Gebruikersgedrag: patronen kwantificeren voor betere voorspellende functies

Samenvatting

Gebruikersgedrag voorspelt meer wanneer modellen acties als tijdspatronen volgen dan wanneer ze alleen profielen en klikcijfers tellen.

Gebruikersgedrag: van statisch profiel naar actiepatroon

Traditionele modellen beschrijven gebruikers met demografische gegevens en totalen. Een 35-jarige man uit Seattle die vorige maand twaalf keer klikte, zegt weinig over zijn intentie. Een reeks acties vertelt meer: iemand opent een app, blijft op een functiepagina hangen en keert binnen een uur drie keer terug. Zo’n patroon kan wijzen op twijfel of nieuwsgierigheid, terwijl een klikvolume die volgorde verbergt.

Onderzoek in het artikel laat zien dat temporally evolving action graphs voorspellende signalen vastleggen die statische momentopnamen missen. De voorgestelde features veranderen mee terwijl iemand door een product navigeert. Daarmee verschuift de analyse van een post-mortem profiel naar een actuele diagnose van gedrag.

Waarom gebruikersgedrag en tijdsafhankelijkheid tellen

De aanpak draait om feature engineering op ruwe event streams. Behavioral velocity meet hoe snel en intensief acties zich binnen een tijdvenster opstapelen. Vijf zoekopdrachten in tien minuten betekenen iets anders dan vijf zoekopdrachten verspreid over een week. Session-based windows passen volgens het artikel bij SaaS-producten; hourly windows sluiten beter aan op platforms met frequente transacties.

Ook versnelling telt. Door activiteit in opeenvolgende vensters te vergelijken, ontstaat een signaal voor momentum. Een verdubbeling van de sessiefrequentie van week op week voorspelt retentie beter dan alleen het absolute aantal sessies. Recency helpt vervolgens actieve verkenning te onderscheiden van afnemende activiteit.

Concrete takeaway voor gebruikersgedrag

Registreer niet alleen hoeveel acties plaatsvinden, maar ook hun volgorde, snelheid en spreiding. Bouw eerst session-based of hourly windows, bereken velocity en versnelling, en combineer die met recency. Voeg daarna feature usage depth toe: onderscheid een pagina openen van een volledige meerstapsworkflow of het gebruik van geavanceerde instellingen. Zo krijgen voorspellende modellen signalen die kliktotalen niet bevatten.