Creation of User’s Online Behaviour Analysis Model for Increase of an Enterprise Competitiveness

• Authors: Budnikas Germanas

Title variants

PL

Budowa modelu analizy zachowań użytkownika w Internecie dla wzrostu konkurencyjności przedsiębiorstw

• Languages of publication: EN

Abstracts

EN

The goal of the research was to create a user’s online behaviour analysis model. The goal was achieved by accomplishing a set of phases. A general user’s behaviour scenario at a web page of category „Consumer Goods and Services” with respect to Open Directory Project was formalised using Business Process Modeling Notation. Needed data to represent behaviour was defined and include user’s IP address, task id and time moment to be passed using Google Analytics TrackEvent() function while user browses a web page. Historical data about user behaviour are used for an artificial neuron training. After the training, most important factors that affect transaction finalisation (e.g. service order) can be defined. While monitoring actual on-line user’s behaviour the developed artificial neuron model permits the esti-mation of a behaviour outcome – would it be finalised or not. In a later case, it is foreseen an inter-action of a web site, which can suggest visiting pages that has the most impact level for transaction finalisation. In such a way, competitiveness of an enterprise is achieved.

Celem badania jest stworzenie modelu analizy zachowania użytkowników w Internecie. Cel został osiągnięty poprzez wykonanie kilku czynności. Przede wszystkim został stworzony uogólniony scenariusz zachowania użytkownika na stronach typu Consumer Goods and Services, który został określony w Open Directory Project, używając notacji Business Process Modelling Notation.Określone zostały również dane, odzwierciedlające zachowania użytkownika, które zawierają IP adres użytkownika, identyfikator strony WWW oraz czas. Te dane będą przesyłane używając funk-cji Google Analytics TrackEvent w czasie, kiedy użytkownik ogląda stronę WWW. Dane historyczne o zachowaniu online użytkowników są używane dla uczenia neuronu sztucznego. Po uczeniu mogą być określone najbardziej skuteczne czynniki, wpływające na finalizację transakcji (np. zamówienie usługi). W czasie monitorowania faktycznego zachowania online użytkownika stworzony sztuczny neuron pozwala prognozować wynik oglądania stron WWW – czy transakcja będzie finalizowana lub nie. W przypadku zagrożenia niefinalizowania transakcji – witryna internetowa może sugerować odwiedzenie stron WWW, mających największy wpływ na przyjęcie decyzji o finalizowaniu transakcji. W ten sposób może być osiągnięte zwiększenie konkurencyjności przedsiębiorstwa.

Keywords

EN

online behaviour tracking; artificial neuron; Google Analytics; transaction finalization

PL

śledzenie zachowania w Internecie; sztuczny neuron; Google Analytics; finalizacja transakcji

• Publisher: Uniwersytet Rzeszowski. Wydawnictwo Uniwersytetu Rzeszowskiego
• Journal: Nierówności społeczne a wzrost gospodarczy
• Year: 2015
• Volume: 44 cz. 1
• Pages: 31-41

Contributors

author

Budnikas Germanas

• Faculty of Economics and Informatics Vilnius branch University of Bialystok

References

• Angeletou S., Rowe M., Alani H., 2011, Modelling and Analysis of User Behaviour in On-line Communities. The Semantic Web – ISWC 2011, Lecture Notes in Computer Science Volume 7031, http://dx.doi.org/10.1007/978-3-642-25073-6_3.
• Beales H., The value of behavioral targeting, Network Advertising Initiative, http://www. turn.com/sites/default/files/wp-content/uploads/2010/06/Beales_NAI_Study.pdf, Re-trieved on, 1-09-2014.
• Bennett P.N., White R.W., Chu W., Dumais S.T., Bailey P., Borisyuk F., Cui X., 2012, Modeling the impact of short- and long-term behavior on search personalization, proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR’12, http://dx.doi.org/10.1145/2348283. 2348312.
• Chen J., Stallaert J., 2014, An economic analysis of on-line advertising using behavioral targeting, Mis Quarterly, 38(2), http://dx.doi.org/10.2139/ssrn.1787608.
• Cyr D., 2014, Return visits: a review of how Web site design can engender visitor loyalty. Journal of Information Technology, 29(1), pp 1–26, http://dx.doi.org/10.1057/jit. 2013.25.
• Clark D.J., Nicholas D., Jamali H.R., 2014, Evaluating information seeking and use in the changing virtual world: the emerging role of Google Analytics, Learned Publishing, 27(3), http://dx.doi.org/10.1087/20140304.
• Dembczyński K., Kotłowski W., Sydow M., 2009, Effective Prediction of Web User Behaviour with User-Level Models, Journal Fundamenta Informaticae, 89(2-3).
• Demuth H., Beale M., 1993, Neural network toolbox for use with MATLAB.
• Drejewicz S., 2012, Zrozumieć BPMN. Modelowanie procesów biznesowych, Helion.
• Robinson D.J., Berk V.H., Cybenko G.V., 2008, On-line Behavioural Analysis and Modeling Methodology (OBAMM), Social Computing, Behavioural Modeling, and Prediction.
• Russell S., Norvig P., 1995, Artificial Intelligence. A modern approach, Prentice-Hall, Egnlewood Cliffs.
• Sevarac Z., Goloskokovic I., Tait J., Morgan A., Carter-Greaves L., 2008, Neuroph main page: resource for Neuroph, Retrieved on, 13-09-2014.
• The social economy: Unlocking value and productivity through social technologies, 2012, McKinsey Global Institute.
• Ugtschmidt A., 2013, Classification of User Tasks by the User Behavior: Empirical Studies on the Usage of On-Line Newspapers, Berlin GmbH: Logos Verlag.
• White R.W., Chu W., Hassan A., He X., Song Y., Wang H., 2013, Enhancing personalized search by mining and modeling task behavior, proceedings of the 22nd International Conference on World Wide Web, ACM WWW’13, pp 1411–1420.
• Xian X., Chen F. and Wang J., 2014, An Insight into Campus Network User Behavior Analysis Decision System, Taichung, http://dx.doi.org/10.1109/IS3C.2014.145.

Identifiers

DOI

10.15584/nsawg.2015.4.1.3