Pangsa Pasar Aplikasi Android di Google Play

Menganalisa dan mencari strategi pemasaran aplikasi di Google Play.

Analisis Data
Python
Author

Alif Dewantara

Published

February 6, 2023

Aplikasi-Aplikasi dalam Google Play Store dan Review-nya

Aplikasi mobile sekarang ada di mana-mana. Semua orang bisa membuatnya dengan mudah dan bahkan banyak yang mencari untung dengan membuat aplikasi. Dua faktor tersebut menyebabkan semakin banyak aplikasi yang dibuat dan dikembangkan. Pada kesempatan kali ini, kita akan membuat analisis komprehensif tentang pasar aplikasi Android dengan membandingkannya dengan sekitar sepuluh ribu aplikasi di Google Play dari bermacam-macam kategori. Kita akan melihat insight dari data yang telah kita punya untuk memberikan gambaran terkait strategi pengembangan.

Mari kita lihat dua data yang telah kita kumpulkan:

  • Apps.csv : berisi semua detail aplikasi di Google Play. Di dalamnya juga terdapat 13 fitur yang menjelaskan aplikasi tersebut.

  • user_reviews.csv : berisi 100 review dari tiap aplikasi. Teks dalam review tersebut telah diproses dan diatribusikan dengan tiga fitur baru: Sentimen (Positif, Negatif, atau Netral), Sentimen Polaritas, dan Sentimen Subjektivitas.

Lihat Kode 
#Membaca dataset
import pandas as pd
apps_with_duplicates = pd.read_csv('datasets/apps.csv')

# Menghilangkan duplikasi dari apps_with_duplicates
apps = apps_with_duplicates.drop_duplicates(subset='App')

# Print angka total aplikasi
print('Jumlah total aplikasi di dalam dataset = ', apps['App'].value_counts().sum())
apps.head()
Jumlah total aplikasi di dalam dataset =  9659
Unnamed: 0 App Category Rating Reviews Size Installs Type Price Content Rating Genres Last Updated Current Ver Android Ver
0 0 Photo Editor & Candy Camera & Grid & ScrapBook ART_AND_DESIGN 4.1 159 19.0 10,000+ Free 0 Everyone Art & Design January 7, 2018 1.0.0 4.0.3 and up
1 1 Coloring book moana ART_AND_DESIGN 3.9 967 14.0 500,000+ Free 0 Everyone Art & Design;Pretend Play January 15, 2018 2.0.0 4.0.3 and up
2 2 U Launcher Lite – FREE Live Cool Themes, Hide ... ART_AND_DESIGN 4.7 87510 8.7 5,000,000+ Free 0 Everyone Art & Design August 1, 2018 1.2.4 4.0.3 and up
3 3 Sketch - Draw & Paint ART_AND_DESIGN 4.5 215644 25.0 50,000,000+ Free 0 Teen Art & Design June 8, 2018 Varies with device 4.2 and up
4 4 Pixel Draw - Number Art Coloring Book ART_AND_DESIGN 4.3 967 2.8 100,000+ Free 0 Everyone Art & Design;Creativity June 20, 2018 1.1 4.4 and up

Pembersihan Data (Data Cleaning)

Pembersihan data merupakan salah satu hal penting yang harus dilakukan dalam proyek ilmu data. Walaupun proses ini terbilang membosankan, tapi tak bisa disepelekan.

Dengan melihat sampel acak dalam baris dataset di atas, kita mengetahui bahwa isi dalam beberapa kolom seperti Installs dan Price punya karakter unik (+, $) tergantung dengan jenis angka apa dalam kolom tersebut. Hal ini dimaksudkan agar mencegah kolom diinterpretasikan sebagai angka murni, yang akan membuat kita kesulitan untuk mengaplikasikan perhitungan matematis. Maka dari itu, kita ingin membuat kolom-kolom ini hanya berisikan angka digit [0-9].

Selanjutnya, kita sekarang akan melakukan pembersihan data, terutama menghilangkan karakter-karakter unik , dan + yang ada di kolom Installs dan $ yang ada di kolom Price.

Lihat Kode 
# Daftar karakter yang ingin dihapus
chars_to_remove = ['+', ',', '$']
# Daftar kolom yang ingin dibersihkan
cols_to_clean = ['Installs', 'Price']

# Membuat loop untuk tiap kolom dalam cols_to_clean
for col in cols_to_clean:
  # Membuat loop untuk tiap karakter dalam chars_to_remove
  for char in chars_to_remove:
    # Mengganti karakter dengan string kosong
    apps[col] = apps[col].apply(lambda x: x.replace(char, ''))
    
# Print info dataframe apps
print(apps.info())
<class 'pandas.core.frame.DataFrame'>
Int64Index: 9659 entries, 0 to 9658
Data columns (total 14 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   Unnamed: 0      9659 non-null   int64  
 1   App             9659 non-null   object 
 2   Category        9659 non-null   object 
 3   Rating          8196 non-null   float64
 4   Reviews         9659 non-null   int64  
 5   Size            8432 non-null   float64
 6   Installs        9659 non-null   object 
 7   Type            9659 non-null   object 
 8   Price           9659 non-null   object 
 9   Content Rating  9659 non-null   object 
 10  Genres          9659 non-null   object 
 11  Last Updated    9659 non-null   object 
 12  Current Ver     9651 non-null   object 
 13  Android Ver     9657 non-null   object 
dtypes: float64(2), int64(2), object(10)
memory usage: 1.1+ MB
None

Membenarkan Tipe Data

Jika kita lihat dalam info di atas maka kita mengetahui bahwa kolom Installs dan Price dikategorikan sebagai tipe data object (bukan int atau float). Hal ini disebabkan karena sebelumnya kedua kolom memiliki input yang berbeda-beda: digit dan karakter unik.

Empat fitur yang akan sering kita gunakan adalah Installs, Size, Rating, dan Price. Ketika Size dan Rating keduanya adalah float (angka murni), kita masih harus mengubah Installs dan Price menjadi angka numerik.

Lihat Kode 
import numpy as np

# Mengonversi tipe data Installs menjadi float
apps['Installs'] = apps['Installs'].astype('float64')

# Mengonversi tipe data Price menjadi float
apps['Price'] = apps['Price'].astype('float64')

# Mengecek tipe data dari dataframe apps
print(apps.dtypes)
Unnamed: 0          int64
App                object
Category           object
Rating            float64
Reviews             int64
Size              float64
Installs          float64
Type               object
Price             float64
Content Rating     object
Genres             object
Last Updated       object
Current Ver        object
Android Ver        object
dtype: object

Mengkategorisasikan Aplikasi

Dengan lebih dari 1 milyar pengguna aktif di 190 negara di dunia, Google Play tetap menjadi tempat utama distribusi aplikasi yang menjangkau global. Agar perusahaan/bisnis dapat menjangkau aplikasinya ke pengguna, penting untuk membuat aplikasi tersebut cepat dan mudah ditemukan di Google Play. Untuk mengembangkan pengalaman pencarian, Google telah memperkenalkan konsep mengelompokkan aplikasi berdasarkan kategori.

Hal ini akan membawa kita ke beberapa pertanyaan:

  • Kategori apa yang memiliki pengguna tertinggi di pasar?

  • Apakah ada kategori spesifik yang mendominasi pasar?

  • Kategori apa yang memiliki jumlah aplikasi paling sedikit?

Kita akan melihat bahwa terdapat 33 kategori aplikasi di dalam dataset. Aplikasi Family dan Game memiliki prevalensi pasar tertinggi. Menariknya, aplikasi Tools, Business, dan Medical juga berada di peringkat atas.

Lihat Kode 
#Mengimpor plotly
import plotly
plotly.offline.init_notebook_mode(connected=True)
import plotly.graph_objs as go

# Print jumlah total kategori
num_categories = len(apps['Category'].unique())
print('Jumlah kategori = ', num_categories)

# Menghitung angka aplikasi dalam setiap 'Category'
num_apps_in_category = apps['Category'].value_counts()

# Mengurutkan num_apps_in_category dalam urutan menurun (descending) berdasarkan jumlah aplikasi dalam tiap kategori
sorted_num_apps_in_category = num_apps_in_category.sort_values(ascending=False)

# Membuat plot
data = [go.Bar(
        x = num_apps_in_category.index, # index = category name
        y = num_apps_in_category.values, # value = count
)]

# Menampilkan data
plotly.offline.iplot(data)
Jumlah kategori =  33

Distribusi Rating Aplikasi

Setelah melihat market share dari tiap kategori aplikasi, mari kita meliha bagaimana aplikasi-aplikasi ini bekerja secara rata-rata. Penilaian (rating) aplikasi (dalam skala 1 sampai 5) mempengaruhi pencarian, pengubahan aplikasi, dan juga nama baik dari sebuah brand. Penilaian adalah indikator kunci performa suatu aplikasi.

