Livet kan vara tufft för utvecklare av mobilappar.

Efter att ha skapat en app som hjälper användare att boka ett hotellrum eller lösa in lojalitetspoäng, de måste ta reda på hur bra appen fungerar – och hur den står sig gentemot konkurrenterna. När en kund skriver en indignerad onlinerecension och säger "Jag kan inte rulla rätt!" och ger appen bara en stjärna, utvecklare måste lösa problemet, och snabbt.

Men precisera varför användarna är missnöjda, baserat på flera tusen korta onlinerecensioner, är arbetskrävande, tidskrävande och dyrt, och kräver flera steg. Och insatserna är höga. Mobilappar som ger kunderna en dålig upplevelse kan skada företagets varumärke, alienera belöningar kunder och öka avhopp till konkurrenter.

En Cornell-statistiker och hans kollegor har hittat ett snabbare sätt för utvecklare att förbättra mobilappar, med en ny textutvinningsmetod som aggregerar och analyserar kundrecensioner i ett steg.

"Tanken var, kan du tänka ut en metod som skulle titta igenom alla betyg, och säg att det här är ämnen som folk är missnöjda med och att det kanske är här en utvecklare bör fokusera, sa Shawn Mankad, biträdande professor i operationer, teknik och informationshantering vid Samuel Curtis Johnson Graduate School of Management.

Idén kan få betydande konsekvenser för mobil handel, som förväntas nå 250 miljarder dollar år 2020. Genom den ökande förekomsten av smartphones, mobil handel har redan börjat påverka alla former av ekonomisk verksamhet avsevärt, enligt Mankad och hans kollegor.

Mankad är huvudförfattare till "Single Stage Prediction with Embedded Topic Modeling of Online Reviews for Mobile App Management, " som kommer att dyka upp i ett kommande nummer av Annals of Applied Statistics . Mankads medförfattare är Cornell doktorand Shengli Hu och Anandasivam Gopal från University of Maryland.

Tidningen är en av flera Mankad har skrivit med en $525, 000 anslag från National Science Foundation. Det ursprungliga målet var att skapa nya statistiska verktyg för att övervaka stabiliteten i det finansiella systemet.

I den senaste studien, Mankad och hans kollegor tillämpade dessa verktyg på problemet med mobilappar.

I textutvinning, ett vanligt sätt att representera texter är att konstruera en enorm matris för att hålla reda på vilka ord som förekommer i vilken onlinerecension. "Det blir en riktigt bred matris. Och du har så många kolumner att du måste krympa dem på något sätt, " Sa Mankad. "Så det är där vi tillämpar metoden."

Modellen, i själva verket, tar ett viktat genomsnitt av ord som förekommer i onlinerecensioner. Vart och ett av dessa viktade medelvärden representerar ett diskussionsämne. Metoden ger inte bara vägledning om en enskild apps prestanda utan jämför den också med konkurrerande appar över tid för att jämföra funktioner och konsumentsentiment.

"Tanken är att du tar texten, du tar betygen, och det matar bara ut dessa instrumentpaneler som du kan titta på, " sa Mankad.

De tillämpade sitt tillvägagångssätt på både simulerad data och mer än 104, 000 mobilrecensioner av 162 versioner av appar från tre av de mest populära onlineresebyråerna i USA:Expedia, Kajak och TripAdvisor. Det var fler än 1, 000 recensioner per app och år.

Mankad och hans kollegor fann att deras text-mining-modell presterade bättre än standardmetoderna för att prognostisera noggrannhet på både verkliga recensioner och simulerade data. Och de fann att metoden kan hjälpa företag att väga för- och nackdelar med hur ofta de släpper nya versioner av sina appar.

"I textutvinning, det finns en superpopulär klass av metoder baserade på Bayesiansk modellering. Fältet kan bli dogmatiskt om vilken teknik man ska använda, " sade Mankad. "I denna tidning, vi gör något annorlunda genom att prova en matrisfaktoriseringsmetod. Till mig, det är OK att prova en ny metod när du tror att den kan ha en fördel i vissa situationer."