Tak, Statistikker! En hurtigere måde at forbedre mobilapps på

Livet kan være hårdt for mobilappudviklere.

Efter at have oprettet en app, der hjælper brugere med at booke et hotelværelse eller indløse loyalitetspoint, de skal finde ud af, hvor godt appen fungerer – og hvordan den holder sig i forhold til konkurrenterne. Når en kunde skriver en indigneret onlineanmeldelse og siger "Jeg kan ikke rulle rigtigt!" og giver appen kun én stjerne, udviklere skal løse problemet, og hurtigt.

Men præcist, hvorfor brugerne er utilfredse, baseret på flere tusinde korte online anmeldelser, er arbejdskrævende, tidskrævende og dyrt, og kræver flere trin. Og indsatsen er høj. Mobilapps, der giver kunderne en dårlig oplevelse, kan skade virksomhedens brand, fremmedgøre belønningskunder og øge antallet af frafald til konkurrenterne.

En Cornell-statistiker og hans kolleger har fundet en hurtigere måde for udviklere at forbedre mobilapps på, med en ny tekstminemetode, der samler og analyserer kundeanmeldelser i ét trin.

"Ideen var, kan du udtænke en metode, der ville gennemgå alle vurderingerne, og sige, at det er de emner, folk er utilfredse med, og det er måske her, en udvikler skal fokusere, " sagde Shawn Mankad, adjunkt i operationer, teknologi og informationsstyring på Samuel Curtis Johnson Graduate School of Management.

Idéen kan have betydelige konsekvenser for mobilhandel, som forventes at nå op på 250 milliarder dollars i 2020. Gennem den stigende udbredelse af smartphones, mobilhandel er allerede begyndt at påvirke alle former for økonomisk aktivitet betydeligt, ifølge Mankad og hans kolleger.

Mankad er hovedforfatter til "Single Stage Prediction with Embedded Topic Modeling of Online Reviews for Mobile App Management, ", som vil blive vist i et kommende nummer af Annals of Applied Statistics . Mankads medforfattere er Cornell doktorgradskandidat Shengli Hu og Anandasivam Gopal fra University of Maryland.

Avisen er en af ​​flere Mankad har skrevet med en $525, 000 tilskud fra National Science Foundation. Det oprindelige mål var at skabe nye statistiske værktøjer til at overvåge stabiliteten i det finansielle system.

I den seneste undersøgelse, Mankad og hans kolleger anvendte disse værktøjer til mobilapps-problemet.

I tekstmining, en almindelig måde at repræsentere tekster på er at konstruere en enorm matrix for at holde styr på, hvilke ord der optræder i hvilken online anmeldelse. "Det bliver en virkelig bred matrix. Og du har så mange kolonner, at du på en eller anden måde skal krympe dem ned, " sagde Mankad. "Så det er der, vi anvender metoden."

Modellen, træde i kræft, tager et vægtet gennemsnit af ord, der vises i online anmeldelser. Hvert af disse vægtede gennemsnit repræsenterer et diskussionsemne. Metoden giver ikke kun vejledning om en enkelt apps ydeevne, men sammenligner den også med konkurrerende apps over tid for at benchmarke funktioner og forbrugernes stemning.

"Ideen er, at du tager teksten, du tager vurderingerne, og det udsender bare disse dashboards, som du kan se på, " sagde Mankad.

De anvendte deres tilgang til både simulerede data og mere end 104, 000 mobilanmeldelser af 162 versioner af apps fra tre af de mest populære online rejsebureauer i USA:Expedia, Kajak og TripAdvisor. Der var mere end 1, 000 anmeldelser per app om året.

Mankad og hans kolleger fandt ud af, at deres tekstminemodel klarede sig bedre end standardmetoderne til at forudsige nøjagtighed på både rigtige anmeldelser og simulerede data. Og de fandt ud af, at metoden kan hjælpe virksomheder med at afveje fordele og ulemper ved, hvor ofte de udgiver nye versioner af deres apps.

"I tekstmining, der er en super populær klasse af metoder baseret på Bayesiansk modellering. Feltet kan blive dogmatisk om, hvilken teknik der skal bruges, " sagde Mankad. "I dette papir, vi gør noget anderledes ved at prøve en matrixfaktoriseringsmetode. Til mig, det er OK at prøve en ny metode, når du tror, ​​den kan have en fordel i visse situationer."