App Store Review Management (asodevapp/skills)

Bewertungsmanagement (Review Management)

Verwenden Sie dies für Bewertungsanalyse, Reputationsmanagement, Antwortentwürfe, Beschwerde-/Meldeentwürfe, Produkterkenntnisgewinnung, Analyse hochgeladener CSV-Bewertungen und Strategie zur Verbesserung der Bewertungen.

MCP-Workflow

1. Verwenden Sie app-store-connect-mcp.
2. Einzelbewertung: Lesen mit get_review_data.
3. Bewertungsliste: Lesen mit get_reviews_data.
4. Verwenden Sie unansweredOnly, badRatingOnly und maxRating, um Bewertungslisten einzugrenzen.
5. Nutzen Sie den Projektkontext für Ton, Support-Links, bekannte Probleme und Antwortrichtlinien.
6. Analysieren Sie Bewertungsgesundheit, Themen, Antwortmöglichkeiten und Eignung für Beschwerden/Meldungen.
7. Validieren Sie mit validate_ai_companion_data dem Ziel review oder reviewList.
8. Wenn Sie aufgefordert werden, die Entwürfe anzuwenden, füllen Sie diese mit fill_review oder fill_reviews aus.

Füllfelder

Einzelbewertung:

• responseBody
• complaintReason
• concernType

Bewertungsliste:

• reviews: Array oder Map nach reviewId, jeweils mit responseBody, complaintReason und/oder concernType

CSV-Bewertungsanalyse

Verwenden Sie diesen Modus, wenn der Benutzer eine CSV-Datei mit allen Bewertungen hochlädt oder darauf verweist. Die CSV-Analyse erfordert kein MCP, es sei denn, der Benutzer möchte Antworten/Beschwerden zurück in ASO.dev übernehmen.

Vor der Analyse:

1. Identifizieren Sie die CSV-Spalten. Übliche Spalten: Bewertungs-ID, Bewertung, Titel, Text/Inhalt, Gebietsschema/Land, App-Version, Datum, Entwicklerantwort, Antwortdatum, Gerät/Plattform.
2. Normalisieren Sie Daten, Bewertungen, Gebietsschemata, Versionen und leere Werte.
3. Entfernen Sie doppelte Zeilen anhand der Bewertungs-ID oder des exakten Titel-/Text-/Datums.
4. Segmentieren Sie nach Bewertung, Gebietsschema/Land, App-Version, Zeitraum, beantwortet/unbeantwortet und Bewertungslänge.
5. Wenn die CSV groß ist, nehmen Sie Beispiele für Zitate, berechnen Sie aber Anzahlen/Themen über die gesamte Datei.

Analysieren Sie auf:

• Stimmung nach Bewertung und Text: positiv, neutral, negativ, gemischt.
• Themen: Fehler/Abstürze, UX-Reibung, Preisgestaltung/Bezahlschranke, Onboarding, Leistung, Konto/Anmeldung, Lokalisierung, Support, Inhaltsqualität.
• Feature-Anfragen: fehlende Fähigkeiten, wiederholte "Ich wünschte, es hätte..."-Muster, Wettbewerbsvergleiche.
• Produktrisiko: Regressionen nach App-Version/Datum, schwerwiegende Fehler, Rückerstattungs-/Kündigungsabsicht, Vertrauens-/Datenschutzbedenken.
• ASO-Sprache: Phrasen, die Benutzer verwenden, um Wert, Ergebnisse und Anwendungsfälle zu beschreiben.
• Support-Möglichkeiten: unbeantwortete Bewertungen mit niedriger Sternzahl, veraltete Antworten, wirkungsvolle Antworten.

Die CSV-Ausgabe sollte Anzahlen und repräsentative Beispiele enthalten. Fügen Sie keine großen rohen Bewertungsdumps ein.

Bewertungsanalyse-Framework

Klassifizieren Sie Themen:

Thema	Bedeutung	Aktion
Fehler/Abstürze	Technischer Fehler, unterbrochener Ablauf, Regression	Fehlerbehebung eskalieren, nur mit bekanntem Status antworten
Feature-Anfragen	Benutzer fragen nach fehlender Fähigkeit	Häufigkeit und Benutzersegment verfolgen
UX-Beschwerden	Verwirrend, langsam, frustrierend, schwer zu bedienen	UX/Produktüberprüfung priorisieren
Preisgestaltung/Bezahlschranke	Zu teuer, unklares Abonnement, Testverwirrung	Bei Wiederholung monetization-strategy verwenden
Lob	Wert, Freude, Lieblingsfunktionen	Danken und Konversionssprache lernen
Wettbewerbserwähnungen	Vergleiche oder Gründe für den Wechsel	Positionierungslücken identifizieren

Signale zur Bewertungsgesundheit:

• Durchschnittliche Bewertung und Trend, falls verfügbar
• Aktuelles Volumen an niedrigen Sternen
• Unbeantwortete negative Bewertungen
• Antwortrate und Aktualität der Antworten
• Wiederholte Fehler-/UX-/Preisthemen
• Kandidaten für Beschwerden/Meldungen

Antwortregeln

• Seien Sie ruhig, spezifisch und kurz.
• Priorisieren Sie zeitnahe Antworten; streben Sie nach Möglichkeit 24-48 Stunden für wirkungsvolle negative Bewertungen an.
• Diskutieren Sie nicht mit dem Bewerter.
• Geben Sie keine internen Daten preis.
• Versprechen Sie keine Fehlerbehebungen, es sei denn, diese sind bestätigt.
• Fragen Sie nicht nach persönlichen Informationen in der Öffentlichkeit.
• Erkennen Sie bei wütenden Bewertungen das Problem an und leiten Sie an den Support weiter.
• Bitten Sie den Benutzer nicht, seine Bewertung zu ändern.
• Kopieren Sie keine identischen Antworten in viele Bewertungen.

