p A vida pode ser difícil para desenvolvedores de aplicativos móveis. p Depois de criar um aplicativo que ajuda os usuários a reservar um quarto de hotel ou resgatar pontos de fidelidade, eles precisam descobrir o quão bem o aplicativo funciona - e como ele se compara aos concorrentes. Quando um cliente escreve uma crítica online indignada dizendo "Não consigo rolar para a direita!" e dá ao aplicativo apenas uma estrela, os desenvolvedores devem corrigir o problema, e rápido.

p Mas identificar exatamente por que os usuários estão insatisfeitos, com base em vários milhares de pequenas análises online, é uma mão-de-obra intensiva, demorado e caro, e requer várias etapas. E as apostas são altas. Os aplicativos móveis que oferecem aos clientes uma experiência ruim podem prejudicar a marca da empresa, alienar clientes de recompensa e aumentar deserções para concorrentes.

p Um estatístico da Cornell e seus colegas descobriram uma maneira mais rápida para os desenvolvedores melhorarem os aplicativos móveis, com um novo método de mineração de texto que agrega e analisa as avaliações dos clientes em uma única etapa.

p "A ideia era, você pode conceber um método que analise todas as classificações, e dizer que esses são os tópicos com os quais as pessoas estão insatisfeitas e talvez seja aí que um desenvolvedor deve se concentrar, "disse Shawn Mankad, professor assistente de operações, tecnologia e gestão da informação na Escola de Pós-Graduação em Administração Samuel Curtis Johnson.

p A ideia pode ter implicações significativas para o comércio móvel, que deve chegar a US $ 250 bilhões até 2020. Com o aumento da prevalência de smartphones, o comércio móvel já começou a influenciar significativamente todas as formas de atividade econômica, de acordo com Mankad e seus colegas.

p Mankad é o autor principal de "Single Stage Prediction with Embedded Topic Modeling of Online Reviews for Mobile App Management, "que aparecerá em uma próxima edição da Anais de Estatística Aplicada . Os co-autores de Mankad são o candidato ao doutorado de Cornell, Shengli Hu e Anandasivam Gopal, da Universidade de Maryland.

p O artigo é um dos vários que Mankad escreveu com US $ 525, 000 bolsa da National Science Foundation. O objetivo inicial era criar novas ferramentas estatísticas para monitorar a estabilidade do sistema financeiro.

p No último estudo, Mankad e seus colegas aplicaram essas ferramentas ao problema dos aplicativos móveis.

p Na mineração de texto, uma maneira comum de representar textos é construir uma grande matriz para manter o controle de quais palavras aparecem em cada revisão online. "Torna-se uma matriz muito ampla. E você tem tantas colunas que precisa encolhê-las de alguma forma, "Mankad disse." Então é aí que estamos aplicando o método. "

p O modelo, na verdade, toma uma média ponderada de palavras que aparecem em resenhas online. Cada uma dessas médias ponderadas representa um tópico de discussão. O método não apenas fornece orientação sobre o desempenho de um único aplicativo, mas também o compara a aplicativos concorrentes ao longo do tempo para comparar recursos e sentimento do consumidor.

p "A ideia é que você pegue o texto, você pega as avaliações, e ele apenas produz esses painéis que você pode ver, "Disse Mankad.

p Eles aplicaram sua abordagem a dados simulados e a mais de 104, 000 avaliações móveis de 162 versões de aplicativos de três das agências de viagens online mais populares dos Estados Unidos:Expedia, Kayak e TripAdvisor. Havia mais de 1, 000 avaliações por aplicativo por ano.

p Mankad e seus colegas descobriram que seu modelo de mineração de texto teve um desempenho melhor do que os métodos padrão na precisão da previsão em revisões reais e dados simulados. E eles descobriram que o método pode ajudar as empresas a pesar os prós e os contras da frequência com que lançam novas versões de seus aplicativos.

p "Na mineração de texto, existe uma classe super popular de métodos baseados na modelagem Bayesiana. O campo pode se tornar dogmático sobre qual técnica usar, "Mankad disse." Neste artigo, estamos fazendo algo diferente ao tentar um método de fatoração de matriz. Para mim, não há problema em tentar um novo método quando você acha que pode ter uma vantagem em certas situações. "