| Abstract: | É possível observar um crescimento significativo no uso de dispositivos móveis, bem como na utilização de aplicativos nestes dispositivos ao longo dos último anos. Além disso, a inovação tecnológica e a disputa acirrada na conquista do mercado faz com que empresas fabricantes de tais dispositivos aumentem suas atenções para interesses de seus clientes. Estes clientes realizam diariamente muitas atividades por meio do uso de aplicativos, o que gera, em tempo real, uma grande quantidade de eventos. Diante disso, é importante para estas empresas entender como seus clientes utilizam aplicativos em seus dispositivos. Neste sentido, mecanismos automáticos capazes de ajudar na identificação e no monitoramento de perfis e comportamento de tais clientes, podem contribuir na tomada de decisões das partes interessadas. Assim, esta pesquisa propõe um framework para identificação e monitoramento de perfis e comportamentos de uso de aplicativos em dispositivos móveis. Para alcançar este objetivo, técnicas de Mineração de dados como, Transformação e Discretização, tarefas de Aprendizado de Máquina como, Regras de Associação e Agrupamento, e técnicas de Detecção de Novidade como, Mudança e Evolução de Conceito são utilizadas. Com o objetivo de fazer uma análise comparativa, foram avaliados abordagens relatadas na literatura, considerando para tanto, um fluxo contínuio de dados de uso de aplicativos real. Resultados da análise experimental mostram que o framework proposto apresenta melhores resultados ao cenário abordado apontando perfis e comportamentos que evoluem conforme o fluxo contínuo de dados.
It is possible to observe a significant growth in the use of mobile devices as well as the use of applications on such devices over the last years. In addition, the technological innovation and fierce dispute to conquer the market make mobile device manufacturers companies increase their attention to the interests of their clients. These clients perform daily many activities through the use of applications, which generates, in real time, a large number of events. Therefore, it is important for aforementioned companies to understand how their customers use applications on their devices. In this sense, automatic mechanisms, capable of assisting in the identification and monitoring of profiles and behavior of such clients, can contribute to the decision making of the stackholders. Based on this, this study proposes a framework for the identification and monitoring of the profiles and behaviors of app usage on mobile devices. To achieve this goal, Data Mining techniques such as Transformation and Discretization, Machine Learning tasks such as Association Rules and Clustering, and Novelty Detection techniques such as Concept Drift and Concept Evolution, are used to explore the app usage, identify app usage patterns, pinpoint profiles, and monitor customer behaviors over time. In order to make a comparative analysis, we have evaluated the approaches adopted by the literature, considering a real app usage data stream. Results of the experimental analysis show that the proposed framework presents better results to the addressed scenario pointing to profiles and behaviors that evolve according to the data stream. |