Dari penelitian ini, kita menemukan bahwa rata-rata volume penilaian keseluruhan aplikasi adalah 4,17. Jika dibuatkan histogram, maka ia akan left skewed yang mengindikasikan bahwa sebagia besar aplikasi diberikan rating tinggi.

Lihat Kode 
# Average rating of apps
avg_app_rating = apps['Rating'].mean()
print('Rata-rata rating aplikasi = ', avg_app_rating)
Rata-rata rating aplikasi =  4.173243045387994
Lihat Kode 
# Distribution of apps according to their ratings
data = [go.Histogram(
        x = apps['Rating']
)]

# Vertical dashed line to indicate the average app rating
layout = {'shapes': [{
              'type' :'line',
              'x0': avg_app_rating,
              'y0': 0,
              'x1': avg_app_rating,
              'y1': 1000,
              'line': { 'dash': 'dashdot'}
          }]
          }

plotly.offline.iplot({'data': data, 'layout': layout})

Ukuran dan Harga suatu Aplikasi

Mari kita sekarang mencari tahu ukuran dan harga suatu aplikasi. Untuk ukuran, jika suatu aplikasi ponsel berukuran terlalu besar, maka pengguna akan kesulitan dan/atau merogoh kocek yang lkebih mahal untuk mengunduhnya. Waktu unduh yang panjang dapat membuat pengguna meninggalkan unduhannya sebelum mencoba aplikasi yang telah dibuat. Selain itu, setiap ponsel yang dimiliki pengguna punya penyimpanan yang terbatas. Untuk harga, beberapa pengguna memiliki ekspektasi bahwa aplikasi bersifat gratis atau dengan harga terjangkau. Masalah-masalah ini harus diperhatikan jika kita ingin menargetkan lebih banyak pengguna dari berbagai wilayah, yang tentunya memiliki kecepatan internet, mata uang dan nilai tukar yang berbeda.

Maka kita akan mengajukan beberapa pertanyaan terkait dengan ukuran dan harga suatu aplikasi.

  • Apakah ukuran aplikasi mempengaruhi ratingnya?

  • Apakah pengguna menoleransi ukuran aplikasi kompleks yang besar atau mereka lebih memilih aplikasi sederhana yang ringan saja?

  • Apakah harga aplikasi mempengaruhi rating?

  • Apakah pengguna selalu lebih memilih aplikasi gratis ketimbang aplikasi berbayar?

Nah, kami menemukan bahwa mayoritas aplikasi yang memiliki rating teratas di Google Play (rating di atas 4) memiliki ukuran antara 2MB hingga 20MB. Kami juga menemukan bahwa sebagian besar aplikasi memiliki harga kurang dari $10.

Lihat Kode 
# Impor modul
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style("darkgrid")
import warnings
warnings.filterwarnings("ignore")

# Memilih baris di mana 'Rating' dan 'Size' tidak kosong (null)
apps_with_size_and_rating_present = apps[(~apps['Rating'].isnull()) & (~apps['Size'].isnull())]

# Memfilter kategori yang setidaknya memiliki 250 aplikasi
large_categories = apps_with_size_and_rating_present.groupby('Category').filter(lambda x: len(x) >= 250)

# Membuat plot size vs. rating
plt1 = sns.jointplot(x = large_categories['Size'], y = large_categories['Rating'], kind = 'hex')

# Memperlihatkan plot
plt.show()

Lihat Kode 
# Memilih aplikasi yang 'Type'-nya 'Paid'
paid_apps = apps_with_size_and_rating_present[apps_with_size_and_rating_present['Type'] == 'Paid']

# Membuat plot price vs. rating
plt2 = sns.jointplot(x = paid_apps['Price'], y = paid_apps['Rating'])

# Memperlihatkan plot
plt.show()

Hubungan antara Kategori dan Harga dalam Aplikasi

Nah, sekarang kita masuk ke bagian tersulit. Bagaimana cara perusahaan dan pengembang menentukan keputusan akhir? Strategi monetisasi apa yang dapat diterapkan perusahaan untuk memaksimalkan keuntungan mereka? Tarif dari sebuah aplikasi sangat berhubungan erat dengan fitur, kompleksitas, dan platform yang disediakan.

