Adaptación y personalización de sitios web

DLSI - Universidad de Alicante 1

Departamento de Lenguajes y Sistemas Informáticos

Adaptación y personalización de sitios web

Gestión de datosCurso 2002-2003

Gestión de datos

Portales

¿Qué es la ¿adaptación/personalización? ¿Qué es un perfil de usuario?

2


Gestión de datos

Índice• Introducción• Mecanismos de adaptación• Mecanismos de personalización• Perfil de usuario• Técnicas de personalización• Análisis de uso de sitios web

3

• Análisis de uso de sitios web• Personalización y localización• Ejemplos de personalización

Gestión de datos

Introducción (1)• Adaptación/personalización: dos conceptos

muy similares que se suelen confundirmuy similares que se suelen confundir• La línea de separación entre ambos es muy

difusa• Objetivo común:

Proporcionar una experiencia más cercana al usuario (“un trato especial”, one-to-one relationship),

ofreciendo contenidos adaptados a las necesidades e

4

pintereses del usuario,

para conseguir la fidelidad y satisfacción del usuario (visitante, cliente, empleado, etc.)

• Clientes (compras) Generalizamos a usuarios


Gestión de datos

Introducción (y 2)• Se suele emplear en Internet, pero

t bié l t ltambién se emplea en portales corporativos:– Aumenta la productividad: facilita el acceso

a las aplicaciones y a la información– Aumenta satisfacción empleados

Ad t ió / li ió d

5

• Adaptación/personalización puede afectar al rendimiento del sitio web ya que cada página se genera de forma individual

Gestión de datos

Elementos básicos1. Identificar al usuario2. Recuperar el perfil del

Perfil usuarioNombre,

contraseña, edad, ingresos, etc.

Página personalizada

p pusuario

3. Seleccionar el contenido apropiado para el usuario

4. Recuperar el contenido y construir la página

6

ContenidoTexto, imágenes,

recursos multimedia, etc.

… .... … ..

..….

.. .. …

… ….. .. ….


Gestión de datos

Adaptación• Customization (Oxford Dictionary)

Customize: Make to order or modifyCustomize: Make to order or modify according to individual requirements

• Adaptar al gusto del cliente, adaptar por encargo del cliente

• Características:– Bajo control directo del usuario: el usuario

explícitamente selecciona entre diferentes

7

popciones

– Ejemplo: seleccionar la apariencia (look and feel) de un portal, seleccionar las categorías de noticias, etc.

Gestión de datos

Personalización• Personalization (Oxford Dictionary)

Personalize: Make personal especially byPersonalize: Make personal, especially by marking with one’s name, etc.

• Personalizar, individualizar• Características:

– Dirigido por el ordenador: el sistema selecciona las opciones en base a un modelo de las necesidades del usuario

8

– Ejemplo: seleccionar el idioma de un sitio web en base al idioma del navegador del usuario, seleccionar las categorías de noticias en base a las que más ha visitado, etc.


Gestión de datos

Otras definiciones (1)• Adaptación: modificar la apariencia de un

sitio web (disposición de contenidos coloressitio web (disposición de contenidos, colores, etc.)

• Personalización: proporcionar contenidos relevantes en base a las preferencias del usuario– Implícita: automática, seguimiento del usuario

9

– Explícita: manual, a través de formularios y preguntas

Gestión de datos

Otras definiciones (2)• The Personalization Consortium

(www personalization org): “Personalization is the(www.personalization.org): Personalization is the combined use of technology and customer information to tailor electronic commerce interactions between a business and each individual customer”

• Kramer et al., 2000: “Personalization is a toolbox of technologies and application features used in the

10

technologies and application features used in the design of an end-user experience. Features classified as personalization are wide-ranging, from simple display of the end-user’s name on a web page, to complex catalog navigation and product customization based on deep models of users’ needs and behaviors”


Gestión de datos

Otras definiciones (y 3)• Jakob Nielsen:

Customization (natural intelligence)“Yo sé lo que me interesa”

Personalization (artificial intelligence)

11

Personalization (artificial intelligence)“El sistema adivina lo que me interesa”

Gestión de datos

Dimensiones de la adaptación/personalización (1)

• Adaptar/personalizar emplean información sobre el visitante de una página para cambiarsobre el visitante de una página para cambiar el contenido, la navegación y la presentación, con el fin de adecuarlo a las preferencias y necesidades del visitante

• En algunos casos, una misma acción se puede clasificar en distintas dimensiones

12Contenido

Navegación

Presentación


Gestión de datos


• Contenido:– Presentación de distintos contenidos o la

forma de presentar el contenido– Ejemplos:

• Recomendaciones• Noticias (categoría, formato corto o largo)

