Analyse van ratings en reviews van de Philips Hue app

Signify

  • Klantcase
  • Data Analytics
  • Dataconsultancy
app ratings analyse
signify-logo
Reimer-business-manager
Reimer van de Pol
Business Manager
3 min
21 Feb 2020

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 sterren beoordeling + review (Google Play Store)
Een voorbeeld van een 4 sterren beoordeling + 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.
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.

Meer weten?

Reimer gaat graag met je in gesprek over wat we als datapartner voor jou en je organisatie kunnen betekenen.

1x per maand data insights, praktijkcases en een kijkje achter de schermen ontvangen?

Meld je aan voor onze maillijst en blijf 'up to data':

Dit vind je misschien ook interessant

De 'app rating' als metric voor je product team

Voordat consumenten een nieuwe app downloaden, kijken ze vaak naar de rating van de app. Dit wordt weergegeven in sterren met 5 sterren als de hoogste rating. Wat betekent de app rating voor jouw organisatie? En voor jouw gebruikers? De app rating is een metric die goed het spanningsveld tussen marketing en product weergeeft. Waar het belang van een hoge rating duidelijk mag zijn, kan het zijn dat in de weg hiernaartoe een shortcut wordt genomen. Hoe gebruikt jouw organisatie de app rating?

Lees meer
Mensen lachend op kantoor

Data Analist

Duik in de on- en offline data van organisaties en visualiseer de inzichten uit je data analyse in dashboards en rapportages. Geef advies over concrete actiepunten die hieruit volgen.

Lees meer

App optimalisatie voor een betere user experience

“Hoe maken we onze app toegankelijker voor mensen uit Vietnam?” Tijdens een Learning @ Location Day werkte ons multi-disciplinaire team data professionals aan deze uitdaging van Oxfam Novib.

Lees meer
klm vliegtuig

Product analytics voor essentiële inzichten in gebruik en gebruiks-vriendelijkheid.

De medewerkers van KLM werken dagelijks met verschillende applicaties. Zo gebruikt het grondpersoneel Appy2Help. Hiermee worden werkprocessen gedigitaliseerd en de medewerkers ondersteund in het beantwoorden van alle vragen van passagiers. iMech helpt meer tijd vrij te maken voor onderhoud in plaats van administratie en het intranet my.klm het startpunt voor iedereen binnen KLM om informatie te vinden. KLM vroeg ons om met behulp van inzichten uit gebruikersdata verschillende teams te ondersteunen in het ontwikkelen van goede applicaties.

Lees meer

Wordt jouw product wel echt gebruikt?

Je hebt met je product team gewerkt aan het ontwikkelen van een nieuw product. Hierbij heb je een bepaalde verwachting van hoe gebruikers het product zullen gebruiken. De vraag is alleen: is dit werkelijk ook zo? Gebruiken ze het product zoals je had bedacht? Wie gebruikt het product wel, en wie niet? In dit artikel bespreken we het Product User Activity Model. Dit model geeft je meer inzicht in het huidige en potentiële gebruik van je product om gerichte actie tot groei te ondernemen.

Lees meer
Data Analisten van Digital Power

Jouw Data Analytics partner

Verzamel betrouwbare data en transformeer deze naar real-time dashboards, heldere inzichten en objectieve adviezen.

Lees meer