Ada banyak faktor yang harus disadari ketika menentukan strategi penetapan tarif bagi suatu aplikasi. Penting untuk kita mengetahui seberapa ingin para pengguna untuk merogoh kocek mereka untuk membayar aplikasi. Penerapan strategi harga yang salah dapat menyebabkan ketidakinginan pengguna memakai bahkan untuk mengunduh aplikasi., Pengguna yang potensial bisa saja mengurungkan niat mereka untuk memakai aplikasi ketika mereka melihat tarif yang terlalu tinggi, atau mereka juga bisa saja menghapus aplikasi yang telah mereka pakai ketika mengetahui ada terlalu banyak iklan.

Kategori yang berbeda tentunya harga yang berbeda pula. Beberapa aplikasi sederhana dan digunakan sehari-hari, seperti kalkulator, seharusnya dibiarkan gratis. Tetapi, akan lebih pantas untuk memberikan tarif kepada, misalnya, aplikasi kesehatan yang bisa mendiagnosa pasien diabetes. Penelitian di bawah ini memperlihatkan bahwa aplikasi Medic dan Family adalah yang termahal. Bahkan, beberapa aplikasi memiliki harga di atas $80. Semua aplikasi Game memiliki tarif di bawah $20.

Lihat Kode 
fig, ax = plt.subplots()
fig.set_size_inches(15, 8)

# Memilih kategori aplikasi populer
popular_app_cats = apps[apps.Category.isin(['GAME', 'FAMILY', 'PHOTOGRAPHY',
                                            'MEDICAL', 'TOOLS', 'FINANCE',
                                            'LIFESTYLE','BUSINESS'])]

# Mengetahui tren harga dengan membuat plot Price vs. Kategori
ax = sns.stripplot(x = popular_app_cats['Price'], y = popular_app_cats['Category'], jitter=True, linewidth=1)
ax.set_title('Tren penerapan harga aplikasi per kategori')

# Memperlihatkan plot
plt.show()

Lihat Kode 
# Aplikasi yang memiliki tarif di atas 200
apps_above_200 = apps[apps['Price'] > 200]
apps_above_200[['Category', 'App', 'Price']]
Category App Price
3327 FAMILY most expensive app (H) 399.99
3465 LIFESTYLE 💎 I'm rich 399.99
3469 LIFESTYLE I'm Rich - Trump Edition 400.00
4396 LIFESTYLE I am rich 399.99
4398 FAMILY I am Rich Plus 399.99
4399 LIFESTYLE I am rich VIP 299.99
4400 FINANCE I Am Rich Premium 399.99
4401 LIFESTYLE I am extremely Rich 379.99
4402 FINANCE I am Rich! 399.99
4403 FINANCE I am rich(premium) 399.99
4406 FAMILY I Am Rich Pro 399.99
4408 FINANCE I am rich (Most expensive app) 399.99
4410 FAMILY I Am Rich 389.99
4413 FINANCE I am Rich 399.99
4417 FINANCE I AM RICH PRO PLUS 399.99
8763 FINANCE Eu Sou Rico 394.99
8780 LIFESTYLE I'm Rich/Eu sou Rico/أنا غني/我很有錢 399.99

Memfilter Aplikasi Sampah

Jika kita melihat dari data di atas sebenarnya ada beberapa aplikasi yang terlampau mahal padahal sebenarnya hanya aplikasi ‘sampah’ (anjir): aplikasi yang sebenarnya tidak punya tujuan untuk apa aplikasi tersebut dibuat. Beberapa pengembang aplikasi membuat aplikasi sampah seperti I Am Rich Premium atau most expensive app (H) hanya untuk lelucon atau untuk menguji skill pengembangan aplikasi mereka.

Mari kita memfilter aplikasi-aplikasi sampah ini dan membuat kembali visualisasinya.

Lihat Kode 
# Memilih aplikasi yang harganya di bawah 100
apps_under_100 = popular_app_cats[popular_app_cats['Price'] < 100]

fig, ax = plt.subplots()
fig.set_size_inches(15, 8)

# Mencari tahu price vs. category dalam aplikasi otentik
ax = sns.stripplot(x = 'Price', y = 'Category', data = apps_under_100, jitter=True, linewidth=1)
ax.set_title('Tren penerapan harga aplikasi setelah memfilter aplikasi sampah')

# Memperlihatkan plot
plt.show()

Popularitas Aplikasi Berbayar vs. Aplikasi Gratis

Terdapat 5 tipe strategi penetapan harga untuk aplikasi di Google Play Store saat ini: free, freemium, paid, paymium, dan subscription. Mari kita fokus pada aplikasi gratis dan berbayar. Karakteristik aplikasi gratis adalah:

  • Dapat diunduh secara gratis.

