Transcript
Page 1: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Aktywno ść i popularno ść w Real Time Web w Real Time Web

na przykładzie Blipa– wyniki bada ń

Mikołaj Hnatiuk *, Michał Podlewski*, dr Jan Zaj ąc**Mikołaj Hnatiuk *, Michał Podlewski*, dr Jan Zaj ąc**

(* Instytut Socjologii UW i GG Network)

(** Wydział Psychologii UW i GG Network)

Warszawa, 3 grudnia 2009

Page 2: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

O czym powiemy?

• Popularność użytkowników i tagów– reguła Pareto• Popularność użytkowników i tagów– reguła Pareto

• Zmiany w czasie

• Zaangażowanie w serwis

• Aktywność „starych” i „nowych” użytkowników

• Co zrobić żeby być popularnym?• Co zrobić żeby być popularnym?

Page 3: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Blip.pl

Serwis mikrobloggingowy:Serwis mikrobloggingowy:

• 634 tys. Unique Users (listopad 2009)

• 322 tys. Real Users (Megapanel Gemius/PBI, wrzesień 2009)

• 73,7 tys. zarejestrowanych użytkowników

• 27,2 tys. użytkowników obserwujących co najmniej 1użytkownika• (wyłączyliśmy z analiz obserwowanie użytkownika Blip)

Page 4: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Metoda analizy

• Pełne dane z historii serwisu (marzec 2008-październik 2009)• Pełne dane z historii serwisu (marzec 2008-październik 2009)

• Badanie całej populacji osób i zdarzeń

• Podejście ilościowe:

• Analiza logów serwera bazy danych• Analiza logów serwera bazy danych

• Analiza sieci społecznych

Page 5: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

POPULARNOŚĆ

Wszechobecna reguła Pareto:

• 80% subskrypcji przypada na 20% najbardziej popularnych użytkowników

• 94% ustawień tagówprzypada na 20% • 94% ustawień tagówprzypada na 20% najpopularniejszych

Obserwowanie jest odwzajemnione w 35% przypadków

Page 6: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Popularność użytkowników(top 10 najczęściej obserwowanych)

1. kominek 19071. kominek 1907

2. njet 1085

3. tvn24 999

6. mediafun 941

7. gadzinowski 804

8. bliplog 780

3. tvn24 999

4. blipinfo 944

5. przekroj 943

9. reuptake 733

10. mbank 730

Page 7: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Popularność użytkowników(top 20 najczęściej obserwowanych)

1. kominek 1907 11. lechwalesa 6431. kominek 19072. njet 10853. tvn24 9994. blipinfo 9445. przekroj 9436. mediafun 941

11. lechwalesa 64312. hazan 62313. interaktywnie 59414. paweltkaczyk 58115. vagla 55616. socin 5346. mediafun 941

7. gadzinowski 8048. bliplog 7809. reuptake 73310.mbank 730

16. socin 53417. adtaily 52918. tomasztopa 51919. futomaki 50420. appleblog 487

Page 8: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Blipo-vouyeryzm?(top 20 obserwujących najwięcej użytkowników)

1. polecam 1497 11. jzet 672 1. polecam 1497

2. karolinnka2341 1408

3. dawidek 1164

4. makjuzer 1145

5. facebook 990

6. kali187 871

11. jzet 672 12. bobiko 635 13. mediafun 630 14. micosi 623 15. kokoadrian 598 16. integralny 584 6. kali187 871

7. izula96 864

8. marcinzet 746

9. bartoszpiatkowski 680

10.ludwikc 679

16. integralny 584 17. f055 530 18. auditlog 528 19. bartekp 519 20. antygon 481

Page 9: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Blipo-vouyeryzm?(top 20 obserwujących najwięcej użytkowników)

1. polecam 1497 11. jzet 672 1. polecam 1497

2. karolinnka2341 1408

3. dawidek 1164

4. makjuzer 1145

5. facebook 990

6. kali187 871

11. jzet 672 12. bobiko 635 13. mediafun 630 14. micosi 623 15. kokoadrian 598 16. integralny 584 6. kali187 871

7. izula96 864

8. marcinzet 746

9. bartoszpiatkowski 680

10.ludwikc 679

16. integralny 584 17. f055 530 18. auditlog 528 19. bartekp 519 20. antygon 481

Page 10: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Popularność tagów - ustawianie(top 20 najczęściej ustawianych)

1. Slucham 47 136 11. Iphone 17 3101. Slucham 47 136

2. Drogiblipie 45 203

3. Dobranoc 32 605

4. Mac 28 958

5. Nocnemarki 24 650

6. Dziendobry 23 052

11. Iphone 17 310

12. Kawa 17 179

13. Film 16 11

14. Off 15 621

15. Wyraz 15 127

16. Euro2008 14 5026. Dziendobry 23 052

7. Blip 21 514

8. Ankieta 20 630

9. Warszawa 19 015

10. Lol 1813

16. Euro2008 14 502

17. Foto 14 487

18. Fail 14233

19. Gastrofaza 14 112

20. Bry 12 728

Page 11: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Popularność tagów - obserwowanie(top 20 najczęściej obserwowanych)1. drogiblipie 707 11. apple 3801. drogiblipie 707

