Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de produtos na Web
Upcoming SlideShare
Loading in...5
×
 

Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de produtos na Web

on

  • 2,096 views

Apresentação da dissertação de Mestrado

Apresentação da dissertação de Mestrado

Statistics

Views

Total Views
2,096
Views on SlideShare
2,088
Embed Views
8

Actions

Likes
0
Downloads
14
Comments
0

1 Embed 8

http://www.slideshare.net 8

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de produtos na Web Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de produtos na Web Presentation Transcript

  • Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de produtos na Web 17.11.2005 Leandro Neumann Ciuffo
  • Agenda
    • Introdução
    • Estratégias de recomendação
    • Recomendações Personalizadas
    • Técnicas de Filtragem da Informação
    • Filtragem Colaborativa
    • Avaliações Não-Confiáveis
    • HYRIWYG
    • Estudo de Caso
    • Conclusões
  • Introdução Bom dia, dona Maricota. O de sempre? Temos uma broa de milho que a senhora irá gostar. Em algum lugar no passado...
  • Introdução Hoje: necessidade de filtragem Existe uma enorme quantidade de opções para que as pessoas decidam o que consumir Falta de experiência para realizar escolhas acertadas
  • Estratégias de Recomendação Recomendações Gerais Alternativa para driblar a sobrecarga de opções Recomendações não dirigidas
  • Recomendações Gerais na Web Listas de Recomendação Estratégias de Recomendação
  • Recomendações Gerais na Web Listas de Recomendação Comentários de Texto Estratégias de Recomendação
  • Recomendações Gerais na Web Listas de Recomendação Comentários de Texto Revisões/ Avaliações Estratégias de Recomendação
  • Recomendações Gerais na Web De fácil implementação Não consideram as preferências dos usuários Estratégias de Recomendação Ineficaz em domínios onde existe heterogeneidade de opiniões
  • Direcionamento de Produtos Estratégias de Recomendação
  • Associação entre itens Estratégias de Recomendação Direcionamento de Produtos
  • Associação entre itens Cross-sell Estratégias de Recomendação Direcionamento de Produtos
  • Recomendações Personalizadas Consideram as características individuais dos consumidores Estratégias de Recomendação Necessidade de identificação das preferências pessoais e hábitos de consumo
  • Identificação dos Usuários Login Recomendações Personalizadas Cookies
  • Coleta Implícita de Informações Monitoramento de ações que indicam interesse Adicionar página aos “Favoritos” Visualizar a página por longo tempo Scrolling da barra de rolagem Colocar um produto na cesta de compras Análise das estatísticas de acesso Recomendações Personalizadas
  • O usuário pode comprar um presente para outra pessoa Recomendações Personalizadas Desvantagem da Coleta Implícita
  • Coleta Explícita de Informações Recomendações Personalizadas Melhor customização das preferências
  • Desvantagem da Coleta Explícita Exige paciência e atenção dos usuários Recomendações Personalizadas
  • Filtragem da Informação Momento 1: usuário como produtor de informações Recomendações Personalizadas
  • Informações coletadas de forma implícita ou explícita Recomendações Personalizadas Filtragem da Informação
  • Informações adicionadas ao perfil do usuário Recomendações Personalizadas Filtragem da Informação
  • Momento 2: usuário como consumidor de informações Recomendações Personalizadas Filtragem da Informação
  • O usuário deseja receber uma recomendação Recomendações Personalizadas Filtragem da Informação
  • As informações armazenadas no perfil são lidas pelo SR Recomendações Personalizadas Filtragem da Informação
  • O SR “filtra” os itens de acordo com o perfil e gera as recomendações Recomendações Personalizadas Filtragem da Informação
  • As recomendações são entregues ao usuário Recomendações Personalizadas Filtragem da Informação
  • Filtragem Baseada em Conteúdo (FBC) Técnicas de Filtragem da Informação O conteúdo dos itens precisa ser descrito Compara a descrição dos itens com o perfil do usuário Princípio da continuidade de preferências Se o usuário gostou de um item, deve gostar de um item similar no futuro
