Analyse van ratings en reviews van de Philips Hue app
Signify
- Klantcase
- Data Analytics
- Dataconsultancy
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.
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.
Meer weten?
Reimer gaat graag met je in gesprek over wat we als datapartner voor jou en je organisatie kunnen betekenen.
Business Manager020 308 43 9006 83 69 07 78reimer.vandepol@digital-power.com
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
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.
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.