  • Pemasukan utama lebih sering berasal dari iklan.

  • Sebagian besar dibuat oleh perusahaan yang memiliki produk lain dan aplikasi tersebut adalah tambahan dari produk lain tersebut.

  • Dapat berperan sebagai cara untuk mengenali pengguna, berkomunikasi, atau aplikasi pelayanan pengguna.

Beberapa karakteristik aplikasi berbayar adalah:

  • Pengguna diharuskan untuk membayar sekali untuk mengunduh aplikasi tersebut dan menggunakannya.

  • Pengguna tak dapat merasakan pengalaman seutuhnya dari aplikasi tersebut sebelum membelinya.

Apakah aplikasi berbayar terpasang sama banyaknya seperti aplikasi gratis? Dalam penelitian di bawah ditemukan bahwa aplikasi berbayar memiliki jumlah pemasangan yang lebih rendah dibandingkan aplikasi gratis.

Lihat Kode 
trace0 = go.Box(
    # Data for paid apps
    y = apps[apps['Type'] == 'Paid']['Installs'],
    name = 'Paid'
)

trace1 = go.Box(
    # Data for free apps
    y = apps[apps['Type'] == 'Free']['Installs'],
    name = 'Free'
)

layout = go.Layout(
    title = "Number of downloads of paid apps vs. free apps",
    yaxis = dict(title = "Log number of downloads",
                type = 'log',
                autorange = True)
)

# Add trace0 and trace1 to a list for plotting
data = [trace0, trace1]
plotly.offline.iplot({'data': data, 'layout': layout})

Analisis Sentimen dalam Review dari Pengguna

Menggali informasi tentang review pengguna untuk mengetahui bagaimana orang menilai sebuah produk, brand, atau jasa dapat dilakukan dengan menerapkan teknik bernama Analisis Sentimen (Sentiment Analysis). Review dari pengguna aplikasi dapat dianalisis untuk mengidentifikasi mood pengguna: positif, negatif, atau netral selama menggunakan aplikasi. Misalnya, kata-kata positif dalam sebuah review biasanya mengandung kata ‘amazing (menakjubkan)’, ‘friendly (ramah)’, ‘good (bagus)’, ‘great (mantap)’, dan love (cinta)‘. Kata-kata negatif biasanya mengandung kata seperti’malware (virus)‘,’hate (benci)‘,’problem (masalah), ‘refund (pengembalian dana)’, dan ’incompetent (tak berkompeten).

Dengan membuat plot skor polaritas sentimen dari review pengguna aplikasi berbayar dan gratis, kita menemukan bahwa aplikasi gratis menerima banyak komentar-komentar pedas, yang diindikasikan oleh sumbu-y yang memanjang ke angka negatif. Review untuk aplikasi berbayar tidak menerima pesan negatif sesering aplikasi berbayar. Hal ini mengindikasikan sesuatu terkait dengan kualitas aplikasi, yang artinya: aplikasi berbayar memiliki kualitas yang lebih baik dibandingkan aplikasi gratis. Skor polaritas median untuk aplikasi berbayar agak lebih tinggi dibandingkan aplikasi gratis.

Lihat Kode 
# Memuat user_reviews.csv
reviews_df = pd.read_csv('datasets/user_reviews.csv')

# Menggabungkan kedua dataframe
merged_df = apps.merge(reviews_df)

# Menghilangkan datum null dari kolom Sentiment dan Review
merged_df = merged_df.dropna(subset = ['Sentiment', 'Review'])

sns.set_style('ticks')
fig, ax = plt.subplots()
fig.set_size_inches(11, 8)

# Polaritas sentimen review pengguna untuk aplikasi berbayar vs. aplikasi gratis
ax = sns.boxplot(x = 'Type', y = 'Sentiment_Polarity', data = merged_df)
ax.set_title('Distribusi Polaritas Sentimen')

# Menampilkan plot
plt.show()

Dalam tulisan ini, kita telah menganalisa sekitar sepuluh ribu aplikasi dari Google Play Store. Kita dapat menggunakan penemuan ini untuk memberikan informasi terkait keputusan apakah kita perlu untuk membuat aplikasi kita sendiri.

Important

Tulisan ini adalah salah satu hasil kerja saya dalam career path Data Scientist with Python di Datacamp.

Salam Maria, penuh rahmat, Tuhan sertamu.