产品方向
赛道与品类组合
产品线高度集中在「Education」，品牌心智清晰。
- Education
- 31 款 · 100%
- 主品类「Education」占比 100%，品类结构相对单一
- 品类分散度指数约 0.00（0=极度集中，1=极度分散），便于横向对比其他开发者。
31Apps
4.6Avg Rating
1.6KTotal Ratings
开发者多维度分析
基于 App Store 公开元数据（品类、评分量、星级、上架时间、定价）自动归纳，便于竞品研究与产品规划。 下方「DeepSeek 解读」在配置 API 后由大模型生成；未配置时仅显示规则分析。
DeepSeek AI 解读
按需触发，避免页面初次加载时阻塞。
建议在浏览完规则卡片后再生成，通常耗时 10-40 秒。
产品数据
规模与商业化结构
全组合累计约 1.6K 条评分，体量偏小；免费应用 31 款，付费 0 款。
- 应用数
- 31
- 累计评分数
- 1.6K
- 免费 / 付费
- 31 / 0
- 按评论量，头部应用包括：《MTL Learn Turkish》、《MTL Learn Hebrew》、《MTL Persian Farsi》。
- 当前列表均为免费应用（或价格为 0），变现可能依赖订阅/广告/内购（需结合商店页）。
评分与口碑
加权均值与头部效应
按评分量加权，组合整体约 4.60 星；简单均值约 4.60 星。二者差距可反映「头部应用是否显著拉高口碑」。
- 加权均分
- 4.60 ★
- 算术均分
- 4.60 ★
- 加权分与算术分接近：各应用口碑相对均衡。
- 约 0 款应用暂无评分数据，在分析「尾部表现」时会被弱化。
口碑风险与差评代理
低分与样本不足（API 无评论正文）
iTunes Search API 不提供用户评论原文，此处用「低星 + 足够评论量」近似标出需重点关注的应用；并列出评论样本偏少的应用。
- 未发现「低星且评论量充足」的应用，或样本门槛未触发。
- 评论样本偏少（少于 50 条）：《MTL Learn Danish》、《MTL Learn Cantonese》、《MTL Learn Indonesian》 — 星级波动大，需更多用户反馈再下结论。
发布与生命周期
上架时间跨度
最早上架《MTL Learn Japanese》，最近更新/上架节奏以《MTL Learn Languages: Beginner》为参考；时间跨度反映团队持续迭代能力。
- 跨度
- 1 年+
- 库中最早记录：2018 年（MTL Learn Japanese）。
- 较新应用：2019 年（MTL Learn Languages: Beginner）。
给其他开发者的参考
可复用的观察角度
以下基于公开元数据，便于你做竞品研究或产品线规划；深入结论需结合下载量、收入与评论原文。
- 研究品类组合：共 1 个品类，可复制其「主品类 + 延伸」结构是否匹配你的资源。
- 对比口碑结构：加权 4.60 星 vs 头部应用《MTL Learn Turkish》的评分与评论量。
- 若做同类工具：优先阅读低分应用中用户提到的功能缺口（需商店评论或第三方数据）。
规则卡片数据来自 iTunes Search API。AI 解读由 DeepSeek 根据同一批公开数据生成，仅供参考。
团队 / 产品新闻
按需触发，默认不请求，减少 token 与外部调用。
将聚合团队与核心产品相关新闻，最多展示 20 条。