13

Gestión de datos


• Navegación:– Establece el modo de navegación

mediante la activación/desactivación de enlaces

– Ejemplos:• Proporcionar enlaces a la información más

14

consultada


Gestión de datos

Dimensiones de la adaptación/personalización (y 4)

• Presentación:– Establece la presentación visual del

contenido– Ejemplos:

• Tipos de letra, tamaños, colores y temas• Distribución del contenido (posición y orden)

15

• Formato texto o gráfico

Gestión de datos

16


Gestión de datos

17

Gestión de datos

18


Gestión de datos

Mecanismos de adaptación• Mecanismo básico:

– Presentar un conjunto de opcionesj p– El usuario selecciona (desecha) lo que (no) le interesa Perfil

personal• Sólo funciona si:

– Fácil de entender: el usuario conoce el efecto de sus selecciones (marcar o no marcar una opción)

– Exhaustivo: cubre todas las posibles opciones• Desventajas:

Paradoja del usuario activo: usuarios sitios web son

19

– Paradoja del usuario activo: usuarios sitios web son impacientes No quieren perder mucho tiempo configurando opciones complicadas

– Sitios web complejos y grandes: miles de opciones– El usuario necesita conocer y entender la estructura y

contenido del sitio web (para conocer los efectos)– Intrusivo: la gente es reticente a contestar preguntas

personales

Gestión de datos

Ejemplo de adaptación• MSN España Mi MSN

– Permite configurar contenido, distribución y colores

• Yahoo! España Mi Yahoo!– Permite configurar temas y colores,

contenido, diseño y añadir nuevas páginasl d l d l

20

• elmundo.es elmundo.es personal– Permite seleccionar y configurar

contenidos y configurar su distribución


Gestión de datos

21

Gestión de datos

22


Gestión de datos

23

Gestión de datos

24


Gestión de datos

25

Gestión de datos

26


Gestión de datos

27

Gestión de datos

28


Gestión de datos

29

Gestión de datos

30


Gestión de datos

31

Gestión de datos

32


Gestión de datos

33

Gestión de datos

34


Gestión de datos

35

Gestión de datos

36


Gestión de datos

37

Gestión de datos

38


Gestión de datos

39

Gestión de datos

40


Gestión de datos

41

Gestión de datos

42


Gestión de datos

43

Gestión de datos

44


Gestión de datos

45

Gestión de datos

46


Gestión de datos

47

Gestión de datos

48


Gestión de datos

Mecanismos de personalización• Mecanismo básico:

– Perfil personalPerfil personal– Recopilar y almacenar información sobre las páginas

visitadas, las acciones realizadas, etc. Historia del usuario

– Reglas (heurísticas) definidas por el creador del sitio web• Desventajas:

– Asume que el ordenador puede “adivinar” lo que te interesa No siempre interesa lo mismo (“comprar por encargo”)

49

p ( p p g )– Perdida de tiempo corrigiendo lo que ha adivinado

incorrectamente– Hace falta mucha información para una correcta

personalización Invasión de la intimidad

Gestión de datos

Ejemplo de personalización• Amazon.com: el sistema de recomendaciones de

libros emplea tres principios:libros emplea tres principios:– Recordar lo que un usuario ha comprado– Libros similares (libros que han sido comprados por las

mismas persona): si dos personas compran libros similares, es síntoma de que comparten intereses

– Similitud contenido libros• Éxito:

– Automático no necesita colaboración usuario (no trabajo

50

Automático, no necesita colaboración usuario (no trabajo extra)

– Comprar algo es un indicio más significativo que cualquier selección del usuario


Gestión de datos

51

Gestión de datos

52


Gestión de datos

53

Gestión de datos

Perfil de usuario (1)• Información que describe un usuario

particular: preferencias necesidades metasparticular: preferencias, necesidades, metas, expectativas, etc.

• Elemento básico en la personalización• Se suele asociar a la creación de una cuenta• Dos componentes:

– Hechos: información demográfica (edad ingresos

54

Hechos: información demográfica (edad, ingresos, estudios, gustos, etc.)

– Comportamiento: actividades de navegación del usuario


Gestión de datos

Perfil de usuario (2)• Representación del comportamiento:

– Parejas atributo/valor:• Productos comprados = 5• Compra deportes = Sí• Consulta tiempo = {Alicante, Valencia, Castellón}

– Reglas de asociación:• “Los fines de semana, el usuario se gasta más de 30€ en

DVD ”

55

DVDs”• Reglas definidas por un experto (manual) o extraída

(data mining) de los registros (logs) de transacciones (automático)

• Dos fases: descubrimiento de reglas y validación de reglas

Gestión de datos

Perfil de usuario (3)• Perfil explícito/implícito:

– Explícito: requiere la participación activa del usuario, el usuario controla la información del perfil. Ejemplo: formularios y cuestionarios, encuestas contestadas, recomendaciones seleccionadas, etc.

