Pilihan fitur untuk melacak aktivitas pengguna dalam suatu aplikasi

Saya mengembangkan sistem yang dimaksudkan untuk menangkap "konteks" aktivitas pengguna dalam suatu aplikasi; ini adalah kerangka kerja yang dapat digunakan aplikasi web untuk menandai aktivitas pengguna berdasarkan permintaan yang dibuat ke sistem. Diharapkan bahwa data ini kemudian dapat memperkuat fitur ML seperti pengambilan informasi yang sadar konteks.

Saya mengalami masalah dalam memutuskan fitur apa yang harus dipilih selain dari tag pengguna ini - URL yang diminta, perkiraan waktu yang dihabiskan dengan sumber daya apa pun, memperkirakan "aktivitas" saat ini dalam sistem.

Saya tertarik untuk mengetahui apakah ada contoh yang baik dari teknologi semacam ini atau penelitian sebelumnya tentang masalah ini - pencarian ACM DL secara sepintas mengungkapkan beberapa makalah terkait tetapi tidak ada yang benar-benar tepat.

Yah, ini mungkin tidak menjawab pertanyaan secara menyeluruh, tetapi karena Anda berurusan dengan pencarian informasi, mungkin ada gunanya. Halaman ini memelihara serangkaian fitur dan korelasi terkait dengan metode peringkat halaman dari mesin pencari. Sebagai penafian dari halaman web itu sendiri:

Perhatikan bahwa faktor-faktor ini bukan "bukti" dari apa yang digunakan mesin pencari untuk memeringkat situs web, tetapi hanya menunjukkan karakteristik halaman web yang cenderung peringkat lebih tinggi.

Daftar yang ditunjuk dapat memberi Anda wawasan tentang fitur mana yang akan lebih baik untuk dipilih. Misalnya, mempertimbangkan fitur kedua yang paling berkorelasi, # dari google +1, dimungkinkan untuk menambahkan beberapa kemungkinan pengguna memanfaatkan layanan tersebut jika ia mengakses banyak halaman dengan # google # yang tinggi (pengguna "infer") konteks"). Dengan demikian, Anda dapat mencoba "menebak" beberapa hubungan lain yang dapat menjelaskan fitur menarik untuk aplikasi pelacakan Anda.

Tujuannya menentukan fitur, jadi saya awalnya akan mengambil sebanyak mungkin, kemudian menggunakan validasi silang untuk memilih subset optimal.

Dugaan saya yang berpendidikan adalah bahwa model Markov akan berhasil. Jika Anda menentukan ruang tindakan (mis., Pilih item menu ini, tekan tombol itu, dll.), Anda dapat memprediksi tindakan selanjutnya berdasarkan yang sebelumnya. Ini urutan atau masalah prediksi terstruktur .

Untuk penawaran komersial, cari analitik aplikasi .

Saya telah melihat beberapa sistem serupa selama bertahun-tahun. Saya ingat sebuah perusahaan bernama ClickTrax yang jika saya tidak salah dibeli oleh Google dan beberapa fitur mereka sekarang menjadi bagian dari Google Analytics.

Tujuan mereka adalah pemasaran, tetapi konsep yang sama dapat diterapkan pada analitik pengalaman pengguna. Keindahan sistem mereka adalah bahwa apa yang dilacak didefinisikan oleh webmaster - dalam kasus Anda pengembang aplikasi.

Saya bisa membayangkan sebagai pengembang aplikasi saya ingin dapat melihat data statistik tentang dua hal - penyelesaian tugas, dan penggunaan fitur umum.

Sebagai contoh penyelesaian tugas, saya mungkin punya 3 cara untuk mencetak halaman - Ctrl + P, File-> Print, dan tombol toolbar. Saya ingin dapat membandingkan penggunaan untuk melihat apakah ruang layar yang digunakan oleh tombol toolbar benar-benar layak.

Sebagai contoh penggunaan fitur umum, saya ingin mendefinisikan serangkaian fitur dalam aplikasi saya dan memfokuskan upaya pengembangan saya pada perluasan fitur yang paling banyak digunakan oleh pengguna akhir saya. Beberapa fitur yang mungkin memerlukan 5 klik dan populer, saya mungkin ingin memberikan hotkey untuk, atau mengurangi jumlah klik untuk mengaktifkan fitur itu. Ada juga waktu acara. Tergantung pada aplikasinya, saya mungkin ingin mengetahui jumlah rata-rata waktu yang dihabiskan untuk fitur tertentu.

Hal lain yang ingin saya lihat adalah klik aliran. Bagaimana orang mendapatkan dari titik A ke titik B dalam aplikasi saya? Apa poin B paling populer? Apa titik awal paling populer?