La vita può essere dura per gli sviluppatori di app mobili.

Dopo aver creato un'app che aiuta gli utenti a prenotare una camera d'albergo o a riscattare i punti fedeltà, hanno bisogno di capire come funziona l'app e come si confronta con i concorrenti. Quando un cliente scrive una recensione online indignata dicendo "Non riesco a scorrere bene!" e assegna all'app solo una stella, gli sviluppatori devono risolvere il problema, e veloce.

Ma individuando esattamente il motivo per cui gli utenti sono insoddisfatti, sulla base di diverse migliaia di brevi recensioni online, è laborioso, lungo e costoso, e richiede più passaggi. E la posta in gioco è alta. Le app mobili che offrono ai clienti un'esperienza negativa possono danneggiare il marchio dell'azienda, alienare premia i clienti e aumentare le defezioni ai concorrenti.

Uno statistico di Cornell e i suoi colleghi hanno trovato un modo più rapido per gli sviluppatori di migliorare le app mobili, con un nuovo metodo di estrazione del testo che aggrega e analizza le recensioni dei clienti in un unico passaggio.

"L'idea era puoi escogitare un metodo che esamini tutte le valutazioni, e dire che questi sono gli argomenti di cui le persone non sono contente e che forse è qui che uno sviluppatore dovrebbe concentrarsi, " disse Shawn Mankad, assistente professore di operazioni, tecnologia e gestione delle informazioni presso la Samuel Curtis Johnson Graduate School of Management.

L'idea potrebbe avere implicazioni significative per il commercio mobile, che dovrebbe raggiungere i 250 miliardi di dollari entro il 2020. A causa della crescente diffusione degli smartphone, il commercio mobile ha già iniziato a influenzare in modo significativo tutte le forme di attività economica, secondo Mankad e i suoi colleghi.

Mankad è l'autore principale di "Previsione a fase singola con modellazione di argomenti incorporata delle recensioni online per la gestione delle app mobili, " che apparirà in un prossimo numero del Annali di statistica applicata . I coautori di Mankad sono il candidato al dottorato di Cornell Shengli Hu e Anandasivam Gopal dell'Università del Maryland.

Il giornale è uno dei tanti che Mankad ha scritto con $ 525, 000 sovvenzione dalla National Science Foundation. L'obiettivo iniziale era creare nuovi strumenti statistici per monitorare la stabilità del sistema finanziario.

Nell'ultimo studio, Mankad e i suoi colleghi hanno applicato questi strumenti al problema delle app mobili.

Nell'estrazione di testo, un modo comune per rappresentare i testi è costruire un'enorme matrice per tenere traccia di quali parole compaiono in quale recensione online. "Diventa una matrice davvero ampia. E hai così tante colonne che devi rimpicciolirle in qualche modo, " Mankad ha detto. "Quindi è lì che stiamo applicando il metodo."

Il modello, in effetti, prende una media ponderata delle parole che appaiono nelle recensioni online. Ognuna di queste medie ponderate rappresenta un argomento di discussione. Il metodo non solo fornisce indicazioni sulle prestazioni di una singola app, ma la confronta anche con le app concorrenti nel tempo per confrontare le funzionalità e il sentimento dei consumatori.

"L'idea è che tu prenda il testo, prendi le valutazioni, ed emette solo queste dashboard che puoi guardare, " ha detto Mankad.

Hanno applicato il loro approccio sia ai dati simulati che a più di 104, 000 recensioni per dispositivi mobili di 162 versioni di app da tre delle più famose agenzie di viaggio online negli Stati Uniti:Expedia, Kayak e TripAdvisor. C'erano più di 1, 000 recensioni per app all'anno.

Mankad e i suoi colleghi hanno scoperto che il loro modello di estrazione del testo ha funzionato meglio dei metodi standard nella previsione dell'accuratezza sia su recensioni reali che su dati simulati. E hanno scoperto che il metodo può aiutare le aziende a valutare i pro e i contro della frequenza con cui rilasciano nuove versioni delle loro app.

"Nell'estrazione di testo, esiste una classe di metodi molto popolare basata sulla modellazione bayesiana. Il campo può diventare dogmatico su quale tecnica usare, " Mankad ha detto. "In questo documento, stiamo facendo qualcosa di diverso provando un metodo di fattorizzazione a matrice. Per me, va bene provare un nuovo metodo quando pensi che possa avere un vantaggio in determinate situazioni."