pētījums nr. 1.20. interneta lietotāju uzvedības analīzes rīks izpete 2.pdf · kā redzams...
TRANSCRIPT
Pētījums Nr. 1.20. Interneta lietotāju uzvedībasanalīzes rīks
Līgums Nr. L-KC-11-0003
Prasību izpēte
Vadošais pētnieks Atis KapenieksZinātniskā virziena vadītāja RenāteStrazdiņa
Rīga, 2013
© SIA IT KOMPETENCES CENTRS 2013SIA IT KOMPETENCES CENTRS Reģistrācijas numurs: 40103326439
Rīgā, Lāčplēša ielā 41, LV-1011Kontaktpersona:Dace SkrastiņaTālr.: 67844273Fakss: 67315315E-pasta adrese: [email protected]
2
Saturs
Tabula 1.Ievads.....................................................................................................4
Tabula 2.1. Modelis...............................................................................................6
1.1. Esošo pētījumu analīze............................................................................................6
1.2. Empīriskie pieņēmumi............................................................................................8
1.3. Lietotāja uzvedības modelis....................................................................................9
1.4. Pētniecības metodes.............................................................................................13
1.4.1. Kvalitatīvās metodes.......................................................................................13
1.4.2. Kvanitatīvās metodes.....................................................................................15
Tabula 3.2. Dati analīzei.....................................................................................16
2.1. Modeļa definētie dati un to korelācijas................................................................16
2.1.1. Katra lietotāja vidējais uzturēšanās laiks portālā...........................................16
2.1.2. Meklējumu grafu (trajektoriju) un laika komponentes analīze......................19
2.1.3. Meklējamo datu veidi un lietotāju uzvedības motivācija...............................19
2.1.4. Apmeklējuma dziļums....................................................................................21
2.2. Esošo sistēmu pieejamie dati................................................................................25
2.2.1. IT ekosistēmas................................................................................................25
2.2.2. Uzturēšanās laiks............................................................................................29
2.2.3. Reakcija uz datu veidiem................................................................................33
2.3. Lietotājus raksturojošie dati.................................................................................34
2.3.1. Sistēmas identifikators...................................................................................35
2.3.2. Sociālo tīklu identifikatori...............................................................................35
2.3.3. IP adrešu identifikācijas mehānisms, iespējamie kļūdu avoti........................36
2.4. Lietotāju anketēšanas un aptauju sistēmas..........................................................38
2.4.1. Aptauju anketas kvalitatīvai analīzei..............................................................38
2.4.2. Elektroniskās anketas iesaistes veicināšanai..................................................38
2.4.3. Intervijas.........................................................................................................39
2.4.4. Anketu kritēriji................................................................................................40
2.5. Marketoloģija preču piedāvājumam.....................................................................44
2.6. Diskusiju forumu analīze, semantiskās analīzes rīki..............................................46
2.6.1. Diskusiju forumi.............................................................................................46
2.6.2. Semantiskās meklēšanas sistēmas................................................................46
2.6.3. Semantiskās atbilstības analīze......................................................................48
Tabula 4.3. Iegūto datu analīze un interpretācija................................................50
3.1. Eksperimentālo mērījumu datu kvantitatīvais sadalījums....................................50
3
3.1.1. Unikālie apmeklētāji diennaktī.......................................................................50
3.1.2. Laika normālsadalījumam atbilstošie lietotāji................................................51
3.1.3. Lietotāji ar īsāku uzturēšanās laiku................................................................52
3.1.4. Lietotāji ar garāku uzturēšanās laiku vienā lapā............................................54
3.1.5. Atgriešanās biežums portālā..........................................................................55
3.1.6. Datņu caurskatīšanas dziļums........................................................................56
3.2. Lietotāju kopu definēšana pēc iegūstamo datu tipiem ........................................59
3.2.1. Pēc lietotāja ID................................................................................................59
3.2.2. Pēc IP adreses ................................................................................................59
3.3. Empīrisko lemmu salīdzināšana ar iegūto datu tendencēm.................................62
3.4. Mērījumu veikšana................................................................................................63
3.4.1. Testēšanas vietu izveide................................................................................63
3.4.2. Anketēšanas sistēmas izveide........................................................................63
3.4.3. Anketas atbilžu datu novērtējums..................................................................66
3.4.4. Web statistikas analīzes rīku apvienošana ar anketu datiem.........................67
Tabula 5.4. Modeļa analīze un papildināšana....................................................68
4.1. Modeļa mehānismu salīdzināšana ar iegūtajiem datiem.....................................68
4.2. Modeļa sadaļu svara funkciju definēšana, bāzējoties uz eksperimentāliem datiem......................................................................................................................................70
Tabula 6.5. Secinājumi........................................................................................71
Tabula 7.6. Programmatūras prasību specifikācija.............................................73
6.1. Dokumenta nolūks................................................................................................73
6.2. Darbības sfēra.......................................................................................................73
6.3. Termini..................................................................................................................73
6.4. Saistība ar citiem dokumentiem...........................................................................74
6.5. Vispārējās prasības................................................................................................74
6.6. Funkcionālās prasības...........................................................................................74
6.6.1. Kalendārs........................................................................................................74
6.6.2. Analītiskās atskaites.......................................................................................75
6.7. Nefunkcionālās prasības......................................................................................81
6.8. Procesa shēma......................................................................................................81
Tabula 8.Izmantotā literatūra..............................................................................83
Tabula 9.Pielikums Nr.1......................................................................................90
Tabula 10.Pielikums Nr.2....................................................................................97
Tabula 1. Ievads
4
Līdz ar Interneta lietotāju skaita palielināšanos un informācijas tehnoloģiju
aizvien nozīmīgākas lomas ieņemšanu ikdienas aktivitātēs, mainās arī
tehnoloģiju lietotāju uzvedība: atkarībā no izvēlētā laika perioda mainās datu
meklēšanas biežums, informācijas avoti, lietošanas ilgums un konkrēto personu
atlases paradumi.
Ja Interneta lietotāju uzvedības analītiķiem sākotnēji bija svarīgi saprast
konkrētā resursa lietotāju skaitu, tad pašlaik tiek izzināti daudz nozīmīgāki un
detalizētāki lietotāju uzvedības paradumi. Tiek pētīts gan lietotāju ģeogrāfiskais
izvietojums, lietotāja konkrētās lapas atgriešanās biežums (atkarībā no
diennakts stundu, nedēļas dienu un konkrēta laika posma), gan konkrētu
atslēgvārdu meklējumu skaits; tiek veikta arī meklēšanas paradumu
prognozēšana.
Lai apkopotu esošās un radītu jaunas zināšanas, mēs esam veikuši
pētījumu, kura mērķis bija izpētīt un apzināt nepieciešamos kritērijus un
nosacījumus datu struktūru izveidei un pielāgošanai, lai tehnoloģiski spētu
nodrošināt ātru un uzticamu datu ieguvi.
Darba teorētiskās daļas ietvaros tika apkopoti un analizēti atbilstošie
literatūras avoti. Tika definēts un noteikts nepieciešamo datu kopums un veids,
lai veiktu augstvērtīgus pētījumus. Tiks uzskaitīti nepieciešamo datu
informācijas iegūšanas veidi un to iespējamās informācijas atlases iespējas.
Praktiskā darba ietvaros tiks izmantoti dažādi lietotāju uzvedības
mērīšanas rīki, lai analizētu lietotāju paradumus. Ar dažādu metožu palīdzību
tiks radīta iespēja noteikt konkrētu datu atlasi, kura primārais mērķis būtu
prognozēt paredzamo lietotāju uzvedību.
Prasību izpētes rezultātā tiks iegūtas jaunas zināšanas par
nepieciešamajiem meklēšanas kritērijiem, kā arī tiks identificēti nosacījumi datu
struktūrām pēc lietotāju reakcijas un datu kopu veidiem un prasības ātrdarbībai.
5
Tabula 2. 1. Modelis
1.1. Esošo pētījumu analīze
Apskatot jau iepriekš veiktos Interneta lietotāju uzvedības pētījumus, var
apzināt gan pētījumā iekļautās grupas, gan veidus, kā dati tika savākti, gan arī
metodes datu analīzei.
Tā, piemēram, līdzšinējie marketoloģiski orientētie pētījumi veikti ar
statistisko analīzi lietotāju portālu apmeklējumiem un sekošanai portālos
izvietotajai reklāmai (klikšķu uzskaite uz reklāmas bannera). Vienkāršākais
veids, kā tiek veikti šai grupai piederīgie pētījumi, ir portālu log failu analīze un
iegūto apmeklējumu grafu statistiskais izklāsts. Lietotāja modelis tiek veidots
pēc lineāriem pieņēmumiem, neveidojot sazarotas analīzes pēc daudzfaktoru
pieņēmumiem. Galvenokārt tiek analizēts – vienas preču grupas korelācija ar
otru, salīdzinot līdzīgus lietotāju apmeklējuma logus [1], [2].
Savukārt, izglītības ieguves pētījumi saistībā ar skolu mācību programmu
apguvi tiek veikti no uzvedības viedokļa - kā vienas vecuma grupas cilvēki spēj
veidot virtuālās sadarbības grupas konkrētās informācijas ieguvei. Lielā mērā
datu analīze notiek, salīdzinot izlases grupas ar pieeju Internetam sekmes
zināšanu apguvē ar grupas sekmēm, kurai nav pieejami Interneta resursi [3].
Pētījumos par izglītības ieguvi augstskolās, uzsvars vairāk tiek likts uz
grupu sadarbību, veidojot testa grupas ar noteiktiem sadarbības modeļiem un
ar aptaujām pētot sadarbības rezultātus [4].
Bērnu uzvedības Internetā pētījumu pamatā Internets tiek pieņemts kā
sava veida televīzijas attīstība un tiek pētīta reklāmas un satura ietekme uz
bērniem. Pēdējos gados (kopš 2006.gada) arvien vairāk tiek pētīta Interneta
virtualizācijas ietekme uz jauniešu savstarpējo sadarbību un sekošanu grupu
līderim [5], [6].
Pētījumu grupā, kas saistīta ar lietotāja motivāciju darbībām Internetā,
ietilpst pētījumi par kriminālām darbībām un pašizpausmēm blogu sistēmās [7],
[8].
Atsevišķa pētījumu grupa ir adaptīvie algoritmi, kas imitē reāla cilvēka
uzvedību, veidojot Interneta avatāru, kas spētu izpildīt klasisko Tjūringa [9]
testu. Šajā grupā ietilpst Apple izstrādātie algoritmi balss asistenta Siri darbībai
vai arī IKEA ieviestais asistents Anna, kas palīdz lietotājam orientēties Interneta
veikala piedāvājumos [10], [11], [12].
6
Augstāk minētie izveidotie modeļi pēta šauras jomās ar atsevišķām
metodēm. Darba ietvaros ir paredzēts pētījums par daudz plašāku lietotāju
uzvedības modeli, izmantojot vairākas datu savākšanas un analīzes metodes .
7
1.2. Empīriskie pieņēmumi
Pētot Interneta lietotāju uzvedību, ņemot vērā gaidāmos notikumus
sabiedrībā un paredzot sabiedrības reakciju, ir iespēja prognozēt lietotāju
uzvedību konkrētā laika periodā, balstoties uz empīriskajiem pieņēmumiem.
Piemēram, lietišķās informācijas segmentā paredzams, ka maija mēnesī
lietišķo portālu apmeklējuma pieaugums būs vērojams tieši ap 22-26 gadu vecu
sieviešu vidū. Empīriskā pieņēmuma pamatā ir fakti, ka: 1) katru gadu maija
mēnesī studenti raksta savus studiju noslēguma darbus; 2) pieņemot, ka
augstskolu pēdējo kursu studenti ir ap 22 - 26 gadus veci; 3) un zinot, ka 67%
augstāko mācību iestāžu pamatstudiju beidzēji ir sievietes1.
Tā kā uzņēmējiem Latvijas Republikas tiesību normas nosaka iesniegt
uzņēmumu gada pārskatus līdz 30.aprīlim un tas ir svarīgs finanšu datu
rādītājs, tad var prognozēt, ka pēc 1.maija pieaugs gada pārskatu meklējums.
Paredzams, ka tuvojoties pašvaldību vēlēšanām, pieaugs ziņu skaits par
lielo Latvijas pilsētu mēriem un attiecīgi krietni pieaugs viņu popularitāte fizisko
personu popularitātes topos. Īpaši būtu jāizceļ un jāprognozē Latvijas
galvaspilsētas Rīgas mēra popularitātes pieaugums, kas varētu līdzināties
Latvijas populārākajām personām – valsts prezidenta un ministru prezidenta
popularitātes reitingiem.
1 http://izm.izm.gov.lv/registri-statistika/statistika-augstaka/9495.html
8
1.3. Lietotāja uzvedības modelis
Interneta lietotājus tipoloģiski var iedalīt vairākās grupās, bet divas
visspilgtāk un krasi atšķirīgākās grupas ir Atklāta tipa un Slēgta tipa lietotāji, kas
pēc konkrēti un skaidri definētiem kritērijiem pieder konkrētajai grupai [13].
Atklāta tipa lietotājus raksturo:
Neslēpj savu identitāti,
Ja izmanto avatāru, tad ir iespējams no pazīmju kopuma dekodēt reālo
lietotāju,
Nepievērš uzmanību pēdu atstāšanai savām darbībām tīmeklī,
Brīvi iesaistās konstruktīvās diskusijās,
Veicamās darbības tīmeklī visbiežāk ir loģiski pamatojamas,
Atbild uz e-pasta vēstulēm,
Ir izveidots liels paziņu loks tīmeklī [13].
Slēgtā tipa lietotāju raksturo:
Slēpj savu identitāti,
Identitātes uzturēšanai izmantojamos avatārus bieži maina,
Cenšas dzēst visas savas darbības pēdas tīmeklī,
Reti iesaistās konstruktīvās diskusijās,
Bieži atstāj diskusiju grupās iracionālus vai negatīvus komentārus,
Bieži veicamās darbības tīmeklī ir aloģiskas,
Reti atbild uz e-pastiem,
Cenšas neveidot paziņu lokus [13].
Pārējie lietotāju tipi ir vairāk vai mazāk atvasinājumi no abiem
iepriekšējiem.
9
1.2.attēls. Sadalījums spektrā pēc lietotāju tipiem 2
Kā redzams pēc sadalījuma spektrā (skatīt 1.2. attēlu), vairāk kā 70%
lietotāju Internetā atbilst vairāk atvērtā tipa lietotājiem nekā slēgtā un brīvi
piesakās pakalpojumiem ar kādu no saviem identifikatoriem pakalpojumu
saņemšanai. Neliels pieaugums slēgtā tipa lietotājiem skaidrojams ar
bibliotēkas pakalpojuma izmantošanu, kur nav vajadzība reģistrēties ar savu ID
(identifikatoru), bet pietiek ar termināla atrašanos Rīgas Tehniskās Universitātes
(RTU) datu tīklā.
Tā kā identificēt Atklātā tipa lietotājus un savākt statistikas datus par viņu
uzvedību ir salīdzinoši vienkārši un lielākā daļa lietotāju tipu pieder pie Slēgtā
tipa vai atvasinātajiem tipiem, par kuriem nevar savākt visus datus un iegūt
pilnīgu informāciju par lietotāju, tad ir svarīgi apzināties šo lietotāju īpatnības un
datu savākšanas iespējas.
Pie Slēgtā tipa lietotājiem bieži pieder arī egocentrētie tipāži, kuri vairāk
pievērš uzmanību savām darbībām un viedoklim, nevis apmeklētās vietnes
saturam vai diskusijas tēmai [13].
Slēgtā tipa lietotāju uzvedības modeļa komponente ir lietotāja motivācija
Interneta vietnes informācijas meklēšanā:
a) Informācija saistīta ar profesionālo darbību:
Motivēts (ieinteresēts) lietotājs veic vairākus meklējumus paralēli, veicot
variācijas meklējuma atslēgvārdu izvēlē, atsaucas uz vienādām (similirām)
un korelējošām meklējuma atbildēm, velta lielu laiku meklējumiem;
2 RTU lietotāju reģistra analīzes
10
Zemi motivēts (meklējumu veic tikai atskaites dēļ) apmierinās ar vienu -
divām meklējuma atbildēm, meklējuma pieprasījumus veido formāli bez
variācijām;
Meklējumi stresa apstākļos, bieži līdzīgs modelis zemi motivētam, taču
pieprasījumu ir daudz, bieži haotiski, meklējumu dziļums ir sekls.
b) Personīgās intereses informācija:
Būtiskākais ir laika komponente, ja tiek veltīts būtiski lielāks laiks
meklējumiem kā parasti, tad norāda, ka interese ir augstāka nekā
parastajam meklējumam;
Ja notiek atgriešanās pie meklējuma 72h laikā, tas norāda uz lielu
pašmotivāciju informācijas atrašanā.
c) Informācijas meklējuma veidi:
Sistemātiska tipoloģiskai kopai atbilstošas informācijas meklēšana,
norāda uz augstu pašmotivāciju atbilstošās informācijas atrašanai, būtiski ir
fiksēt veltīto laiku informācijas meklēšanai un atkārtojamību;
Haotiska informācijas meklēšana, bez strukturētas jautājumu kopas
izveides, norāda, ka lietotājs veic zemi motivētu informācijas meklēšanu vai
nu formāli laika aizpildīšanai, vai nu pašizklaidei. Šajā gadījumā pastāv
varbūtība pāraugt sistemātiskā informācijas meklējumā. Pazīme – sāk
veidoties sistemātiskas pieprasījuma kopas. Protams, šeit pastāv risks, ka
lietotājs nav apguvis informācijas meklēšanas likumības, tādejādi neprotot
formulēt pieprasījuma kopas. To var noteikt, izanalizējot lietotāja veikto datu
pieprasījumu ilgākā laika posmā (2 – 3 mēn.), kas ļautu noteikt viņa
tipoloģiju.
d) Informācijas ieguves laiks:
Informācijas meklējumi rīta stundās tipiskāki būtu dati par laika
apstākļiem, lietotājiem ar personīgo transportu, par sastrēgumiem. Tādejādi
pēc transporta un laika apstākļu informācijas meklējumiem lietotājus varētu
iedalīt trijās grupās:
I. Izmanto sabiedrisko transportu, interesējas par laika apstākļiem
un sabiedriskā transporta sarakstiem;
II. Izmanto personīgo transportu, interesējas par laika apstākļiem un
ceļu situāciju;
11
III. Nepārvietojas un interesējas par informāciju, kas neattiecas uz
pārvietošanos.
Informācijas ieguve tipiskākajā darba dienas uzsākšanas laikā raksturo
lietotājus, kuru darbs ir saistīts ar IT tehnoloģiju izmantošanu darba
vajadzībām, tipoloģiski ir jāgrupē pēc informācijas veida un meklējumos
pavadītā laika (tipiska rīta „iesildīšanās” 15~30 min);
Profesionālās informācijas ieguves laiks - līdz pusdienlaikam. Pamatā
tiek iegūta ar darba vajadzībām saistīta informācija vai mācību procesu
nodrošinoša informācija;
Pusdienlaikā biežāk meklēs izklaides informāciju, bieži tiek meklēta
informācija par aktualitātēm, kas ir apspriestas ar darba kolēģiem (korelējot
vairākiem pieprasījumiem no IP (Internet Protocol) adrešu grupas, ir
iespējams noteikt kolektīva kopējās intereses un savstarpējo atklātību);
Vakars - izklaides un pašizglītības informācija, pēc meklējuma satura ir
iespējams identificēt studējošos.
e) Tehniski zinoši, droši tehnoloģiju izmantošanā.
Parādoties jaunam elementam, portālā turpina darboties ar informācijas
ieguvi, cenšas izmantot jaunos elementus un portāla funkcionalitātes, viegli
pieņem jauninājumu loģiku;
Nedroši lietotāji cenšas turēties pie portāla vecās versijas un necenšas
iedziļināties jauninājumu loģikā [13].
12
1.4. Pētniecības metodes
1.4.1. Kvalitatīvās metodes
Kvalitatīvos novērojumus var veikt arī mazās, pēc kopīgām pazīmēm
stingri determinējamās grupās. To izmērs var sākties no 4 indivīdiem, taču, lai
interviju rezultātā iegūtie dati būtu pietiekami ticami teorijas apstiprināšanai,
grupai jābūt vismaz 40 indivīdu [14], [15].
Lai izvēlētos atbilstošāko un piemērotāko kvalitatīvo pētniecības metodi,
tika apskatītas un izvērtētas vairākas vispopulārākās metodes.
Viena no kvalitatīvajām pētniecības metodēm ir Fokusa grupas intervija,
kas ir intervija ar nelielu cilvēku grupu par konkrētu tēmu. Grupa parasti sastāv
no 6 līdz 8 personām, kas piedalās intervijā no pusstundas līdz divām stundām.
Fokusa grupas intervija nav diskusija, problēmu risināšana sesija un nav
lēmumu pieņemšanas grupa [14], [15].
Raksturīgi, ka dalībnieki ir samērā viendabīga cilvēku grupa, kas ir
aicināta padomāt par jautājumiem, kuri interesē intervētāju. Dalībnieki dzird
viens otra reakciju un var veikt papildu komentārus savai sākotnējai atbildei.
Nav nepieciešams, lai grupas panāktu vienprātību, ne arī tas, ka cilvēki
nepiekristu viens otra viedoklim. Mērķis ir iegūt augstas kvalitātes datus sociālā
kontekstā, kur cilvēki var apsvērt savu viedokli, ņemot vērā citu viedokli.
Gadījuma izpētē parasti iesaista gan dalībnieku, gan neiesaistīto
novērošanu un gadījumu pētījumi ļauj variācijas jeb individuālās atšķirības fiksēt
un raksturot. Analīzes vienība var būt persona, notikums, programma, laika
periods, klases, kritisks negadījums, kopiena utt.. Neatkarīgi no analīzes
vienības, gadījumu izpēte cenšas aprakstīt šīs vienības dziļumu. Vairāku
programmu vai produktu analīzes mērķis ir individualizēts rezultāts, lielākas
vispārināšanas gadījumā pēta tendenču attīstības [14], [15].
Par Situācijas analīzes jeb gadījuma izpētes metodi A.Veiss saka:
„Gadījuma izpēte ir veids, kā organizēt datus, lai saglabātu koncentrēšanos uz
kopumu. Kurš veic gadījumu izpēti, cenšas apsvērt sakarības starp cilvēkiem,
iestādēm, pasākumiem un ticējumiem. Pētnieks cenšas saglabāt visus
elementus par situāciju uzreiz [14], [15].”
Savukārt, Inj gadījumu izpēti definē, kā empīrisku izmeklēšanu, kas meklē
parādību dabiskā vidē, kad starp parādību un tās kontekstu nav skaidras
13
robežas, pierādījumiem izmantojot vairākus avotus. Raksturojoša iezīme ir
izpētīt sarežģītu reālās dzīves mijiedarbību kā kopumu [14], [15].
B.Koens un Manion uzskata, ka atšķirībā no izmēģinājuma, kas manipulē
ar mainīgiem, lai noteiktu to cēlonisko nozīmi vai pētnieka, kurš uzdod
standartizētus jautājumus, lielu, reprezentatīvu indivīdu, gadījumu izpētei
pētnieks parasti ievēro atsevišķu vienību īpašības - bērns, klases, skolas,
kopienas. Šādas novērošanas mērķis ir dziļi un intensīvi izpētīt un analizēt
"dažādas parādības", kas veido vienības dzīves ciklu ar mērķi izveidot
vispārinājumu par plašāku sabiedrību, kurai šī vienība pieder [14], [15].
Triangulācijas metode ir kombinētās datu analīzes metodes un tai ir
vairāki veidi. B. Pattons uzskata, ka šie četri ir visbiežāk atzītie triangulācijas
metodes veidi:
Datu – pētījumā, izmanto dažādus datu avotus. Piemēram, intervējot
dažādu statusu cilvēkus vai cilvēkus ar dažādiem skatu punktiem uz problēmu;
Pētnieku - izmanto vairākus dažādus vērtētājus vai sociālo zinātņu
institūcijas;
Teorijas - izmanto vairākas teorijas, lai interpretētu vienotu datu kopumu;
Metodiskā – veic ar vairākām metodēm, lai izpētītu vienu problēmu vai
programmu (piemēram, intervijas, novērojumi, aptaujas, dokumenti) [14], [15].
Lietotāju savstarpējai sadarbībai Internetā var izmantot Fritca Haidera
Līdzsvara teorēmu, kas raksturo sociālās grupas tiekšanās uz līdera zināšanu
līmeni. Tas paredz grupas sekošanu līdera sniegtajai un proponētajai
informācijai. Šis mehānisms un modelis labi izpildās Twitter un blogu servisos
[16], [17], [18], [19].
Interešu (pieprasīto datu) korelācijas analīze ļauj novērtēt lietotāja
intereses un pieskaitīt lietotāju kādai noteiktai interešu grupai. Interešu
korelācijas analīze tiek veikta ar šādām darbībām:
Anketēšanu, kur „ideālā” gadījumā lietotājs atbild uz tādiem jautājumiem,
kas sniedz atbildes uz pētījuma mērķiem. Tāpat jautājumiem jāļauj veikt
secinājumus par lietotāja vecumu un interesēm, kas dod iespēju izveidot
indivīda personisko interešu karti un ir iespējams izveidot lietotāju
raksturojošu modeli. Kopīgais līdzīgo atbilžu skaitam katrā jautājumā
būtu jābūt vismaz 75% robežās;
14
Minimālā kvalitatīvā anketēšana būtu veicama ar vienkāršu novērtējumu
„patīk” vai „nepatīk”. Lai izveidotu novērtējumu datu atbilstībai lietotāja
pieņemtajam profilam, viena tipa atbildēm jābūt virs 60% robežas;
Līdzdalība diskusiju forumos ļauj izveidot papildus semantisko atbilstību
saikni starp meklēto informāciju un iegūtā rezultāta kvalitatīvo
novērtējumu [20,21].
1.4.2. Kvanitatīvās metodes
Ar kvantitatīvām pētījuma metodēm nosaka raksturojošo lielumu
uzkrāšanās tendences un raksturojošos parametrus, lai varētu noteikt attīstības
tendences tālākai modeļa izveidei. Pēc B. Pattona izvirzītajiem pieņēmumiem
sociālajās grupās šādu tendenču novērtēšanai pietiek jau ar 200 indivīdu
novērojumu, bet, lai iegūtu ticamu rezultātu ar pietiekamas ticamības līmeni,
novērojamai grupai jābūt vismaz 400 indivīdu [22].
Reālajā situācijā ir jāveido raksturlielumu kopnes, kas pie saprātīga
mērījumu skaita ļauj novērtēt prognozes vai modeļa atbilstību iegūtajiem
datiem. Grupējot lietotājus pēc iegūstamajiem datiem, var veidot divas atšķirīgu
pazīmju grupas [23].
Kvantitatīvo datu grupa ir lietotāju datu kopums, kas ir kopējs
raksturlielums, t.i., izmantojamās operētājsistēmas, datu avoti, meklējamo
objektu grupas u.c.
Secinājumi
Kvanitatīvās metodes izmantošanas rezultātā var iegūt prognozes ar
mazāku precizitāti, bet ir vienkāršak izmantojamas, jo neprasa lielus cilvēku un
laika resursus to veikšanai.
Precīzai lietotāju uzvedības grupas modeļa izveidei ir jāizmantokvalitatīvās metodes.
15
Tabula 3. 2. Dati analīzei
2.1. Modeļa definētie dati un to korelācijas
2.1.1. Katra lietotāja vidējais uzturēšanās laiks portālā
Kā viens no lietotāja iesaistes parametriem tiek definēts uzturēšanās laiks
portāla konkrētajā lapā. Vidējais uzturēšanās laiks ļauj noteikt parametrus, kas
ļauj iedalīt lietotājus vidēji statistiskajā grupā, pret kuru ir iespējams veikt
raksturojošos mērījumus.
Kā piemēru var ņemt portālā www.riga.lv Eiropas datorprasmes sertifikāta
(European Computer Diver Licence, turpmāk tekstā ECDL) bāzēto brīvpieejas
mācību materiālu apmeklētību. ECDL programmas mērķis ir uzlabot zināšanu
līmeni par informācijas tehnoloģiju, paaugstināt prasmi personālo datoru
lietošanā un parastāko datoru lietotņu izmantošanā. Tā kā projekts ir startējis
kopš 2005.gada maija, tad laika gaitā ir uzkrāta pietiekoši liela apmeklējumu
datu statistika.
2.1.attēls. Laika sadalījums mācību materiāliem ECDL mācoliem
portālā www.riga.lv [24]
Pirmais kvantējamais lielums ir multimediju mācību materiālu garums, kas
ir redzams augšminētajā grafikā (skatīt 2.1. attēlu). Kā redzams, lielākā
materiālu daļa ir laika robežās no 1,5 min līdz 15 min. Tas lielā mērā atbilst
auditorijas piesaistes likumsakarībām, kas tiek rekomendētas cilvēku
uzmanības piesaistēm [25], [26].
Šīs likumsakarības ir:
16
Auditorijas
uzmanība ir jāpiesaista pirmajās 3 minūtēs;
Audio vizuālā
prezentācija nedrīkst būt garāka par 15 minūtēm, lai nezaudētu auditorijas
interesi;
Prezentācija
nedrīkst būt īsāka par 1 minūti, lai iegultos cilvēku atmiņā;
Tekstuālajiem
un attēlu materiāliem (plakāts, mājaslapa u.c.) ir jāpiesaista uzmanību
pirmajās 3-7 sekundēs;
Tekstuālajiem
un attēlu materiāliem jābūt tādiem, lai vērotājs tam veltītu vismaz 1 minūte,
bet ne vairāk kā 3 minūtes, ja pēc tā sekos nākamais saistītais materiāls.
Par lietotāja ieinteresētību materiāla tēmā liecina, ja viņš velta tam vairāk
par 3,5 minūtēm, vai arī apskata vienas sesijas laikā vairāk kā 2 reizes, veltot
tam katrreiz vismaz 2 minūtes. Multimediju materiāliem šī garās uztveres
robeža sākas aiz 7,5 minūtēm.
Veicot pētījumus Rīgas portālā varēja redzēt kā šie iesaistes koeficienti
izpildās neatkarīgi no nedēļas dienas apmeklējumiem un apmeklēšanas
laikiem. Mērījumu gaitā izdevās definēt korelāciju starp noteiktā satura
mācoliem, augstskolu un skolu apmeklētājiem un apguves gaitā vajadzīgajiem
mācību materiāliem, kas noteica apmeklētāja ieinteresētību noteiktajā saturā.
2.2.attēls. ECDL mācolu apmeklētības sadalījums pa nedēļas dienām [23]
Grafikā (skatīt 2.2. attēlu) ir redzams apmeklējumu klikšķu sadalījums pēc
nedēļas dienām. Jāņem vērā, ka šis grafiks ir veidots pēc 2005.gada datiem,
17
kad vēl nebija tika aptveroša Interneta pieejamība mājās un no mobilajām
iekārtām kā tagad, 2013.gadā.
Veicot analīzi patērētajam laikam mācolu apguvē, var redzēt, ka
ieinteresētības likumsakarība izpildās atbilstoši mācību procesa pieprasījumam
(skatīt 2.3. attēlu).
2.3.attēls. Patērētais laiks ECDL mācolu apguvē portālā www.riga.lv [24]
Pēc mērījumu datiem var redzēt, ka bieži „īsajiem” laikā mācoliem, tiek
veltīts apguves laiks, kas pārsniedz 2 līdz 3 reizes tā garumu. Parasti šie mācoli
satur īsu informāciju par kādas funkcijas efektīvu izmantošanu, piemēram, fontu
formatēšanu.
Jāņem vērā, ka portāla logu uzskaites sistēma ļauj reģistrēt katras sesijas
ilgumu, tādejādi iespējams noteikt lietotāja ieinteresētību attiecīgajā multimediju
materiālā.
Analoģiski var veikt lietotāja ieinteresētības noteikšanu tekstuālajiem
materiāliem, nosakot to novērtēšanas kritēriju metriku.
Šeit būtu jāveido analoģija ar apmācības uztveres piramīdu (skatīt 2.4.
attēlu), jo jebkuras informācijas iegūšana ir sava veida indivīda apmācība.
Tādejādi varētu veikt (pēc Edgara Dale) izveidotās uztveres piramīdas datu
sadalījumu pēc to uztveramības tipiem [27].
2.4.attēls. Uztveres piramīda pēc E.Dale
„Audiovisual Methods in Teaching” [27]
18
2.1.2. Meklējumu grafu (trajektoriju) un laika komponentes analīze
Analizējot lietotāja ieinteresētību meklējamos materiālos ir jāņem vērā arī
meklējuma trajektorija un katram tās zaram veltītais laiks.
Veicot meklējumus pēc kāda atslēgvārda, lietotājs iegūst atbilžu
trajektoriju, kas izkārtojas pēc datu prioritātes jeb augstākā novērtējuma
(rankinga) principa [28].
Ja datu meklējumā tiek izmantotas similaritātes, var veidoties atbilžu
sazarojums, kas sniedz citas grupas atbilžu kopu.
Veicot šo atbilžu izmantošanas analīzi, ir svarīgi novērtēt, cik dziļi lietotājs
seko atbildēm iegūtajā trajektorijā un kurā brīdī tālākajiem meklējumiem tiek
izmantota līdzīgo atbilžu kopa, kas veido jaunu meklējumu koku.
Šeit svarīgākais ir analīzē izmantot tieši atbilžu klāsterus, bet jāņem vērā
arī laika komponente. Attiecības starp šīm komponentēm veidotos pēc principa,
jo vairāk tiek pāršķirstītas atbildes no vienas kopas, jo tā ir atbilstošāka
meklējumu mērķim, jo lielāks laiks tiek patērēts kādas atsevišķas atbildes
izpētei, jo iespējami lielāka varbūtība, ka lapa satur meklējuma rezultātiem
atbilstošākās atbildes.
Sekojot līdzi lietotāju apmeklētības trajektorijai portālā, var izveidot
apmeklējumu grafu, kas rāda meklējumu loģisko secību. Apkopojot similāros
grafus, var izveidot meklējumu trajektoriju kopējās grupas, kas raksturo
meklēšanas loģiku. Tādejādi ir iespējams iegūt punktus, kur beidzas meklējumu
treki. Var secināt, ka salīdzinot līdzīgus trekus, kas noslēdzas tajos pat punktos,
tos var uzskatīt par informācijas pietiekamības punktu. Turpmākos informācijas
meklējumu procesos, veidojoties šādam grafam, var piedāvāt rezultāta punktu
kā meklējuma populārāko mērķi.
Meklētās informācijas žanrs ļauj noteikt kādam, mērķim informācija tiek
meklēta. Kopā ar laika funkciju ļauj prognozēt cilvēka mērķtiecību. Pastāv
neliels risks iegūt kļūdu raksturojumā, ja cilvēks darbojas ar izklaidi saistītā
nozarē, bet pēc procentuālās varbūtības šādu lietotāju būs maz, tādejādi šādu
lietotāju kvantitatīvais skaits būs tik mazs, ka neiespaidos kopējo mērījumu
kvalitāti.
2.1.3. Meklējamo datu veidi un lietotāju uzvedības motivācija
19
Atkarībā no meklējamo datu veidiem var izvērtēt lietotāju uzvedības
motivāciju. Sociālos mēdijus un portālu kategoriju izmantošana [29]:
a) Forumi un
ziņojumu dēļi paredz e-pastu vai komentāru publiskošanu, kas var būt gan
brīvi, gan pieejama ar moderācijas vai pilnībā kontrolētu piekļuvi. Šādus
forumus bieži veido uzņēmumi, lai varētu novērtēt reakciju uz saviem
produktiem;
b) Pārskati un
rekomendācijas - Amazon.com ir ļāvusi klientiem komentēt grāmatas un
preces. Epinions.com sāka darboties pagājušajā gadsimtā un kļuva par
vietu, kur pircēji varēja diskutēt par ieguvumiem un zaudējumiem no
produktiem, kas tiem patīk vai nepatīk. Tagad, pateicoties apvienotajiem
pakalpojumiem, piemēram, Bazaarvoice, lielākā daļā e-komercijas vietnēs
ir dota vieta klienta balsij. Pie šādiem forumiem vēl var minēt
dphotoreview.com un gsmarena.com;
c) Sociālie tīkli:
MySpace, LinkedIn, un Facebook ir daļēji atvērtas kopienas, kas ļauj
savienoties tiešsaistē. Vietnēs, piemēram, Ning, kas ļauj ikvienam izveidot
atvērtu vai slēgtu grupu, rodas komunikācijas, sadarbības, un draugu
savienojumi. Šeit var prevalēt dažādi šo vietņu sociālie virzieni – no
visaptveroša visos virzienos, piemēram, draugiem.lv, līdz grupēšanai pa
profesionāliem virzieniem un saitēm, kā tas tiek darīts LinkedIn [17], [18];
d) Blogošana ir
iespējas publiski paust lietotāja viedokli par procesiem vai lietām, savu
personīgo attieksmi, tādejādi iespaidojot citu, kuri seko blogam, viedokli un
attieksmi pret blogā pausto problēmu. Kā īpašs fenomens ir jāmin blogu
žurnālistika, kas bieži pārspēj regulāro preses un ziņu izdevumu
popularitāti [19, [30];
e) Mikroblogošana
, kur Twitter ir tipiskākais mikroblogu produkts. Viss, kas jāievēro, ir
jāiekļaujas 140 zīmēs, ko nosaka mobilā telefona pieņemtās vienas
īsziņas garums;
f) Grāmatzīmes:
Digg, Delicious, un StumbleUpon ļauj cilvēkiem pastāstīt pasaulei, ko viņi
uzskata par labu, svarīgu, noderīgu, interesantu, utt., publiskojot savas
20
mājaslapu grāmatzīmes, ir iespējams dalīties ar citiem savās interesēs vai
informācijā, kas piesaistījusi uzmanību [31];
g) Mediju
koplietošana - Flickr un līdzīgi servisi ļauj publicēt visai pasaulei pieejamus
savus veidotos attēlus, tādejādi daloties ar citiem ar saviem gūtajiem
vizuālajiem iespaidiem. YouTube arī ļauj koplietot video materiālus,
tādejādi radot auditoriju, kas aptver visu pasauli un tiek ierobežota vienīgi
ar lokālajiem normatīvajiem aktiem vai valodas nesapratni.
h) Podkastings ir
vēl viens no virzieniem mediju un blogu apvienojumā, kas ļauj popularizēt
savu uzskatu pasauli tīklos.
Visiem šiem mēdijiem primāri tiek veikti kvantitatīvie mērījumi, kas ļauj
novērtēt unikālo sekotāju skaitu, tādejādi nosakot vietnes popularitāti. Pēc tam
tiek ieviesti un veikti kvalitatīvie mērījumi, kas ar vienkāršas novērtēšanas
aptaujas palīdzību ļauj novērtēt sniegtās informācijas pietiekamības lielumu
sekotājam.
Sociālo mēdiju fenomens lietotāju uzvedības analīzē: pirmavota sekotājs
dalās ar informāciju ar saviem sekotājiem, kas rada interesi par pirmavotu un
veicina pirmavota sekotāju pieaugumu. Tas ļauj konstatēt lietotāju intereses un
attiecīgi veidot, paplašināt lietotāju kopas.
2.1.4. Apmeklējuma dziļums
Kā viens no lietotāja intereses par saturu raksturlielumiem var tikt
izmantots apmeklējuma dziļuma mērījums.
Šo parametru ir vienkārši definēt lapām, kas ir sakārtotas pēc loģiskās
evolūcijas secības, kā piemēru var minēt rakstu, kas sadalīts pa vairākām
secīgām lapām, tādejādi radot secīgo notikumu svara funkciju (skatīt 2.5.
attēlu).
21
2.5.attēls Secīgi sakārtoto lapu modelis.
Šeit kā rezultāts ir jāņem kopējo virknē iesaistīto lapu skaits N un secīgi
apmeklēto lapu skaits A. Iegūto ieinteresētības koeficientu no apmeklējuma
dziļuma var izteikt ar vienādojumu I=(N/A)x100, kur I ir ieinteresētības
koeficients izteikts procentos, N - saistīto lapu skaits un A - apmeklēto lapu
skaits. Izmantojot šo novērtējuma vienādojumu, ir jāņem vērā, ka secīgo lapu
sasaistei ir jābūt definētais viennozīmīgi un katrreiz jādefinē no jauna, ja notiek
kādas izmaiņas.
Otrs iespējamais modelis ir savstarpēji saturā secīgi nesaistītu portāla
lapu apmeklējumi (skatīt 2.6. attēlu).
22
2.6.attēls Savstarpēji saturiski nesaistītu portāla lapu apmeklējumi.
Šeit, lai izteiktu lietotāja apmeklējumu dziļumu, ir jāņem vērā visu dotās
kategorijas lietotājam pieejamo lapu skaits, apmeklēto lapu nozare un skaits
nozarē no pieejamajām lapām, kā arī sesijas laikā apmeklēto lapu skaits.
Šajā gadījumā apmeklējuma dziļuma koeficientu, kas raksturos lietotāja
ieinteresētību attiecīgajā tēmā, var izteikt kā:
I’=(N’/A)x100
Bet nozares informācijas svarīguma koeficientu portālā var izteikt ar
vienādojumu:
S=(N’/N)x100
Formulās izmantotie apzīmējumi:
I’= ieinteresētības koeficients procentos,
N’= nozarei atbilstošo lapu skaits,
N = portāla kopējais lapu skaits,
A = apmeklēto lapu skaits,
S = nozares informācijas svara funkcija portāla kopējā informācijā.
Lai varētu efektīvi rīkoties ar šo formulu grupu, svarīgi ir precīzi izvēlēties
nozares atbilstības un atlases kritēriju pazīmes, lai nepieļautu situāciju, kad
viena un tā pati lapa kopējā statistikā uzrādās kā X skaits lapu, jo pieder pie
vairākām nozarēm.
Veidojot lietotāja modeļus, jāņem vērā, ka lielākā daļa lietotāju piederēs
pie kāda no tipiem, atkarībā no iesaistes situācijas. Tas nozīmē, ka lietotāja tips
23
var mainīties ārējo faktoru, t.i., izveidojoties lietotājam komfortablai situācijai, tas
var pāriet no slēgtā tipa uz atvērtā tipa un otrādi. Tādejādi lietotāja piederības
tips var mainīties laika gaitā.
Secinājumi
Veidojot lietotāju sadalījumu pa kategorijām, pamata iedalījuma
mehānisms ir to reakcijas veids uz informāciju. Pie reakcijas veida faktoriem, ko
iespējams nomērīt tīmeklī, ir reakcijas ātrums (ja portāla serveris to reģistrē) un
lapu apmeklējuma trajektorijas. Ideālā gadījumā pie reakcijas veida var
pievienot atgriezeniskās saites mehānismus, kā informācijas vērtējuma pogas,
kas ļauj noteikt informācijas lietderīguma un piesaistes tendences. Daudz
efektīvāks atgriezeniskās saites mehānisms ir iesaistīšanās diskusijas forumā,
kur lietotājs jau izvērstākā formā izsaka informācijas novērtējumu, tādejādi
iesaistoties jaunas informācijas ražošanā un piedaloties dziļākā pašiesaistē.
24
2.2. Esošo sistēmu pieejamie dati
2.2.1. IT ekosistēmas
IT ekosistēmu nosaka lietotāja paradumu un prasmju kopums, kas ietver
sevī zināmās tehnoloģijas un ar to saistīto tehniku, kā rezultātā ir izveidojusies
lietotājam pierasta un komfortabla darba vide, kas ļauj tam komfortabli darboties
ar vislielāko personīgo zināšanu un prasmju izmantošanu. Tāpēc, nosakot
lietotāja izmantotos pārlūkus, operētājsistēmas un datoru terminālus, ir iespēja
prognozēt viņa atbilstību grupas uzvedībai.
Pētījuma ietvaros tika analizēts Lursoft portāls www.news.lv (turpmāk
tekstā Portāls N), tā apmeklētība un dati par lietotājiem, kas tika apkopoti divos
veidos: 1) izmantojot web logu ierakstus (turpmāk tekstā WL); 2) webservera
statistikas analīzes rīks Webstatica (turpmāk tekstā WS).
Lai iegūtu pārskatu par lietotāju izmantotākajām IT ekosismēmām, tika
apkopoti dati par Portāla N lietotāju izmantotākajām IT ekosistēmām. Lai gan
konkrētā portāla apmeklētāju un visu interneta un Latvijas lietotāju uzvedība var
atšķirties, tomēr šie dati ļauj secināt par lielākas personu grupas uzvedību.
Izdalot atsevišķi konkrētu mājas lapu, un uz šī pamata analizējot konkrētas
teritorijas lietotāju paradumus, var būt neprecīzs rādījumu lielums. Īpaši tas būtu
saistāms ar Apple lietotājiem. Kaut arī kopumā ir ļoti niecīgs lietotāju skaits (3-
4%), tomēr tā lietotājus apvieno ne tikai salīdzinoši dārgāka tehnika, bet
daudzos gadījumos vienādu mājas lapu apmeklējuma tendence. Līdz ar to uz
vienas lapas pamata statistikas būtu neprecīzi pieņēmumi par kopējo lietotāju
datoru proporcijām.
Viens no vissvarīgākajiem parametriem ir operētājsistēma.
Operētājsistēmas apzināšana palīdz ne tikai noteikt, kāda veida iekārtas
attiecīgais lietotājs izmanto savu vajadzību un iespēju gadījumos, bet citos
gadījumos var noteikt arī iespējamās vietas izvēli. Piemēram, darba dienas
pulksten astoņos no rīta lietotājs, aplūkojot kādu mājas lapu caur mobilo
telefonu, to, visticamāk, dara izņēmuma gadījumā, nevis kā regulāru paradumu.
Visticamāk, konkrētā persona veic šādu darbību ceļā uz darbu, skolu vai citu
aktivitāti, kur tiks lietota cita elektroniska iekārta, iespējams, ar lielāku pavadīto
laiku.
25
Dažādi datu avoti sniedz mazliet atšķirīgu informāciju, tomēr pēc tās var
secināt tendenci, ka lielākoties lietotāji izmanto Windows operētājsistēmu, kas ir
ap 90% gadījumu (skatīt 2.1. tabulu).
2.1.tabula Operētājsistēmu lietošanas salīdzinājums
Operētājsistēma Portāls N % Netmarketshare3 % W3schools 4 %
Windows 91,89 91,62 83
Linux 3,01 4,7
Macintosh 2,5 2,65 9,5
IPad 0,98
IPhone 0,73
Mobilie telefoni 0,37
Viedtālruņi 0,14
Symbian OS 0,14
Android 0,07
Citi 0,17 5,73 2.8
Kaut arī vienmēr tiek sagaidīts, ka, ieviešot jaunu pakalpojumu vai versijas
klāstu, lietotāji sekos jaunākam piedāvājumam, ne visos gadījumos tiek
novērots šāds paradums (skatīt 2.2. tabulu).
2.2.tabula Lietotāju operētājsistēmu versijas uzstādīšanas paradumi Latvijas lietotāju vidū
Gads/Mēnesis Windows 7 5 Windows XP 3 Windows Vista
(2007.01)3Windows 8 3 Mac OS
X 10.8 3 Citi3
2012_6 41.59% 43.61% 6.72% 0.18% 0.03% 7.87%
2012_7 42.21% 42.86% 6.60% 0.20% 0.28% 7.86%
2012_8 42.76% 42.52% 6.15% 0.23% 1.41% 6.93%
2012_9 44.04% 41.23% 6.05% 0.30% 1.60% 6.79%
2012_10 44.69% 40.66% 5.80% 0.41% 1.85% 6.59%
2012_11 44.71% 39.82% 5.70% 1.09% 2.14% 6.54%
2012_12 45.11% 39.08% 5.67% 1.72% 2.27% 6.15%
2013_1 44.48% 39.51% 5.24% 2.26% 2.44% 6.06%
2013_2 44.55% 38.99% 5.17% 2.67% 2.61% 6.01%
2013_3 44.73% 38.73% 4.99% 3.17% 2.65% 5.73%
2013_4 44.72% 38.31% 4.75% 3.82% 2.82% 5.59%
3 http://www.netmarketshare.com/operating-system-market-share.aspx?qprid=11&qpcustomb=0&qpcustomd=lv
4 http://www.w3schools.com/browsers/browsers_os.asp 03.2013.
5 http://lv.wikipedia.org/wiki/Microsoft_Windows
26
No iepriekš aplūkojamās tabulas var redzēt, ka kaut arī pēc XP versijas
seko „Vista”, tomēr tā negūst lietotāju atsaucību
Mainoties Interneta lietošanas paradumiem, mainās arī pārlūku veidu
lietošanas proporcijas, un jāsecina, ka tā kā lielākā daļa Latvijā datu meklēšanai
izmanto Google kā meklēšanas rīku, ir būtiski pieaudzis arī Chrome
pārlūkprogrammas lietotāju skaits Portāla N ietvaros. Tomēr kopējais rādījumu
skaits valstī parāda citu tendenci, kur joprojām puse no lietotājiem izvēlas
pierastāku pārlūku veidu un nav jūtama pastiprināta jauna pakalpojuma veida
izmantošanas tendence (skatīt 2.3. tabulu).
2.3.tabula Pārlūkprogrammu lietošanas proporcijas (Latvija un pasaule)
Pārlūkprogrammas Portāls N % Netmarketshare6 % W3schools 7 %Chrome 35.25 16.45 51.7Mozilla Firefox 32.62 20.21 28.5Microsoft Internet Explorer 21.39 55.83 13.0Safari 6.92 5.31 4.1Opera 2.83 1.74 1.8Citi 0.99 0.46 0.9
Chrome tiek piedāvāts jau 4,5 gadus (no 2008. gada septembra), kura
laikā iekarojis būtisku lietotāju pārlūkprogrammu tirgus daļu. Šajā laikā ir
izveidotas 27 papildinātas versijas8, kur vērojama lietotāju jaunākās versijas
papildināšanas vēlme ar jaunākām piedāvātām iespējām. Firefox ir bijušas 21,
Internet Explorer 10, Safari 6, Opera 12 papildinātās versijas. Līdz ar to varam
secināt, ka jebkura no minētām pārlūkprogrammu izstrādātāji nemitīgi domā par
jaunumu ieviešanu. Šādas darbības rezultātā būtiski iegūst lietotājs izmantojot
jaunākos rīkus labākas un pārskatāmākas „interneta dzīves” lietošanai.
Kā jau iepriekš tika minēts, laika gaitā mainās lietotāju paradumi un
Internets tiek lietots ne tikai pie konkrētā datora, bet ar dažādu ierīču
starpniecību. Līdz ar to mainās arī ekrāna lieluma dažādība (skatīt 2.4. tabulu).
Šādu datu apkopošana var palīdzēt saprast izmantotās iekārtas ekrānu lielumu,
kas var precīzāk noteikt lietotāju paradumus – pārlūku izmantošanas veidus un
tendences. Ja patreiz liels Portāla N apmeklējumu skaits notiek darba dienu
darba laikos (visticamāk no darba datora), tad, lietotājiem mainot iekārtas un
paradumus, var parādīties tendence, ka salīdzinoši lielāks lietotāju skaits kā
6 http://www.netmarketshare.com/browser-market-share.aspx?qprid=1&qpcustomb=0&qpcustomd=lv
7 http://www.w3schools.com/browsers/browsers_stats.asp
8 http://www.w3schools.com/browsers/browsers_chrome.as
27
iepriekš sāk apmeklēt portālu pirms darba laika ar planšetdatoru palīdzību.
Šāda lietotāju paradumu maiņa ar laiku var arī mainīt konkrētu reklāmas kanālu
izvēli, kur sabiedriskā transportā būtu izteiktāka konkrētu mājas lapu norāžu
intensitāte.
2.4.tabula Ekrāna izšķirtspējas sadalījums lietotāju vidū (2013.03)
Ekrāna izšķirtspēja Portāls N % Netmarketshare%9
1280x1024 19,72 6,671366x768 19,18 16,731024x768 13,42 11,851280x800 9,78 9,651920x1080 6,61 5,851680x1050 5,13 3,321440x900 4,98 5,901600x900 2,62 4,091152x864 1,04 0,98Citi 17,52 34,96
Pētot piedāvātos datus Portāla N ietvaros, tiek norādīts, ka visvairāk
konkrētā portāla apmeklētājiem ir uzstādīta 1280x1024 izšķirtspēja. Visbiežāk
lietotāji ar šādu izšķirtspēju lieto 17" un 19" LCD monitorus (šķidro kristālu
displejs). Tā kā patreiz jaunu portatīvo datoru izplatītākais izmērs ir 15" un
iepriekš nav bijusi tendence lielāku monitoru izmēru tirdzniecībā, tad varam
apgalvot, ka pamatā Portāla N lietotāji izmanto stacionāros datorus.
Stacionāro monitoru gadījumos vislielākais piedāvājums ir 21.5 un 24 collu
monitoriem. Uz šī pamata varam apgalvot, ka, visticamāk, Portālu N otro vietu
(ar tendenci ieņemt pirmo vietu) ieņem portatīvā datora lietošana 15” lielumā.
Portāla N ietvaros ir uzskaitīti 849 dažādu ekrāna izšķirtspējas gadījumi,
kur gandrīz puse no visiem gadījumiem tiek lietota tikai vienas iekārtās
gadījumā. 74% gadījumu veido 1-5 dažādu izšķirtspējas lielumu iekārtu
lietošana (skatīt 2.5. tabulu).
2.5.tabula Portāla N lietotāju lietoto ierīču izšķirtspējas veidu skaits
Ekrāns arizšķirtspējas lielumu
Skaits (849) % no kopējā skaita
1 364 43
2 117 14
3 63 7
4 43 5
5 41 5
Kopā 628 74
9 http://www.netmarketshare.com/report.aspx?qprid=17
28
Mazākais Portāla N uzrādītais izšķirtspējas lielums ir 122x125, bet
lielākais 30720x768. Tā kā katrs no viņiem veido tikai vienas reizes lietošanu,
tad ir iespējama kļūda uzrādītos iekārtas uzstādījumos. Protams, var būt arī
senu vai mazu un ļoti lielu laukuma lietošanas iespēja pārlūkojot, Portālu N.
Lietotājiem, apmeklējot kādu no mājas lapām, parasti ir ieslēgtas
sīkdatnes (cookies) rīki, kas paver iespēju konkrētam uzturētājam iegūt ziņas
par lietotāju. Ja lietotājs nevēlas sniegt ziņas par sevi un savu darbību attiecīgā
portālā, viņam ir jāizslēdz iestatījumi. Tā kā Portāla N gadījumā 99,84% ir
ieslēgti cookies (atļauta informācijas saņemšana), tad varam apgalvot, ka
sniegtie dati par kopējo lietotāju skaitu ir precīzi.
2.2.2. Uzturēšanās laiks
Tā kā Lursoft WS rīks darbojas ar Google analytics programmatūru,
jāpiemin, ka kopš 2013.gada sākuma Google ir mainījis savu pakalpojumu
sniegšanas politiku, kas ir ieviesis izmaiņas piedāvātajos datu analīzes
pakalpojumos. Ja iepriekšējā versijā tika veikta sesijas starp terminālu un
serveri ilguma reģistrācija, tad ar jauno versiju tas tiek piedāvāts tikai
komerciālajiem pakalpojuma izmantotājiem un tikai ar nosacījumu, ka tiek
izmantota Google serveru hostings (mitināšana) (skatīt 2.7. attēlu).
2.7.attēls Google analytics aģenta darbība
29
Šajā situācijā ir apgrūtināta laika komponentes noteikšana. Kā risinājums
var būt divi ceļi. Pirmais no tiem - izveidot aģentu, kas pastāvīgi uzskaita katras
sesijas ilgumu (skatīt 2.8 attēlu).
2.8.attēls Laika aģenta aplikācijas darbībaŠajā gadījumā var rasties problēmas ar sasaisti ar sistēmas logu un
termināla pārlūkprogrammas pieļaujamo skriptu valodu.Otrs risinājums ir izmantot lokālā web servera logu reģistru datni (skatīt
2.9. attēlu).
2.9.attēls Standarta Webservera logu uzkrāšana
Kā pirmais sistēmas ierobežojums ir jāmin, ka jābūt piekļuvei pie lokālā
servera datnēm, kas nav universāls risinājums un nevar tikt kā tāds piedāvāts,
jo šajā gadījumā ir jābūt noslēgtam līgumam par sadarbību ar servisa
pakalpojumu sniedzēju.
30
Vēl problēmas risinājumam var izmantot sesijas loga uzskaiti ar rūteru
palīdzību, taču šajā gadījumā tiem ir jābūt tāda veida, kas dod šo datu
informāciju, kas ne visās sistēmās var būt pieejami (skatīt 2.10. attēlu).
2.10.attēls Sesiju iegūšana ar SNMP MIB pieprasījumu palīdzību no rūteraPētot lietotāju rekciju, atkarībā no reakcijas laika, var izdalīt atsevišķus
reakcijas veidus. A.Newell cilvēka reakciju iedala četrās spektru grupās (skatīt 2.6. tabulu) [32].
2.6.tabula A.Newell cilvēku reakcijas sadalījums [32]
Laika intervāls Reakcijas veids
10-4..10-2 sek. Bioloģiskā reakcija10-1..101 sek. Apziņas intervāls102..104 sek. Racionāls intervāls105..107 sek. Sociālais intervāls
Bioloģiskais intervāls ir laiks, kurā notiek refleksīvās darbības, kas neskar
cilvēka uztveres līmeni un cilvēks rīkojas refleksīvi, briesmu gadījumā bēg.
Apziņas intervāls ir laika posms, kurā cilvēks uztver informācijas
eksistenci, bet vēl neveic tās izvērtēšanu pēc sev izvirzītajām prasībām.
Informācijas saturs netiek izvērtēts, bet tiek novērtēta vizuālās formas un
izskats. Šajā laika periodā notiek refleksīvā acu piesaiste interesējošam
elementam mājas lapā.
Savukārt, racionālajā intervālā cilvēks izvērtē informācijas saturu un
apzinās tās vērtību sev. Šajā intervālā informācija tiek apgūta, novērtēta un
kategorizēta. Tāpat šajā laika periodā tiek pieņemts lēmums par tālāku
informācijas apguvi un izpēti.
31
Sociālais intervāls ir laika periods, kurā informācija jau ir apgūta un
apstrādātā formā tiek izplatīta tālāk sava sociuma eko sistēmā. Lietotājs šajā
laika periodā ir apguvis informāciju un pats kļūst par tās ražotāju.
Mērot uzturēšanās laiku sistēmā, svarīgākais ir novērtēt lietotājus apziņas
un racionālajā periodā, kas raksturo, cik ātri lietotāji novērtē un apgūst
informācijas saturu.
Apskatot prasības sistēmas ātrdarbībai, secināts, ka sistēmas ātrdarbību
nosaka lietotāju parametru reģistrācijas laiks, ko var izteikt ar attiecību:
tRNL/NRp<10-1 sek.
Formulā izmantotie apzīmējumi:
tR – viena lietotāja reakcijas reģistrācijas laiks,
NL – vienlaicīgi reģistrējamo lietotāju skaits,
NRp – reģistrēto mērījumu skaits.
Tādejādi sistēmai jāspēj lietotāju datus neatkarīgi no skaita reģistrēt
mazāk kā 10-1 sek., kas nosaka pārējos ar datu apstrādi saistītos parametrus.
Apskatot pašreizējās datu reģistru sistēmas, šis parametrs izskatās izpildāms.
32
2.2.3. Reakcija uz datu veidiem
Reakcija uz līdzīgiem jeb korelējošiem datu piedāvājumiem meklētāju
atbildēs raksturo lietotāja ieinteresētību meklējumu tēmā. Ļauj spriest par
lietotāja ieinteresētību meklētajā tēmā un novērtēt atbildes atbilstību
meklētajiem datiem [33].
Pēc E. Dale uztveres piramīdas var secināt, ka lietotāji vismazāk uztver
rakstīto tekstu, pēc tam seko, uztveres pieaugšanas secībā, video un tad
kombinētie multimediju dati, kur lietotājam ir jāveic atgriezeniskās saites
darbība (skatīt 2.4. Attēlu).
Atsevišķi ir jāizdala reakcija uz banneriem. Šeit jāveic mērījumi reakcijai
uz to saturu un veidu [20], [30], [34].
Viens no mērījumu punktiem, kas būtu jāveic, ir aiziešanas biežums no
lapas atkarībā no bannera saturiskā veida, kas parādās attiecīgajā lapā. Tas
ļautu secināt par lietotāja sociālo interešu jomām un stresa veidiem un
līmeņiem.
Šajā gadījumā optimālākais mērījumu veids būtu kvalitatīvās mērījumu
metodes, kas ļautu vislabāk apkopot novērojamās tendences un veikt
turpmākās attīstības prognozes atbilstību izstrādātajam uzvedības modelim.
Tā pat banneriem ir jāveic sekošanas analīze atkarībā no to satura.
Secinājumi
Tā kā IT ekosistēmas ir lietotāja paradumu, tehnoloģisko iespēju un
prasmju rezultāts, tad var apgalvot, ka IT ekosistēmas raksturojošie dati ir
lietotāju uztveres veida un paradumus viena no visprecīzāk raksturojošam datu
kopām.
Portāla lietotāju uzvedības raksturošanai pieejamie dati ir apmeklētība un
dati par lietotājiem.
Portāla lietotāju uzvedības dati tika apkopoti divos veidos:
1) izmantojot web logu ierakstus (WL);
2) izmantojot webservera statistikas analīzes rīks Webstatica (WS).
33
2.3. Lietotājus raksturojošie dati
Jebkura pakalpojuma sniedzējs, domājot par ilgtermiņa darbību konkrētā
nozarē, ir ieinteresēts savu klientu izpētē, lai noteiktu pakalpojuma
ņēmēja/lietotāja profilu (dzimums, vecums, atrašanās vieta). Šādu datu
apzināšanās pakalpojuma sniedzējam ļauj daudz labāk veidot konkrētu datu
plūsmu un informācijas pasniegšanas veidu.
Izmantojot dažādus atlases rīkus, lietotājus var iedalīt vairākās sīkās
apakšgrupās, kas tādejādi sadala visus lietotājus mazākos sektoros, bet
vienlaicīgi, dalot visu grupu, ļauj daudz precīzāk atdalīt konkrētai mērķa grupai
orientētu pakalpojumu piedāvājumu klāstu.
Datu strukturēšanas gaitā jāsastopas ar situāciju, kad ne visiem
izmantojamiem pārlūku rīkiem ir vienādi atlases kritēriju veidi un līdz ar to gala
rezultātā nav iespēja apvienot vēlamo rezultātu vienotā informācijas apritē.
Izmantojot vairākus pārlūku rīkus, ir iespēja noteikt informācijas daudzumu, kas
pārklājas, kā arī aplūkojamo datu veidus, kas katrai pārlūku programmai būtiski
atšķiras.
Nozīmīgu lomu spēlē arī lietotāju izmantojamo pārlūku iekārtu
identificēšanas rādītāji. Tas rada iespēju saprast lietotāju „ekrāna lielumu” un
atbilstoši tam veidot piedāvāto pakalpojumu klāstu. Secinot, ka ļoti neliels
lietotāju skaits izmanto konkrētu mobilā tālruņa pārlūku, kura izveidē ir
nepieciešams liels resursu daudzums, konkrētās lapas veidotāji var pieņemt
lēmumu neuzskatīt to par nozīmīgu darba ieguldījumu un neieguldīt resursus
konkrētās aplikācijas izveidē.
Lietotāju ekrāna lieluma noteikšana ir ļoti nozīmīga reklāmas laukumu
plānošanas procesā, kur konkrētās lapas ietvaros tiek piedāvāts dažāda lieluma
reklāmas banneru ieviešana. Nepareizi noteiktu izmēru ieviešanas gadījumā var
tikt „izkropļota” attiecīgā resursa pārlūka pārskatāmība, radīta lietotāju
neapmierinātība un iespējama lietotāju skaita samazināšanās iespēja.
Apzinoties personas mērķa grupu, jāņem arī vērā, vai izvēlētā grupa pati
ir pakalpojuma lietotājs vai starp pamatlietotāju grupu un reālo pircēju ir kādas
atšķirības. Apzinoties šādu dalījumu, satura veidotāji var likt uzsvaru uz vienu
vai vairākām grupām.
34
2.3.1. Sistēmas identifikators
Sastopoties ar lielu datu plūsmu ilgstošā laika periodā, jāpieņem lēmums
par datu pārlūku izmantošanas rīkiem, kurus lietojot ir iespēja pārskatāmā veidā
aplūkot informāciju par konkrētā resursa apmeklētājiem.
Iespējamie atlases kritēriji (precizitātes novirzes):
Darba stacija;
IP adrese, pēc kuras ir iespēja noteikt personas ģeogrāfisko atrašanās
vietu;
Pārlūkprogramma;
Cookies.
IP adresēs dažos gadījumos iespējams neprecīzs informācijas
atspoguļojums, kas pamatā saistīts ar lielāka uzņēmumu darbību, kur
uzņēmuma darbinieki lieto vienu IP adresi.
2.3.2. Sociālo tīklu identifikatori
Tā kā ievērojams sociāli aktīvo iedzīvotāju daudzums lieto sociālos tīklus
kā saziņas veidu, jāsastopas ar jauniem izaicinājumiem lietotāju pārlūkā, kas
rodas, aicinot ienākt citā lapā ar sociālo tīklu lapu „pasēm”. Vairāki mājas lapu
uzturētāji ir ieviesuši komentāru iespēju tikai personām ar konkrētu sociālo tīklu
piekļuvi.
Kritiski vērtējot informācijas patiesumu jāmin, ka, lai izveidotu sociālā
tīkla profilu, informācija visos gadījumos var neatbilst konkrētai personai.
Sociālo tīklu izveidotāji nepārbauda valstu iedzīvotāju reģistros attiecīgās
personas datus brīdī, kad tiek reģistrēts jauns lietotājs. Līdz ar to jebkura
persona var izveidot vairākus profils ar savu vai citu lietotāju atslēgas vārdiem.
Sociālo tīklu gadījumos uzturētāji brīdī, kad persona lieto citas personas
fotogrāfiju, vārdu un uzvārdu lielākajā skaitu gadījumu nereaģē uz profila
aktivitātēm un ļauj brīvi darboties līdz brīdim, kad konkrētais lietotājs ir veicis
kādas darbības, kas neatbilst attiecīgiem noteikumiem. Ideālā gadījumā šādā
situācijā portāla administratori sazinās ar attiecīgo lietotāju un paziņo par
situāciju. Praktiski tas tas notiek reti. Portāli, kuri rūpīgi seko savam tēlam,
šādus „lietotājus” pēc informācijas saņemšanas izslēdz no portāla.
Sociālo tīklu veidotāji parasti piedāvā ievietot šādas ziņas par personu:
35
Vārds; Uzvārds; Fotogrāfija; Dzimšanas datums; Attiecību statuss; Personas pazīšanās loks; Informācija par ģeogrāfisko atrašanos (dzimšanas vietu, dzīves
vietu, atrašanos dažādos dzīves brīžos); Informācija par izglītību un mācību iestādēm; Informācija par darba vietām un amatiem; Informācija par hobijiem.
Portālā N ietvaros ir iespēja iegūt padziļināta rakstura informāciju brīdī,
kad persona izmanto kādu no populārākām sociālo tīklu ieejas pasēm, kas
vēlāk palīdz turpināt personas meklējumu analīzi.
2.3.3. IP adrešu identifikācijas mehānisms, iespējamie kļūdu avoti
Kā viens no lietotāja identifikācijas avotiem var būt termināliekārtas IP
adrese, pēc kuras ir iespējams noteikt termināla izcelsmes avotu, valsti,
interneta servisa pakalpojuma sniedzēju (provaideri).
Izmantojot mājas lapas www.nic.lv datus, ir iespējams identificēt
organizācijas, no kurām pieslēdzas klienta terminālis. Tādejādi ir iespējams
veidot sasaisti ar lietotāju un organizāciju, caur kuru tiek izmantots
pakalpojums. Apvienojot IP datus ar terminālu raksturojošiem datiem
(operētājsistēma, pārlūkprogramma, ekrāna izšķirtspēja), ir iespējams identificēt
termināli, no kura tiek veikta pieslēguma sesija.
Šādā sistēmā var apgalvot, ka no termināla ar iespējami lielu varbūtību
pieslēdzas vieni un tie paši lietotāji.
Kā viens no iespējamiem kļūdas avotiem, identificējot lietotāju pēc IP
adreses, ir varbūtība, ka sistēma izmanto kopējo IP adresi. Tas iespējams
sistēmām, kur vairāku terminālu grupa izmanto vienu vārtejas adresi. Šajā
gadījumā jāveic analīze, no kāda Interneta servisa provaidera tiek veikts
pieslēgums. Tas ļauj izdalīt mājas lietotājus un korporatīvos lietotājus. Par
mājas lietotājiem var viennozīmīgi apgalvot, ka tie pieder pie vienas grupas.
Korporatīvajiem lietotājiem jāveic firmas darbinieku skaita novērtējums, lai
prognozētu, cik precīzi ir iespējams noteikt lietotāja piederību pie kādas grupas.
Tāpat kā kļūdu avots ir jāmin VPN (virtuālais privātais tīkls) klienti, kuri
lieto savas autonomās sistēmas, lai izmantotu darba tīklu resursus. Ja lietotājs
regulāri strādā ar VPN klientu, tad viņa identificēšanu var veikt pēc statistiskās
36
analīzes, apskatot termināla datus un apmeklējumu paradumus, ja lietotājs
slēdzas pie resursiem bez VPN klienta izmantošanas, tad viņš identificēsies kā
divas personas ar līdzīgiem raksturojošiem parametriem.
Līdzīga problēma rodas ar firmām, kas izmanto savu ārvalstu mātes firmu
IP adrešu lauku. Šīs adreses ir jāidentificē pēc NIC (tīkla karte) reģistra un
jāievieš atsevišķā grupā, kur nosaka reālo valsts atbilstību adresei.
Vēl viens no kļūdu avotiem ir mobilo terminālu lietotāji. Šie lietotāji saņem
adresi tikai uz sesijas laiku un ir identificējami pēc terminālu raksturojošajiem
datiem.
Atsevišķi jāizdala IPv6 adreses. Tā kā notiek pāreja uz IPv6, tad var
pieņemt, ka lietotāja identifikāciju varēs veikt precīzāk, jo pēc standarta IPv6
ietver termināla interfeisa MAC adresi (vides piekļuves vadības adrese), kas,
pēc pieņemtā ražošanas standarta, katram terminālam ir individuāls. Kā viens
no riskiem te ir jāpiemin MAC adreses aizstāšanas mehānisms, kas ļauj
izmantot cita termināla MAC adresi, taču šīs funkcijas izmantošana nav
raksturīga vidusmēra lietotājam.
Apkopojot augstākminēto, var secināt, ka lietotāju var identificēt pēc IP
adreses ar pietiekami augstu varbūtību.
Secinājumi
Tā kā lietotāji veido savu IT ekosistēmu, kur ietilpst izmantojamās
termināliekārtas veids un ar to saistītais programmnodrošinājums, tad,
izvēloties savu sociālā tīkla avataru, viņš bieži asociē sevi ar kādas kopējām
pazīmēm atbilstošas sociālās grupas uzvedības interešu kopām.
IPv4 protokolā sakarā ar adrešu lauka ierobežojumiem ir izveidotas
daudzas adrešu substitūciju sistēmas, kas ļauj zem vienas IP adreses paslēpt
lielas lietotāju grupas.
37
2.4. Lietotāju anketēšanas un aptauju sistēmas
2.4.1. Aptauju anketas kvalitatīvai analīzei
Aptaujas anketas ir veiksmīgs pētniecības rīks, jo ar to palīdzību ir
iespējams automatizēt aptaujas izsūtīšanu un datu apkopošanu. Tāpat aptaujas
anketas ļauj veikt lielu grupu aptaujāšanu salīdzinoši mazā laikā un, salīdzinot
ar intervijām, tām ir zemākas izmaksas. Anketas dod iespēju iegūt savstarpēji
salīdzināmus un viegli analizējamus datus. Kas attiecas uz aptaujāšanas
procesu, tad anketēšanā nav intervētāja ietekmes uz aptaujājamo,
respondentam ir lielāka pārliecība par savu anonimitāti un respondentam ir
iespēja izvēlēties savu atbildēšanas tempu [15], [35], [36].
Lai gan aptaujas anketas pieskaitāmas pie kvantitatīvās pētījuma
metodes, tomēr tā var būt arī kvalitatīvā metode. Par kvalitatīvo tā kļūst tad, kad
anketu jautājumiem pieliek klāt paskaidrojumu par jautājumu vai problēmu.
Tomēr, anketējot respondentus, arī jāsaskaras ar atsevišķām problēmām,
kā, piemēram:
nepilnīgas un paviršas atbildes;
garu un ļoti aptverošu anketu aizpildīšanā zūd koncentrēšanās spējas;
nespēja kontrolēt atbildamo jautājumu secību;
nespēja kontrolēt atbilžu satura autentiskumu;
nespēja atbilžu sniegšanas laikā intervētājam izlabot vai novērst
jautājuma neizpratni [37].
Ar aptaujas anketu palīdzību tiek sagatavota kontroles grupa, un tādā
veidā iespējams salīdzināt anonīmo jeb slēgtā tipa lietotāju uzvedību pret
kontroles grupu. Ja anonīmo grupa uzvedas tāpat, kā kontroles grupa, tad var
secināt, ka anonīmie atbilst kontroles grupai pēc noteiktiem parametriem. Tādā
veidā iespējams konstatēt grupu atbilstību.
2.4.2. Elektroniskās anketas iesaistes veicināšanai
Lai veicinātu lietotāju iesaisti un ļautu noskaidrot lietotāju viedokli
maksimāli ātri, tiek gatavotas elektroniskās anketas. Elektroniskās anketas var
aizpildīt, izmantojot e-pastu, Interneta mājas lapas, atbildot uz SMS (mobilās
38
īsziņas) jautājumiem un, visvairāk izmantotā un lietotājiem ērtākā, ir
elektroniskās balsošanas sistēmas [35].
Salīdzinājumā ar roku aizpildāmām anketām elektroniskajām anketām ir
vairākas priekšrocības:
var aptaujāt respondentus teritoriāli lielā apgabalā;
mazākas anketēšanas izmaksas;
nepieciešams mazāks anketas organizatoru laiks;
iespējams fiksēt anketējamā datus (brīvprātīgi reģistrējoties, IP adresi,
tālruņa numuru, u.c.).
Elektronisko anketu trūkumi salīdzinājumā ar anketām:
zemāka atgriezeniskā saite, ja respondenti ir nepazīstami;
grūtāk kontrolēt respondentu atbilstību izlasei, ja netiek veikta
respondentu reģistrācija (vecums, dzimums, organizācija);
kā respondenti ir ierobežota iedzīvotāju kategorija, t.i., cilvēki, kuri
izmanto anketēšanai izvēlētās tehnoloģijas.
2.4.3. Intervijas
Intervija jau pašā būtībā ir kvalitatīvā pētniecības metode. Intervējamo
ekspertu atlases kritērijs parasti tiek atstāts uz paša intervijas veidotāja izvēli.
Tas nozīmē, ka intervijas veidotājs pats nosaka kurš un kā atbildīs viņa
izvēlētās intervijas laukā atbilstošajiem eksperta kritērijiem. Tā, piemēram,
intervijā par ārsta kabineta iekārtojumu eksperts var būt gan mazs bērns, gan
pensionārs, ja intervijas mērķis ir iegūt informāciju par pacientam komfortablu
kabineta iekārtojumu. Kas attiecas uz intervējamo skaitu, tad bieži eksperti
atzīst, ka intervējamo skaitu var reducēt uz vienu ekspertu, ja ir izvēlēts
visoptimālākais [39].
Intervijas, atšķirībā no anketām, balstās uz subjektīvo uztveri. Tādēļ
intervijās ir būtisks intervētāja izskats, valoda, savlaicīgi saskaņots intervijas
laiks un vietas piemērotība. Katrai intervijai jāveido intervijas bāze pēc noteiktas
intervijas struktūras. Intervējamais jāinformē par iespējamo intervijas ilgumu
[38].
Intervijas struktūra tiek veidota pēc šādiem principiem:
intervijas nolūks ir izzināt attiecīgo mērķa faktu grupu. Tie var būt
pieņēmumi vai apgalvojumi interešu kopas izvēlētajai mērķauditorijai;
39
intervējamais – izvēlētajai fokusa grupai atbilstoša persona, kura spēj
sniegt loģiskas atbildes uz sagatavotajiem intervijas jautājumiem vai otrs
intervējamā veids - nozarē atzīts eksperts, norādot apliecinājumu, ka tieši šī
persona ir šāds eksperts;
intervētājam ir jābūt zinošam par apskatāmo jautājumu kopu un
virzienu, lai varētu atbildēt uz intervējamā papildjautājumiem neskaidrību
gadījumā;
laiks intervijai jāizvēlas, lai varētu sekmīgi atbildēt uz visiem intervijā
iekļautajiem jautājumiem, gadījumā, ja uz jautājumu jāatbild noteiktā laikā, tas
iepriekš jāpaskaidro intervējamajam;
intervijā var būt iekļauti testi, ko izmanto gadījumos, kad jānosaka
noteiktu iekārtas atbilstību kādam kritērijam, respondenta informētības līmenis
vai atbilstību noteiktam mērķim.
Arī telefonintervija ir guvusi samērā lielu popularitāti. Telefonintervijas
būtiska atšķirība no personiskas intervijas - tā nevar būt ilgāka kā 10 –15
minūtes. Telefonintervijā ir svarīga tikai intervējamā balss, tās tonis un
attieksme pret intervējamo.
2.4.4. Anketu kritēriji
Sagatavojot anketu, tiek izmantoti dažādu kritēriju jautājumi, kas paredz
saņemt viennozīmīgu atbildi. Anketas veidošanā jācenšas jautājumu formulēt
vienkāršos teikumos, lai nerastos iespējas pārprast jautājuma būtību. Tas
neļaus anketas aizpildes gaitā aptaujātajam atbildēt neviennozīmīgi. Tā kā
anketa pamatā ir kvantitatīvā aptaujas metode, tad, lai to pārvērstu par
kvalitatīvo metodi, ir jāveido savstarpēji saistītie jautājumi, kas tiek veidoti kā
kontroljautājumi par apskatāmo tēmu. Šie jautājumi savstarpēji korelē un ļauj
noteikt, vai aptaujātais nav novirzījies no anketā aplūkojamās tēmas. Tādejādi
jautājumi papildina viens otru, ļaujot aptvert iespējami plašāku spektru
apskatāmajā jautājuma tēmā. Izmantojot šādu metodi, ir iespējams iegūt
interviju anketas vietā, kas atbilst kvalitatīvai aptaujas metodei [39].
Pēc satura jautājumus var sadalīt:
attiecas uz faktiem, darbību vai cilvēka zināšanām, kur atbildes balstās
uz atmiņu un pieredzi;
skar cilvēka nodomus vai viedokli;
40
ar to palīdzību cenšas izzināt cilvēka attieksmi pret konkrētu notikumu
vai parādību, viņa uzvedības motīvus [40, 41].
Anketu veidošanā jāievēro noteikti pamatsoļi, piemēram, jānosaka mērķis,
jāizstrādā pamatjautājumu tīkls, jāizvērtē speciālie jautājumi, jāizveido
konceptuālais aptaujas modelis, kur apraksta pētījuma problēmu caur dažādiem
mainīgajiem, noteikt savstarpējo atkarību starp mainīgajiem, u.c. [42]:
Pieaicinot ārējos ekspertus Dr. Sarmu Cakuli, Ievu Vītoliņu un Rutu
Bambāni, tika izveidots aptaujas anketas konceptuālais modelis, kas tika
izmantots tālākai anketas izstrādei (skatīt 2.11. attēlu).
2.11. attēls Konceptuālais modelis
Veidojot modeli, tika izstrādāt pieci lietotāja intereses raksturojošie
parametri:
a) Pašapliecinājums.
Šeit galvenais uzsvars tiek likts uz lietotāja tipu un pašapliecinājumu savā
uztverē, kas nosaka tā tipoloģisko piederību pie lietotāju tipa spektra skalas.
Tas jāņem vērā veidojot anketas jautājumus, lai dabūtu maksimālo lietotāja
iesaisti aptaujas procesā.
b) Galvenās intereses.
41
Raksturo lietotāja īslaicīgās un ilgstošās interese, kas motivē lietotāju
izvēlēties informācijas meklējumus un virzienus.
c) Darba stils.
Raksturo lietotāja iesaisti informācijas apritē un meklēšanā. Šeit tiek
apskatīti divi iespējamie varianti - aktīvais, kad lietotājs radoši meklē datus,
veicot dažādas iterācijas to atlasei, un pasīvais, kad lietotājam pietiek ar pirmo
formālo atbildi, lai neveiktu tālākas datu meklēšanas akcijas.
d) Uzmanība.
Šajā anketas daļā tiek veikti lietotāja uzmanības mērījumi, kas ļauj noteikt
tā atbilžu korektumu un patiesumu.
e) Reakcija uz kairinājumu.
Raksturo vēl vienu tipoloģisko lietotāja parametru, kas ļauj klasificēt
lietotāju pēc uztveres parametriem.
42
Lai iegūtu zināšanas mūs interesējošā laukā, tika veiktas ekspertu
intervijas. Par ekspertiem tika izvētētas personas ar akadēmiskiem
sasniegumiem un 10-20 gadu praktiska darba pieredzi pētījumu virzienā.
Ekspertu pieredze atsevišķajā jomā (aptaujas anketas) ir būtiski lielāka kā šī
pētījuma autoru pieredzi. Līdz ar to augstas kvalitātes rezultātu iegūšanai
neliels ekspertu skaits ir pietiekams [36]. Tāpat ekspertu skaitu attaisno fakts,
ka ir salīdzinoši mazs kopējais ekspertu skaits ar šādu kompetenču salikumu -
socioloģija un informācijas tehnoloģijas.
Aptaujāto ekspertu saraksts:Eksperta
Vārds UzvārdsApraksts
Sarma Cakula Pasniedz Vidzemes Augstskolā. Ir doktora grāds. Pasniedz RTU un Liepājas Universitātes kopējā doktorantūras skolā anketēšanas un statistikas kursu.
Ieva Vītoliņa Veikusi un izstrādājusi anketēšanas un aptaujas 2007.-2009. gadiem Ogres rajona pašvaldības un Nodarbinātības valsts aģentūras vajadzībām.
Ruta Bambāne Veic anketu izstrādi pēc vietējo uzņēmumu lūguma darba intervijām (kā viens no šādiem uzņēmumiem ir jāmin „Intel”).
Ekspertu zināšanas pētījuma vajadzībām iegūst izmantojot intervijas vai
aptaujas. Formāta izvēle atkarīga no eksperta piejamības un pētījuma
jautājuma rakstura.
Secinājumi
Pie pārdomātas savstarpējo jautājumu sasaistes ir iespējams pārvērst
anketēšanas aptauju par interviju, kas pārvērš to no kvantitatīvās metodes par
kvalitatīvo, ar nosacījumu, ka aptaujātais atbild uz visiem jautājumiem.
Ekspertu kvantitāte intervijās nav nosakošais faktors, dominējošais ir
ekspertu atbilstība izvēlētajai pētījumu jomai un situācijai.
Veidojot aptaujas jautājumus, ir jācenšas dažus jautājumus iekļaut
atkārtoti, bet ar citu formulējumu, lai pārbaudītu, vai intervējamais seko līdzi
aptaujas tēmai.
Anketēšanas rezultāti mēdz sniegt arī tendenču raksturojumus, kas
sākotnēji nav bijuši iecerēti aptaujā.
43
2.5. Marketoloģija preču piedāvājumam
Lai saprastu, kādu datu savākšana un analīze ir jānodrošina Interneta
lietotāju uzvedības analīzes rīkam, ir svarīgi noskaidrot, kādi dati interesē
mārketinga speciālistus.
Katram preču pārdevējam un pakalpojuma sniedzējam ir būtiska
informācija par izvirzītās potenciālo klientu mērķa grupas lielumu, izvietojumu,
neapgūto tirgus daļu un iespēju ne tikai iekarot aizvien lielāku mērķa grupu, bet
arī lielāka apjoma tirgu, lai sasniegtu maksimālu peļņu ar mazākiem
izdevumiem.
Lai uzņēmums efektīvāk īstenotu maksimālās peļņas stratēģiju, ir nozīmīgi
analizēt kanālus, caur kuriem notiek komunikācija ar esošajiem un
potenciālajiem klientiem. Ja tā ir uzņēmuma mājas lapa, tad ir svarīgi ne tikai
apzināties konkrētās mājas lapas statistikas rādītājus, bet arī vispārīgus
mārketinga principus, ar kuru palīdzību var analizēt esošā brīža situāciju un
nākotnes ieceres.
Lai būtu vieglāk izvēlēties pareizos preces/pakalpojumu piedāvāšanas
komunikācijas veidus, visus lietotājus ir nepieciešams sadalīt vairākās grupās,
kurām jāapzina gan lietotāju paradumi, gan komunikācijā izmantojamie rīki
(Ranking princips).
Bez tam mārketingā tiek lietots arī apzīmējums 4P, lai apzīmētu četrus
nozīmīgus faktorus klienta pakalpojuma izvēlē:
Product – Produkts,
Price – Cena,
Place – Vieta,
Promotion – Preces virzīšana tirgū.
Attīstoties dažādu nozaru specifika,i mainās arī 4P modelis, kur dažādi
pētnieki pievieno vēl atsevišķus elementus, kuri būtiski ietekmē lietotāju izvēli
attiecīgā pakalpojuma/preces izvēles gadījumā:
People – Cilvēki,
Physical evidence – Fiziskais apliecinājums,
Processes – Procesi.
Šajā gadījumā „Cilvēki” apzīmē personas, ar kurām patērētājs nonāk
kontaktā, „Fiziskais apliecinājums” - piedāvājuma izskatu un „Procesi” - preces
plūsmas nodrošināšanu.
44
Secinājumi
Nosakot Interneta lietotāju uzvedības analīzes rīka prasības, atsevišķos
gadījumos iespējams izmantot marketoloģijas metodes datu grupēšanai un
interpretācijai.
45
2.6. Diskusiju forumu analīze, semantiskās analīzes rīki
2.6.1. Diskusiju forumi
Konkrētus datus par lietotājiem, piemēram , vecums, dzimums,
nodarbošanās, lietotā IT ekosistēma, u.c. var noskaidrot, tiešā veidā to uzkrājot
un apkopojot. Protams, bieži lietotājs norāda tiešā veidā arī savas intereses,
piemēram, sociālo tīklu profilā. Tomēr, tā kā cilvēku intereses visbiežāk
neaprobežojas ar vienu vai trim, un Slēgtā tipa lietotāji tās neatklāj, pastāv
vajadzība noskaidrot lietotāju slēptās vai pat neapzinātās intereses.
Viens no veidiem, kā noskaidrot lietotāja intereses, ir diskusiju forumos
ierakstīto komentāru savākšana un analizēšana. Tas tiešā veidā norāda, ko
lietotājs ir lasījis, kas viņu ir ieinteresējis, pie kam var secināt, kāds ir viņa
viedoklis par konkrēto jautājumu.
Atkarībā no diskusiju foruma īpašnieka uzstādījumiem, diskusiju forumu
komentētāji var komentēt anonīmi vai autorizējoties. Visbiežāk autorizācija tiek
piedāvāta ar sociālo portālu pasēm. Lietotāja anonimitāte nodrošina lietotāju
brīvāku viedokļu paušanu, kaut arī lietotāju ir iespējams identificēt pēc IP
adreses. Parādoties prasībai lietotājam izmantot savu sociālo pasi un kļūt
publiskam, arī komentāri ir piesardzīgāki un atbildīgāki. Šī likumsakarība
nosaka arī to, ka forumi, kur komentētājam neprasa autorizēties, ir vairāk
komentēti, nekā tie, kur lietotājiem jāautorizējas.
Lai arī lietotāju komentāri norāda uz lietotāju interesēm, tomēr arī viņu
izteikto komentāru saturs var norādīt uz citām interesēm, ja tos korekti
izanalizē. Ja nepieciešams automātiski izanalizēt komentāru korelāciju, tad
jāizmanto semantiskā analīze.
2.6.2. Semantiskās meklēšanas sistēmas
Par lietotāju interesēm var iegūt ziņas arī no viņu meklētās informācijas,
rakstot meklējamos vārdus, tāpat arī pārsūtot citu publicēto informāciju. Tomēr
ne meklēto vārdu, ne pārpublicētā informācija, ne komentāru savākšana un
apkopošana neatklāj precīzus datus par lietotāja interesēm. Tāpēc ir
nepieciešams izmantot meklēto datu semantisko analīzi. Viens no šādu interešu
atklāšanas veidiem ir meklēto vārdu un frāžu noskaidrošana un semantiskā
analīze.
46
Semantiskā meklēšanas sistēma ļauj atrast ontoloģiski atbilstošās
meklētajiem atslēgvārdiem frāzes, kas ļauj iegūt daudz kvalitatīvāku rezultātu
nekā standarta meklētāji.
Kā piemērs šeit ir jāmin Watson projekts10, kas ļauj veikt semantisku
meklēto datu analīzi [43].
2.12.attēls Watson semantiskās meklēšanas darbības algoritmiskā shēma
[42]
Tā kā Watson ir meklētājs ar atvērto interfeisu, tad pastāv iespēja iekļaut
šo meklētāju rezultātu iegūšanā.
Kā alternatīvus un līdzīgus meklēšanas projektus var minēt:
Swoogle tiek
pozicionēts kā pirmais semantiskais meklētājs, kas uzkrāj izmantotās
semantiskās konstrukcijas un veic to tālāku izmantošanu datu
indeksēšanā;
Sindice veic
semantisko web lapu indeksāciju, veicot lielu datu apjomu indeksāciju. Arī
šajā projektā ir pieejams atvērtais interfeiss, taču rezultāts ir vairāk
orientēts uz veblapu satura attēlojumu, nevis dokumentu analīzi;
10 http://watson.kmi.open.ac.uk/WatsonWUI/
47
Falcons,
SWSE un SemanticWeb Search meklētāji ļauj veikt indeksāciju pēc
atslēgvārdiem, bet pamatatšķirība ir atbilžu rezultātu skaitā;
OntoSelect un
OntoSearch2 ir uz frāžu ontoloģiju bāzētie meklētāji, kas veic meklējumus
pēc frāžu atbilstības ontoloģijām [44], [45], [46].
2.6.3. Semantiskās atbilstības analīze
Izvērtējot piedāvātās meklēšanas sistēmas, var secināt, ka semantiskā
meklēšana ir viens no precīzākajiem informācijas meklēšanas veidiem.
Šajā meklēšanā tiek apskatīta ontoloģiskā datu savstarpējā saite. To var
piemērot gan tekstu analīzei, kas sākotnēji tika izmantots kā valodas ontoloģijas
izpētes rīks, gan procesu ontoloģijai. Tāpat jāpiemin procesu norises grafi, kas
raksturo to savstarpējo mijiedarbību, gan datu ontoloģiju, kas ļauj izveidot datu
savstarpējās atkarības analīzi. Tādejādi semantiskās analīzes jēdziens jau sen
ir pārkāpis sākotnējās valodas analīzes robežas. Aizvien biežāk semantiskā
analīze tiek izmantota lēmumprocesu analīzē, kad vajag izveidot iegūtā lēmuma
grafa veidošanās ontoloģiju.
Tādejādi tiek veidotas semantiskās vārdnīcas, kas ļauj analizēt
semantiskās atbilstības ne tikai vārdiem jeb objektiem, bet arī kopām jeb frāzēm
[47].
Kā viens no lielākajiem šādiem analīzes rīkiem ir ar uzņēmuma IBM
atbalstu veidotais projekts Watson, kas paredz semantisko korelāciju
meklēšanu un analīzi. Izmantojot šo analīzes rīku, tika izveidots DeepBlue
superdatora izmantotais algoritms, kas ļāva apspēlēt pasaules čempionu šahā.
Pēc IBM speciālistu atzinuma bija izdevies izveidot sistēmu, kas pieņēma
lēmumus tieši tāpat kā pasaules čempions šahā G.Kasparovs [48], [49], [50].
Lai pamatotu konkrētā analīzes rīka izmantošanu, jāapskata un jāizvērtē
arī citi izstrādātie semantiskās meklēšanas rīki un to galvenās funkcijas.
Swoogle ir viens no pirmajiem semantiskās meklēšanas rīkiem, kas
izmanto meklēšanas zirnekli datu apkopošanai, ievācot datus no SemanticWeb
no Web. Par semantisko tīklu (SemanticWeb) sauc metadatu tīku, kas apraksta
fizisko datu tīklu (Web). Pēc tam sniedz meklētāja pakalpojumus uz jau
izveidotās dokumentu ontoloģijas bāzes, lai, bāzējoties uz atslēgvārdiem,
48
atrastu semantisko ontoloģiju attiecīgajā dokumentu izteiksmē. Papildus
Swoogle veido metadatus par SemanticWeb datiem [51], [52].
Sindice veic semantisko tīmekļa indeksu un datu meklējumu, orientējoties
uz lieliem datu masīviem. Meklēšana tiek veikta pēc atslēgvārdiem un URL
(unificētais datu lokators – uniform resource locator), izmantojot definētās
ontoloģijas loģikas virknes [53].
Falcons ir, uz atslēgvārdiem balstīta, semantisko datu meklēšanas
sistēma. Tai ir sarežģīts Web interfeiss, kas ļauj ierobežot meklēšanu pēc
rekomendētiem jēdzieniem un vārdnīcām [54].
SWSE veic meklēšanu pēc atslēgvārdiem, taču atšķirībā no
iepriekšminētiem meklēšanas rīkiem analizē korelācijas starp iegūtajiem
datiem, nevis tikai norāda saites uz datu avotiem. Datu apkopošanu veic
automatizētais robots. Tāpat sistēma nodrošina datu meklēšanu pa visu jau
uzkrāto datu kolekciju [55].
SemanticWeb Search ir semantiskā atslēgvārdu meklēšanas sistēma, kas
ļauj ierobežot meklēšanas pēc definētām ontoloģijām, tādejādi nodrošinoša
strukturētu datu pieprasījumu [56].
OntoSelect veic meklējumus pēc uzkrātajiem datiem ontoloģijas
virsrakstos vai metadatu tēmās [57], savukārt OntoSearch ļauj meklēt datus pēc
ne visai stingri definētiem kritērijiem, darbības pamatā ir meklēšanas iterāciju
optimizācijas principi, kas ļauj aplūkot ontoloģiski tuvākos objektus [58].
Sqore līdzīgi kā OntoSearch veic ontoloģiju analīzi, papildus izmantojot
savus izveidotos ontoloģijas indeksus [59].
Secinājumi
Automatizētie semantiskās analīzes rīki ļauj aizstāt operatora 24/7 režīma
darbu, veicot lietotāja komentāru analīzi uzreiz pēc to ievietošanas forumā.
Novērtējot komentāru svarīgumu pret apskatāmo tēmu, ir iespējams
automātiski noteikt lietotāja iesaisti apspriežamajā tēmā un novērtēt viņa
ieinteresētību tajā.
49
Tabula 4. 3. Iegūto datu analīze un interpretācija
3.1. Eksperimentālo mērījumu datu kvantitatīvais sadalījums
3.1.1. Unikālie apmeklētāji diennaktī
Detalizēti pētot pieejamo datu apmēru, var secināt, ka Portāla N lietotāju
aktivitāti var izpētīt pēc unikālajiem hostiem un noteikt apmeklētāju skaitu
mēnesī, kā arī noteikt vidējo apmeklētāju skaitu dienā (ieskaitot brīvdienas, kad
Portāla N apmeklējums ir krietni zemāks) (skatīt 3.1. tabulu).
3.1.tabula Portāla N lietotāju aktivitāte
Periods Apmeklētāji mēnesī(unikālie hosti)
(unikālie hosti )
Vidējais apmeklētājuskaits
skaits dienāMēnesis 1 48684 1872
Mēnesis 2 43898 1416
Mēnesis 3 59116 1906
Mēnesis 4 53260 1902
Kopā: 204958 1774
Unikālo hostu uzskaitījums veidojas pēc šāda principa: ja no vienas IP
adreses tiek aplūkota attiecīga mājas lapa, tiek veikts viens ieraksts par mājas
lapas apmeklējumu no šī unikālā hosta. Ja 24 stundu laikā no šī paša datora
vēlreiz tiek apmeklēta šī pati mājas lapa un netiek veidots jauns apmeklētāja
ieraksts, bet esošais ieraksts tiek atpazīts un tiek skaitītas tikai citu aktivitāšu
vienības (piemēram, meklējumi mājas lapas ietvaros). Ja persona no vienas IP
adreses apmeklē šo pašu mājas lapu pēc 25 stundām, tad esošā statistikas
sistēma veido jauna apmeklētāja ierakstu. Tādejādi mēneša ietvaros viens
lietotājs var tikt identificēts kā vairāki unikālie lietotāji. WS arī uzrāda, ka 93%
lietotāji ir skatījušies mājas lapu no Latvijas IP adresēm.
Ar WS palīdzību ir iespēja noteikt gan lietotāju pēc to IP adreses, gan pēc
konkrētas klientu kategorijas. 20% no visiem lietotājiem ir Latvijas bibliotēkas,
kas nozīmē, ka mēneša laikā Portālu N piedāvātos materiālus aplūko ļoti plašs
Latvijas reģionāls lietotāju skaits. Atņemot bibliotēku lasītājus no kopējā lietotāja
skaita un identificējot personas dzimumu un vecumu, rodas situācija, ka vidējais
Portālu N lietotājs ir 40 gadus vecs. 2/3 no lietotājiem ir sievietes, jo tikai 35%
vīriešu ir Portāla N lietotāju vidū.
50
Aptuveni puse (48%) lietotāju veic tikai vienu meklējumu mēneša
griezumā. Divus rakstus lasa 14%, savukārt trīs rakstus - 7% lietotāju. 2,5%
lietotāji mēneša laikā ir lasījuši vairāk kā simts rakstus, savukārt vairāk kā
tūkstoti meklējumu mēnesī veikuši 0,25% lietotāju.
Tā kā Portāla N pilnu raksta tekstu ir iespēja pārlūkot, reģistrējoties
attiecīgā sistēmā, tad varam izdarīt arī secinājumus par lietotāju aktivitāti
dažādu sociālo tīklu ietvaros.
Pēc portāla Draugiem.lv datiem11 šajā sociālajā tīklā ir reģistrēti vairāk kā 1
200 000 lietotāju, kas ir aptuveni 87% no Latvijas Interneta lietotājiem.
Statistikas dati arī norāda, ka mēneša laikā portālu Draugiem.lv apmeklē
aptuveni 650 000 lietotāju un visaktīvākās ir personas divdesmit gadu vecuma
robežās. Vidēji vienā mēnesī aptuveni 42% no visiem Portāla N lietotājiem ir
ienākuši ar Draugiem.lv pasi un lasījuši kādu no Portāla N rakstiem.
Pēc Latvijas Interneta asociācijas datiem12 2012. gada decembrī
Facebook iespējas Latvijā lietoja 29% Interneta lietotāji (414 960 personas).
Vidēji vienā mēnesī aptuveni 15% no visiem Portāla N lietotājiem ir ienākuši ar
Facebook.com pasi un lasījuši kādu no Portāla N rakstiem.
Pēc Latvijas Interneta asociācijas datiem2 2013. gada janvārī Twitter
iespējas Latvijā lietoja 9% Interneta lietotāji (129 000 personas) un vidēji
mēneša laikā 5 % no visiem Portāla N lietotājiem ir ienākuši ar Twitter.com pasi
un lasījuši kādu no Portāla N rakstiem.
3.1.2. Laika normālsadalījumam atbilstošie lietotāji
Lai labāk saprastu uzņēmuma esošo savstarpēji saistīto sistēmu datu
plūsmas precizitāti, jāsalīdzina pieejamo datu esošie resursi un savstarpējās
informācijas pārklāšanās iespējas [23].
Lai labāk modelētu un analizētu pieejamo rīku precizitāti, datu sakritības
un iespējamās neprecizitātes, tiek aplūkota situācija vienas darba dienas
ietvaros. Tiek salīdzināti divu statistikas rīku WL un WS datu bāžu uzkrāto datu
pārklāšanās vai nesakritības iespējas.
Izvēlētās dienas laikā WL datu bāzē ir 989 ieraksti, savukārt WS - 1350.
Jāprecizē, ka WL datu bāzē tiek uzskaitītas autorizēto lietotāju konkrētās
11 http://bizness.draugiem.lv/lv/statistika
12 http://www.lia.lv/statistika/
51
aktivitātes (lasītie raksti). Savukārt WS uzskaita visus attiecīgā laika posmā
unikālos lietotājus (izvēlētā laika posmā ierakstu skaits ir 1237). Tātad dienas
laikā 1237 lietotāji ienāca Portālā N. 113 gadījumos ir ticis atkārtoti ienākts
mājas lapas resursā. Dienas laikā tika aplūkotas 3777 mājas lapas vietnes. Tas
parāda, ka viens lietotājs vidēji ir skatījies 3 lapas. Diemžēl WS neparāda, kuri
no 3777 rakstiem ir WL minētie 989.
WS tiek piedāvāts unikāls risinājums „Šī brīža lapas apmeklētāji’’, kur ir
iespēja pārlūkot esošā brīdī esošo lietotāju aktivitāti. Tiek uzskaitītas gan
lietotāju IP adreses, gan viņu kopējā aktivitāte (skatījumu skaits) esošās dienas
ietvaros.
3.1.attēls Portāla N apmeklētāju sadalījums pēc laika
līdz identificētai pārejai uz nākamo lapu
Pēc iegūtajiem rezultātiem, ir redzams (skatīt 3.1. attēlu), ka visvairāk
lietotāji pieņem lēmumu pāriet uz nākamo lapu laika periodā no 3. līdz 7.
sekundei. Tas norāda, ka iesaistošai informācijai ir jābūt tādai, lai lietotāja
uzmanība tai tiktu piesaistīta šajā laika periodā.
3.1.3. Lietotāji ar īsāku uzturēšanās laiku
Katram portāla uzturētājam ir svarīgi saprast, cik ilgi lietotāji (gan kopējie,
gan konkrētas mērķa grupas) uzturas attiecīgās mājas lapu iedaļās, cik daudz
sadaļu tiek apmeklētas, kā arī, kad beidzas vidējais apmeklējums.
52
WS sistēma dod iespēju sekot lietotāju gaitai uzskaitot gan apmeklēto
sadaļu skaitu, gan kopējo pavadīto laiku no ienākšanas mājas lapā līdz pēdējās
lapas atvēršanas brīdim. Tā kā attiecīgais rīks nepiedāvā iespēju piefiksēt
pilnīgu mājas lapas aizvēršanas brīdi, tad ir iespēja tikai aptuveni noteikt
lietotāju reakciju.
Lai precīzāk varētu noteikt lietotāju aktivitāti, tiek izvēlēta stratēģija
izmantot trīs dažādu dienu lietotāju aktivitāšu analīzi. Pirms izvēlēto dienu
atlases tiek pārbaudīts, vai konkrētā dienā nav vērojams straujš vidējās
statistikas kritums, kura rezultātā var kļūdaini tikt atspoguļota kopējā
informācija.
Tā kā 65% lietotāju aplūko tikai vienu portāla sadaļu, būtu jāanalizē sīkāk
tie lietotāji, kas turpina lapas apmeklējumu un veic gan lielāku sadaļu apskati,
gan pavada ilgāku laiku attiecīgās sadaļās.
Lai labāk izprastu vidējā apmeklētāja portāla lietošanas tendences, tiek
sīkāk aplūkota vienas minūtes aktivitāte, kur redzams, cik lietotāji no pirmās līdz
piecdesmit devītajai sekundei ir aplūkojuši otro vai nākošās lapas. Salīdzinoši
vairāk lietotāju nākošā portāla lapā ienāk, sākot no 10. sekundes, kas būtu
pietiekams laika brīdis, lai detalizētāk iepazītos ar pirmās lapas teksta
izvietojumu un tā saturu.
Analizējot trīs dienu rādījumu vidējos datus, nākas secināt, ka salīdzinoši
maz ir to lietotāju, kas turpina veikt nākamo meklējumus portāla ietvaros pēc 1-
2 sekundes intervāla. Lietotāji, kas vienas minūtes laikā ir veikuši nākošo
meklējumu un pabeiguši darbību portālā, ir mērāmi kā 1/3 daļa no lietotājiem,
kas veic meklējumus portāla iekšienē.
3.2.attēls Portāla N lietotāju sadalījums pēc laika
līdz nākamās lapas pārejas klikšķim
53
Analizējot sīkāk lietotājus, kas ir pavadījuši ilgu laiku (vairāk kā 1 stunda),
meklējumu veikšanā, nav novērojama tendence, ka ilgā laika periodā būtu
neliels lapaspušu meklējums. Ir nedaudz lietotāji, kas stundas laikā aplūko 5
apakšsadaļas, bet, tā kā šādu lietotāju ir ļoti maz, netiek izvirzīts pieņēmums
par konkrētu tendenču novērošanu. Ja būtu novērojama šāda tendence, tas
būtu izskaidrojams ar lietotāja neaktivitāti starplapu pārlūkā, proti, aplūkojot,
piemēram, divas lapas lietotājs „atraujas” no darba virsmas, lai veiktu citas
aktivitātes, un vēlāk atgriežas konkrētā mājas lapas pārlūkā, lai turpinātu veikt
interesējošos meklējumus.
Tā kā nav iespēja identificēt lapas „aizvēršanas” brīdi, nav iespēja noteikt,
cik ilgi portāla apmeklētājs ir atvēris konkrētu lapu. Vienlaicīgi jāsecina, ka šāda
veida dati un to analīze nav nozīmīga, jo svarīgākais ir aplūkot lietotāju
aktivitāti, nevis, cik lietotājs pavadījis laiku pēdējās lapas pārlūkā [60].
3.1.4. Lietotāji ar garāku uzturēšanās laiku vienā lapā
Procesu izpētes ietvaros tika arī analizēts konkrētā dienā lielāko uzrādīto
IP adrešu identifikācija un meklējumu izvērtējums. WS uzrāda, ka gandrīz 2
stundu laikā (01:53:42) no vienas IP adreses ir veikti 705 meklējumi. Analizējot
WL datus, tiek parādīts, ka persona veikusi 520 meklējumus tādā pat laika
posmā. Analizējot aprakstīto situāciju, jāsecina, ka kāds no lietotājiem
konkrētajā brīdi Latvijas bibliotēkā ir lasījis divus izdevumus.
Tā kā vēl no trijām IP adresēm dienas laikā ir tikuši veikti vairāk kā 100
lapas caurskati, tiek analizēti arī šo IP lietotāju profili un meklēšanas punkti.
Viens no šiem lietotājiem dienas laikā divas reizes ir ienācis mājas lapā ar
kopējiem rādījumiem: WS 152 un WL 40. Kopējais pavadītais laiks: 2 stundas
23 minūtes. Tā kā persona reģistrējās ar īsziņas palīdzību, tad nav iespēja
identificēt fiziskās personas datus un sekot personas aktivitātei sociālajā vidē.
Savukārt, izsekojot otra lietotāja aktivitātes 56 minūtes, var konstatēt, ka
viņš ir skatījies Portālu N, spiedis vairāk kā 100 lapas, bet nav ielūkojies
„paplašinātos” rakstos (reģistrējies), un tādējādi nav atstājis par sevi
detalizētāku personas informāciju.
Trešais lietotājs dienas laikā ir ienācis 5 reizes ar dažādu laika intervālu un
aplūkojis mājas lapu: WS 192, WL 167 reizes. Persona pamatā aplūkojusi
esošās dienas avīžu rakstus, kas Portālā N konkrētajā raksta publicēšanas
dienā ir bez maksas.
54
Tā kā Portāla N pamatfunkcija ir informatīvu tekstu publicēšana,
uzņēmuma ietvaros tika veikts pētījums, lai noteiktu vidējā lietotāja lasīšanas
ātrumu. Tika izvēlēti divi dažāda lieluma raksti, kur pirmajam ir 1281 zīmes un
173 vārdi, bet otrajam 6061 zīmes un 836 vārdi. Analizējot lasīšanas ātrumu,
pirmā raksta gadījumā tas ir 1,30 minūtes, bet otram rakstam – 6.30 minūtes.
Dalot laiku pret vārdu skaitu, jāsecina, ka vienas sekundes laikā tiek izlasīti 2
vārdi. Būtu jāņem vērā, ka atkarībā no konkrētas personas, teksta sarežģītības
un laika (dienas beigās persona ir vairāk nogurusi) izlasīto vārdu skaits minūtē
var būtiski atšķirties.
Kaut arī katram rakstam Portāla N ietvaros nav ieviests vārdu skaitītājs, lai
noteiktu visu rakstu garumu, Ttomēr, aplūkojot daudzus rakstus un salīdzinot to
garumu ar pavadīto laiku, tiek pieņemts, ka nav nepieciešams vairāk par
piecām minūtēm, lai iepazītos ar raksta saturu. Tā kā Portālā N tiek publicēti
raksti arī krievu un angļu valodā, būtu jāņem vērā, ka raksta izlasīšana
svešvalodā var aizņemt lielāku laiku,
Ņemot vidējā raksta garumu un dubultojot vidējo laikuviena raksta
lasīšanai, tiek pieņemts ka viena raksta aplūkošanai nepieciešamas maksimāli
10 minūtes.
Analizējot sīkāk divu lapu apmeklētājus, nākas secināt, ka aptuveni 9% no
visiem, kas apmeklē tikai 2 portāla lapas, pirmās lapas apskatē ir pavadījuši
vairāk kā 10 minūtes. Izvēloties dažus no attiecīgās grupas lietotājiem un
vērojot viņu aktivitātes portāla lietošanā, jāsastopas ar parādību, ka ir biežs
apmeklējumu daudzums (vairākas reizes dienā), bet mazs lapu apskates
daudzums un pārsvarā neilgs pavadītais laiks.
Trīs lapu apmeklējumu gadījumā, laiks, kad lietotājs būtu uzskatāms par
mazaktīvu, būtu 20 minūtes. Šajā gadījumā no visiem lietotājiem, kas vienā
apmeklējuma reizē apmeklējuši trīs lapas, tikai 3% trešo lapu ir atvēruši pēc 20
minūtēm.
Līdz ar to varam secināt, ka tikai divu lapu aplūkošanas gadījumos ir
iespēja precīzi noteikt lietotāja pavadīto laiku pirmajā lapā un nav daudz
lietotāju, kas regulāri atver pirmo lapu un līdz otrās lapas atvēršanai pavadītu
ilgstošu laiku.
3.1.5. Atgriešanās biežums portālā
55
Kā viens no lietotāja paradumu, tātad arī uzvedību raksturojošiem
paradumiem, ir atgriešanās biežums portālā.
Par pētījuma atbalsta sistēmu tika izmantoti RTU mācību portāla lietotāju
dati un tika izanalizēti 1078 identificējamie portāla lietotāji. Mērījums tika veikts
par 2012./2013. mācību gadu, izdalot atgriešanos pa reizēm: viena, divas, trīs
un atsevišķi izdalot aktivitāti vasaras periodā.
Analizējot atgriešanās biežuma periodu, tika vērtēta lietotāju atgriešanās
noteiktos periodos: diennakts laikā, trīs dienu laikā, nedēļas laikā un mēneša
laikā. Tika konstatēts, ka lietotāji atgriežas portālā noteiktajos periodos šādās
reizēs un šādos apmēros:
Diennakts laikā.
Vienreiz no visas novērtējamās grupas sistēmā vidēji iegāja 848 lietotāji,
no kuriem 241 lietotājs bija iegājis vasarā - jūlijā un augustā. Divreiz iegāja 319
lietotāji, un attiecīgi vasarā - 148 lietotāji, bet trīs un vairāk reizes - 280 lietotāji,
no kuriem 126 lietotāju apmeklējumi bija konstatēti vasarā.
Trīs dienu laikā.
Vismaz vienu reizi iegāja 890 lietotāji, un no tiem vasarā - 248. Divreiz
iegāja 543 lietotāji, un no tiem vasarā - 181 lietotājs, bet trīs un vairāk reizes
iegāja 343 lietotāji, un no tiem vasarā - 126 lietotāji.
Nedēļas laikā.
Nedēļas laikā sistēmā vismaz vienreiz ienāca 901 lietotājs, bet vasarā -
302 lietotāji. Divreiz – 792, un vasarā 207 lietotāji, bet trīs un vairāk reizes
-,407, un attiecīgi 154 lietotāji.
Mēneša laikā.
Mēneša laikā vismaz vienreiz sistēmā bija ienākuši 974 lietotāji, un
attiecīgi 307 lietotāji vasarā. Divreiz ienākuši ir 798, un attiecīgi 209 lietotāji
vasarā, bet trīs un vairāk reizes 482, un vasarā attiecīgi 176 lietotāji.
Lielā starpība starp vasaras un mācību gada apmeklētājiem ir skaidrojama
ar mācību un aktivitāšu rimumu attiecīgajos vasaras mēnešos (jaunu lietotāju
aktivitāte krasi pieaug septembrī, kad sākas pirmā kursa lietotāju aktivitātes).
No izvēles grupas ne reizi sistēmu neapmeklēja 82 lietotāji, kas var būt
skaidrojams ar viņu pasivitāti mācību procesā vai citas sistēmas izmantošanu.
3.1.6. Datņu caurskatīšanas dziļums
56
Katram datu analizētājam ir svarīgi dati ne tikai par kopējo apmeklētāju
skaitu, produktu pirkšanas biežumu un summu (dalīto un kopējo), bet svarīgi arī
apkopot un analizēt datus par lietotāju gaitu mājas lapas ietvaros, kā arī
apmeklētām apakšsadaļām [61].
Turpinot pētīt izvēlēto 4 mēnešu laika periodu un izmantojot WS atlases
rīkus, tika izveidots atsevišķs fails ar izvēlētā perioda apskatīto sadaļu un
aizgājušo apmeklētāju skaitu, kur tiek uzskaitīts cik sadaļas kurš lietotājs ir
skatījies.
Kopā šajā periodā ir tikuši veikti 720426 skatījumi, bet jāsecina, ka ļoti liels
procents (66%) ir lietotāji, kas mājas lapā ir apmeklējuši tikai vienu sadaļu
(skatīt 3.2. tabulu).
3.2.tabula Iesaistes dziļuma pārskats
Apskatītassadaļas
SkaitsProcentuāli
(%)
1 155291 65,67
2 29413 12,44
3 15938 6,74
4 7632 3,23
5 5436 2,3
6 3545 1,5
7 2926 1,24
8 2102 0,89
9 1775 0,75
10 1420 0,6
Šie dati liecina, ka portāls, spriežot pēc lietotāju aktivitātes, nav orientējies
uz lielu lietotāju apakšsadaļu apmeklējumu. Pirmo reizi lietotājam ienākot mājas
lapā ir saprotams portāla mērķis (pieejams liels publikāciju apjoms) un apziņa,
ka par sniegtās informācijas pārlūkošanu (pilnu rakstu) ir jāmaksā. Sekojot
ikdienas statistikai nākas secināt, ka nav liels lietotāju skaits, kas katru dienu
ienāks Portālā N ar savām sociālo tīklu „pasēm”, lai regulāri lasītu pilnus tās
dienas izdevumu rakstu tekstus.
Jebkuras mājas lapas pārraudzītājam ir svarīgi saprast lietotāju uzvedību:
iemeslus kādēļ lietotāji apmeklē konkrēto mājas lapu (tiešs apmeklējums vai
izvēloties konkrētus atslēgas vārdus), pavadīto laiku un meklējumu secību, kā
arī iemeslus mājas lapas „pamešanai” un vietas, no kurām visbiežāk lietotāji
pārtrauc lapas apskati.
57
Turpinot iepriekš izvēlēto 4 mēnešu periodu, tiek turpināts detalizēti
aplūkot Portāla N aktivitātes un apakšsadaļas no kurām visbiežāk notiek
atslēgšanās. Jebkurai darbībai ir aktuāli aplūkot un analizēt lietotāju ceļu līdz
pirkuma brīdim.
Tā kā ir izvēlēts ļoti liels laika periods ar lielu ierakstu skaitu, un tiek
izdalītas tiešas atslēgšanās lapas, veidojas ļoti liels izejošo lapu skaits, radot ļoti
sīki sadalītu, bet nepārskatāmu datu kopu. Tādejādi tiek detalizēti analizētas
tikai tās trīs lapas, no kurām lietotāji visbiežāk atslēdzās.
7% visi Portāla N lietotāju aizver mājas lapu redzot izvēlētā meklējumu
rezultātus. Analizējot sīkāk sadaļas „Rezultāti” piedāvātos datus, jānovēro, ka
attiecīgā periodā meklējuma lauks (rezultātu lapa) ir ticis lietots 108128 reizes.
WS parāda ļoti detalizētu pārlūku formu parādot, gan tiešos atnākumus no
citām lapām vai meklēšanas sistēmu atslēgas vārdiem, gan atnākšanu no citām
Portāla N lapām, kur arī redzams ienākošo lapu un atslēgas vārdu ceļš. 14%
gadījumu šī lapa tika atvērta kā pirmā Portāla N apakšsadaļa, piemēram,
Google meklējot konkrētu personu parādās tiešs links uz Portāla N izvēlēto datu
atlasi. 15% gadījumu lietotājs atver citu mājas lapu.
4% gadījumu Portāla N pirmā lapa ir bijusi tā lapa, no kuras lietotāji aizver
mājas lapu. Jāatzīmē, ka puse no visiem lietotājiem pirms tam ir apmeklējuši
citas Portāla N apakšsadaļas.
Secinājumi
Sekojot līdzi lietotāju apmeklētības trajektorijai portālā, var izveidot
apmeklējumu grafu, kas rāda meklējumu loģisko secību. Apkopojot līdzīgos
grafus var izveidot meklējumu trajektoriju kopējās grupas, kas raksturo
meklēšanas loģiku. Tādejādi ir iespējams iegūt punktus, kur beidzas meklējumu
ceļi (treki). Var secināt, ka salīdzinot līdzīgus trekus, kas noslēdzas tajos pat
punktos, tos var uzskatīt par informācijas pietiekamības punktu. Turpmākos
informācijas meklējumu procesos, veidojoties šādam grafam, var piedāvāt
rezultāta punktu kā meklējuma populārāko mērķi.
58
3.2. Lietotāju kopu definēšana pēc iegūstamo datu tipiem
3.2.1. Pēc lietotāja ID
Apskatot iegūtos datus par ārējo autorizāciju ar ID no Twitter, Facebook un
Draugiem.lv, ir redzams, ka no kopējā lietotāja skaita šo lietotāju ir procentuāli
maz, kas nedod iespēju veikt kvalitatīvus kvantitatīvos mērījumus ar šiem
lietotājiem. Tādejādi šie lietotāji nav būtiski izdalāmi no gadījuma mērījumiem,
un turpmākai lietotāju identificēšanai ir jāizmanto IP adrešu zona, izmantojamās
operētājsistēmas (OS) raksturlielumi kombinācijā ar laiku. Precīzākai lietotāju
identificēšanai būtu uzliekama cookie sīkdatne, kas katrreiz reģistrētu savu
ieeju sistēmā. Šajā gadījumā katrs cookie saturētu savu unikālo ID numuru. Tas
palīdzētu izveidot lietotāja interešu profilu, tādejādi ļaujot izveidot optimizētāku
interesējošo datu meklēšanas profilu [62].
3.2.2. Pēc IP adreses
Turpinot analizēt 4 mēnešu periodā Portāla N lietotājus, tika mēģināts
analizēt lietotāju ģeogrāfisko izvietojums, ārvalstu lietotāju apmeklētāju profilus,
viņu interesējošās Portāla N rubrikas un attiecīgus rakstus.
Attiecīgā laika posmā Portālu N ir skatījušies apmeklētāji no 110 valstīm.
Dati rāda, ka no Latvijas (IP) adresēm ir nākuši 93% lietotāji. Eiropā ir daudzas
valstis, kas, salīdzinot ar ģeogrāfiski „lielajām” valstīm, aizņem nelielu teritoriju.
Šīs izpētes rezultātā primāri tiek analizēti katras valsts dati ar lielāku
apmeklējumu daudzumu. Proti, situācijās, kad no vienas valsts četru mēnešu
laikā Portālā N ir ienācis viens lietotājs un aplūkojis vienu mājas lapas sadaļu,
netiek uzskatīts par konkrētās valsts Interneta lietotāju intereses vērtu apskates
objektu.
Izvēloties, piemēram, Lielbritāniju, sākotnēji tiek norādīts, ka mēneša laikā
ir bijuši 868 unikāli apmeklētāji, bet, pētot sīkāk konkrētās valsts datus, tiek
uzrādīti 422 ieraksti. Šāda situācija ir izskaidrojama ar datu plūsmas ātruma
efektivitātes uzturēšanu statistikas rīkiem. Proti, ja liels datu apjoms ilgstoši tiek
uzglabāts arhīvā, meklēšana ir lēnāka, tādēļ WS pārlūkā ir pieejama detalizēta
informācija par pēdējām 30 kalendārām dienām [63], [64].
Datu izpētes rezultātā ir mēģināts apzināt uzrādītās ģeogrāfiskās teritorijas
precizitātes noteikšanu. LU aģentūra "Latvijas Universitātes Matemātikas un
59
informātikas institūts" Tīkla risinājumu daļa (NIC) uztur Latvijas organizācijām
izdalīto IP adrešu sarakstu13. Šajā sarakstā IP adreses ir sakārtotas pēc
uzņēmumiem un pirmā IP adresē minēto ciparu. Rezultātā ir iespēja daudz
precīzāk pārredzēt attiecīgās adreses pakalpojumu sniedzējus. Atkarībā no
uzņēmuma IP adreses ir iespēja arī precīzāk noteikt ģeogrāfisko izvietojumu un
iespējamās nesakritības datu pārlūkā.
Izmantojot vairākus pārlūku rīkus ir iespēja noteikt, vai viena rīka
statistikas datos uzrādītā valsts atbilst reālai ģeogrāfiskai vietai vai ģeogrāfiski
dators atrodas citā vietā.
Lai labāk atspoguļotu problēmu, detalizētāk tiek aplūkota IP adrese
193.203.196.117. Izmantojot WS uzrādītos datus jāsecina, ka Portāls N ir
apmeklēts no lietotāja, kas atrodas Igaunijā, Viimsi. Savukārt, izmantojot portālu
www.ip-adress.com14 parādās, ka datu meklētājs ir nācis no Swedbank, AS,
Rīgā. Pārbaudot IP adresi www.nic.lv15, netiek parādīta šāda IP adrese, kas
norāda, ka šis lietotājs nav no Latvijas. Pamatojoties uz augstāk aprakstīto, var
secināt, ka šajā gadījumā atšķiras IP uzrādīto valstu automātiskais un faktiskais
personas izvietojums.
Tālāk tiek detalizētāk aplūkoti lietotāji (pēc to IP) ar lielu Portāla N
pavadīto meklēšanas skaitu vienas dienas ietvaros. Salīdzinot vairākus
desmitus IP adrešu, izdevās atrast vairākus gadījumus, kur sākotnējā uzrādītā
lietotāja valsts un faktiskā nav identiskas (skatīt 3.3. tabulu).
3.3.tabula IP adrešu valsts noteikšana no dažādiem avotiem
IP adrese W http://www.ip-adress.com/ip_tracer
193.203.196.117 Igaunija Rīga, Swedbank AS
79.149.61.191 Lielbritānija Spānija, Telefonica de Espana
213.100.53.62213.100.59.111213.100.59.124
Zviedrija Latvija, Tele2
Secinājumi
13 http://www.nic.lv/lix
14 http://www.ip-adress.com/ip_tracer/193.203.196.117
15 http://www.nic.lv/lix
60
Izmantojot statistikas pārlūku veidus, ir iespēja sekot mājas lapu
apmeklētāju ģeogrāfiskam izvietojumam. Veicot detalizētāku datu atlasi, nākas
secināt, ka ne vienmēr visu lietotāji dati atbilst faktiskai situācijai. Tā kā šāda
tendence nav vairumā gadījumu, būtu tomēr jāņem vērā, ka kopējā statistika
par valstu apmeklējumu ir iespējama ar nelielu datu pareizības novirzi, kuras
rezultātā datu precizitāte var mainīties.
61
3.3. Empīrisko lemmu salīdzināšana ar iegūto datu tendencēm
Izvērtējot empīriskās lemmas ar izpētes rezultātā iegūtajiem datiem, var
secināt lemmu korektu uzstādīšanu.
Apkopojot statistikas datus no ECDL sistēmas, varēja konstatēt, ka
lielākais apmeklētāju skaits tika fiksēts laikā no 10. līdz 16. maijam un 63% no
visiem apmeklētājiem ir sievietes vecumā 21 līdz 28 gadi. Šie dati apstiprina
lemmu, kas noteica, ka maijā būs vērojama lielāka sieviešu aktivitāte, kas
ietilpst vecuma grupā 22 – 26 gadi, kas saistīts ar to, ka tieši šajā vecumā
parasti raksta nobeiguma darbus augstskolās.
Aplūkojot statistikas datus par gada pārskatu pieprasījumu, tika
konstatēts, ka visvairāk gada pārskati tiek pieprasīti maijā, kad tie tiek publicēti.
Pieņemot vidējo gada pārskatu pieprasījumu mēnesī kā 100% pieprasījumu,
varēja izvērtēt pieprasījumu procentuālo pieaugumu vai kritumu pa mēnešiem
no vidējā statistiskā gada pārskatu pieprasījumu skaita.
3.4.tabula Gada pārskatu procentuālais sadalījums pa mēnešiem
04.2012.
05.2012.
06.2012.
07.2012.
08.2012.
09.2012.
10.2012.
11.2012.
12.2012.
01.2013.
02.2013.
03.2013.
04.2013.
05.2013.
06.2013.
% 112 173 137 123 113 82 92 66 47 67 72 76 104 167 108Pieaugum
s 12 73 37 23 13 -18 -8 -34 -53 -33 -28 -24 4 67 8
Pārskatot personu popularitātes topu par periodu 2013. gada janvāris -
2013. gada jūnijs, un, ņemot vērā notikušās pašvaldību vēlēšanas Latvijā, ir
redzams, ka lielo Latvijas pilsētu mēriem un tajā pat laikā mēra kandidātiem,
proporcionāli vēlēšanu norises laika tuvumam, pieaug popularitāte.
Tā, piemēram, Nila Ušakova popularitāte pieauga no 8. vietas janvārī līdz
3, vietai maijā un jūnijā, bet Ulda Seska popularitāte pieauga no 50.vietas
februārī līdz 11.vietai jūnijā. Savukārt Aivara Lemberga popularitāte pieauga no
39.vietas februārī līdz 6.vietai maijā.
62
3.4. Mērījumu veikšana
3.4.1. Testēšanas vietu izveide
Viens no visvienkāršākajiem lietotāju interešu rādītājiem ir testa sistēmas
izveide, izmantojot novērtēšanas iespējas Patīk/Nepatīk. Speciālisti šo metodi
iesaka izmantot kā visefektīvāko un vienkāršāko novērtēšanas sistēmu [65].
Apskatot Patīk/Nepatīk vērtējuma izmantošanu Portālā N, var redzēt, ka
uz kopējā lietotāja skaita šo servisu neizmanto vairāk kā 5% no kopējā lietotāja
skaita, kas var būt saistīts ar samērā neseno servisa ieviešanas laiku
(2013.gada aprīlis) un lietotāju neinformētību par šāda pakalpojuma esamību.
Neskatoties uz mazo lietotāju skaitu, var redzēt, ka portālā ir lietišķās
informācijas sadaļas, kas izpelnās popularitātes pieaugumu (piemēram,
informācija par ziedu piegādi), kas, ieviešot atgriezeniskās saites vizualizācijas
rīkus, varētu atvieglot lietotājiem informācijas praktiskās izmantojamības
novērtējumu savā datu apritē, tādejādi veidojot informācijas ieguves regulārus
paradumus.
Lai varētu izveidot regulāru ieinteresētu ziņu izmantotāju grupu, ir jāveic
turpmāks vērtējumu apkopojums un tā rezultāti jāpiedāvā vizualizētā veidā
lietotājiem.
3.4.2. Anketēšanas sistēmas izveide
Lai noskaidrotu Portāla N interfeisa uztveramību, tika sagatavota anketa
un veikta anketēšana, kura sastāvēja no šādiem jautājumiem (atbilžu
apkopojumu skatīt Pielikumā Nr.1.):
1. Atverot portāla lapu, kam uzreiz pievēršat uzmanību?
2. Vai portālā redzamās reklāmas traucē uztvert mājas lapas pamata saturu?
3. Vai reklāma rada vēlmi sekot tās informācijai? (jā / nē)
4. Kāpēc? (esejas jautājums)
5. Vai izmantojat iespēju atbildēt uz jautājumu sadaļā Nedēļas jautājums?
6. Kā Jūs vērtējat pakalpojumu www.news.lv Dienas apskats?
7. Kā Jūs parasti meklējat interesējošo informāciju?
skatieties noteiktus laikrakstus,
63
noteiktas rubrikas,
izvēlaties rakstus no pirmās lapas,
lasītākās ziņas,
jaunākās ziņas ,
no ziņu blokiem.
8. Vai izmantojat konkrētā laikraksta rakstu meklēšanu (viena izdevuma
ietvaros) vai arī meklējumus veicat visā portālā?
9. Vai meklēšanas funkcijas ir pārskatāmas un viegli lietojamas?
10. Vai izmantojat rakstu jomu sadalījumu (auto, sports, vide, utt.)?
11. Vai izmantojat sadaļu Uzņēmumu ziņas? (jā / nē)
12. Kādu saturu vēlētos redzēt šīs sadaļas rakstos? (esejas jautājums)
13. Vai meklējat atsauces uz raksta informācijas pirmavotu?
14. Vai izmantojat sociālo tīklu pases paplašinātas informācijas piekļuvei?
15. Vai Jums interesē publicitātes reitings?
16. Vai redzat pievienoto vērtību tam, ka iespējams redzēt arī vairs
neeksistējošu izdevumu arhīvu?
17. Kas ierosina vēlmi izteikt savu viedokli komentāros?
18. Vai veicat raksta novērtējumu ar Patīk/Nepatīk pogu?
Lai labāk izprastu lietotāju motivāciju un uzvedības raksturojumu, tika
sagatavota paplašināta anketa un aptaujāti tie paši respondenti, kas aizpildīja
saīsināto anketu. Tādā veidā tika dota iespēju pārbaudīt, vai atbildes sakrīt arī
ar saīsinātajā anketā sniegtajām atbildēm un kas ir mainījies šajās atbildēs.
Pilnais respondentu atbilžu apkopojums skatāms Pielikumā Nr.2.
Paplašinātās anketas jautājumi:
1. Vai portālā redzamās reklāmas traucē uztvert mājas lapas pamat saturu?
2. Vai izmantojat / vai Jums šķiet interesanta sadaļa Nedēļas jautājums?
3. Vai izmantojat iespēju atbildēt uz jautājumu sadaļā Nedēļas jautājums?
4. Vai skatāties atbildes atbilžu arhīvu?
5. Vai Jums ir skaidra pakalpojuma Laikrakstu aģents būtība?
6. Vai Laikrakstu aģents Jums ir noderīgs?
7. Kādos gadījumos Laikrakstu aģentu lietotu?
8. Vai izmantojat sadaļu Uzņēmumu ziņas?
64
9. Kādu saturu vēlētos redzēt šīs sadaļas rakstos?
10. Vai pakalpojums www.news.lv Dienas apskats ir vērtīgs?
11. Kas varētu celt www.news.lv Dienas apskata popularitāti?
12. Vai izmantojat Laikrakstu bibliotēku?
13. Ja izmantojat Laikrakstu bibliotēku, tad kādos gadījumos?
14. Vai redzat pievienoto vērtību tam, ka iespējams redzēt arī vairs
neeksistējošu izdevumu arhīvu?
15. Vai esat izmantojis sadaļu Pasākumi?
16. Ko vēlētos tajā redzēt papildus, lai sāktu izmantot vai arī izmantotu aktīvāk?
17. Vai izmantojat rakstu jomu sadalījumu (auto, sports, vide utt.) ?
18. Ar kādu vēl sadaļu to būtu nepieciešams papildināt?
19. Kā Jūs parasti meklējat interesējošo informāciju?
(salieciet vērtējumus pēc prioritātes no 1 līdz 6, kur 1 primārais un 6
vismazāk izmantotais)
skatieties noteiktus laikrakstus,
noteiktas rubrikas,
izvēlaties rakstus no pirmās lapas ,
lasītākās ziņas,
jaunākās ziņas ,
no ziņu blokiem.
20. Ja meklējat informāciju savādāk, tad kā?
21. Vai un kādiem nolūkiem izmantojat sadaļu Karte?
22. Atverot portāla lapu, kam uzreiz pievēršat uzmanību?
23. Vai izmantojat sociālo tīklu pases paplašinātas informācijas piekļuvei?
24. Vai reklāma rada vēlmi sekot tās informācijai?
25. Kāpēc?
26. Vai veicat raksta novērtējumu ar Patīk/Nepatīk pogu?
27. Kas ierosina vēlmi izteikt savu viedokli komentāros?
28. Cik bieži atrodat sev interesējošo informāciju?
29. Vai meklēšanas funkcijas ir pārskatāmas un viegli lietojamas?
30. Vai Jums interesē publicitātes reitings?
31. Cik daudziem Jūsu paziņām šāds reitings būtu saistošs?
65
32. Vai izmantojat konkrētā laikraksta rakstu meklēšanu vai meklējumus veicat
www.news.lv?
33. Vai meklējat atsauces uz raksta informācijas pirmavotu?
34. Cik Jums ir būtiska informācija no Interneta ziņu portāliem?
(atzīmējiet atbilstošo 1 mazsvarīga, 5 ļoti svarīga)
35. Cik Jums ir būtiska informācija no laikrakstiem un citas drukātās preses?
(atzīmējiet atbilstošo 1 mazsvarīga, 5 ļoti svarīga)
36. Cik Jums ir būtiska informācija no radio?
(atzīmējiet atbilstošo 1 mazsvarīga, 5 ļoti svarīga)
37. Cik Jums ir būtiska informācija no televīzijas ziņām?
(atzīmējiet atbilstošo 1 mazsvarīga, 5 ļoti svarīga)
38. Cik vidēji dienā patērējat laiku Internetā?
39. Vai spēlējat datorspēles? (Skaitās arī Solitare u.c.)
40. Cik Interneta lapas vakar apmeklējāt?
3.4.3. Anketas atbilžu datu novērtējums
Apkopojot anketas atbildes, var izsecināt atsevišķu lietotāju un arī grupu
intereses un prognozējamo uzvedību Internetā.
Lielākā daļa intervējamo galveno uzmanības fokusāciju veic uz portāla
ievadlapas vizuālo tēlu, koncentrējot uzmanību uz krāsu vizuālo tēlu un
kustības kombināciju, tādejādi esot gatavi sekot reklāmai, ja tā ir vizuāli
aizraujoši noformēta bez uzsvara, ka tā ir reklāma.
Spriežot pēc atbildēm par informācijas meklēšanu, ikdienā tā tiek veikta
impulsīvi, bez sistemātiskuma, neorientējoties, uz kādu profesionālu jautājumu.
No tā var secināt, ka nav izkopti kādi specifiski informācijas ieguves paradumi
un metodes. Šajā gadījumā informācijas meklēšanas ierosinātājs var būt ziņa,
kas izvietota portāla pirmajā lapā redzes fokusācijas zonā.
No atbilžu grupas par iesaistīšanos ziņu novērtējumos, var secināt, ka
lielākai daļai aptaujāto patīk būt novērotāja lomā un jābūt pietiekoši personīgai
ieinteresētībai jautājumā, lai iesaistītos kaut vai ar vienkāršu Patīk/Nepatīk
vērtējumu. Šeit varētu izpausties masu mēdiju radītā zemapziņas līmenī
ieprogrammētās šaubas par totālo novērošanu no darba devēja vai kādas citas
organizācijas puses, kas bremzē pašapliecināšanās izpausmes.
66
Apskatot paplašinātās anketas papildus iegūtos datus var redzēt, ka
lietotājiem svarīga informācija par portāla tehniskajām un funkcionālajām
iespējām.
3.4.4. Web statistikas analīzes rīku apvienošana ar anketu datiem
Salīdzinot iegūtos log pierakstus no News.lv un RTU sistēmām ar W rīka
iegūtajiem datiem, var redzēt, ka operētājsistēmu tendence ir vairāk par labu
Windows saimes izmantošanai nekā citām OS. No visiem mērījumiem
apmēram 98% apmeklētāji izmanto kādu no šīs saimes sistēmām, kā arī
samērā neliels ir mobilo aplikāciju izmantotāju skaits (tikai 1,1 % no kopējā).
Salīdzinot šos datus ar RTU atbilstošajiem, šāda tendence vairāk izpaužas
Būvniecības un Enerģētikas fakultātēs, kas varētu būt saistīts ar šo cilvēku
nevēlēšanos veikt izmaiņas savu jau funkcionējošo un darbības prasībām
atbilstošo IT ekosistēmu izmantošanā.
Tā pat aplūkojot W rīka datus, samērā maz var redzēt pieslēgumus no
identificējamām bibliotēku sistēmām (bibliotēkām pieejamo terminālu IP
adresēm), kas var liecināt par tendenci, ka potenciālajiem lietotājiem ir samērā
maz informācijas par preses pārskatu sistēmas izmantošanu no Latvijas
bibliotēkām. Šajā gadījumā būtu jāizveido informatīva portāllapa bibliotekāru
informēšanai.
Ja salīdzina aktivitāšu pieaugumus, tad tendence pieaugt preses
publikāciju meklējumiem nav tik izteikti liela kā RTU no maija vidus, bet, tomēr
parādās, kas liecina, ka portāla informācija tiek izmantota studiju procesā
(vismaz atbilst pēc laika).
Secinājumi
Veicot analīzi pēc W rīka datiem, var redzēt, ka informācijas meklētāji
vairāk atbilst slēgtā tipa lietotājiem, kas norāda uz lielāku tendenci meklēt
lietišķo, nevis izklaides informāciju.
67
Tabula 5. 4. Modeļa analīze un papildināšana
4.1. Modeļa mehānismu salīdzināšana ar iegūtajiem datiem
Par analīzes serveri tika izmantots RTU atbalsta serveris ortus.rtu.lv un
tam pakārtotais mācību materiālu serveris moodle.rtu.lv, apskatot periodu no
01.05.2012. līdz 31.05.2013., kā arī dati no Portāla N servera logiem.
Apkopojošie dati:
Apskatītie respondenti 32 648, no tiem 56% sievietes, 44% vīrieši.
Vecuma grupā 18-21 gads - 42 % no visiem, 22-28 gadi 31%, vecuma
grupā 29 un vairāk - 27% no kopējā skaita.
Tālāk tika analizēti respondenti, kuri izmantoja mācību atbalsta sistēmas
ECDL apmācībā un ziņu aģentūras BNS abonēšanas servisu ar RTU identitāti.
No kopējā skaita tikai 8% izmantoja ECDL apmācības un ar tiem saistītos
sistēmas apmācības materiālus, un tikai 7% izmantoja iespēju izmantot BNS
servisu ziņu ieguvei.
No 8% kuri izmantoja ECDL piedāvāto apmācību, visvairāk apmeklētāju
tika fiksēti 12. maijā, kas sakrīt ar izvirzīto lemmu un diplomdarbu un citu
pētniecisko darbu izstrādes laiku. Apmēram 63% no visiem pakalpojuma
lietotājiem ir sievietes vecumā no 21. līdz 28. gadiem, 90% no viņām lieto
Windows bāzētās sistēmas, 8% izmanto Apple ražoto Mac operētājistēmu un
atlikušie 2% izmanto citas neidentificētas sistēmas. Savukārt, vīriešu dzimuma
apmeklētāju vecums tika noteikts no 19. līdz 23. gadiem, kur 85% ir Windows
lietotāju, 9% - Mac OS lietotāju un atlikušie 6% lieto citas OS.
Par BNS ziņu izmantošanu tika konstatēts: 78% lietotāju ir sieviešu
dzimuma, pārsvarā no bibliotēkas tīkla datoriem (80%), no atlikušajiem 32%
vīriešu dzimuma lietotājiem 76% strādā no RTU tīkla un tikai 34% no bibliotēkas
termināliem. Tāpat kā ECDL materiālu izmantošanā, lielākais apmeklētāju
skaits tika konstatēts laikā no 10. līdz 16. maijam.
Šie novērojumi atbilst prognozētajam par ziņu servisa izmantošanas
tendencēm. Atšķirības vecumā varētu būt skaidrojamas ar sava veida
stabilitātes iegūšanu dzīvē, kas palielina studējošo vecumu.
Tāpat analīze apliecina vajadzību iekļaut IP adrešu uzskaiti, lai varētu
identificēt sistēmas piederību pie attiecīgajām apakšstruktūrām organizācijā.
68
Veicot analīzi lietotāju veiktajiem novērtējumiem Patīk/Nepatīk, nākas
atzīt, ka laika periods dažu mēnešu garumā neļauj izveidot analīzi ilgākā laika
periodā, bet, salīdzinot RTU izmantotos BNS datus un vērtējumus Portālā N,
var redzēt savstarpējās korelācijas datu meklēšanā un, iespējams,
izmantošanā.
Šeit būtu vēlams izveidot korelāciju analīzes sistēmu, kas varētu izanalizēt
meklēšanas avotus un salīdzināt abās sistēmās tālāko lietotāju atbilstību
meklējumiem.
69
4.2. Modeļa sadaļu svara funkciju definēšana, bāzējoties uzeksperimentāliem datiem
Nosakot modeļa svara funkcijas, var redzēt, ka lielākais informatīvais
uzsvars ir jāliek uz meklējuma avota IP adresi (IPv6 tas jau ir samērā
viennozīmīgs identifikators) un meklētās informācijas kategoriju.
Izmantotajai OS pašlaik nav lielas nozīmes, jo Latvijas pašreizējā
tendence rāda, ka pamatā tiek izmantotas Windows bāzētās tehnoloģijas, kas
arī nosaka tālākos mēdiju formātus un tehnoloģijas.
Android OS un citas mobilas OS pārsvarā tiek izmantotas saziņai
sociālajos tīklos, nevis informācijas iegūšanai vai regulāram darbam.
70
Tabula 6. 5. Secinājumi
Pētījumā tika apzināti daudzveidīgi lietotāju uzvedības pētījumi. To
turpmākos virzienus vajadzētu formalizēt un precizēt, izmantojot šī pētījuma
rezultātus un modelēšanas metodes. Tas dotu iespēju iegūt aptverošu un
pietiekoši drošu kopainu lietotāju uzvedības pētījumiem projektā.
Empīriskie pieņēmumu un novērojumu lietošana ir droša metode projekta
pētījuma rezultātu un modeļu pārbaudei.
Interneta lietotāju sadalīšana grupās izmatojot novērojumu un pētījumu
rezultātus ir svarīgs solis e-ekosistēmas raksturošanai.
Kvantiatīvās metodes dod iespēju izstrādāt matemātiskus lietotāju
uzvedības modeļus, bet kvaliatīvās metodes nepieciešamas, lai precizētu
kvantiatatīvo modeļu rezultātu izmaiņu tendences un robežnosacījumus.
Nozīmīgi kvantiaitīvi izmērāmi datu veidi ir:
Lietotāja uzturēšanās laiks lapā;
Meklējuma trajektorija un katram zaram veltītais laiks;
Meklētās onformācijas žanrs;
Apmeklējuma dziļums.
NozīmIgākie tehniskie datu avoti ir:
Web logu ieraksti;
Webservera statistikas analīzes W rīks;
Operētājsistēmas atpazīšana;
Gala lietotāja iekārtas atpazīšana;
IP adreses tipa/vietas atpazīšana;
Nozīmīgi kvalitatīvi pētāmi jautājumi ir:
Iesaistīšanās diskusiju forumos;
Informācijas vērtēkuma pogu lietošana;
Nozīmīgākās modelēšanas iespējas ir:
Atgriezeniskās saites modelēšana;
Faktoru ietekmes modelēšana.
Interneta lietotāju reakcijas novērojumi korelē ar Newell pētījumiem par
cilvēku reakcijas raksturojumu ārpus Interneta lietošanas.
Interneta lietotāju tehniski raksturo lietotāja datu profīls un lietotāja
izmantotā tehnoloģija.
71
Interneta lietotāju uzvedības nozīmīgākās pētījumu metodes ir:
Intervijas;
Uzvedības pētījumi internetā;
Uzvedības datu semantiskā analīze;
Lietotāju mērķu un ieinteresētības pētījumi.
Izstrādājot lietotāju identifikācijas sistēmu, ir jābūt paredzētas IP adreses
reģistrēšanas un atšifrēšanas mehānismam.
Jāparedz, ka sistēmai ir jāspēj reģistrēt un analizēt IPv6 protokola
adreses.
Jācenšas modelēt portāla informatīvo izkārtojumu, kas palielinātu tā
funkciju un mehānismu, kā arī pieradumu izmantošanā. Tas vienlīdz attiecas uz
visiem analīzē izmantotajiem portāliem.
Ziņām un citai informācijai ir jāizstrādā detalizēta metadatu apraksta
sistēma, kas ļautu viennozīmīgāk izveidot interesējošo datu grafu.
Modeļa turpmākai statistikas uzkrāšanai ir jāattīsta Patīk/Nepatīk
vērtējumu sistēma.
72
Tabula 7. 6. Programmatūras prasību specifikācija
6.1. Dokumenta nolūks
Šis dokuments satur „Interneta lietotāju uzvedības analīzes rīka”
prototipa specifikāciju. Dokumentā ietvertas vispārējās prasības prototipam,
atsevišķas iespējas sistēmā un konkrētie analītisko atskaišu veidi.
Dokuments paredzēts sistēmas izstrādātāju, pasūtītāja un finansētāju
pārstāvju, kā arī projektu vadītāja vajadzībām.
Dokuments tiks izmantots kā vadlīnijas prototipa izstrādei.
6.2. Darbības sfēra
Dokuments satur prasības „Interneta lietotāju uzvedības analīzes rīka”
prototipa izstrādei, kas saskaņā ar līgumu par nozares pētījumu 1.20 Nr. L-KC-
11-0003, pēc izstrādes pabeigšanas nonāks „IT kompetences centrs”, SIA
rīcībā.
Prototips paredzēts kā tehnoloģisks risinājums interneta lietotāju
uzvedības analīzei dažādos projektos, un tas būs pieejams jebkuram
interesentam izmantošanai savu produktu izstrādē.
Prototips nodrošinās izpētītas metodes un algoritmus interneta lietotāju
uzvedības analīzei nepieciešamo datu savākšanai, apkopošanai, apstrādei un
attēlošanai.
6.3. Termini
Tabulā uzskaitīti dokumentā izmantotie termini un sniegts to skaidrojums.
1.1.tabula Termini
Nosaukums SkaidrojumsHosti Unikālās IP adreses laika periodā. Unikālas tāpēc, ka uzskaitītas vienu
reizi attiecīgajā periodā. Jāvar uzskaitīt arī iekšējās IP adreses, lai varam
precīzāk identificēt Lietotāju.Apmeklējumi Sesiju skaits no vienas IP adreses laika periodā.Klikšķi Pieprasījumu skaits.Apmeklētājs IP adrese, no kuras veikts web lapas pieprasījums.Lietotājs Autorizējies apmeklētājs.Domēns interneta lapas adrese (nosaukums).Mērķa lapa Interneta lapa, kuras lietotāju uzvedību analizē prototips.
73
6.4. Saistība ar citiem dokumentiem
Dokuments saistīts ar šādiem dokumentiem:
A. Līgums par nozares pētījumu 1.20 Nr. L-KC-11-0003;
B. LVS 68:1996 Programmatūras prasību specifikācijas ceļvedis.
6.5. Vispārējās prasības
Prototips paredzēts datu savākšanai par interneta lietotājiem no dažādiem
avotiem, to apstrādei un attēlošanai analītiskajās atskaitēs. Prototipam jāatbilst
sekojošiem kritērijiem:
A. Prototips tiks izvietots uz Linux servera;
B. Programmēšanas valoda – PHP5.4 vai jaunāka;
C. Datu bāzes – PostGreSQL 9.1 vai jaunāka;
D. Prototipa lietošanas valodas – LAT, RUS, ENG.
6.6. Funkcionālās prasības
Šajā nodaļā apkopotas prototipa specifiskās prasības, kas ietver
funkcionālās prasības programmatūrai.
6.6.1. Kalendārs
Kalendārs paredzēts ērtai perioda izvēlei, par kuru turpmāk saņemt datus
atskaitēs. Tāpat kalendāram jāļauj izmainīt izvēlērto periodu, pēc kā izmainīt
datus tekošajā atvērtajā atskaitē.
Kalendāram jānodrošina sekojoša funkcionalitāte:
A. Perioda izvēle ar kalendāra palīdzību;
B. Pēc noklusējuma periods ir viena diena – šodiena;
C. Iespēja norādīt perioda sākuma datumu un beigu datumu;
D. Iespēja ērti izvēlēties standarta periodus no kodifikatora:
Pēdējās 30 dienas;
Mēnesi – JAN, FEB, MAR, APR, MAI, JUN, JUL, AUG, SEP, NOV,
DEC;
Gadi – tekošais gads un visi tie gadi, par kuriem ir kaut viena datu
vienība.
E. Sesijā saglabājas pēdējais izvēlētais periods tik ilgi, kamēr:
74
Tas netiek manuāli izmainīts,
Nebeidzas sesija.
6.6.2. Analītiskās atskaites
Analītiskās atskaites ir prototipa darbības galvenais rezultāts. Atskaitēs
tiek parādīti iepriekš savāktie un sastrukturētie dati lietotājam ērtā un
pārskatāmā saskarnē.
Avoti
Atskaite, kam jāparāda interneta resursi, no kuriem atnākuši lietotāji.
Atskaite satur sekojošus datu laukus:
A. Domēns;
B. Saite uz sadaļu, no kuras atnāca Apmeklētājs;
C. Hosti ;
D. Apmeklējumi;
E. Klikšķi;
F. Links uz citu atskaiti – Apmeklētāji (atlasīti tikai tie, kas atnākušu no
konkrētā avota);
G. Atslaite aprīkota ar riņķa grafiku, kurā atspoguļoti 10 lielākie Avoti + Citi
(visi pārējie) procentuāli no 100%.
Atslēgvārdi
Atslēgvārdi un atslēgfrāzes ar kādiem lietotāji ir atraduši mērķa web lapu
un ienākuši tajā. Atskaite satur sekojošus datu laukus:
A. Atslēgvārds;
B. Meklēšanas sistēma (piemēram, Google, Bing, Yahoo, u.tml.);
C. Hosti;
D. Apmeklējumi;
E. Klikšķi;
F. Links uz citu atskaiti – Apmeklētāji (atlsīti tikai tie, kas ar šo atslēgvārdu
ienākuši).
Sadaļu reitings
Sadaļas, kas izkārtotas pēc apmeklējumu skaita izvēlētajā periodā (Z-A).
Atskaite satur sekojošus datu laukus:
75
A. Sadaļas nosaukums (Title);
B. Sadaļas saite;
C. Sadaļas valoda;
D. Hosti;
E. Apmeklējumi;
F. Klikšķi;
G. Links uz citu atskaiti - Apmeklētāji, (atlasīti tikai tie, kas šajā sadaļā
ienākuši attiecīgajā periodā).
Apmeklētāju ceļš lapā
Parāda lietotāju plūsmu caur lapas sadaļām, izkārtojot popularitātes
secībā. Atskaite satur sekojošus datu laukus:
A. Populārākie apmeklētāko sadaļu komplekti-ceļš:
aprēķināts pēc sadaļas Apmeklējumu skaita attiecīgajā periodā;
Komplektā ietveram ne vairāk par 5 ceļa sadaļām, kas pirmās tika
apmeklētas.
B. Hosti;
C. Apmeklējumi;
D. Klikšķi;
E. Links uz citu atskaiti – Apmeklētāji (atlasīti tikai tie, kas šo ceļu
izmantojuši).
Apmeklētāji
Atskaitē parādās visi apmeklētāji attiecīgajā laika periodā. Pēc
noklusējuma, sakārtoti hronoloģiskā secībā pēc apmeklējuma laika, kur
pēdējais ir sākumā.
A. Ienākšanas datums un laiks – dd.mm.yyyy, hh:mm:ss;
B. Uzturējās lapā - hh:mm:ss (sesijas ilgums);
C. IP adrese;
D. Valsts, pilsēta;
E. Klikšķi;
F. Links uz citu atskaiti – Vēsture (skatīt turpinājumā šīs sadaļas aprakstu).
Lietotāji
76
Atskaite parāda tos Apmeklētājus, kas ir autorizējušies (kļuvuši par
Lietotājiem). Šai atskaitei ir svarīgākā loma prototipa galvenā mērķa
sasniegšanā – analizēt lietotāju uzvedību. Atskaite sastāv no sekojošiem datu
laukiem:
A. Ienākšanas datums un laiks – dd.mm.yyyy, hh:mm:ss;
B. Uzturējās lapā - hh:mm:ss (sesijas ilgums);
C. IP adrese;
D. Valsts, pilsēta;
E. Klikšķi;
F. Vārds, uzvārds;
G. Personas kods (ar opciju rādīt/nerādīt);
H. Uzņēmums;
I. Vecums;
J. Dzimums (tiek iegūts no ārējā avota );
K. Izglītība (tiek iegūts no ārējā avota);
L. Intereses (tiek iegūts no ārējā avotiem);
M. Sociālo tīklu lietotājs:
Facebook;
Twitter;
LinkedIn.
N. Operētājsistēma;
O. Pārlūkprogramma;
P. Ekrāna izšķirtspēja;
Q. Aktivitāte – Manā lapā / Citās lapās / Kopā:
Vēsture – apmeklējuma datums, laiks, apskatītās sadaļas,
pirkumi, par summu (hronoloģiski);
Vidējie rādītāji manā lapā:
a.i.1. Apmeklējumi;
a.i.2. Klikšķi;
a.i.3. Apskatīti produkti (bet nenopirkti) - reitings
periodā;
a.i.4. Pirkti produkti - reitings periodā;
a.i.5. Vidējais lapā pavadītais laiks;
77
a.i.6. Vidējais vienā sadaļā pavadītais laiks;
a.i.7. Vidējais klikšķu skaits vienā apmeklējumā;
a.i.8. Vidēji apskatīti produkti vienā apmeklējumā;
a.i.9. Vidēji iegādāti produkti vienā apmeklējumā.
Lietotāju aktivitāte periodā – Manā lapā / Citās lapās / Kopā
Atskaite parāda Lietotāju aktivitātes web lapā. Atskaite satur sekojošus
datu laukus:
A. Hosti;
B. Apmeklējumi;
C. Klikšķi;
D. Apskatīti produkti (bet nenopirkti) - reitings periodā;
E. Pirkti produkti - reitings periodā;
F. Pirkumu kopsumma periodā;
G. Pirkumu skaits pa stundām dienā, pa dienām nedēļā, pa dienām mēnesī,
pa nedēļām gadā, pa mēnešiem gadā, pa gadiem;
H. Pirkumu summa pa stundām dienā, pa dienām nedēļā, pa dienām
mēnesī, pa nedēļām gadā, pa mēnešiem gadā, pa gadiem;
I. Vidējais lapā pavadītais laiks;
J. Vidējais vienā sadaļā pavadītais laiks;
K. Vidējais klikšķu skaits vienā apmeklējumā;
L. Vidēji apskatīti produkti vienā apmeklējumā;
M. Vidēji iegādāti produkti vienā apmeklējumā.
Iziets uz saitēm
Atskaite parāda apmeklētāju skaitu, kas aizgājuši no lapas, nospiežot uz
kādas no izejošajām saitēm mērķa lapā. Atskaite satur sekojošus datu laukus:
A. Izejošā saite;
B. Klikšķu skaits uz saites;
C. Lietotāju saraksts, kas uz saites nospieduši.
Produkti
Atskaite parāda lietotāju aktivitātes ar produktiem mērķa lapā. Atskaite
satur sekojošas apakšatskaites ar attiecīgajiem datu laukiem:
78
A. TOP skatītākie produkti:
Produkta nosaukums;
Apmeklējumu skaits.
B. TOP skatītākās kategorijas:
Kategorijas nosaukums;
Apmeklējumu skaits.
C. TOP pirktākie produkti:
Produkta nosaukums;
Pirkumu skaits.
D. TOP pirktākās kategorijas:
Kategorijas nosaukums;
Pirkumu skaits (attiecīgās kategorijas produktu pirkumu skaits)
Pirkumi
Atskaite parāda datus par pirkumiem, ko veikuši Lietotāji mērķa lapā.
Atskaite satur sekojošus datu laukus:
A. Pirkumu skaits un dinamikas grafiks par periodu (pēc noklusējuma
pēdējās 30 dienas);
B. Pirkumu summa un dinamikas grafiks par periodu (pēc noklusējuma
pēdējās 30 dienas);
C. Lietotāju saraksts, kas veikuši pirkumus attiecīgajā periodā (ar saiti uz
konkrētu lietotāju).
Tehniskie parametri
Atskaite parāda tehniskos parametrus iekārtām, ar kurām Apmeklētāji ir
lietojuši mērķa lapu. Atskaite satur sekojošas apakšatskaites ar attiecīgajiem
datu laukiem:
A. Iekārtas (dators, planšetdators/telefons):
Iekārtas apzīmējums (dators/ planšetdators/viedtālrunis/cits);
Apmeklētāju skaits;
Lietotāju skaits.
B. Operētājsistēmas:
Operētājssistēmas nosaukums;
Apmeklētāju skaits;
79
Lietotāju skaits.
C. Pārlūkprogrammas:
Pārlūkprogrammas nosaukums;
Apmeklētāju skaits;
Lietotāju skaits.
D. Ekrāna izšķirtspēja:
Ekrāna izmēri;
Apmeklētāju skaits;
Lietotāju skaits.
E. Regional and Language uzstādījumi:
Location: valsts;
Default Input Language: valoda;
Apmeklētāju skaits;
Lietotāju skaits.
Ģeogrāfija
Atskaite parāda Apmeklētāju un Lietotāju aktivitātes sadalot pēc
ģeogrāfiskās pazīmes. Atskaite parāda sekojošus datu laukus:
A. Valsts, Pilsēta;
B. Hosti;
C. Apmeklējumi;
D. Klikšķi;
E. Pirkumu skaits;
F. Pirkumu summa.
Lietotāju atlase
Dinamiska atskaite, kas ataino rezultātus pēc ievadītajiem pieprasījuma
izejas datiem. Iespēja uzstādīt atlases nosacījumus un atlasīt pēc tiem
Lietotājus. Rezultāts – Lietotāju saraksts, kā atskaitē „Lietotāji”. Sekojošas
iespējas rīkoties ar sarakstu:
A. Eksportēt uz Excel;
B. Izdrukāt.
80
Atlases lauki – atlases laukus lietotājs varētu komplektēt no visiem
pieejamajiem laukiem pats, ar Drag&Drop funkciju, izveidojot sev vēlamo
rezultātu tabulu. Atlases forma sastāv no attiecīgo lauku izvēlnēm (Dropdown)
un pogas „Atlasīt”.
Lietotāju uzvedības klasifikācija
Lietotāji tiek klasificēti atbilstoši lietotāju uzvedībai un klasifikācijas veidi ir:
A. Atvērtā – slēgtā tipa lietotājs;
B. Klasifikācija pēc web lapu apmeklēšanas dziļuma:
Pēc atvētā tipa lietotāju apmeklētības dziļuma;
Pēc slēgtā tipa lietotāju apmeklētības dziļuma;
C. Klasifikācija pēc lietotāju ieinteresētības līmeņa.
Tiks izveidoti skati, lai varētu novērtēt lietotāju Uzvedību raksturojošo
raksturlielumu sadalījums.
6.7. Nefunkcionālās prasības
Šajā nodaļā aprakstītas sistēmas nefunkcionālās prasības - tādas kā
prasības procesam, produktam, saskarnēm, kā arī drošības, ergonomikas un
citas prasības.
A. Atskaitēs visās tabulās pielietot iespēju „Sorting” (Sakārtot), nospiežot uz
sadaļas virsraksta – A-Z un Z-A;
B. Atskaitēs, kur uzskaitīti apmeklētāji, izveidot iespēju pārslēgties uz
Lietotāji (piemēram 120 Apmeklētāji, bet 16 no tiem ir Lietotāji);
C. Pamatā, atskaites veidojam tabulas formā. Kur iespējams, papildinam ar
ērti uztveramu grafiku;
D. Jebkuru atskaiti var Eksportēt uz xml formāta failu;
E. Jebkurai atskaitei jābūt Izdrukas formai;
F. Katrai atskaitei jāparedz savu „Help” (palīdzība) tekstu, kuru klients var
atvērt un izlasīt attiecīgās Atskaites informāciju;
G. Jāparedz iespēju administrēt sistēmas lietotājus – pievienot, dzēst;
H. IP filtrācija – iespēja norādīt IP adreses, kuras statistikai neuzskaitīt.
6.8. Procesa shēma
81
Procesa shēma (skatīt attēlu 1.1.) attēlo prototipa darbības principu.
1.1.attēls. Procesa sahēma
82
Tabula 8. Izmantotā literatūra
[1] Marketing Research: An Applied Approach – European Naresh K.
Malhotra; David F. Birks Ft Pr 2006
[2] A decomposed theory of reasoned action to explain intention to use
Internet stock trading among Malaysian investors T. Ramayah a,*, Kamel
Rouibah b, M. Gopi a, Gary John Rangel c
[3] Hand preference for writing and associations with selected demographic
and behavioral variables in 255,100 subjects: The BBC internet study q
Michael Peters a,*, Stian Reimers b, John T. Manning c
[4] Randomized trial comparing Internet-based training in cognitive
behavioural therapy theory, assessment and formulation to delayed-
training control Sarah G. Rakovshik a,*, Freda McManus a,b, David
Westbrook b, Alla B. Kholmogorova c,d, Natalya G. Garanian c,d,
Natalya V. Zvereva c, Dennis Ougrin e
[5] Parental controls on children’s computer and Internet use Serkan
Çankayaa*, Hatice Ferhan Odaba�ı b
[6] Long-term study of safe Internet use of young children M. Valcke*, B. De
Wever, H. Van Keer, T. Schellens
[7] Characteristics and mobile Internet use intensity of consumers with
different types of advanced handsets: An exploratory empirical study
of iPhone, Android and other web-enabled mobile users in Germany T
orsten J.Gerpott a,n, Sandra Thomas b,1, Michael Weichert c,
[8] Evolutionary cyber-psychology: Applying an evolutionary framework to
Internet behavior Jared Piazza *, Jesse M. Bering
[9] Alan Turing, On computable numbers, with an application to the
Entscheidungsproblem, Proceedings of the London Mathematical
Society, Series 2, 42 (1936), pp 230-265.
[10] Comparing internet and mobile phone usage:digital divides of usage,
adoption, and dropouts Ronald E. Rice*, James E. Katz
[11] Internet addiction: Meta-synthesis of qualitative research for the decade
1996–2006 Alecia C. Douglas a,1, Juline E. Mills b,2, Mamadou Niang c,
Svetlana Stepchenkova a,*, Sookeun Byun d, Celestino Ruffini a, Seul Ki
Lee a, Jihad Loutfi a, Jung-Kook Lee e, Mikhail Atallah f, Marina Blanton
g
83
[12] The effect of Internet use on adolescents’ lifestyles: A national survey
Ligang Wanga,b, Jing Luo b,c, Jing Luo b, Wenbin Gao b,⇑, Jie Kong
[13] Sociālie tīkli un to izmantošanas iespējas mācību procesu kvalitātes
vadībā R.Gulbis, Rēzekne, Konference: Sabiedrība, integrācija, izglītība:
Starptautiskās zinātniskās konferences materiāli, No 25.05.2012. Līdz
26.05.2012.
[14] Qualitative research and evaluation methods (3rd ed.). Patton, M. Q..
Thousand Oaks, CA: SAGE Publications. (2002)
[15] Qualitative Research Methods in Public Relations and Marketing
Communications Second edition Christine Daymon and Immy Holloway
ISBN 0-203-84654- 2011 Christine Daymon and Immy Holloway
[16] Personality and motivations associated with Facebook use Craig Ross *,
Emily S. Orr, Mia Sisic, Jaime M. Arseneault, Mary G. Simmering, R.
Robert Orr Computers in Human Behavior 25 (2009) 578–586
[17] Who uses Facebook? An investigation into the relationship between the
Big Five, shyness, narcissism, loneliness, and Facebook usage Tracii
Ryan, Sophia Xenos Computers in Human Behavior 27 (2011) 1658–
1664
[18] The influence of personality on Facebook usage, wall postings, and
regret Kelly Moore a,⇑, James C. McElroy Computers in Human
Behavior 28 (2012) 267–274
84
[19] The effects of personality traits, self-esteem, loneliness, and narcissism
on Facebook use among university students Jason L. Skues ⇑, Ben
Williams, Lisa Wise Computers in Human Behavior 28 (2012) 2414–2419
[20] Understanding continued information technology usage behavior: A
comparison of three models in the context of mobile internet Se-Joon
Hong , James Y.L. Thong , Kar Yan Tam Decision Support Systems 42
(2006) 1819–1834
[21] A study on business opportunity for small smart devices in finance, Hong
Joo Lee, Mathematical and Computer Modelling
[22] A Sample/Population Size Activity: Is it the sample size of the sample as
a fraction of the population that matters? Margaret H. Smith Pomona
College Journal of Statistics Education Volume 12, Number 2 (2004)
[23] Toward user patterns for online security: Observation time and online
user identification, Yinghui (Catherine) Yang a,⁎,1, Balaji Padmanabhan,
Decision Support Systems 48 (2010) 548–558
[24] Study of On-line Open Source Interactive Multimedia E-courseware
User's Learning Behaviour Rūdolfs Gulbis Atis Kapenieks "RTU
Zinātniskie raksti" 11: Ģeomātika 2007
[25] Handbook of Experiential Learning and Management Education Michael
Reynolds (Editor), Russ Vince (Editor) ISBN 9780199217632 Oxford
University Press 2007
[26] Creating Effective Presentations Angela Peery ISBN 978-1-60709-622-1
Rowman & Littlefield Education 2011
[27] Audiovisual Methods in Teaching, E. Dale NY: Dryden Press 1969,
[28] Graphs, Networks and Algorithms Dieter Jungnickel Volume 5 2008
ISBN: 978-3-540-72779-8 Springer
[29] Social capital, self-esteem, and use of online social network sites: A
longitudinal analysis Charles Steinfield, Nicole B. Ellison, Cliff Lampe
Journal of Applied Developmental Psychology 29 (2008) 434–445
85
[30] Development of a quantitative model of the impact of customers’
personality and perceptions on Internet banking use Hyun Shik Yoon ⇑,
Linsey M. Barker Steege Computers in Human Behavior 29 (2013)
1133–1141
[31] E ffect of trust on customer acceptance of Internet banking Bomil Suh*,
Ingoo Han Electronic Commerce Research and Applications 1 (2002)
247–263
[32] Newell, Unified Theories of Cognition (The William James Lectures),1994[33] Moderating effects of Job Relevance and Experience on mobile wireless
technology acceptance: Adoption of a smartphone by individuāls, Sang
Hyun Kim, Information & Management 45 (2008) 387–393
[34] Webretailing adoption: exploring the nature of internet users Webretailing
behaviour Aron O’Cass, Tino Fenech Journal of Retailing and Consumer
Services 10 (2003) 81–94
[35] Introduction to Qualitative Research [email protected] tel
01296 680374 Lekciju konspekti
[36] How many qualitative interviews is enough? Sarah Elsie Baker,
Middlesex University Rosalind Edwards, NCRM, University of
Southampton National Centre for Research Methods Review Paper
[37] The Reviewer’s Guide to Quantitative Methods in the Social Sciences
Editors regory R. Hancock Ralph O. Mueller ISBN 0-203-86155-8 2010
Taylor and Francis
[38] the handbook of EXPERIENTIAL LEARNING AND MANAGEMENT
EDUCATION Edited by MICHAEL REYNOLDS and RUSS VINCE
OXFORD PRESS 2007
[39] How many qualitative interviews is enough? National Centre forResearch Methods Review Paper: Sarah Elsie Baker, MiddlesexUniversity, Rosalind Edwards, NCRM, University of Southampton
[40] MARKETING RESEARCH An Applied Approach Naresh K. Malhotra
David F. Birks Prentice-Hall, Inc 2006 ISBN 0 273 69530 4
[41] «Как организовать исследовательский проект»: ГУ-ВШЭ; Москва;
2001 ISBN 5-16-000681-8 Радаев В.В.
86
[42] “E-tehnoloģijas inovatīvās zināšanu avotu un plūsmu sistēmās (ETM)”
Nr. 2DP/2.1.1.1.0/10/APIA/VIAA/150 RTU PVS ID: 1534 Prof. Sarma
Cakula Va 2011 Lekciju konspekts
[43] Watson, more than a Semantic Web search engine, Mathieu d’Aquin and
Enrico Motta, Semantic Web 0 (0) 1 IOS Press
[44] SOMSE: A semantic map based meta-search engine for the purpose of
web information customization, Mohamed Salah Hamdi, Applied Soft
Computing 11 (2011) 1310–1321
[45] Building a term suggestion and ranking system based on a probabilistic
analysis model and a semantic analysis graph, Lin-Chih Chen, Decision
Support Systems 53 (2012) 257–266
[46] SemreX: Efficient search in a semantic overlay for literature retrievalI,
Hai Jin, Hanhua Chen, Future Generation Computer Systems 24 (2008)
475–488
[47] Search Engine Optimization: Your visual blueprint™ Kristopher B. Jones
Wiley Publishing, Inc. 2010
[48] Ontology selection ranking model for knowledge reuse Jinsoo Park ,
Sunjoo Ohb,, Joongho Ahn Expert Systems with Applications 38 (2011)
5133–5144
[49] Mathieu d’Aquin. Building SemanticWeb Based Applications with
Watson. In WWW2008 - The 17th International World Wide Web
Conference - Developers’ Track, 2008
[50] Mathieu d’Aquin. Formally Measuring Agreement and Disagreement in
Ontologies. In International Conference on Knowledge Capture - K-CAP
2009, 2009
[51] Maria Maleshkova, Carlo Pedrinaci, and John Domingue. Semantic
Annotation of Web APIs with SWEET. In 6th Workshop on Scripting and
Development for the Semantic Web at ESWC 2010, 2010
[52] Matthew Rowe and Fabio Ciravegna. Disambiguating Identity Web
References using Web 2.0 Data and Semantics. Journal of Web
Semantics, 2010.
[53] Searching web data: An entity retrieval and high-performance indexing
model Renaud Delbru , Stephane Campinas , Giovanni Tummarello Web
Semantics: Science, Services and Agents on the World Wide Web 10
(2012) 33–58
87
[54] Gong Cheng, Weiyi Ge, and Yuzhong Qu. Falcons: searching and
browsing entities on the semantic web. In WWW conference, pages
1101–1102. ACM, 2008.
[55] Searching and browsing Linked Data with SWSE: The Semantic Web
Search Engine Aidan Hogan , Andreas Harth , Jürgen Umbrich , Sheila
Kinsella , Axel Polleres, Stefan Decker Web Semantics: Science,
Services and Agents on the World Wide Web 9 (2011) 365–401
[56] Semantic Web search based on ontological conjunctive queries Bettina
Fazzinga , Giorgio Gianforme , Georg Gottlob, Thomas Lukasiewicz Web
Semantics: Science, Services and Agents on the World Wide Web 9
(2011) 453–473
[57] Empirical findings on ontology metrics M.A. Sicilia, D. Rodríguez, E.
García-Barriocanal, S. Sánchez-Alonso Expert Systems with Applications
39 (2012) 6706–6711
[58] WebOWL: A Semantic Web search engine development experiment
Alexandros Batzios, Pericles A. Mitkas Expert Systems with Applications
39 (2012) 5052–5060
[59] Where to publish and find ontologies? A survey of ontology libraries
Mathieu d’Aquin , Natalya F. Noy Web Semantics: Science, Services and
Agents on the World Wide Web 11 (2012) 96–111
[60] TIME SERIES DATA ANALYSIS USING EVIEWS I Gusti Ngurah Agung
John Wiley & Sons (Asia) Pte Ltd 2009
[61] A structural equation modeling of the Internet acceptance in Korea Byung
Gon Kim a,1, Soon Chang Park b,2, Kyoung Jun Lee Electronic
Commerce Research and Applications 6 (2007) 425–432
[62] Origin Tracking A. VAN DEURSEN, P. KLINT, AND F. TIe J. Symbolic
Computation (1993) 15, 523-545
[63] Google Analytics™ Third Edition Jerri Ledford Joe Teixeira and Mary E.
Tyler Wiley Publishing, Inc.2010
[64] Веб-аналитика: основы, секреты, трюки I А. Яковлев, А. Довжиков. -
СПб.:БХВ-Петербург, 2010. - 272 С.
88
[65] How do users describe their information need: Query recommendation
based on snippet click model Yiqun Liu ⇑, Junwei Miao, Min Zhang,
Shaoping Ma, Liyun Ru Expert Systems with Applications 38 (2011)
13847–13856
89
Tabula 9. Pielikums Nr.1.
1. Jautājums „Atverot portāla lapu, kam uzreiz pievēršat uzmanību?”
A Nenostrādāts dizains. Nepatīk, ka ir maz un maza izmēra bildes. Gribas
krāsaināku.
B Kustīgajai daļai.
C Centram – galvenajai (kustīgajai) daļa.
D Pievēršu uzmanību tai daļai, kas mainās. Noskatos visas bildes. Gribu uz tās
spiest.
E Sāku skatīt lapu no augšējā kreisā stūra. Nepatīk apaļās pogas ziņu
nomaiņai. Labāk būtu cipari, kas parādītu nākošo ziņu.
F Centra daļu. Krāsu izvēle (fons) uzreiz asociējas ar db.lv
2. Jautājums „Vai portālā redzamās reklāmas traucē uztvert mājas lapas
pamata saturu?”
A Tas ir labi, ka ir maz reklāmas, jo tad vieglāk uztvert informāciju. Kaitina
reklāma, kur ir īpaši jādomā kur atrodas krustiņš.
B Reklāmu ieraudzīju tikai tad, kad pateica, ka tā tur ir. Traucē reklāma, kas iet
virsū.
C Neinteresē reklāma.
D Nepatīk reklāma. Nepievēršu uzmanību.
E Es reklāmas neredzu. Tikai tad, ja īpaši „iekrīt” acīs, tad apskatos.
F Traucē.
3. Jautājums „Vai reklāma rada vēlmi sekot tās informācijai? (jā / nē)”
A Nē.
B Jā.
C Nē.
D Nē.
E Nē.
F Nē.
90
4. Jautājums „Kāpēc?”
A Bieži nespiežu, bet paskatos, kā reklāma ir izveidota. Patīk, ja reklāma ir
gaumīgi izveidota.
B Tad, kad ir vēlme ceļot, pēkšņi sāku pamanīt reklāmas, kurās ir lidmašīna.
C Nav aktuāli.
D Patīk reklāmas ar retro elementiem. Interesē, ja nav zināms, kas tā par
reklāmu. Piesaista gaišās nevis spilgtās krāsas.
E Neinteresē.
F Nav aktuāli.
5. Jautājums „Vai izmantojat iespēju atbildēt uz jautājumu sadaļā Nedēļas
jautājums?”
A Pirms nospiešanas gribu jau redzēt rezultātus.
B Kādreiz skatījos, bet tagad regulāri nelasu.
C Svarīgi, lai jautājums būtu saistošs/aktuāls. Gribu uzreiz redzēt rezultātu.
D Regulāri balsoju News ietvaros. Zinu, ka to dara tikai daži, bet turpinu.
E Nē, jo lapu neizmantoju. Citreiz aizpildu Tvnet, ja pamanu aptauju.
F Nezināju, ka ir šāds rīks.
6.Jautājums „Kā Jūs vērtējat pakalpojumu www.news.lv dienas apskats?”
A Man nepatīk, ja nāk jauni e-pasti par aktivitātēm, kuras tieši neinteresē.
B Aktuāli tiem, kas interesējās par šādām lietām.
C Iepriekš esmu aktīvi lietojis boot.lv, kur bija pārskatāmi dienas jaunumi. News
nelietoju.
D Sekoju.
E Nesekoju.
F Regulāri nesekoju izmaiņām.
7.Jautājums „Kā Jūs parasti meklējat interesējošo informāciju? „
7.1. skatieties noteiktus laikrakstus
91
A Jā.
B Jā.
C Nē.
D Nē.
E Nē.
F Nē.
7.2. noteiktas rubrikas
A Nē.
B Jā.
C Jā.
D Jā.
E Nē.
F Jā.
7.3. izvēlaties rakstus no pirmās lapas
A Jā.
B Nē.
C Nē.
D Nē.
E Nē.
F Nē.
7.4. lasītākas ziņas
A Nē.
B Nē.
C Nē.
D Nē.
E Nē.
F Nē.
7.5. jaunākās ziņas
A Jā.
B Nē.
C Nē.
92
D Nē.
E Nē.
F Nē.
7.6. no ziņu blokiem
A Nē.
B Nē.
C Nē.
D Nē.
E Nē.
F Nē.
8. Jautājums „Vai izmantojat konkrētā laikraksta rakstu meklēšanu (viena
izdevuma ietvaros) vai arī meklējumus veicat visā portālā?”
A Neesmu izmantojis meklēšanu.
B Neveicu daudz meklējumu.
C Nē.
D Pārsvarā izmantoju kopējo meklēšanu.
E Ja veicu, tad pilno meklēšanu.
F Studiju gaitās esmu izmantojusi šādu iespēju. Tagad nē.
9. Jautājums „Vai meklēšanas funkcijas ir pārskatāmas un viegli
lietojamas?”
A Neesmu pārliecināts vai termins „Reģistrjutīgi” ir visiem izprotams.
B „Reģistrjutīgi” – vajag paskaidrojumu. „Mainīt” labāk būtu lietot citu vārdu.
C „Reģistrjutīgi” – ja es nelietotu šo terminu ikdienā būtu grūti aprakstīt.
D Ir iespējami uzlabojumi.
E Tā kā maz lietoju, grūti komentēt.
F Ir iespēja visu uzlabot, bet priekš savas lietošanas uzskatu, ka ir pietiekami.
10. Jautājums „Vai izmantojat rakstu jomu sadalījumu (auto, sports, vide,
utt.)?”
93
A Nē.
B Nē.
C Nē.
D Nē.
E Nē.
F Nē.
11. Jautājums „Vai izmantojat sadaļu - Uzņēmumu ziņas? (jā / nē)”
A Nē.
B Nē.
C Nē.
D Nē.
E Nē.
F Nē.
12. Jautājums „Kādu saturu vēlētos redzēt šīs sadaļas rakstos? (esejas
jautājums)”
A Ziņas par jauniem produktiem. Valdes izmaiņas neinteresē.
B Patreiz ir mazpazīstami uzņēmumi, kura aktivitātes man neinteresē. Ja būtu
Latvenergo, kuru izmaiņas (piem: tarifu maiņa) skartu lielu sabiedrības daļu
(tajā skaitā arī mani), būtu interesanti iepazīties ar attiecīgo informāciju.
C Programmēšanas tēma.
D Par valdes izmaiņām varu izlasīt Lursoftā.
E Valdes izmaiņas interesē tikai amatpersonām – mani tas nesaista.
F Ja uzņēmumi būtu nozīmīgi manas darbavietas partneri, tad mēģinātu sekot
viņu aktivitātēm.
13. Jautājums „Vai meklējat atsauces uz raksta informācijas
pirmavotu?”
A Nē.
B Tikai studiju laikā. Tagad nē.
94
C Ja ir runāts, ka avots ir ārzemju, tad citreiz ir vēlme ielūkoties sākotnējā
resursā.
D Esmu veikusi konkrēto meklējumu tālāk google.
E Nē.
F Studiju laikā jā, tagad nē.
14. Jautājums „Vai izmantojat sociālo tīklu pases paplašinātas
informācijas piekļuvei?”
A Mēģinu pēc iespējas mazāk atstāt informāciju par sevi – nepatīk, ka citi seko
manām aktivitātēm.
B Nē. Pamatā lasu Tvnet, kur nav nepieciešams izmantot sociālā tīkla pasi.
C Jā, jo nevajag jaunu reģistrāciju.
D Jā.
E Kādreiz vairāk kur logojos, tagad nē. Negribu reģistrēties, lai nenāk
nevajadzīgi emaili.
F Neesmu sociālos tīklos un neesmu izjutusi kādus trūkumus.
15. Jautājums „Vai Jums interesē publicitātes reitings?”
A Nē.
B Nē.
C Nē.
D Nē.
E Nē.
F Jā.
16.Jautājums „Vai redzat pievienoto vērtību tam, ka iespējams redzēt arī
vairs neeksistējošu izdevumu arhīvu?”
A Daudzi joprojām nezin par šāda resursa izmantošanu. Iespējams ir info par
to, ka šis ir maksas pakalpojums.
B Portāls grib aptvert vairāk kā patreiz spēj izdarīt.
C Pirms šī darba nezināju par šādas mājaslapas esamību.
D Neesmu prasījusi citiem.
95
E Pārsvarā meklējumus personas veic google. Sākotnēji neiedomātos, ka var
meklēt arī News.
F Studiju laikā es zināju par esošā rīka lietošanas rīkiem. Domāju mani studiju
biedri to nezināja.
17.Jautājums „Kas ierosina vēlmi izteikt savu viedokli komentāros?”
A Identificējoties komentāru rakstīšanā ir lielāka atbildība pat to, ko pasaka.
B Reti izsakos. Nesaista vēlmi citiem sevi parādīt.
C Komentēju, ja raksts vai cits komentē man aktuālu tēmu.
D Izsaku tikai pozitīvo viedokli.
E Pārsvarā nelasu komentārus un nekomentēju.
F Tā kā pamatā ir negatīvi komentāri, tad bieži nelasu rakstu komentāru sadaļu.
Komentārus lasu vietnēs, kur komentētāju viedoklis mani interesē (piemēram,
teātru repertuārs).
18.Jautājums „Vai veicat raksta novērtējumu ar Patīk/Nepatīk pogu?”
A Uzreiz neredzu pogas, jo nav izceltas.
B Ja patīk raksts citreiz uzspiežu pogu.
C Nepievēršu uzmanību. Reti spiežu.
D Spiežu „Patīk” laika trūkuma dēļ.
E Nespiežu pogu. Ja kāda lieta patīk, tad drīzāk nošēroju.
F Jā. Bieži nepievienoju komentāru, bet nospiežu „Patīk” laika taupīšanas dēļ.
96
Tabula 10. Pielikums Nr.2.
1. Vai portālā redzamās reklāmas traucē uztvert mājas lapas pamat
saturu?
A Jā. Traucē tās, kuras peld pa virsu visam.
B Jā, visas reklāmas, kas ir virs interesējošiem tekstiem un neļauj uzklikot uz
lasāmvielas, traucē, izņemot to, kas „slīd” lapas apakšpusē.
C Jā.
D Jā.
E Ja reklāma ir pa visu ekrānu vai visu laiku „nāk” līdzi pa ekrānu, tad nenormāli
traucē un kaitina, bet ja viņa ir kaut kur malā un netraucē vēlamo sadaļu
atvēršanai, tad nē.
F Jā, man traucē lapas apakšā esošā slīdlīnija.
2. Vai izmantojat/ vai Jums šķiet interesanta sadaļa Nedēļas
jautājums?
A Nē, nešķiet interesanta, jo viss beidzas ar: „Paldies, balsojums ir pieņemts!”
Neparādās ne grafiks, ne links uz grafiku cita lapā.
B News neizmantoju, lai lasītu ziņas, jo tam, manuprāt, ir piemērotāki portāli.
C Nē.
D Jā.
E Ja iet runa konkrēti par News lapu, tad es viņu neizmantoju. Ja vispārīgi, tad
tikai retos gadījumos atbildu uz šādiem nedēļas jautājumiem. Speciāli viņus
nemeklēju, bet ja pamanu un man jautājums šķiet saistošs, tad atbildu.
F Nē.
3. Vai izmantojat iespēju atbildēt uz jautājumu sadaļā Nedēļas
jautājums?
A Nē.
B Nē.
C Nē.
97
D Jā.
E Jā.
F Nē.
4. Vai skatāties atbildes, atbilžu arhīvu?
A Nē, jo, atbildot uz jautājumu, links uz atbilžu arhīvu pazūd.
B Nē.
C Nē.
D Jā.
E Nē.
F Nē.
5. Vai Jums ir skaidra pakalpojuma Laikrakstu aģents būtība?
A Jā.
B Jā.
C Jā.
D Jā.
E Jā.
F Jā.
6. Vai Laikrakstu aģents Jums ir noderīgs?
A Nē.
B Jā.
C Nē.
D Jā.
E Nekad neesmu izmantojusi, jo nezināju par tādu.
F Jā.
7. Kādos gadījumos Laikrakstu aģentu lietotu?
98
A Ja ik nedēļu/mēnesi būtu jāapkopo informācija par konkrētu
personu/uzņēmumu.
B Lietoju, kad bija nepieciešams vākt materiālus un informāciju studiju
vajadzībām.
C Visticamāk, ka nelietotu vispār, jo ikdienā e-pasts ir saziņai nevis, lai tur
saņemtu vēl ziņas.
D Lai iepazītos ar jaunumiem, kas saistīti ar man interesējošām tēmām.
E Tad, kad būtu interese par kādu konkrētu tēmu u.tml.
F Lai sekotu līdzi mani interesējošiem jaunumiem , it īpaši, iepirkumu
sludinājumiem – esmu izveidojusi vairākas aģenta kartiņas, kas noder ikdienas
darbā kā papildus kontrole, lai nepalaistu garām mūs interesējošos iepirkumu
sludinājumus.
8. Vai izmantojat sadaļu Uzņēmumu ziņas?
A Nē.
B Nē.
C Nē.
D Nē.
E Nē.
F Nē.
9. Kādu saturu vēlētos redzēt šīs sadaļas rakstos?
A Nav aktuālas uzņēmumu ziņas
B Par zināmiem uzņēmumiem, kas ietekmē sabiedrību, piemēram, Latvenergo,
Latvijas gāze, Latvijas dzelzceļš, Rīgas satiksme.
C Informāciju par man interesējošām tēmām
D Visu nepieciešamo informāciju par uzņēmumu aplūkoju Lursoft datu bāzēs.
E Grūti pateikt, jo šaubos, ka mani interesēs uzņēmumu ziņas.
F Par uzņēmumu piedāvātājiem jaunajiem pakalpojumiem / produktiem.
10. Vai pakalpojums www.news.lv dienas apskats ir vērtīgs?
A Nē.
99
B Jā.
C Nē.
D Nē.
E Nevaru tādu atrast.
F Nē.
11. Kas varētu celt www.news.lv dienas apskata popularitāti?
A Vairāk raksti, vairāk bildes.
B Manuprāt, līdz ar www.news.lv popularitātes celšanos, celtos arī Dienas
apskata popularitāte.
C Uzskatu, ka saraksta veidā dienas pārskats būtu vērtīgāks, jo ļautu ātrāk
pārskatīt vai tajā ir manis interesējošā informācija vai nē.
D Apskatā iekļaut tikai virsrakstus, līdz ar to būs īsāks un pārlasāmāks.
E Nevaru atbildēt, jo nevarētu tādu atrast.
F Iespējams, ka varētu uzlabot lapas dizainu. Man nepatīk rozā fons (tas man
liekas tādā „jēlā” krāsā) un nepatīk, ka www.news.lv logo, kas pats par sevi ir
smuks, ir uzlikts uz brūna fona – manuprāt, rozā fons ar brūno logo pavisam
neiet kopā.
12. Vai izmantojat laikrakstu bibliotēku?
A Nē.
B Jā.
C Nē.
D Jā.
E Nē.
F Jā.
13. Ja izmantojat laikrakstu bibliotēku, tad kādos gadījumos?
A Izmantotu, ja vajadzētu vecākus rakstus.
B Priekš studijām visvairāk. Ikdienā gan ļoti reti. Vienīgi, ja vajag atrast kādu
rakstu par kādu specifisku tēmu.
C ...
100
D Gatavojot referātus (personīgām vajadzībām). Darbā, ja klients lūdz pilnīgu
informāciju par kādu uzņēmumu vai fizisku personu. Ja interesē papildu
informācija par kādu jautājumu.
E Neizmantoju, bet ja izmantotu tad kāda darba rakstīšanai, vai arī, ja pēkšņi
uzpeldētu kāda interesējoša tēma, tad arī pameklētu šajā bibliotēkā.
F Izmantoju daudz tad, kad studēju, lai sagatavotu studiju darbus. Tas bija ļoti
ērti, jo nebija jāsēž bibliotēkā. Tagad izmantoju retu reizi, lai izlasītu kādu mani
interesējošo rakstu saistībā ar profesionālo darbu, ja nepaguvu izlasīt diena
avīzē (papīra formā) un tā avīze vairs nav pieejama. Lielo laikrakstu arhīvu
uzskatu par galveno šī portāla vērtību.
14. Vai redzat pievienoto vērtību tam, ka iespējams redzēt arī vairs
neeksistējošu izdevumu arhīvu?
A Jā.
B Jā un tā šķiet ir vislielākā vērtība ar ko News, manuprāt, vispār sevi varētu
pasniegt.
C Jā.
D Nē, bet var gadīties, ka tieši tas noder gatavojot kādu referātu.
E Jā.
F Jā.
15. Vai esat izmantojis sadaļu Pasākumi?
A Jā, bet kopš visu filmu seansu ielikšanas ši sadaļa ir zaudejusi savu jēgu.
B Jā, taču šķiet diezgan neintuitīvi saprotama. Kā arī vairs neizmantošu, jo nav
pietiekama auditorija lapai, lai tas būtu vērtīgi (ar atdevi).
C Nē.
D Jā.
E Nē.
F Nē.
16. Ko vēlētos tajā redzēt papildus, lai sāktu izmantot vai arī izmantotu
aktīvāk?
101
A Atdaliet kino seansus no pasākumiem.
B Vajadzīga atdeve, tātad īstā mērķauditorija.
C Šobrīd redzu vienīgi filmas sarakstā, kas īsti neatbilst nosaukumam
„pasākumi”. Gribētos redzēt kaut kādus pasākumus, kas nesaistītos ar filmu
repertuāru, kuru varu apskatīties manis interesējošā kinoteātrī.
D Apmierina tā kā ir.
E Šajā sadaļā man nepatīk, tas, ka pasākumu pievieno ikviens kurš vēlās.
Tātad pasākumi var būt neīsti un attiecīgi nav nekādas ticamības tiem. Ja būtu
pārliecība, ka pasākumi tiešām ir īsti un notiktu, tad es noteikti izmantoju.
F Skatīt atbildi uz 11.jautājumu.
17. Vai izmantojat rakstu jomu sadalījumu (Auto, sports, vide utt)
A Jā.
B Nē.
C Nē.
D Nē.
E Nē.
F Nē.
18. Vēl ar kādu sadaļu to būtu nepieciešams papildināt?
A ....
B Grūti teikt, jo šī lapa man nav saistoša ikdienas lietošanai.
C Domāju, ka sākumā būtu jāizliek informāciju visās esošajās sadaļās, jo
daudzas jomas tur jau ir tukšas.
D Ir pietiekami.
E Jāzina kādai mērķa grupai šī lapa ir domāta, tad varētu spiest par papildus
sadaļām.
F Nezinu.
19. Kā Jūs parasti meklējat interesējošo informāciju?
(salieciet vērtējumus pēc prioritātes no 1 līdz 6, kur 1 primārais un 6
vismazāk izmantotais)
19.1. skatieties noteiktus laikrakstus
102
A 2
B 1
C 2
D 6
E 6
F 1
19.2. noteiktas rubrikas
A 3
B 1
C 1
D 5
E 2
F 5
19.3. izvēlaties rakstus no pirmās lapas
A 3
B 6
C 6
D 2
E 1
F 6
19.4. lasītākās ziņas
A 6
B 6
C 5
D 1
E 1
F 6
19.5. jaunākās ziņas
A 6
B 6
C 4
103
D 4
E 2
F 6
19.6. no ziņu blokiem
A 2
B 6
C 3
D 3
E 4
F 6
20. Ja, meklējat informāciju savādāk, tad kā?
A Nemeklēju.
B Pēc atslēgas vārdiem.
C Google.lv.
D Eju sadaļā bibliotēka, tad no kreisās malas izvēlos laikrakstu. Pēc tam pēc
nepieciešamības, vai nu atrodu rubriku, kura intersē, vai nu ierakstu tekstu
"Izvērstā meklēšana".
E Skatoties kādā lapā ko meklēju.
F Izmantoju Paplašināto meklētāju, kur var norādīt arī laika posmu un vārdu,
pēc kura meklēt.
21. Vai un kādiem nolūkiem izmantojat sadaļu Karte?
A Ko tur vispār var darīt?????
B Nekādiem.
C Neizmantoju – priekš tam eksistē maps.google.com.
D Kad vēlos saprast, kur notiek ierakstītais pasākums.
E Neizmantoju.
F Neizmantoju.
22. Atverot portāla lapu, kam uzreiz pievēršat uzmanību?
A Četru slīdošo rakstu blokam.
B Izdevumu sarakstam lapas kreisajā pusē.
104
C Mainīgajam tekstam kreisajā kolonā un tad tam, ka blakus ir arī labā kolona
ar lasītākajām ziņām, kas man neinteresē.
D Slīdošajām (skrejošajām) bildītēm.
E Lasītākajām ziņām.
F Lapas centrālajai daļai un rakstiem kas ir tajā un mainās, bet sīkāk tajos
neiedziļinos, kā arī, diemžēl, pievēršu uzmanību arī „kaitinošajai” slīdlīnijai.
23. Vai izmantojat sociālo tīklu pases paplašinātas informācijas piekļuvei?
A Nē.
B Nē.
C Jā.
D Jā.
E Nē.
F Nē.
24. Vai reklāma rada vēlmi sekot tās informācijai?
A Nē.
B Nē.
C Nē.
D Nē.
E Nē.
F Nē.
25. Kāpēc?
A Nav vajadzība pēc tā visa ko reklamē.
B Nav saistoši.
C Uzbāzīgas reklāmas, kādas ir arī šajā portālā, nekad neizraisa vēlmi tai
sekot, bet gan tieši otrādi, pēc iespējas ātrāk tikt no tās vaļā. Vēlmi var izraisīt
tikai informācija, kas netraucējot darboties kaut kur sānā parādās un ja tā satur
manis interesējošas lietas.
D Mani maz interesē kur, ko, kas? Es labi zinu kur un kas man vajadzīgs.
105
E Piemēram, ir šokolādes reklāma par to, ka tā satuvina cilvēkus ēdot to. Diez
vai šāda reklāma radīs vēlmi sekot tai un iegādāties šo šokolādi.
F Cenšos neskatīties reklāmas laika taupīšanas nolūkā.
26. Vai veicat raksta novērtējumu ar Patīk/Nepatīk pogu?
A Nē.
B Nē.
C Nē.
D Nē.
E Nē.
F Nē.
27. Kas ierosina vēlmi izteikt savu viedokli komentāros?
A Neizsaku viedokli komentāros.
B News nekas.
C Izteikumi rakstā vai komentāros, kuriem es nepiekrītu.
D Vai nu gribās kādu paslavēt, izcelt, pateikties, vai nu norādīt uz pilnīgu
nepatiesību vai acīmredzamu kļūdu, bet tikai fundamentāli būtiskos jautājumos.
E Nekad nerakstu komentārus.
F Nē.
28. Cik bieži atrodat sev interesējošo informāciju?
A Īpaši bieži nepameklēju šo lapu.
B Kad vajag un meklēju, tad atrast var daudz un tas man patīk.
C Ja meklēju tad vienmēr atrodu.
D Kad meklēju, tad atrodu.
E Neko nemeklēju.
F Meklēju Laikrakstu arhīvā konkrēti interesējošu rakstu un pārsvarā to atrodu.
29. Vai meklēšanas funkcijas ir pārskatāmas un viegli lietojamas?
A Neizmantoju.
106
B Jā.
C Nē.
D Jā.
E Jā.
F Jā.
30. Vai Jums interesē publicitātes reitings?
A Nē.
B Nē.
C Nē.
D Nē.
E Nē.
F Jā.
31. Cik daudziem Jūsu paziņām šāds reitings būtu saistošs?
A Nav ne jausmas.
B Nezinu, bet domāju, ka ļoti mazai daļai vai nevienam.
C Ar esošo reitingu sarakstu, nevienam.
D neesmu interesējusies, bet domāju , ka tādu nebūtu daudz.
E Nav ne mazākās nojausmas.
F Pavisam nedaudziem.
32. Vai izmantojat konkrētā laikraksta rakstu meklēšanu vai meklējumus
veicat www.news.lv?
A Neizmantoju.
B News
C Laikraksta meklētājs.
D Laikraksta meklētājs / News
E Nē / Nē.
F Laikrakstu meklētājs.
33. Vai meklējat atsauces uz raksta informācijas pirmavotu?
107
A Nē.
B Jā.
C Nē.
D Nē.
E Nē.
F Jā.
34. Cik Jums ir būtiska informācija no Interneta ziņu portāliem?
(atzīmējiet atbilstošo 1 mazsvarīga, 5 ļoti svarīga)
A 3
B 4
C 3
D 2
E 3
F 4
35. Cik Jums ir būtiska informācija no laikrakstiem un citas drukātās
preses? (atzīmējiet atbilstošo 1 mazsvarīga, 5 ļoti svarīga)
A 3
B 3
C 1
D 4
E 3
F 4
36. Cik Jums ir būtiska informācija no radio?
(atzīmējiet atbilstošo 1 mazsvarīga, 5 ļoti svarīga)
A 2
B 3
C 1
D 2
E 3
F 5
108
37. Cik Jums ir būtiska informācija no televīzijas ziņām?
(atzīmējiet atbilstošo 1 mazsvarīga, 5 ļoti svarīga)
A 3
B 3
C 5
D 2
E 3
F 3
38. Cik vidēji dienā patērējat laiku Internetā?
A Sākas vasara, internets neinteresē.
B Daudz, jo tāds darbs. Bet ja runā tieši par ziņām, tad apmēram 2 reizes dienā
izstaigāju ziņu portālus un palasu sev interesējošos rakstus vai vismaz
virsrakstus.
C Aptuveni 3 stundas.
D Grūti pateikt, jo ir dienas kad 30 min., bet ir kad vairākas stundas.
E + 6
F Diezgan daudz. Tas saistīts ar darba pienākumu veikšanu.
39. Vai spēlējat datorspēles? (Skaitās arī Solitare u.c.)
A Nē.
B Nē.
C Jā.
D Nē.
E Nē.
F Nē.
40. Cik Interneta lapas vakar apmeklējāt?
A 6
B ~10-15
C 10
D Inbox, Facebook, Carmel, RARZI, Vatican.
109
E +/- 4
F Aptuveni 15. Galvenokārt saistīts ar darba pienākumu veikšanu.
110