| Περίληψη : | Η εργασία αυτή ασχολείται με την αξιολόγηση ιστοσελίδων και ιστοτόπων από την άποψη της εμπειρίας που αποκομίζει ο χρήστης κατά την επίσκεψή του σε αυτές. Ερευνητές αλλά και μεγάλες επιχειρήσεις στον τομέα του διαδικτύου (όπως η Google) έχουν καταλήξει σε μετρικές, οι οποίες χαρακτηρίζουν την ποιότητα της εμπειρίας του χρήστη. Ο σκοπός της εργασίας είναι αφού γίνει η ανάλυση των μετρικών σε σχέση με ένα δείγμα σελίδων του τραπεζικού κλάδου, να αναπτυχθεί ένα μοντέλο πρόβλεψης της απόδοσης μιας σελίδας υπό το πρίσμα της «εμπειρίας του χρήστη». Χρησιμοποιώντας έναν τέτοιο μηχανισμό, μία επιχείρηση μπορεί να υπολογίσει την προσδοκώμενη εμπειρία του χρήστη, βασισμένη σε άλλες ομοειδείς σελίδες της ίδιας ή άλλων αντίστοιχων επιχειρήσεων.Στην εργασία γίνεται μια αρχική καταγραφή των παραμέτρων που καθορίζουν την ποιότητα της εμπειρίας του χρήστη από την παγκόσμια βιβλιογραφία. Στη συνέχεια καταγράφονται οι μηχανισμοί που αξιολογούν την εμπειρία του χρήστη καθώς και τις πλατφόρμες που καταχωρούν τέτοιου είδους δεδομένα. Η εργασία εστίασε στην πλατφόρμα Chrome UX Report της Google, η οποία διαθέτει ελεύθερα τις σημαντικότερες μετρικές εμπειρίας χρήστη.Βάσει των δεδομένων του Chrome UX Report για ιστοσελίδες ελληνικών τραπεζών και με τη χρήση του εργαλείου RapidMiner, αναπτύχθηκε μία διαδικασία μηχανικής μάθησης με σκοπό την πρόβλεψη της τιμής της εμπειρίας χρήστη, χρησιμοποιώντας τα μοντέλα Γραμμικής Παλινδρόμησης και Support Vector Machine. Αφού δοκιμάστηκαν τα δύο αυτά μοντέλα, έγινε η συγκριτική του αξιολόγηση και εκτέθηκαν τα αποτελέσματα και η κριτική τους.
This thesis is related to the evaluation of web pages and websites in terms of the experience that the user has, when browsing the web for related information. Researchers as well as large companies in the internet sector (such as Google) have come up with metrics that grades the quality of user experience. The purpose of this thesis is to develop a model for predicting the performance of a web page regarding the experience the visitor has. Using the model, a business can estimate the expected user experience, based on other pages of the same or other similar businesses.An initial reference to the metrics that determine the quality of the user experience is made, as mentioned in the current literature. The mechanisms that evaluate user experience as well as the platforms that maintain relevant data are presented next. The thesis focuses on Google's Chrome UX Report platform, which freely provides the most important user experience metrics.Based on the Chrome UX Report data for Greek bank websites and using the RapidMiner tool, a machine learning process was developed in order to predict the performance of a page, in terms of the experience the user has, using the Linear Regression and Support Vector Machine models. After these two models were tested, they were compared and the results and concerns presented.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.