2. mac 579

3. ankieta 474

4. f1 438

5. blipdnia 435

6. wstydliwewyznania 434

11. apple 380

12. warszawa 375

13. ciastkodnia 356

14. pokacycki 349

15. linux 342

16. google 3406. wstydliwewyznania 434

7. iphone 429

8. nocnemarki 418

9. pokakota 394

10. design 383

16. google 340

17. slucham 323

18. php 320

19. film 305

20. foto 304

Page 12: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Liczba obserwujących użytkownika– zróżnicowanie popularności

80%

90%

Liczba obserwujących

30%

40%

50%

60%

70%

% w

szys

tkic

h uż

ytko

wni

ków

19 takich

1-5 21573

6-10 2219

11-15 1026

16-20 600

21-50 1335

51-100 538

101-500 304

0%

10%

20%

1-5 śledzących

6-10 śledzących

11-5 śledzących

16-5 śledzących

21-5 śledzących

51-5 śledzących

101-5 śledzących

więcej niż 500 śledzących

% w

szys

tkic

h u

Liczba osób śledzących użytkownika

takich

500+ 19

Page 13: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Sieć 20 najpopularniejszych użytkowników

• Strzałka oznacza obserwowanie danego użytkownika,

• Liczba – łączną liczbę osób obserwujących danego użytkownika

Page 14: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając
Page 15: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

ZMIANY W CZASIE

• Wzrost liczby relacji szybszy niż wzrost liczby użytkowników

• Intensywny wzrost liczby użytkowników, relacji i statusówstatusów

• Wzrost opisuje model wykładniczy

• Najwięcej statusów ustawionych przez WWW i API

Page 16: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

449745

400000

500000

600000

Rozwój serwisu – użytkownicy i relacje

3698773671

199648

0

100000

200000

300000

400000

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

• Liczba relacji obserwowania rośnie o wiele szybciej niż liczba użytkowników

2007 2008 2009

Liczba wszystkich zarejestrowanych użytkowników Liczba wszystkich stworzonych relacji

Page 17: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Rozwój serwisu - statusy

86%

92%

100%

80%

100%

120%

23%

27%

47%

63%

40%

60%

80%

4%

12%

0%

20%

2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6 7 8 9 10

2007 2008 2009

Page 18: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

• Liczba relacji rośnie o wiele szybciej• Wzrosty obydwu wielkości opisuje model wykładniczy

Model wzrostu serwisu

y = 4617,9e0,1623x

R² = 0,9882

300000

400000

500000

600000

Liczba relacji obserwacji

y = 1598,6e0,1341x

R² = 0,9697

40000

50000

60000

70000

80000

90000

Liczba użytkowników

0

100000

200000

Kolejne miesiące od założenia serwisu

Liczba wszystkich stworzonych relacji Krzywa wykładnicza

0

10000

20000

30000

40000

Kolejne miesiące od założenia serwisu

Liczba użytkowników Krzywa wykładnicza

Page 19: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Zmiany popularności wybranych użytkowników

3000

3500

1500

2000

2500

Licz

ba o

bser

wując

ych appleblog

hazan

interaktywnie

kominek

mbank

mediafun

reuptake

socin

0

500

1000

6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10

2007 2008 2009

socin

tvn24

Page 20: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Sposoby korzystania –ustawianie statusów

553810 543100

400000

500000

600000

api314588

109603

61103

228822

0

100000

200000

300000

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

ździ

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

ździ

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

ździ

erni

k

ggjabbermmssmswww

mar

zec

kwie

cie

czer

wie

c

sier

pie

wrz

esie

paź

dzi

erni

k

listo

pad

grud

zie

styc

ze

mar

zec

kwie

cie

czer

wie

c

sier

pie

wrz

esie

paź

dzi

erni

k

listo

pad

grud

zie

styc

ze

mar

zec

kwie

cie

czer

wie

c

sier

pie

wrz

esie

paź

dzi

erni

k

2007 2008 2009

• Relatywnie duża popularność API i Jabbera• Mała liczba statusów ustawianych przez SMS i MMS

• Dla Twittera znacznie wyższy odsetek – ok. 10%

Page 21: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

AKTYWNO ŚĆ UŻYTKOWNIKÓWAKTYWNO ŚĆ UŻYTKOWNIKÓW

Page 22: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Pisanie pierwszych statusów

• 53% wszystkich użytkowników ustawiło przynajmniej 1 status

• Kiedy użytkownik zaczyna pisać?

