Sessões, buscas e navegação na wikimedia
Este repo é a semente para uma análise de padrões de busca e navegação em páginas de projetos da wikimedia (provavelmente wikipedia).
O exercício original de análise é um problema proposto pela Wikimedia "for candidates applying to be a Data Analyst in the Discovery department at Wikimedia Foundation." O README do projeto original descreve as análises pedidas aos interessados na posição.
Mais contexto
A Wikimedia Foundation é uma organização sem fins lucrativos que encoraja o crescimento, desenvolvimento e distribuição de conteúdo de educação grátis e em múltiplas linguagens através de projetos baseados em wiki. Em 2016 o Wikimedia Discovery, um departamento da Wikimidia Foundation, abriu uma seleção de empregos para o cargo de analista de dados. Este repositório é a semente de um exercício para respondermos as perguntas propostas por eles na proposta de emprego:
Organização
code: código para importar + transformar dados para análise, código de funções úteis em mais de um ponto.
data: dados criados para essa análise.
reports: notebooks das análises.
Dados pré processados
Como as análises propostas na tarefa original são em sua maioria sobre resultados de buscas e a navegação que acontece depois delas, temos um código inicial para ler os dados originais e criar algumas métricas sobre buscas nas sessões de usuário e sobre a navegaçao depois de cada busca em code/import-events_to_searches.R. Executar Rscript code/import-events_to_searches.R gera o arquivo data/search_data.csv. O script import-events_to_searches.R em si é a melhor documentação do que significa cada coluna em data/search_data.csv.
Existem 9 variáveis nos dados sendo elas:
- session_id : Um id único identificando sessões individuais
- search_index : Um contador de buscas em uma mesma sessão ordenado cronologicamente
- session_start_timestamp: O timestamp que a sessão iniciou
- session_start_date : A data e hora que a sessão iniciou
- group : O grupo que pode ser "a" ou "b"
- results : A quantidade de resultados que a busca retornou
- num_clicks : O número de páginas que o usuário visitou a partir da busca
- first_click : A posição do link da página visitada no mecanismo de busca de páginas
- session_length : A duração em segundos da sessão
Dependências
R, com os pacotes tidyverse, lubridate e here.