  • Desvantagens da FBC Técnicas de Filtragem da Informação Superespecialização Impossibilidade de análise de conteúdo em domínios não textuais Não-consideração de aspectos como a qualidade ou estilo do item
  • Filtragem Colaborativa (FC) Técnicas de Filtragem da Informação Sistema de Recomendação
  • Características Filtragem Colaborativa Baseada nas avaliações feitas pelos usuários Mede a similaridade entre os usuários Pessoas que concordaram no passado tendem a concordar novamente no futuro
  • Entrada de Dados Filtragem Colaborativa Usuários com avaliações semelhantes são agrupados
  • Vantagens Aplicação em qualquer domínio Independe da classificação de itens feita por revisores Pode gerar recomendações inesperadas Filtragem Colaborativa Alteração constante das vizinhanças
  • Problemas Matriz Esparsa Ovelha Negra Primeira avaliação Partida a Frio Falso Bom vizinho Falta de motivação Problema do “Carona” Filtragem Colaborativa Ataques a SRs
  • Avaliações Não-Confiáveis Avaliações intencionalmente desonestas usuários com interesses especiais Avaliações aleatórias ou constantes Usuários que não entendem o processo de geração das recomendações Extensos formulários de avaliação agravam este problema Filtragem Colaborativa
  • Desafios Motivar os usuários Garantir a honestidade das avaliações Filtragem Colaborativa
  • Iniciativas para motivar os usuários e inibir avaliações não-confiáveis Avaliações Não-Confiáveis Reconhecimento da comunidade Reputação Web-of-Trust
  • Iniciativas para motivar os usuários e inibir avaliações não-confiáveis Avaliações Não-Confiáveis Reconhecimento da comunidade Reputação Web-of-Trust Dificulta a ação de usuários desonestos Não incentiva o cadastro de novos usuários
  • Características HYRIWYG: How You Rate Influences What You Get Não utiliza sistemas complementares Todos os usuários possuem uma mesma reputação De fácil implementação Promove o aumento da quantidade de avaliações honestas
  • Modelo HYRIWYG: How You Rate Influences What You Get
  • Modelo HYRIWYG: How You Rate Influences What You Get Avalia um item com uma nota de valor Vi Vi
  • Modelo HYRIWYG: How You Rate Influences What You Get A avaliação é submetida ao SR... Vi
  • Modelo HYRIWYG: How You Rate Influences What You Get ... Que a utiliza para configurar o perfil do usuário. Vi Ajuste
  • Modelo HYRIWYG: How You Rate Influences What You Get O perfil  i é carregado... Vi Perfil  i Ajuste
  • Modelo HYRIWYG: How You Rate Influences What You Get ... E utilizado para inferir o valor da suposta nota V’i Vi Perfil  i V’i Ajuste
  • Modelo HYRIWYG: How You Rate Influences What You Get O mecanismo utiliza uma função de compensação para conceder incentivos de forma proporcional à contribuição do usuário Incentivo Vi Perfil  i V’i Ajuste
  • Modelo HYRIWYG: How You Rate Influences What You Get Função de Compensação Incentivo concedido Avaliação inferida pelo sistema Avaliação real do usuário Constante para calibragem do sistema de avaliação
  • Incentivo indexado pela qualidade da avaliação HYRIWYG: How You Rate Influences What You Get Evitar a ocorrência de avaliações não-confiáveis de usuários que querem aumentar o valor dos incentivos Utilização do próprio SR para determinar em quais itens o incentivo poderá ser aplicado
  • Incentivo indexado pela qualidade da avaliação HYRIWYG: How You Rate Influences What You Get
  • Ciclo Virtuoso HYRIWYG: How You Rate Influences What You Get O usuário deseja receber uma recomendação Vi Perfil  i V’i Incentivo Ajuste
  • Ciclo Virtuoso HYRIWYG: How You Rate Influences What You Get Solicita recomendação Vi Perfil  i V’i Incentivo Ajuste
  • Ciclo Virtuoso HYRIWYG: How You Rate Influences What You Get Vi Perfil  i V’i Incentivo As informações armazenadas no perfil são lidas pelo SR Ajuste
  • Ciclo Virtuoso HYRIWYG: How You Rate Influences What You Get Vi Perfil  i V’i Incentivo O usuário recebe recomendações de itens de acordo com seu perfil Ajuste
  • Em teoria: HYRIWYG: How You Rate Influences What You Get