– Implícito: no requiere participación del usuario (ni i i ) (

56

su consentimiento), transparente (menos intrusivo). Ejemplo: controlar la navegación para luego inferir patrones de comportamiento, historial de ventas, etc.


Gestión de datos

Perfil de usuario (4)• Perfil estático/dinámico:

– Estático: cuando cambia rara vez (datos demográficos)

– Dinámico: preferencias que cambian (comportamiento)

• Perfil individual/agregado:I di id l l d f i di id l

57

– Individual: se almacena de forma individual para cada usuario

– Agregado: se crean grupos de usuarios

Gestión de datos

Perfil de usuario (y 5)• El perfil de usuario creado se puede

completar con datos obtenidos de bases de datos externas:– Compras en supermercados– Operaciones con tarjetas de crédito– Datos sobre el núcleo familiar nivel de

58

Datos sobre el núcleo familiar, nivel de ingresos, etc.


Gestión de datos

59

Gestión de datos

60


Gestión de datos

61

Gestión de datos

62


Gestión de datos

63

Gestión de datos

64


Gestión de datos

65

Gestión de datos

66


Gestión de datos

67

Gestión de datos

68


Gestión de datos

69

Gestión de datos

70


Gestión de datos

71

Gestión de datos

72


Gestión de datos

73

Gestión de datos

74


Gestión de datos

75

Gestión de datos

76


Gestión de datos

77

Gestión de datos

Técnicas de personalización• Perfil Inferir (predecir) necesidades y

preferencias del usuario• Técnicas más empleadas:

– Filtrado basado en reglas– Filtrado simple

Filtrado colaborativo

78

– Filtrado colaborativo– Filtrado basado en el contenido


Gestión de datos

Filtrado basado en reglas (1)• Busca elementos (productos comprados,

páginas visitadas etc ) que tienden apáginas visitadas, etc.) que tienden a aparecer juntos en un conjunto de datos

• Resultado: reglas A ⇒ B– Asociaciones entre elementos:

Compra(Cliente1, X) Y Compra(Cliente1, Y) ⇒ Compra(Cliente1, Z)

– Asociaciones entre usuarios:Visita(Cliente1, P) Y Visita(Cliente2, P) ⇒ Visita(Cliente3, P)

• Inferencia: si el patrón de un usuario se

79

• Inferencia: si el patrón de un usuario se ajusta a la parte izquierda de una regla, la parte derecha se puede emplear para realizar recomendaciones o predicciones

Gestión de datos

Filtrado basado en reglas (2)• Formalmente:

– I: conjunto de todos los elementos– I: conjunto de todos los elementos– T: transacción (conjunto de elementos que

aparecen juntos) T⊆I– D: conjunto de todas las transacciones– Regla de asociación:A⇒B, donde A⊆T y B⊆T y A∩B=∅– Medidas de una regla de asociación:

80

Soporte: fracción de transacciones que contienen tanto A como B |A∪B| / |D|

Confianza: fracción de transacciones que contienen A y que también contienen B |A∪B| / |A|


Gestión de datos

Filtrado basado en reglas (y 3)• Ejemplos:

– Edad(X, “30..39”) Y Ingresos(X, “10000..20000”) ⇒ Compra(X, “A-100”)

– Compra(X, “El Imperio Contraataca”) ⇒Compra(X, “La Guerra de las Galaxias”) Y Compra(X, “El Retorno del Jedi”)

81

Gestión de datos

Filtrado simple• Asigna cada usuario a un grupo de

usuarios predefinido• A cada grupo se le asignan unos

contenidos y servicios• Ejemplos:

P d d

82

– Por edad– Por ingresos– Por experiencia de navegación


Gestión de datos

Filtrado colaborativo (1)• Realizar una recomendación a un usuario por medio

de un conjunto de usuarios (vecindario) con gustos j ( ) gsimilares al del usuario (las opciones que gustan al vecindario se ofrecen al usuario)

• Supone que la gente que estuvo de acuerdo en el pasado es probable que lo vuelva a estar en el futuro

• Se basa en una clasificación:– Explícita: votos o recomendaciones de los usuarios– Implícita: interpretar comportamiento usuario (historial de

ió t )

83

compras, navegación, etc.)• Tres pasos:

– Representación– Formación del vecindario– Generación de recomendaciones

Gestión de datos

Filtrado colaborativo (2)• Representación: matriz usuario-

l t ( d t á i t ) Nºelemento (producto, página, etc.) Nº veces comprado, visitado, votado, recomendado, etc.

• Problemas:– Grande: millones de usuarios y miles de

l t

84

elementos– Dispersa: cada usuario se relaciona con un

pequeño subconjunto de los elementos (compra unos pocos productos o visita unas pocas páginas)


Gestión de datos

Filtrado colaborativo (3)Cliente P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11122345 7 5 3156677 2237444 3 5 6238484 4 6 7 9344546454566 3 4487766 6 3 8504533 2 5

85

504533 2 5609243 7 9743888 3 5 7789395 3 6899349 8 9908977 3 4 5

Gestión de datos

Filtrado colaborativo (4)• Formación del vecindario:

– Calcular similitudes entre usuarios para agrupar los de gustos similares

– Diversas medidas similitud:• Distancia euclídea, valor absoluto, etc.

86

• Correlación– Agrupamiento: algoritmos de clustering


Gestión de datos

Filtrado colaborativo (5)

87

Gestión de datos

Filtrado colaborativo (6)

88


Gestión de datos

Filtrado colaborativo (y 7)• Generación de recomendaciones:

– N elementos más frecuentes: búsqueda de los N elementos más frecuentes asociados con los usuarios del vecindario al que pertenece un usuario

– Reglas de asociación: búsqueda de reglas

89

de asociación en el vecindario

Gestión de datos

Ejemplo (1)

Vídeo / Usuario A B C D E F G H

a Spiderman 9 1 6 6

bEl Señor de los Anillos 10 1 5 1

c Matrix 9 1 9d Hable con ella 2 10 8 8 5e Superman 7 6 5

90

p

fWest Side Story 3 8 9 7 8

gEl silencio de los corderos 4 7 6 7 7

h La cosa 8 2 10 8


Gestión de datos

Ejemplo (2)• Matriz de gustos de una serie de

usuarios (A, B, C, …)• Su origen puede ser diverso:

– Encuestas– Recomendaciones

Hábitos de compra

91

– Hábitos de compra– Reseñas de películas visitadas

Gestión de datos

Ejemplo (3)• Preguntas:

– ¿Qué usuario tiene los gustos más parecidos a A? ¿Qué películas se pueden recomendar al usuario A?

– ¿Qué usuario tiene los gustos más dispares a D?

• Aplicar la distancia euclídea (sólo se

92

• Aplicar la distancia euclídea (sólo se emplean aquellas películas que existan en ambos usuarios)


Gestión de datos

Ejemplo (4)

Filtrado colaborativo A B C D E F G HA 0,00 xxx 10,00 3,61 6,08 3,00B xxx 0,00 5,83 13,45 4,47 5,83C 5,83 0,00 8,00 2,45 0,00 7,81D 10,00 13,45 0,00 10,25 5,10 3,00E 3 61 8 00 10 25 0 00 4 47

93

E 3,61 8,00 10,25 0,00 xxx 4,47F 6,08 4,47 2,45 xxx 0,00 1,73 3,16G 5,83 0,00 5,10 1,73 0,00H 3,00 7,81 3,00 4,47 3,16 0,00

Gestión de datos

Ejemplo (5)

Filtrado colaborativo A B C D E F G HA 0,00 xxx 10,00 10,00 3,61 6,08 3,61 3,00B xxx 0,00 5,83 13,45 5,00 4,47 5,83 9,49C 10,00 5,83 0,00 2,24 8,00 2,45 0,00 7,81D 10,00 13,45 2,24 0,00 10,25 2,00 5,10 3,00E 3 61 5 00 8 00 10 25 0 00 0 00 4 47

94

E 3,61 5,00 8,00 10,25 0,00 xxx 0,00 4,47F 6,08 4,47 2,45 2,00 xxx 0,00 1,73 3,16G 3,61 5,83 0,00 5,10 0,00 1,73 0,00 0,00H 3,00 9,49 7,81 3,00 4,47 3,16 0,00 0,00


Gestión de datos

Ejemplo (y 6)• El usuario H tiene los gustos más parecidos a

AA:– A ha comprado (valorado) a, d, e y h– H ha comprado (valorado) b, d, g y h

Recomendamos g (valoracion > 5)• El usuario B tiene los gustos más dispares a

D:

95

D:– D ha comprado (valorado) a, b, c, d y f– B ha comprado (valorado) b, c, f y g

Recomendamos g (valoración < 5)

Gestión de datos

Filtrado basado en el contenido (1)

• Identificar elementos similares a los que ha l id i l delegido un usuario en el pasado

• Se basa en la recuperación de información (similitud entre una pregunta y un conjunto de documentos):– Pregunta: perfil del usuario

D t d l t d

96

– Documentos: cada elemento se compone de un vector de características: precio, calidad, tamaño, etc.

– Emplea medidas de similitud como el filtrado colaborativo (distancia euclídea, valor absoluto, etc.)


Gestión de datos

Filtrado basado en el contenido (2)

• Tres pasos:– Representación

– Formación del vecindario

– Generación de recomendaciones

97

A ⇒ B, D ⇒ E

• Ejemplos:– Recomendaciones de libros, vídeos, CDs,

etc.

Gestión de datos

Filtrado basado en el contenido (y 3)

• Desventajas:– Elementos a los que no se puede asociar

contenido o es difícil de especificar– Ambigüedad en la descripción de los

elementos (depende del desarrollador)– En general, especificaciones superficiales

98

g p pde pocas características


Gestión de datos

Ejemplo (1)

Vídeo / Atributo Acción Drama Humor SexoViolencia

Suspense Amor FicciónVídeo / Atributo Acción Drama Humor Sexo cia nse Amor Ficción

a Spiderman 9 2 5 1 7 5 1 9

bEl Señor de los Anillos 10 4 3 0 8 6 1 8

c Matrix 10 3 3 1 9 7 4 10

d Hable con ella 2 10 4 5 1 2 8 0

e Superman 8 2 5 0 5 5 2 9

99

e Superman 8 2 5 0 5 5 2 9

fWest Side Story 6 8 4 0 6 5 9 0

gEl silencio de los corderos 7 7 3 1 9 10 0 2

h La cosa 8 2 5 0 9 9 0 8

Gestión de datos

Ejemplo (2)• Calificación obtenida en distintas

categorías una serie de películas• Su origen puede ser diverso:

– El diseñador del sitio web– Una serie de críticos

Encuestas realizadas a los usuarios

100

– Encuestas realizadas a los usuarios


Gestión de datos

Ejemplo (3)• Preguntas:

– ¿Cuál es la película más parecida a “Spiderman”? Si en el pasado he comprado “Spiderman”,

¿qué película me recomiendas?– ¿Cuál es la película más diferente de “Hable con

ella”?– ¿Qué película guarda similitudes con un mayor

101

número de películas?• Aplicar la distancia euclídea

Gestión de datos

Ejemplo (4)

Filtrado basado en el contenido a b c d e f g h

a 0,00 3,61 17,46 13,89 10,58 4,90

b 3,61 0,00 17,44 12,88 8,54 4,80

c 0,00 18,30 5,92 13,45 10,68 5,83

d 17 46 17 44 18 30 0 00 16 37 15 72

102

d 17,46 17,44 18,30 0,00 16,37 15,72

e 5,92 16,37 0,00 13,11 11,18 6,08

f 13,89 12,88 13,45 13,11 0,00 14,53

g 10,58 8,54 10,68 15,72 11,18 0,00

h 4,90 4,80 5,83 6,08 14,53 0,00


Gestión de datos

Ejemplo (5)

Filtrado basado en el contenido a b c d e f g h

a 0,00 3,61 4,90 17,46 2,65 13,89 10,58 4,90

b 3,61 0,00 4,12 17,44 4,90 12,88 8,54 4,80

c 4,90 4,12 0,00 18,30 5,92 13,45 10,68 5,83

d 17 46 17 44 18 30 0 00 16 37 8 94 15 72 19 16

103

d 17,46 17,44 18,30 0,00 16,37 8,94 15,72 19,16

e 2,65 4,90 5,92 16,37 0,00 13,11 11,18 6,08

f 13,89 12,88 13,45 8,94 13,11 0,00 11,09 14,53

g 10,58 8,54 10,68 15,72 11,18 11,09 0,00 8,25

h 4,90 4,80 5,83 19,16 6,08 14,53 8,25 0,00

Gestión de datos

Ejemplo (y 6)• Respuestas:

– ¿Cuál es la película más parecida a “Spiderman”? “Superman”

– ¿Cuál es la película más distinta de “Hable con ella”? “La cosa”

– ¿Qué películas son más similares a otras?

104

¿ p“Spiderman” a “El Señor de los Anillos” y “Superman” y “El Señor de los Anillos” a “Matrix” y “La cosa”


Gestión de datos

Comparativa técnicas de personalización

• Filtrado basado en el contenido:– Apropiado cuando los elementos se pueden– Apropiado cuando los elementos se pueden

describir de forma objetiva (mejor si se puede automatizar)

– Las recomendaciones se limitan a elementos asociados al usuario

• Filtrado colaborativo:– Apropiado para elementos homogéneos (un

mismo tipo: libros CDs etc )

105

mismo tipo: libros, CDs, etc.)– Requiere una gran base de usuarios (curva de

aprendizaje grande)– Si se basa en valoraciones, intervienen muchas

implicaciones psicológicas (valoraciones extremas o en el medio)

Gestión de datos

Análisis de uso de sitios web (1)• Otra fuente de información para

personalizaciónpersonalización• Cómo se usa un sitio web (en general y de

forma individual)• Estadísticas de todo tipo:

– Visitas de una página– Frecuencia de acceso a una página– Navegación entre dos páginas

106

Navegación entre dos páginas– Duración de una sesión

• Clickstream: análisis del camino (conjunto de páginas) visitado por un usuario Ayuda a predecir el comportamiento y mejorar la estructura de un sitio web (enlaces)


Gestión de datos

Análisis de uso de sitios web (2)• Problema: ¿cómo identificar al usuario?• Identificación de un usuario: proceso de• Identificación de un usuario: proceso de

asociar las visitas a un sitio web y las acciones realizadas a un usuario concreto

• Mecanismos:– Registro (nombre de usuario y contraseña)– Dirección IP (¿siempre la misma?)– Cookies (¿siempre el mismo

107

Cookies (¿siempre el mismo navegador/ordenador?)

– Software cliente específico (¿siempre el mismo ordenador?)

Gestión de datos

Análisis de uso de sitios web (3)• Origen de datos principal: registro (log) del

servidor web Registra las peticiones deservidor web Registra las peticiones de todos los usuarios

• Se basa en la dirección IP• Diversos formatos de registro Más

extendido W3C• Datos más interesantes:

Fecha y hora

108

– Fecha y hora– Dirección IP– Recurso solicitado (URL solicitada)– URL de origen


Gestión de datos

109

Gestión de datos

110


Gestión de datos

111

Gestión de datos

112


Gestión de datos

113

Gestión de datos

114


Gestión de datos

Análisis de uso de sitios web (4)• Problemas:

– Datos almacenados a un nivel de detalle muy bajo (todas las peticiones: imágenes, hojas de estilo, etc.)

– Tamaño fichero muy grande (no comprimido)– Pérdida de información debida al caché (del

navegador, del proxy, etc.): no siempre se recibe

115

una petición cuando se visita una página– Duración de una sesión de usuario (no existen

eventos de inicio y fin de la visita)

Gestión de datos

Análisis de uso de sitios web (5)

Internet

Casa172.128.10.5

116

Oficina205.40.12.70

Portátil150.20.30.140PDA

180.60.24.6


Gestión de datos

Análisis de uso de sitios web (y 6)192.168.0.1 192.168.0.2

Internet

205.4.2.70

117192.168.0.3 192.168.0.4

10:20 205.4.2.7010:21 205.4.2.7010:27 205.4.2.70………

Gestión de datos

Cookies (1)• Existen muchos recelos a su uso por

razones de privacidad• Concepción errónea:

– Son programas que los sitios web almacenan en el ordenador del visitante

– Recogen información sobre el usuario y

118

– Recogen información sobre el usuario y sobre lo que hace

– En cualquier momento, el sitio web puede recuperar toda la información recopilada por la cookie


Gestión de datos

Cookies (2)• Cookies:

– Datos enviados por un servidor web a un clienteDatos enviados por un servidor web a un cliente, almacenados localmente por el cliente y devueltos al servidor en las siguientes peticiones

– Los datos se almacenan en parejas nombre-valor– Una cookie sólo puede ser recuperada por el sitio web que

la ha creado– Permiten almacenar distinta información: identificación

usuario, historial de navegación, preferencias, etc.

119

– Existen limitaciones (RFC 2109) para evitar que el disco duro se llene de cookies:

• Número total de cookies (300)• Número de cookies por sitio web (20)• Tamaño de las cookies (4KB)

Gestión de datos

Cookies (3)• Una cookie contiene:

– Parejas nombre-valor: el servidor web sólo puede almacenar información que ya posea

– Fecha de caducidad: cuándo deja de ser util– Una ruta (path): para asociar distintas

cookies a distintas partes de un mismo sitio

120

pweb

– Un indicador de si es segura, que obliga a usar una conexión segura (HTTP con SSL

HTTPS)


Gestión de datos

Cookies (4)• Servidor web al navegador:Content-type: text/htmlSet-Cookie: foo=bar; path=/; expires Mon, 09-Dec-

2002 13:46:00 GMT

• Del navegador al servidor:Content-type: text/htmlCookie: foo=bar

121

Gestión de datos

Cookies (5)

Conten-type: text/html

Cabecera

Cuerpo

Línea en blanco<html><body>……

/b d

Set-Cookie: ……

122

</body></html>


Gestión de datos

Cookies (6)• Son imprescindibles para muchos sitios web

porque resuelven el problema de laporque resuelven el problema de la persistencia entre peticiones (permiten mantener el estado)

• Aplicaciones que necesitan cookies:– Información personalizada (noticias, tiempo, etc.)– Carrito de la compra– Relleno automático de formularios (datos

123

(personales, recordar contraseña)

– Campus Virtual de la UA• Pueden ser desactivadas por el usuario

Dejan de funcionar servicios

Gestión de datos

Cookies (7)• Origen palabra cookie:

– Lou Montulli escribió la especificación de cookies para Netscape Navigator 1.0, el primer navegador en emplear esta tecnología

– Comenta que la palabra no tiene un origen divertido:

“A cookie is a well-known computer science term that is

124

used when describing an opaque piece of data held by an intermediary. The term fits the usage precisely;

it's just not a well-known term outside of computer science circles”


Gestión de datos

Cookies (8)

opq.com…. .. .. .. .. … . . . . . . .. . . . .. . . ... . . . .

1

2…. .. .. .. .... . . . . . . . . .… . . . . . . .. . . . .. . . .. . . . . .

+

Petición, IP, hora, navegador, etc.

125

. . …….. .. .

. .

. . . …….. .. .

Cookie

Página web

+

Gestión de datos

Cookies (9)

Petición, IP, hora,

…. .. .. .. .. … . . . . . . .. . . . .. . . ... . . . . +

opq.com…. .. .. .. .. … . . . . . . .. . . . .. . . ... . . . .

3

4…. .. .. .. .... . . . . . . . . .… . . . . . . .. . . . .. . . .. . . . . .

+

, , ,navegador, etc.

. . …….. .. .

+

126

. . …….. .. .

. .

. . . …….. .. .

Cookie

Página web

+

Si la cookie se modifica


Gestión de datos

Cookies (10)• ¿Por qué tanta preocupación? No son ellas

i i l d hmismas, sino lo que se puede hacer con ellas lo que causa preocupación

• Activar los avisos de cookies durante una temporada para tener una idea de dónde se usan y qué aspecto tienenC lt l d l ió ( líti ) d

127

• Consultar la declaración (política) de privacidad (privacy policy o privacy statement) del sitio web

Gestión de datos

Cookies (11)

128


Gestión de datos

Cookies (12)

129

Gestión de datos

130


Gestión de datos

131

Gestión de datos

Cookies (13)En C:\Documents and Settings\Usuario\Cookies

132


Gestión de datos

133

Gestión de datos

134


Gestión de datos

Cookies (14)

135

Gestión de datos

136


Gestión de datos

137

Gestión de datos

138


Gestión de datos

Cookies (15)• Problemas:

– La gente comparte los ordenadores: en casa, en la oficina, en lugares públicos, etc. Alguien puede usar tu cookie

– Se pueden borrar Almacenar información en el servidor y emplear mecanismo de registro

139

g– Un mismo usuario usa más de un

ordenador con una cookie en cada uno Mecanismo de registro

Gestión de datos

Cookies (16)• Una cookie sólo se puede emplear en un sitio

bweb• Web beacon, web bug o clear GIF:

– Imagen transparente (invisible)– Tamaño 1x1– Colocado en una página web o correo electrónico

para controlar el comportamiento del usuario no

140

para controlar el comportamiento del usuario no en un único sitio web, sino sus hábitos de navegación en general (cross-site profiling)

– Es imprescindible la participación de un sitio web común que se encarga de monitorizar al usuario


Gestión de datos

Cookies (17)opq.com

1

…. .. .. .. .. ***.. . . . . . . . . .… . . . . . . .. . . . .. . . .. . . . . .

Página web

…. .. .. .. .. … . . . . . . .. . . . .. . . ..

1

23

4

. .

. . . …….. .. .

CookieImagen +

IP, hora, URL, etc.

141

uvw.com

. . . . . . . …….. .. .

CookieImagen +

Gestión de datos

Cookies (18)opq.com

3

4

…. .. .. .. .. … . . . . . . .. . . . .. . . ... . . . . Cookie

IP, hora, URL, etc. +

Imagen

142xyz.com

uvw.com

1

2

. . …….. .. .

…. .. .. .. .. ***.. . . . . . . . . .… . . . . . . .. . . . .. . . .. . . . . . . . . . . …….. .. .

Página web


Gestión de datos

Cookies (y 19)• ¿Cómo detectarlo? Buscar una

i ióinstrucción <img> que cargue una imagen procedente de otro sitio web

• ¿Cómo evitarlo? Desactivar las cookies, aunque no se podrá impedir que registre información anónima (dirección

143

registre información anónima (dirección IP, URL de origen, navegador empleado, etc.)

