歌因素重玩排序算法

评级数>安装>等级>的趋势

再次，我们简化为保持本岗位仅3000字的缘故，但其他因素，包括关键词密度和APP参与统计继续成为强大的指标排名。他们只是躺在这些研究的范围。

我希望你发现这个深潜水都有益和有趣的。前进，我也希望看到ASOS开展带来了SEO的中心舞台相同的实验，并鼓励你增强或反驳这些发现与自己的麻生太郎疯狂的科学实验。

请在下面的评论中分享你的想法，让我们解构排名公式，一次一个实验。

• 牧羊人相关推荐：
• 视觉吸引力的影响交互设计
• 深圳网站建设龙华
• 深圳网站制作流程
• 深圳罗湖营销型网站建设