La vida puede ser difícil para los desarrolladores de aplicaciones móviles.

Después de crear una aplicación que ayude a los usuarios a reservar una habitación de hotel o canjear puntos de fidelidad, necesitan averiguar qué tan bien funciona la aplicación y cómo se compara con la competencia. Cuando un cliente escribe una reseña en línea indignada diciendo "¡No puedo desplazarme hacia la derecha!" y le da a la aplicación solo una estrella, los desarrolladores deben solucionar el problema, y rápido.

Pero señalar exactamente por qué los usuarios no están satisfechos, basado en varios miles de reseñas breves en línea, es intensivo en mano de obra, lento y costoso, y requiere varios pasos. Y hay mucho en juego. Las aplicaciones móviles que brindan a los clientes una mala experiencia pueden dañar la marca de la empresa, enajenar recompensa a los clientes y aumentar las deserciones a los competidores.

Un estadístico de Cornell y sus colegas han encontrado una forma más rápida para que los desarrolladores mejoren las aplicaciones móviles, con un nuevo método de extracción de texto que agrega y analiza las opiniones de los clientes en un solo paso.

"La idea era, ¿Puede idear un método que revise todas las calificaciones, y dicen que estos son los temas con los que la gente no está contenta y que tal vez sea aquí donde un desarrollador debería enfocarse, "dijo Shawn Mankad, profesor asistente de operaciones, gestión de la tecnología y la información en Samuel Curtis Johnson Graduate School of Management.

La idea podría tener implicaciones importantes para el comercio móvil, que se espera que alcance los 250.000 millones de dólares en 2020. A través de la creciente prevalencia de los teléfonos inteligentes, el comercio móvil ya ha comenzado a influir significativamente en todas las formas de actividad económica, según Mankad y sus colegas.

Mankad es el autor principal de "Predicción de una sola etapa con modelado de tema integrado de revisiones en línea para la gestión de aplicaciones móviles, "que aparecerá en un próximo número de la Anales de estadísticas aplicadas . Los coautores de Mankad son la candidata al doctorado de Cornell Shengli Hu y Anandasivam Gopal de la Universidad de Maryland.

El periódico es uno de los varios que Mankad ha escrito con $ 525, 000 subvención de la National Science Foundation. El objetivo inicial era crear nuevas herramientas estadísticas para monitorear la estabilidad del sistema financiero.

En el último estudio, Mankad y sus colegas aplicaron esas herramientas al problema de las aplicaciones móviles.

En minería de texto, Una forma común de representar textos es construir una matriz enorme para realizar un seguimiento de las palabras que aparecen en cada reseña en línea. "Se convierte en una matriz realmente amplia. Y tienes tantas columnas que necesitas reducirlas de alguna manera, "Dijo Mankad." Así que ahí es donde estamos aplicando el método ".

El modelo, en efecto, toma un promedio ponderado de palabras que aparecen en reseñas en línea. Cada uno de esos promedios ponderados representa un tema de discusión. El método no solo proporciona orientación sobre el rendimiento de una sola aplicación, sino que también la compara con aplicaciones de la competencia a lo largo del tiempo para evaluar las características y la opinión del consumidor.

"La idea es que tomes el texto, tu tomas las calificaciones, y solo genera estos paneles que puede ver, "Dijo Mankad.

Aplicaron su enfoque tanto a datos simulados como a más de 104, 000 reseñas móviles de 162 versiones de aplicaciones de tres de las agencias de viajes en línea más populares de los Estados Unidos:Expedia, Kayak y TripAdvisor. Hubo más de 1, 000 reseñas por aplicación al año.

Mankad y sus colegas encontraron que su modelo de minería de texto funcionó mejor que los métodos estándar en la precisión de los pronósticos tanto en revisiones reales como en datos simulados. Y descubrieron que el método puede ayudar a las empresas a sopesar los pros y los contras de la frecuencia con la que lanzan nuevas versiones de sus aplicaciones.

"En la minería de texto, Existe una clase de métodos muy popular basada en el modelado bayesiano. El campo puede volverse dogmático sobre qué técnica usar, "Mankad dijo". En este documento, estamos haciendo algo diferente al probar un método de factorización matricial. A mi, está bien probar un método nuevo cuando crea que puede tener una ventaja en determinadas situaciones ".