app排名是我们每个人都想要的，因为越靠前本身app下载量越多，基本上98%的app是按照这个规则，但是也有个别的靠前的位置没有其他位置下载量好，我们这里不考虑这个，只考虑98%的app的，那么应该如何该预测一款app排名呢，我们这里提供3种方法介绍。

　　第1种是根据公用关键词预测排名。

　　我们发现，由于Appstore有效的关键词也就在10万以内，分配的各个类别的更少，因此存在大量App选用同一关键词的情况，也就是说两个App可能有大量共有的关键词。因为这些关键词的排名是已知的，因此可以利用“共有关键词”对App进行排名估计。

　　举个例子，好比App1和App2，有100个共有关键词，而其中有99个关键词，App1排名都比App2靠前。那么对于一个新的共有关键词，App1理应比App2排名更好。

　　我们仍以搜索词“温度计”为例，比较排名第1的“Thermo ~ 温度计”和排名第2的“实时户外温度(温度计)”，两个app的共同关键词如图所示:

　　图2 App共有关键词比较，左侧“我的排名”对应“Thermo ~ 温度计”，右侧“竞品排名”对应“实时户外温度(温度计)”

　　我们只考虑热度大于等于4605的词， 这两个App拥有共同的关键词数为16个。在这些关键词下，“Thermo ~ 温度计”名次靠前的有13个，“实时户外温度(温度计)”名次靠前的有3个。因此，如果新出现一个关键词，我们会认为“Thermo ~ 温度计”排名“实时户外温度(温度计)”靠前。

　　我们继续分析下“实时户外温度(温度计)”名次靠前的例子，“温度计测量”、“测量温度”这2个词，可以看到，这些都是标题部分匹配的例子，也就说两个App的标题都只匹配了“温度”这个词，而没有匹配“测量”。而进一步分析发现，“实时户外温度(温度计)”关键词中是包含“测量”这个词的，而“Thermo ~ 温度计”并不包含“测量”。因此，造成“实时户外温度(温度计)”的文本得分会高一些。基于这种情况，我们进一步讲共有关键词的匹配分类为标题匹配、关键词匹配等多种情况进行分析。

　　Fig3 “Thermo ~ 温度计”App的关键词中，不包含“测量”这个词

　　Fig4 “实时户外温度(温度计)”App 的关键词中，包含了“测量”这个词

　　利用“共有关键词”可以分析两个App的排名对比情况，而对新增关键词的App，只需要逐一对比关键词下现有的App，就可以定位该新App的排名情况了。

　　通过对500个热度在4605和4700之间的词的排名进行预测， “共有关键词”做搜索排名预测的准确率大于70%。

　　第2种是根据评论可以预测

　　大量的统计结果表明，Appstore的评论数和下载量为1:30到1：100的关系。因此，可以用评论数大致衡量App的下载量。我们也看到，一些运营同学需要估算自己App排名的时候，就是利用App历史评论数大致比较下，看看自己的App是否能到前10名，虽然准确率可能不是很高，但作为参考还是有理有据的。

　　我们使用了最新版本的“月均评论数”作为衡量App质量分的指标，这样比所有历史评论数或者当前版本评论数更合理一些。好比一个App刚上好几年了，如果按照全部历史评论数，显然有失公允，如果用当前版本评论数，也有类似的问题。

　　我们以搜索词“温度计”为例子，其Top10的搜索结果和对应的评论数如下表所示：

　　表1 搜索词“温度计”的搜索结果和对应评论数

　　　　从上表中可以看到，前8个搜索结果，都是标题命中，文本得分一致，因此，按照我们的假设，评论数越多的App，排名越靠前。

　　Top3的App基本符合这个规律，而后5个，因为有3个评论较少，不太好判别，但总体上还是符合我们假设的。而第9和第10名的App，为关键词命中，这两个的排序也符合我们的假设。

　　但我们也发现，像“墨迹天气”这样的App，下载量应该是搜索排名第1 App的几十倍，但搜索排名却非常靠后，而第一名App也没有刷搜索排名的迹象，因此可以认为，App标题，特别是正标题命中的得分，远大于关键词命中得分。像Appstore就有一些App利用了这个规则，把自己App的正标题命名为“找工作”、“信用卡”之类的行业词。

　　通过对500个热度在4605和4700之间的词的排名进行预测，大致准确率约为55%左右。热度更高的词，因为刷的比例过高，预测准确率会差一些。

　　根据下载量预估预测排名

　　因为目前国内刷评论的现象普遍存在，因此，评论数与下载量的正比例关系并不完全准确，预测的准确率稍差，也在情理之中。而国外预测App下载量的方法，一般都是根据评论+榜单的排名情况。 由于榜单刷起来成本还是要高很多的，因此相对更可信一些。根据榜单预测下载量的方法，可以Google “INFERRING APP DEMAND FROM PUBLICLY AVAILABLE DATA”。

　　同样还是针对搜索词“温度计”，其Top10的搜索结果和对应的下载量估计如下表所示：

　　表2 搜索词“温度计”的搜索结果和对应下载量估计

　　这个表的结果大致和评论表数据大致一致，但因为同时利用了评论数和榜单情况来预测下载量，就避免了一些App数据为0的情况，因此，预测的准确率会更高一些。当然，我们根据国外的方法，预测的App日均下载量都偏高，但因为搜索排名只考虑相对的大小，故不影响排序预测。

　　同样通过对500个热度在4605和4700之间的词的排名进行预测，大致准确率约为60%左右，比用评论估计的准确率略高。

　　目前我们的线上也提供了基于评论和下载的排名分析服务，具体如下图所示：

以上是关于对aso优化来说如何预估一款app的排名的介绍。