Gestión de datos

Personalización y localización (1)• Redes inalámbricas (wireless) y telefonía móvil

ofrecen nuevas oportunidades de personalizaciónofrecen nuevas oportunidades de personalización basadas en la posición geográfica, la fecha/hora y la dirección de movimiento

• Aplicable a teléfonos móviles, PDAs, ordenadores portátiles con conexión inalámbrica, automóviles, etc.

• Ejemplos:– Información metereológica

144

– Noticias– Información del tráfico– Localización del hotel (restaurante, cine, gasolinera, …) más

cercano– Ejemplo: Vodafone live!, Movistar emoción y Amena

¿Dónde?


Gestión de datos

145

Gestión de datos

146


Gestión de datos

147

Gestión de datos

Personalización y localización (2)• Mecanismos:

– GPS (Global Positioning System)– Celda de origen– Ángulo de llegada– Diferencia de tiempo de llegada

148


Gestión de datos

GPSConstelación de satelítes

149

Gestión de datos

Celda de origen

150


Gestión de datos

Ángulo de llegada

α

β

151

θ

Gestión de datos

Diferencia de tiempo de llegada

d1d2

152

d3


Gestión de datos

CENTROPOSICIONAMIENTOMÓVIL

DISPOSITIVO WAP

HTTPGIS

RED INALÁMBRIC

A

MPPWSP

WSP

INTERNET

MPP

153

APLICACIÓN BASADA EN LA LOCALIZACIÓN

GISDATABASEPROXY

WAP INTERNET

HTTP

WSP: Wireless Session Protocol HTTP: HyperText Transfer Protocol MPP: Mobile Positioning ProtocolGIS: Geographic Information System WAP: Wireless Application Protocol

Gestión de datos

Ejemplos de personalización• Dos aplicaciones típicas que emplean

personalización:– Sitios web adaptativos– Sistemas de recomendación

154


Gestión de datos

Sitios web adaptativos (1)• Adaptan el contenido, la estructura y la

presentación a usuarios individuales o grupospresentación a usuarios individuales o grupos de usuarios

• De forma automática (aprenden, no se basa en cuestionarios):– Crea nuevas páginas– Añade o elimina enlaces– Reordena o resalta enlaces

155

– Reformatea el contenido– …

• Emplean los registros (logs) y técnicas de minería de datos (data mining)

Gestión de datos

Sitios web adaptativos (2)• Diferentes modos de funcionamiento:

– Automático (el sistema puede realizar cambios) o semiautomático (el sistema sugiere cambios y el administrador del sitio web los acepta)

– Destructivo (puede eliminar elementos de

156

la estructura) o no destructivo (no puede eliminar, sólo añadir o resaltar)


Gestión de datos

Sitios web adaptativos (3)• Orientados al individuo o al grupo:

– Individuo: versiones individuales para cada– Individuo: versiones individuales para cada usuario

– Grupo: agrupa a los usuarios en grupos y requiere menos versiones

• Problemas:– Diferentes usuarios Diferentes objetivos y

necesidadesEl i i d t dif t

157

– El mismo usuario puede tener diferentes necesidades en distintos instantes

– Un sitio web puede ser usado de forma distinta a como esperan sus diseñadores

Gestión de datos

Sitios web adaptativos (4)• Ejemplo:

– Método de la huella (footprint): un periódico digital que recuerde las secciones y noticias que ha consultado un usuario en el pasado, puede generar una página inicial donde se resalten las

t í á i it d li i l

158

categorías más visitadas y se eliminen las menos empleadas


Gestión de datos

159

Gestión de datos

Sitios web adaptativos (y 5)• Emplear información del navegador para

personalizar la página (tipo de navegadorpersonalizar la página (tipo de navegador, resolución de pantalla, idioma predefinido, etc.)

• Ejemplo:– Google los encabezados HTTP accept-language para determinar el idioma en que se muestra la página

160

muestra la página– Los navegadores pueden tener múltiples accept-

language, ordenados por nivel de preferencia del usuario


Gestión de datos

161

Gestión de datos

162


Gestión de datos

163

Gestión de datos

164


Gestión de datos

Sistemas de recomendación (1)• Empleados en sitios de comercio electrónico

d d t i ipara recomendar productos y servicios• Solución a cómo seleccionar un producto

entre miles• Ventajas:

– Aumenta las ventas asociadas (cross-sell)

165

– Convierte visitantes ocasionales en compradores– Aumenta la fidelidad de los clientes (se establece

una relación cliente/sitio web)

Gestión de datos

Sistemas de recomendación (y 2)• Mecanismos:

– Correlación entre productos: sugerir un CD de un grupo de música de estilo similar

– Correlación entre clientes: sugerir un producto que ha comprado un usuario con gustos similares

166

– Estadística: los 10 más vendidos por estilo, país, etc.


Gestión de datos

167

Gestión de datos

168


Gestión de datos

169