  • Estudo de Caso Hipóteses Hipótese 1: O HYRIWYG faz com que a quantidade de avaliações fornecidas ao SR seja maior do que quando nenhum incentivo é concedido aos usuários Hipótese 2: O HYRIWYG faz com que as pessoas avaliem mais honestamente do que quando o incentivo concedido é aberto
  • Estudo de Caso Objeto de Estudo Avaliações Escala discreta de 0 a 6 Questionário com 300 filmes
  • Estudo de Caso Objeto de Estudo
  • Estudo de Caso Procedimentos FASE 1 - Altruística FASE 2 - Incentivo aberto FASE 3 - HYRIWYG
  • {SR(filmes,  i )  Acervo(filmes)} Estudo de Caso Variáveis de Medição  = 0 C = 1/40 de uma locação gratuita de DVD Função de compensação: Regra de Resgate: Alugar gratuitamente T i DVDs
  • Estudo de Caso Instrumento SR de Filmes Filtragem Colaborativa Coeficiente de Pearson
  • Estudo de Caso Instrumento Cadastro Gêneros prediletos
  • Estudo de Caso População 565 usuários cadastrados
  • Estudo de Caso Períodos de Coleta de Dados Fase 1 Fase 2 Fase 3
  • Estudo de Caso Análise dos Dados – Hipótese 1 (quantidade) “ Não vi” Nota Usuários de Juiz de Fora
  • Estudo de Caso Análise dos Dados – Hipótese 1 (quantidade) “ Não vi” Nota Usuários de Juiz de Fora
  • Estudo de Caso Análise dos Dados – Hipótese 1 (quantidade) “ Não vi” Nota Usuários de outras cidades
  • Estudo de Caso Análise dos Dados – Hipótese 1 (quantidade) Usuários de outras cidades Usuários de Juiz de Fora 42,85% 54,16% 25% % de usuários que optaram por avaliar filmes de todos os gêneros 7 16,33 2,66 Média de cadastro/semana Fase 3 Fase 2 Fase 1   18% 22,22% 10% % de usuários que optaram por avaliar filmes de todos os gêneros 3,66 3 3,33 Média de cadastro/semana Fase 3 Fase 2 Fase 1  
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Usuários de Juiz de Fora Tempo médio de sessão Máximo 9 min. 30 primeiras avaliações Segundos t 0 = Página carregada t f = usuário submete avaliações
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Avaliação da recomendação
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 2 Períodos sem incentivo Avaliação negativa < 4 Avaliação positiva ≥ 4 Todos os usuários (198 avaliações) Usuários de J.Fora (39 avaliações) Base de dados diferentes
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 2 Avaliação negativa < 4 Avaliação positiva ≥ 4 Usuários de J.Fora (39 avaliações) Amostra pouco representativa O incentivo não foi bom o suficiente para os usuários serem desonestos
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 17 usuários contemplados
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 Apenas 7 resgataram as locações
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 “ Gostei das recomendações, mas não as resgatei porque não tive tempo.”
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 “ Gostei das recomendações, mas não as resgatei porque as locadoras ficam longe da minha casa.”
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 “ Não resgatei as locações porque não gostei dos filmes recomendados.”
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 5 usuários ganharam 16 locações 2 usuários ganharam 12 locações
  • Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 5 usuários ganharam 16 locações 2 usuários ganharam 12 locações
  • Estudo de Caso Limitações População / distribuição restrita de incentivos Localização das videolocadoras Qualidade do incentivo
  • Conclusões Contribuições Investigação da viabilidade real do HYRIWYG O experimento é sensível aos valores dos parâmetros Utilidade da recomendação – valor dos SRs Aumento da reputação do sistema
  • Conclusões HYRIWYG - Benefícios Matriz menos esparsa Redução do problema da Falta de Motivação Redução do problema do “carona” Predominância de avaliações honestas
  • Conclusões Trabalhos Futuros Testar configurações diferentes das variáveis de medição Cadastrar mais filmes e melhorar questões de projeto Parceria com uma locadora “virtual” de DVDs Parceria com a BLOCKBUSTER
  • Conclusões Trabalhos Futuros
  • Conclusões Trabalhos Futuros
  • Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de produtos na Web 17.11.2005 Leandro Neumann Ciuffo