Antwort-Framework

Verwenden Sie HEAR für negative Bewertungen:

1. Hear (Hören): Erkennen Sie das spezifische Problem an.
2. Empathize (Mitfühlen): Zeigen Sie, dass Sie die Frustration verstehen.
3. Act (Handeln): Erklären Sie, was bekannt, behoben oder in Untersuchung ist.
4. Resolve (Lösen): Laden Sie zum direkten Support mit dem richtigen Kontaktweg ein.

Vorlagen sind nur Ausgangspunkte:

• Fehler: Erkennen Sie an, erwähnen Sie eine bekannte behobene Version nur, wenn bestätigt, laden Sie zum Update/Support ein.
• Feature-Anfrage: Danken Sie, sagen Sie, dass es mit dem Team geteilt wird, vermeiden Sie Versprechungen zur Roadmap.
• Vage negativ: Entschuldigen Sie sich kurz, bitten Sie um Details über den Support.
• Positiv: Danken Sie und greifen Sie den genannten Vorteil auf.

Beschwerde-/Melde-Regeln

• Melden Sie nur, wenn die Bewertung missbräuchlich, Spam, betrügerisch, irrelevant oder anderweitig gegen die Richtlinien verstößt.
• Melden Sie kein gültiges negatives Feedback nur, weil es niedrig bewertet ist.
• Halten Sie Beschwerdegründe sachlich und kurz.

Strategie zur Bewertungsaufforderung

Nur für Beratung verwenden; dieses MCP-Skill füllt Bewertungsentwürfe, keinen App-Code.

• Nur nach einem positiven Werterlebnis auslösen.
• Erste Sitzung, Onboarding, Fehler, Abstürze, fehlgeschlagene Zahlung oder Support-Frustration vermeiden.
• Gute Momente: Abgeschlossene Aufgabe, erreichtes Ziel, Serie, gesparte Zeit/Geld, erfolgreiche Wiederherstellung/Export/Freigabe.
• Plattformlimits respektieren und keine Bewertungen incentivieren.
• Wenn schlechte Bewertungen durch Produktprobleme verursacht werden, beheben Sie das Problem, bevor Sie die Aufforderungshäufigkeit erhöhen.

Produkterkenntnisgewinnung

Verwenden Sie Bewertungen, um Folgendes zu extrahieren:

• Meistgeliebte Funktionen und genaue Benutzersprache für Metadaten/Screenshots.
• Häufigste wiederkehrende Fehler oder UX-Fehler.
• Monetarisierungseinwände und Abonnementverwirrung.
• Häufigkeit von Feature-Anfragen.
• Genannte Wettbewerber und Wechselauslöser.

Bewertung von Feature-Anfragen:

Signal	Bedeutung
Häufigkeit	Wie viele Bewertungen erwähnen die Anfrage
Bewertungsauswirkung	Ob die Anfrage in Bewertungen mit niedrigen Sternen oder Abwanderungsrisiko erscheint
Segment	Gebietsschema, Version, Benutzertyp oder Land, in dem sie erscheint
Strategische Passung	Ob sie zur App-Positionierung und Roadmap passt
Aufwand/Risiko	Ob sie Produkt-, Backend-, Design-, Preis- oder Richtlinienarbeit erfordert

Ausgabe

# Bewertungsgesundheit und Antwortarbeit

App:
Modus:
Bewertung/Trend:
Filter:
CSV-Quelle:

## Gesundheitszusammenfassung
- Gesamt geladene Bewertungen:
- Bewertungen mit niedrigen Sternen:
- Unbeantwortete Bewertungen:
- Hauptrisiko:

## Stimmung
| Segment | Positiv | Neutral | Negativ | Gemischt | Anmerkungen |
|---|---:|---:|---:|---|---|

## Themen
| Thema | Anzahl | Bewertungsauswirkung | Belege | Aktion |
|---|---:|---|---|---|

## Fehlende Funktionen / Anfragen
| Anfrage | Anzahl | Benutzersegment | Belege | Produktempfehlung |
|---|---:|---|---|---|

## Entwürfe
| Bewertungs-ID | Bewertung | Thema | Aktion | Entwurf |
|---|---:|---|---|---|

## Produkterkenntnisse
| Erkenntnis | Belege | Empfohlener Verantwortlicher/Aktion |
|---|---|---|

## Plan zur Bewertungsverbesserung
1.
2.
3.

## Validierung
- CSV-Spalten zugeordnet:
- Anzahlen basierend auf vollständigen Daten:
- Ton sicher:
- Keine privaten Daten:
- Beschwerde gerechtfertigt:
- MCP-Validierung:
- Bereit zum Ausfüllen: