Uma Caracterização dos Padrões de Navegação de Usuários em uma Aplicação Social de Streaming de Vídeo
Resumo
Neste trabalho, é apresentada uma caracterização do comportamento de usuários em aplicações de mídia social de streaming de vídeo online. A caracterização é feita com o objetivo de responder a três perguntas motivadoras: (1) Quais fontes externas (websites) mais frequentemente levam usuários para vídeos? (2) Como e ó comportamento de navegação de usuários dentro da aplicação de streaming de vídeo? (3) Quão expostos os usuários estão a diferentes tipos de propaganda em tais aplicações? Usando uma base de dados de navegação de usuários de um grande campus universitário brasileiro, estudou se o comportamento de usuários no YouTube, a maior aplicação de streaming de vídeo atualmente. Diferente de estudos passados, neste trabalho é caracterizado o comportamento individual de usuários na aplicação. Além disso, o acesso aos dados possibilitou a análise do comportamento de usuários quando expostos a um novo tipo de propaganda online, as propagandas em formato de vídeo. Os principais resultados mostram que: (1) os links que mais frequentemente levam usuários para vídeos do YouTube variam dependendo da categoria do vídeo, (2) após visualizarem um vídeo, usuários tendem a usar máquinas de busca e listas de vídeos relacionados para continuarem navegando na aplicação, e (3) propagandas no formato de vídeo tendem a atrair maior atenção dos usuários do que propagandas tradicionais em links.
Referências
[Broder et al. 2000] Broder, A., Kumar, R., Maghoul, F., Raghavan, P., Rajagopalan, S., Stata, R., Tomkins, A., and Wiener, J. (2000). Graph structure in the web. Computer networks, 33(1):309–320.
[Broxton et al. 2011] Broxton, T., Interian, Y., Vaver, J., and Wattenhofer, M. (2011). Catching a viral video. Journal of Intelligent Information Systems, pages 1–19.
[Cha et al. 2009] Cha, M., Kwak, H., Rodriguez, P., Ahn, Y.-Y., and Moon, S. (2009). Analyzing the video popularity characteristics of large-scale user generated content systems. IEEE/ACM Transactions on Networking, 17(5):1357–1370.
[Farahat and Bailey 2012] Farahat, A. and Bailey, M. C. (2012). How effective is targeted advertising? In Proc. WWW., page 111.
[Figueiredo et al. 2011] Figueiredo, F., Benevenuto, F., and Almeida, J. (2011). The tube over time: characterizing popularity growth of youtube videos. In Proc. WSDM.
[Finamore et al. 2011] Finamore, A., Mellia, M., Meo, M., Munafo, M. M., and Rossi, D. (2011). Experiences of internet traffic monitoring with tstat. Network, IEEE, 25(3):8–14.
[Gill et al. 2007] Gill, P., Arlitt, M., Li, Z., and Mahanti, A. (2007). Youtube Traffic Characterization: A View From the Edge. In Proc. IMC.
[Gill et al. 2013] Gill, P., Erramilli, V., Chaintreau, A., Krishnamurthy, B., Papagiannaki, D., and Rodriguez, P. (2013). Follow the Money: Understanding Economics of Online Aggregation and Advertising. In Proc. IMC.
[Krishnan and Sitaraman 2013] Krishnan, S. S. and Sitaraman, R. K. (2013). Understanding the Effectiveness of Video Ads: A Measurement Study. In Proc. IMC.
[Menasce and Almeida 2000] Menasce, D. and Almeida, V. (2000). Scaling for e-business: Technologies, models, performance, and capacity planning.
[Schneider et al. 2009] Schneider, F., Feldmann, A., Krishnamurthy, B., andWillinger,W. (2009). Understanding online social network usage from a network perspective. In Proc. IMC.
[Wattenhofer et al. 2012] Wattenhofer, M., Wattenhofer, R., and Zhu, Z. (2012). The YouTube social network. In Proc. ICWSM.
[Xie et al. 2013] Xie, G., Iliofotou, M., Karagiannis, T., Faloutsos, M., and Jin, Y. (2013). Resurf: Reconstructing web-surfing activity from network traffic. In Proc. IFIP, pages 1–9. IEEE.
[Zink et al. 2009] Zink, M., Suh, K., Gu, Y., and Kurose, J. (2009). Characteristics of YouTubenetwork traffic at a campus network - Measurements, models, and implications. Computer Networks, 53(4):501–514.
