Skip to content

Signify

HOME / KLANTCASES / SIGNIFY

Analyse van ratings en reviews van de Philips Hue app

Het Internet of Things (IoT)-systeem van Philips Hue, onderdeel van verlichtingsproducent Signify, bestaat onder andere uit een mobiele app. Hiermee kunnen eindgebruikers zowel lokaal als op afstand hun smart-home lampen bedienen. Via Google Play of de App store beoordelen ze hun ervaringen met de mobiele app en de rest van het IoT-systeem. Door de grote hoeveelheid ratings en reviews is het een tijdrovende klus om ze handmatig te analyseren en er terugkerende thema’s in te herkennen.

Signify vroeg ons mee te werken aan een oplossing waarmee ze de ratings en reviews gemakkelijker kunnen analyseren. Op basis van de verkregen inzichten kan de verlichtingsproducent de juiste prioriteiten stellen voor het verhelpen van bugs, het verbeteren van bestaande features en het ontwikkelen van ontbrekende features.

Onze aanpak

Per release van een nieuwe app versie komen er honderden ratings en reviews binnen. De voornaamste datapunten die hierbij worden verzameld zijn de rating (1-5 sterren), de datum van plaatsing, de app versie, het platform en de tekst.

Om uit deze datapunten inzichten te halen, was het van belang de teksten te kunnen classificeren. Dit deden we met een Python script wat de review tekst eerst vertaalt naar het Engels en daarna de categorieën bepaalt op basis van keyword matching.  

Een voorbeeld van een 4-star rating + review (Google Play Store)

Met behulp van het script verrijkten we de beschikbare datapunten met één of meerdere categorie labels. Zo kunnen we per periode en/of per app versie visualiseren hoe bepaalde categorieën beoordeeld worden.

Het resultaat

Er is nu beter inzicht in de mening en ervaringen van de eindgebruikers ten opzichte van specifieke onderdelen van de app. Ook kunnen we met behulp van het script monitoren wat de invloed is van verbeteringen en bug fixes op de ratings die gebruikers geven.

Deze nieuwe manier van werken helpt Signify om de roadmap bij te sturen op basis van de feedback van hun eigen gebruikers. Zo kunnen ze de user experience van het IoT-systeem verbeteren. Door te focussen op categorieën met veel beoordelingen en een lage rating, kan de meeste impact gemaakt worden. Zo is onder andere de Geofencing verbeterd op basis van dit proces.

Het script kan in de toekomst verder nog verder verbeterd worden door machine learning toe te passen. Zo wordt het bijvoorbeeld mogelijk om automatisch nieuwe categorieën te detecteren.

Voorbeeld van rating distributie per categorie voor een app versie (gefingeerde data). Categorie 7 zou in dit voorbeeld geprioriteerd worden: hier is veel respons met een 1-star rating.

We werken onder andere voor

Meer weten?
Business Manager Erik gaat graag met je in gesprek over wat we als datapartner voor jou en je organisatie kunnen betekenen.