This thesis investigates how quantitative user data, extracted from server logs, and clustering algorithms can be used to model and understand user-behavior. The thesis also investigates how the results compare to the more traditional method of qualitative user-behavior analysis through interviews and observations. The results show that clustering of all user data, as opposed to interviewing only a small subset of users, increases the reliability of findings. However, the quantitative method has a risk of missing important insights that can only be discovered through observation of the user. The conclusion drawn in this thesis is that a combination of both is necessary to truly understand the user-behavior. / Denna uppsats undersöker hur kvantitativ användardata, extraherad från serverloggar, och klustringsalgoritmer kan användas för att modellera och förstå användarbeteende. Uppsatsen undersöker också hur resultatet av denna metod skiljer sig från resultatet av den mer traditionella kvalitativa metoden för användarbeteendeanalys, baserad på intervjuer och observationer. Resultatet visar att klustring av all användardata, istället för att intervjuer med endast en delmängd av användarna, ökar pålitligheten i analysen. Dock visar resultatet också att den kvantitativa metoden riskerar att missa viktiga insikter som bara kan upptäckas med hjälp av observationer. Slutsatsen är att en kombination av både den kvantitativa och den kvalitativa metoden behövs för att helt kunna förstå användarbeteendet.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-189335 |
| Date | January 2016 |
| Creators | Johansson, Andreas |
| Publisher | KTH, Skolan för datavetenskap och kommunikation (CSC) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds