Webbányászat (web mining) Mártonffy A: Kutakodom, tehát vagyok cikke nyomán.

Az előadások a következő témára: "Webbányászat (web mining) Mártonffy A: Kutakodom, tehát vagyok cikke nyomán."— Előadás másolata:

1 Webbányászat (web mining) Mártonffy A: Kutakodom, tehát vagyok cikke nyomán

2 Webbányászat területei Nyéki (2007)

3 Webtartalom-bányászat  web content mining,  területei (Nyéki, 2007): – web szövegbányászat, – intelligens keresőügynökök, – információ-szűrés és kategorizálás, – web lekérdező rendszerek;  módszertan: Bodon F.: Adatbányászati algoritmusok, Webes adatbányászat c. fejezete,  példa: Google Page Rank.

4 Webstruktúra-bányászat  web structure mining,  területei (Nyéki, 2007): – látogatási struktúra elemzése, – klikkelés-sorozatok elemzése, – web site-ok tervezési stratégiája;  példa: Zsiros P.: BDF website elemzése az SPSS Clementine Web Mining segítségével minőségbiztosítás céljából.

5 Webhasználat-bányászat  web usage mining,  területei: – látogatók szokásainak, magatartásmintáinak tanulmányozása (Nyéki, 2007), – látogatók tevékenységének előrejelzése és ösztönzése (Mártonffy, 2006), – webszolgáltatás minőségének javítása, webszerver teljesítményének optimalizálása (Bóta, 2007).  webnaplók és/vagy web bug elemzésén alapul,  példa: Amazon mátrix, Bóta L. írásai

6 Webnaplók  weboldal elérése esetén a webszerver által készített bejegyzés,  tartalma: – a kérés kiindulási helyének IP címe, – a kérés pontos ideje, – a kért URL cím, – egyéb adatok. Bóta, 2007

7 Amazon példa  „webes kosár”: együttesen vásárolt termékekre vonatkozó adatok  aktuális kattintás utáni ajánlatok,  bejelentkezett felhasználók múltbéli cselekedeteinek (vásárlás és keresés) adatai  hasonló új termékek ajánlata,  előzmények: előzőleg meglátogatott (akár más szerveren lévő) lapok adatai,  keresések adatai  kifinomult keresés/kevés találat: öntudatos vásárló, illetve elnagyolt keresés/sok találat: útmutatásra, támogatásra szoruló látogató,  kérdőívek válaszai és valós cselekedetek összevetése  miért vásárolt az, akinek nem volt szándékában és miért nem vásárol az, aki tervezte.

8 Privacy kérések  adatszerzés webbuggal,  hálózati befolyás: azon felhasználók jellemzése, akik képesek másokat vásárlásra ösztönözni,  megadott vásárlói adatok felhasználása (szavatosság, vásárlásösztönzés).

9 Telefonnal a zsebünkben…  helymeghatározás (GPS révén) + vásárlói szokások ismerete (böngészős telefonok)  azonnali helyzettudatos üzleti ajánlatok,  modellezheti a tulajdonos viselkedését az összegyűjtött kommunikációs adatok alapján (két megbeszélés közötti időben emlékeztet, hogy kenyeret kell venni…)

10 Irodalom  Mártonffy Attila (2006): Kutakodom, tehát vagyok (http://www.itbusiness.hu/files/pdf/PDFOLD/3693.pdf)  Nyéki Lajos (2007): A COEDU e-learning keretrendszer használatának elemzése (http://bmf.hu/conferences/multimedia2007/26_NyekiLajos.pdf)http://bmf.hu/conferences/multimedia2007/26_NyekiLajos.pdf  Bodon Ferenc (2008): Adatbányászati algoritmusok (http://www.cs.bme.hu/~bodon/magyar/adatbanyaszat/tanulma ny/adatbanyaszat.pdf)http://www.cs.bme.hu/~bodon/magyar/adatbanyaszat/tanulma ny/adatbanyaszat.pdf  Zsiros Péter (2007): BDF website elemzése az SPSS Clementine Web Mining segítségével minőségbiztosítás céljából (http://bmf.hu/conferences/multimedia2007/6_ZsirosPeter.pdf)http://bmf.hu/conferences/multimedia2007/6_ZsirosPeter.pdf  Hullám Gábor (2005): A web bug technológia — barát vagy ellenség? (http://pet- portal.eu/files/articles/2005/03/hullam_web_bug.pdf)http://pet- portal.eu/files/articles/2005/03/hullam_web_bug.pdf  Bóta László (2007): Az Eszterházy Károly Főiskola honlapjának elemzése webbányászati módszerek felhasználásával (http://bmf.hu/conferences/multimedia2007/27_BotaLaszlo.pdf)