66%

60%

70%

• Kiedy użytkownik zaczyna pisać?

• W pierwszych 2 godzinach od rejestreacji

• W pierwszych dniach

• Albo wcale…

20%

30%

40%

50%

10%

7%5%

3% 3% 4%2%

0%

10%

20%

poniżej 2h 2h - 1 dzien 1-3 dni 3-7 dni 7-14 dni 14-31 dni 31-90 dni ponad 90 dni

Page 23: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Czas dołączenia a przywiązanie do serwisu

81,5%2,9%

24,4%

84,6%

67,6%

37,5%

38,8%

53,8%

51,1%

51,5%

54,0% 53,7%

46,9% 32,6%

8,0%

60%

70%

80%

90%

100%

21,4%12,5%

25,4%

46,8% 51,4%37,0% 33,2%

35,5%

38,9%

27,1%

33,2%

60,7%60,2%

81,5%2,9%

4,7%8,4%

11,4%84,6%

0%

10%

20%

30%

40%

50%

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

2007 2008 2009

• Utrzymywanie się w serwisie rozumiemy jako liczba dni, które upłynęły od pierwszego do ostatniego ustawienia statusu

• Ostatnie miesiące 2009 są niemiarodajne ze względu na brak stosownej perspektywy czasowej

2007 2008 2009

Korzystający krócej niż 7 dni Korzystający między 7 a 14 dni Korzystający między 14 a 30 dni

Korzystający między 30 a 90 dni Korzystający ponad 90 dni

Page 24: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

24,4%

67,6%

37,5%

38,8%

53,8%

51,1%

51,5%

54,0% 53,7%

46,9% 32,6%

8,0%

60%

70%

80%

90%

100%

21,4% 25,4%

46,8%51,4%

37,0% 33,2%

38,9% 33,2%

60,7%60,2%

81,5%2,9%

4,7%

8,4%11,4%

84,6%

20%

30%

40%

50%

60%

21,4%12,5%

25,4%35,5%

27,1%0%

10%

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

2007 2008 2009

Korzystający krócej niż 7 dni Korzystający między 7 a 14 dni Korzystający między 14 a 30 dni

Korzystający między 30 a 90 dni Korzystający ponad 90 dni

Page 25: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Odsetek użytkowników zarejestrowanych w danym miesiącu publikuj ących statusy miesiącach

• Ilu spośród użytkowników, którzy dołączyli w danym miesiącu, ustawiało statusy w kolejnych miesiącach?

• Na dłużej 10% - 20% dołączających użytkowników

• Rezygnacja z reguły na przestrzeni pierwszego miesiąca

Page 26: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Kształtowanie aktywności w miarę korzystania z serwisu

• Średnia liczba statusów stabilizuje się na podobnym poziomie niezażnie od momentu dołączania do serwisu

• Dane dotyczą użytkowników tylko tych użytkowników, którzy byli aktywni w danym miesiącu

• Czyli co prawda spada liczba użytkowników ale wzrasta aktywność tych, którzy pozostają

Page 27: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Aktywność użytkowników w zależności od czasu dołączenia do serwisu

11,2511,88

9,30 9,728,66 9,22

10,09

14,74

10,00

12,00

14,00

16,00re

dnia

licz

ba s

tatu

sów

us

taw

iany

ch ty

godn

iow

o

8,08 7,43

4,82

9,30

6,16

8,26 8,16

9,72

6,62

8,66 9,22

7,726,92

0,00

2,00

4,00

6,00

8,00

10,00

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

dzi

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

dzi

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

dzi

erni

k

Śre

dnia

licz

ba s

tatu

sów

us

taw

iany

ch ty

godn

iow

o

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

listo

pad

grud

zień

styc

zeń

luty

mar

zec

kwie

cień

maj

czer

wie

c

lipie

c

sier

pień

wrz

esień

paź

dzi

erni

k

2007 2008 2009

• Dane dotyczą użytkowników aktywnych przez 7 dni lub dłużej

• Podobny wzorzec dla użytkowników „starych” i „nowych”

Page 28: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

JAK ZDOBY Ć POPULARNOŚĆ?JAK ZDOBY Ć POPULARNOŚĆ?

Page 29: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Podsumowanie

• Popularność użytkowników i tagów– reguła Pareto• Popularność użytkowników i tagów– reguła Pareto

• Zmiany w czasie

• Zaangażowanie w serwis

• Aktywność „starych” i „nowych” użytkowników

• Co zrobić żeby być popularnym?• Co zrobić żeby być popularnym?

Page 30: Aktywność i popularność w real time web na przykładzie Blipa – wyniki badań - Mikołaj Hnatiuk, Michał Podlewski, Jan Zając

Dziękujemy za uwag ę!

[email protected]

[email protected]

[email protected]

Warszawa, 3 grudnia 2009