APP 評論分析 — 1
分析目標
本文主要是針對日常常見的各種評分做簡單的貝式模型計算，了解各家銀行APP 的服務表現與趨勢，建立標準分析手法，做為未來評估各項因子對於顧客使用體驗的影響力，並作為未來投入資源更新服務時的參考依據。
資料源
來自 Apple Store 與 Google Play 上面的評論。
程式碼
資料處理方法
- 取用每週來自 iOS 與 Android 上面的評論資料，本次資料時間為20211128 －20211205
- 將這些資料透過貝式推論建立統計模型
- 因為此次 Rating 1 ~ 5，因此初始先驗模型採用 Dirichlet 五類並用各評分分類均等。
- 後續採用多項分布加上 MCMC 進行大量抽樣(5000筆)，進行後續模擬統計量評估。
基礎統計量
從這裡可以看見 Richart 遠遠勝過其他對手（先暫不考慮只有15個評論的 KOKO)，再來就是富邦 4.3，後續星展3.6、國泰 2.66、與 中信 2.60 與 玉山 2.24，其實光是平均分數就已經有感受到跟過往認知的排名有所差異。不過就評分來說，通常都是要有強烈動機才會去評分，有與各家顧客客群特色有關，但這個影響因子就需要再用其他的手法來分析。
個別平均表現
基本上，扣掉 Richart 輾壓眾生之外，大家的評價是非常接近的。不過也可以看到 國泰與中信非常接近，如果要用排名的話大概是這樣：
Richart >> 國泰 ≥ 中信 > 玉山
個別比較
如果將彼此模擬的評分，拿 Highest Density Interval, HDI (95%) 來做比較對照，可以看見 Richart 毫無疑問是與大家都不在同一個量級。但是就算是拿國泰與中信，其實表現上都還是比玉山相對有在統計上接近顯著的差異，雖然不到常用的統計標準 95%，但至少都有80% 以上的差異了。
後記
這個統計量只是做一個很簡單的評估目前各 app 彼此在使用者的評價中是否有明顯的差異，但是尚未針對主導原因做任何的細部分析，後續可以加上使用者評論、時間、有無回應等變量做更近一步的評估，找出主要影響使用者評分的原因，後續再根據這些原因分析了解是否會提升評價。
本來想說回頭來研究資料操作的，但是赫然發現原來以為玉山的 app 評價應該是不錯的分數，但在這裡攤開後卻是還有不少東西可以來研究一下的，特別是為什麼別人的是好的，找到後可以學，為什麼被評價低，找到後就可以改善，不管是哪個，透過持續性指標追蹤，就能更正確的回應市場與滿足使用者需要。
