La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Profilazione dutente nei sistemi di e-commerce Candidato: Alessandro Ugo Relatori: Prof. Marco Mezzalama Prof. Matteo Sonza Reorda Quando chiudi la tua.

Presentazioni simili


Presentazione sul tema: "Profilazione dutente nei sistemi di e-commerce Candidato: Alessandro Ugo Relatori: Prof. Marco Mezzalama Prof. Matteo Sonza Reorda Quando chiudi la tua."— Transcript della presentazione:

1 Profilazione dutente nei sistemi di e-commerce Candidato: Alessandro Ugo Relatori: Prof. Marco Mezzalama Prof. Matteo Sonza Reorda Quando chiudi la tua attività alla sera 3 miliardi di potenziali clienti si svegliano

2 Agenda Lutilità Lofferta del mercato Le tecnologie Il caso di studio Quando chiudi la tua attività alla sera 3 miliardi di potenziali clienti si svegliano

3 Le potenzialità Lutilità Avere a disposizione informazioni circa le preferenze dellutente, un profilo per lappunto, permette di applicare un alto grado di personalizzazione ai servizi Quando chiudi la tua attività alla sera 3 miliardi di potenziali clienti si svegliano

4 Le motivazioni Lutilità Più efficaci messaggi promozionali Tutto il contenuto personalizzato One-to-one relationship Ricerche di mercato di qualità a basso costo Quando chiudi la tua attività alla sera 3 miliardi di potenziali clienti si svegliano

5 per lutente Lutilità Interfaccia su misura senza alcuno sforzo Quando chiudi la tua attività alla sera 3 miliardi di potenziali clienti si svegliano Velocità nellincorporare le deduzioni caratteristica fondamentale Privacy in pericolo

6 Caratteristiche Lofferta del mercato Interazioni dellutente con il sistema User Profiling: le-business non sarà mai un e-pacco! Informazioni sullutente Pattern Who What When

7 Pattern Lofferta del mercato User Profiling: le-business non sarà mai un e-pacco!

8 Proposte Lofferta del mercato Pacchetto software aggiuntivo Outsourcing Centralizzare le informazioni Sfruttare lopensource User Profiling: le-business non sarà mai un e-pacco!

9 Elementi Lofferta del mercato Database server Sito web basato su script Identificazione dellutente Deduzione delle preferenze User Profiling: le-business non sarà mai un e-pacco!

10 Identificazione Lofferta del mercato Non in termini anagrafici, ma di riconoscibilità negli accessi successivi Tecniche impiegate: utilizzo dei cookie identificazione standard CGI pagine di login User Profiling: le-business non sarà mai un e-pacco!

11 Flussi informativi User Profiling: le-business non sarà mai un e-pacco! Lofferta del mercato

12 Identificazione User Profiling: le-business non sarà mai un e-pacco! Lofferta del mercato

13 Generazione dei contenuti User Profiling: le-business non sarà mai un e-pacco! Lofferta del mercato

14 Generazione dei profili User Profiling: le-business non sarà mai un e-pacco! Lofferta del mercato

15 per la profilazione Le tecnologie Non esiste un modo predeterminato di creare un sistema di profilazione, esistono però delle tecnologie che emergono come punti fermi, o per lo meno come punti di riferimento. Non accettate accessori dagli sconosciuti

16 I cookie Le tecnologie HTTP non conserva informazioni di stato, i cookie nascono per ovviare a questa carenza Cookie = variabile memorizzata nel browser Utilizzo indiscriminato porta gli utenti a sospettare dei cookie, qualche volta a disattivarli Non accettate accessori dagli sconosciuti

17 I classificatori Le tecnologie Estrarre in maniera automatica delle regole generali per dedurre la classe di appartenenza di un oggetto da una serie di esempi assumendo che siano applicabili ad oggetti nuovi Non accettate accessori dagli sconosciuti I calcolatori imparano a classificare gli oggetti

18 Strutture di decisione Le tecnologie Non accettate accessori dagli sconosciuti Albero di decisione Liste di decisione

19 Le directory Le tecnologie Database specializzato che si differenzia da quelli tradizionali perché : ottimizzata per le operazioni di lettura transazioni semplici (dimensioni ridotte) indipendente dal luogo in cui risiede Non accettate accessori dagli sconosciuti

20 SIAD Il caso di studio Sistema Integrato di Ateneo per la Didattica: homepage privata per docenti e studenti pagina del corso con materiale didattico casella di posta istituzionale per studenti lista di distribuzione per iscritti ai corsi Architettura Flessibile

21 Homepage studente Il caso di studio Architettura Flessibile

22 Larchitettura Il caso di studio Architettura Flessibile

23 La profilazione Il caso di studio utilizzata in modo inconsapevole profili disponibili in forma distribuita personalizzazione per gruppi di appartenenza sistema di profilazione facilmente inseribile Architettura Flessibile difficoltà nella deduzione delle preferenze molti siti e servizi presenti non coordinati funzionalità realizzabili allettanti Futuro Presente

24 Conclusioni Come nella corsa alloro nel 1855, la grande corsa alla new economy potrebbe premiare, più che le aziende del settore, quelle che offrono servizi di comodity. Architettura Flessibile Vista lalta aspettativa dei navigatori, la battaglia per attirarne lattenzione, va spostata dalla grafica ai contenuti, passando per quello che interessa allutente.


Scaricare ppt "Profilazione dutente nei sistemi di e-commerce Candidato: Alessandro Ugo Relatori: Prof. Marco Mezzalama Prof. Matteo Sonza Reorda Quando chiudi la tua."

Presentazioni simili


Annunci Google