Clasificación de perfiles de lectores de un periódico digital

Contenido principal del artículo

Autores

Enrique De La Hoz Domínguez
Adel Mendoza Mendoza
Hoolyana Ojeda De La Hoz

Resumen

En este artículo de investigación, se analizó el comportamiento de lectores de un periódico digital, con el objetivo de encontrar los perfiles asociados al uso del sitio Web, con el propósito de definir estrategias de contenidos y nuevos productos del periódico. Se tomó una muestra de 689 usuarios, correspondiente a tres meses de actividad, a través de la herramienta Google Analytics; se determinaron las secciones del diario que se utilizaban en cada visita por los usuarios, para consolidar así la base de datos. En el proceso de análisis, se utilizaron las técnicas multivariadas, análisis de componentes principales y análisis de clúster, por medio, de la cual, se lograron gráficos y visualizaciones, que permiten una mejor interpretación de los resultados y ayudan al proceso de creación de perfiles de usuario. El resultado muestra la identificación de tres perfiles de usuario, para los cuales, se han definido estrategias de contenidos y de nuevos productos

Palabras clave:

Detalles del artículo

Licencia

Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.

 

Referencias

1. ACCENTURE DIGITAL .2015. State of Content Survey. Disponible desde Internet en: www.accenture.com/t20160322T055807__w__/us-en/_acnmedia/Accenture/Conversion-Assets/DotCom/Documents/ Global/PDF/Digital_3/Accenture-Digital-Content- Services-Research-2015-Infographic.PDF (con acceso el 14/12/2016).

2. AL WAKEEL, A.; WU, J. 2016. K-means based cluster analysis of residential smart meter measurements. Energy Procedia. 88:754-760.

3. ASSIMAKOPOULOS, C. 2013. Mobile Internet users profile along with subscribers model of payment and attitudinal characteristics. Procedia Technology. 8:425-434.

4. BANCO MUNDIAL. 2016. Usuarios de internet. Disponible desde Internet en: http://datos.bancomundial.org/indicator/IT.NET.USER.P2 (con acceso el 15/01/2017).

5. BOLÍVAR BOTÍA, A. 2001. Globalización e identidades: (Des)territorialización de la cultura. Revista de Educación. 1:265-288.

6. CHUNG, D.S. 2008. Interactive features of online newspapers: Identifying patterns and predicting use of engaged readers. J. Computer-Mediated Communication. 13(3):658-679.

7. DE AMO, S.; DIALLO, M.S.; DIOP, C.T.; GIACOMETTI, A.; LI, D.; SOULET, A. 2015. Contextual preference mining for user profile construction. Information Systems. 49:182-199.

8. DITOIU, M.C.; PLATON, O.E. 2012. Aspects Regarding the Romanian Social Network User's Profile and its Implications in Marketing Destination Pages. Procedia Economics and Finance. 3:182-187.

9. GALLARDO, M. 2011. Métodos jerárquicos análisis de clúster. Disponible desde Internet en: www.ugr. es/~gallardo/pdf/cluster-3.pdf. (Con acceso el 22/02/2017).

10. GONZÁLEZ, C.G. 2006. Tratamiento de datos. Ediciones Díaz de Santos. 207p.

11. GRANELL, R.; AXON, C.J.; WALLOM, D.C. 2015. Clustering disaggregated load profiles using a Dirichlet process mixture model. Energy Conversion and Management. 92: 507-516.

12. HERNÁNDEZ, D.; RAMÍREZ, A.; CASSANY, D. 2014. Categorizando a los usuarios de sistemas digitales. Rev. Medios y Educación. 44:113-126.

13. KANNAN, P.K. 2017. Digital marketing: A framework, review and research agenda. International Journal of Research in Marketing. 34(1):22-45.

14. LÓPEZ, G. 2015. Periodismo digital. Redes, audiencias y modelos de negocio. Salamanca: Comunicación Social.

15. LÓPEZ GARCÍA, X.; NEIRA CRUZ, X.A. 2000. Los medios locales ante los desafíos de la red. Ámbitos. 4:101-112.

16. MASSARI, L. 2010. Analysis of MySpace user profiles. Information Systems Frontiers. 12(4):361-367.

17. MORCHID, M.; DUFOUR, R.; BOUSQUET, P. M.; LINARÈS, G.; TORRES-MORENO, J.M. 2014. Feature selection using Principal Component Analysis for massive retweet detection. Pattern Recognition Letters. 49:33-39.

18. PALFREY, J.; GASSER, U. 2008. Born Digital: Understanding the first generation of digital natives. New York: Basic Books.141p.

19. PENG, J.; CHOO, K.K.R.; ASHMAN, H. 2016. User profiling in intrusion detection: A review. Journal of Network and Computer Applications. 72:14-27.

20. PEÑA, D. 2002. Análisis de Datos Multivariantes. Madrid: Mc Graw Hill.159p.

21. VAN DAM, J.W.; VAN DE VELDEN, M. 2015. Online profiling and clustering of Facebook users. Decision Support Systems. 70:60-72.

22. VOSECKY, J.; HONG, D.; SHEN, V.Y. 2009. User identification across multiple social networks. In Networked Digital Technologies, 2009. NDT'09. First International Conference on. p.360-365). IEEE.

23. ZHANG, Z.; LIU, Y.; XU, G.; CHEN, H. 2016. A weighted adaptation method on learning user preference profile. Knowledge-Based Systems. 112:114-126.

Descargas

La descarga de datos todavía no está disponible.