The Free-To-Play industry relies on getting a huge inflow of new players that might result in future gross bookings. Consequently, getting organic new players is crucial to ensure its health, especially as they have no direct associated acquisition cost. In addition, forecasting helps business planning as future gross bookings result from those news installs. This thesis investigates methods such as Linear Regression, Ridge, Lasso regularization, time-series analysis, and Prophet to forecast the inflow of organic installs and try to understand the factors impacting it. Using the data from 3 games for two platforms and 15 countries, it investigates the differences in behavior observed over the segments. This thesis first focuses on a specific segment by modeling the inflow of organic installs for the game number 17 on iOS in the United States of America. On this segment, the best model is the Lasso model using, among others, a Prophet model as a variable. However, the generalization to all segments is difficult. On average, exponential decay over time is the best way to forecast the future inflow of organic as it presents the more consistent performances over all segments. / Free-To-Play-branschen är beroende av att få ett stort inflöde av nya spelare, som sedan eventuellt kan generera framtida intäkter. För att kunna säkerställa ett spels fortsatta hälsa är det därför avgörande att få nya spelare organiskt. Detta är särskilt viktigt då det inte innebär någon anskaffningskostnad. Då framtida intäkter är beroende av nya nedladdningar är prognostisering till stor nytta i företagsplanering. Denna uppsats använder metoder som linjär regression, Ridge, Lasso-regularization, tidsserieanalys och Prophet för att förutspå inflödet av organiska nedladdningar och förstå vilka faktorer som påverkar detta inflöde.Genom användningen av data från tre spel från två plattformar och 15 länder undersöks skillnader i beteende för olika segment. Denna uppsats fokuserar på ett specifikt segment genom att modellera inflödet av organiska nedladdningar för spel nummer 17 på iOS i USA. För detta segment är Lasso-modellen bäst, som bland annat använder Prophet-modellen som variabel. Det är dock svårt att överföra slutsatserna på andra segment. Istället är det bättre att anta en exponentiell nedgång över tid när man förutspår framtida inflöden av organiska nedladdningar, då det ger mer konsekventa resultat för alla segment.

The smartphone industry has grown immensely in recent years. The two leading platforms, Google Android and Apple iOS, each feature marketplaces offering hundreds of thousands of software applications, or apps. The vast selection has facilitated a maturing industry, with new business and revenue models emerging. As an app developer, basic statistics and data for one's apps are available via the marketplace, but also via third-party data sources. This report regards how mobile software is evaluated and rated quantitatively by both endusers and developers, and which metrics are relevant in this context. A selection of freely available third-party data sources and app monitoring tools is discussed, followed by introduction of several relevant statistical methods and data mining techniques. The main object of this thesis project is to investigate whether findings from app statistics can provide understanding in how to design more successful apps, that attract more downloads and/or more revenue. After the theoretical background, a practical implementation is discussed, in the form of an in-house application statistics web platform. This was developed together with the app developer company The Mobile Life, who also provided access to app data for 16 of their published iOS and Android apps. The implementation utilizes automated download and import from online data sources, and provides a web based graphical user interface to display this data using tables and charts. Using mathematical software, a number of statistical methods have been applied to the collected dataset. Analysis findings include different categories (clusters) of apps, the existence of correlations between metrics such as an app’s market ranking and the number of downloads, a long-tailed distribution of keywords used in app reviews, regression analysis models for the distribution of downloads, and an experimental application of Pareto’s 80-20 rule which was found relevant to the gathered dataset. Recommendations to the app company include embedding session tracking libraries such as Google Analytics into future apps. This would allow collection of in-depth metrics such as session length and user retention, which would enable more interesting pattern discovery. / Smartphonebranschen har växt kraftigt de senaste åren. De två ledande operativsystemen, Google Android och Apple iOS, har vardera distributionskanaler som erbjuder hundratusentals mjukvaruapplikationer, eller appar. Det breda utbudet har bidragit till en mognande bransch, med nya växande affärs- och intäktsmodeller. Som apputvecklare finns grundläggande statistik och data för ens egna appar att tillgå via distributionskanalerna, men även via datakällor från tredje part. Den här rapporten behandlar hur mobil mjukvara utvärderas och bedöms kvantitativt av båda slutanvändare och utvecklare, samt vilka data och mått som är relevanta i sammanhanget.  Ett urval av fritt tillgängliga tredjeparts datakällor och bevakningsverktyg presenteras, följt av en översikt av flertalet relevanta statistiska metoder och data mining-tekniker. Huvudsyftet med detta examensarbete är att utreda om fynd utifrån appstatistik kan ge förståelse för hur man utvecklar och utformar mer framgångsrika appar, som uppnår fler nedladdningar och/eller större intäkter. Efter den teoretiska bakgrunden diskuteras en konkret implementation, i form av en intern webplattform för appstatistik. Denna plattform utvecklades i samarbete med apputvecklaren The Mobile Life, som också bistod med tillgång till appdata för 16 av deras publicerade iOSoch Android-appar. Implementationen nyttjar automatiserad nedladdning och import av data från datakällor online, samt utgör ett grafiskt gränssnitt för att åskådliggöra datan med bland annat tabeller och grafer. Med hjälp av matematisk mjukvara har ett antal statistiska metoder tillämpats på det insamlade dataurvalet. Analysens omfattning inkluderar en kategorisering (klustring) av appar, existensen av en korrelation mellan mätvärden såsom appars ranking och dess antal nedladdningar, analys av vanligt förekommande ord ur apprecensioner, en regressionsanalysmodell för distributionen av nedladdningar samt en experimentell applicering av Paretos ”80-20”-regel som fanns lämplig för vår data. Rekommendationer till appföretaget inkluderar att bädda in bibliotek för appsessionsspårning, såsom Google Analytics, i dess framtida appar. Detta skulle möjliggöra insamling av mer detaljerad data såsom att mäta sessionslängd och användarlojalitet, vilket skulle möjliggöra mer intressanta analyser.