Embedded Files
User Analytics | Recency - Frequency - Progress
User Analytics | Recency - Frequency - Progress
Cuento con expertise en user analytics, analizando frecuencia y recencia de uso de plataformas digitales para comprender patrones de comportamiento, retención y adopción. Realicé análisis detallados que correlacionan actividad y progreso de los usuarios con la frecuencia de uso, así como la evolución de categorías de recencia para evaluar retención de clientes y cumplimiento de objetivos educativos y de negocio. A continuación se presenta un dashboard demo que ejemplifica este tipo de análisis.
I have strong expertise in user analytics, analyzing usage frequency and recency across digital platforms to understand user behavior, retention, and adoption patterns. I conducted detailed analyses correlating user activity and progress with usage frequency, as well as tracking the evolution of recency categories to assess client retention and success against educational and business goals. Below is a demo dashboard illustrating this type of analysis.
Case Study 01
Case Study 01
Large User Login Dataset
Large User Login Dataset
Python (Pandas) + PowerBI
Para este proyecto utilicé un dataset de más de 9,5 GB disponible en Kaggle, con registros de logins de más de 3 millones de usuarios a lo largo de un año. El dataset fue creado originalmente para investigación en autenticación basada en riesgos (RBA) a partir del comportamiento de usuarios de un servicio online a gran escala en Noruega. Los datos son sintéticos, diseñados para reproducir patrones realistas sin exponer información sensible.
Aproveché su nivel de granularidad para adaptarlo a un contexto de user analytics, realizando análisis de frecuencia y recencia, así como el cálculo de usuarios activos diarios, semanales y mensuales, orientados a métricas de adopción y retención. El trabajo se basó en el dataset publicado por Stephan Wiefling y colaboradores bajo licencia CC BY 4.0.
For this project, I used a 9.5+ GB dataset available on Kaggle, containing login records from over 3 million users across one year. The dataset was originally created for risk-based authentication (RBA) research, based on user login behavior from a large-scale online service in Norway. The data is synthetic, designed to reflect realistic usage patterns without exposing sensitive information.
I leveraged its granularity to adapt it to a user analytics context, performing frequency and recency analyses and calculating daily, weekly, and monthly active users, focused on adoption and retention metrics. The work is based on a dataset published by Stephan Wiefling et al. under the CC BY 4.0 license.
Case Study 02
Case Study 02
E-learning User Analytics
E-learning User Analytics
Los indicadores de recencia, frecuencia de uso, retención y acceso a plataforma son fundamentales en contextos de e-learning y aprendizaje basado en plataformas digitales. El siguiente dashboard presenta un análisis de la evolución de la recencia de uso, permitiendo comprender cómo y con qué regularidad los estudiantes interactúan con la plataforma a lo largo del tiempo. El objetivo es responder a las siguientes preguntas: ¿los estudiantes usan realmente la plataforma? ¿con qué frecuencia lo hacen?
Para este caso de estudio, se usaron datos simulados y se incluyeron gráficos a modo de ejemplo, sumando un análisis de insights, conclusiones y próximos análisis posibles.
Indicators such as recency, usage frequency, retention, and platform access are fundamental in e-learning and platform-based learning contexts. The following dashboard presents an analysis of recency evolution, helping to understand how and how often students interact with the platform over time. The goal is to answer the following questions: do students actually use the platform? how frequently do they engage with it?
For this case study I used simulated data and I included sample charts, adding insights, conclusions and possible further analysis.
Caso de Estudio 03
Caso de Estudio 03
E-learning Performance Analytics
E-learning Performance Analytics
Para profundizar el análisis del Caso de Estudio 02, resulta clave explorar la relación entre frecuencia de uso y avance efectivo en la plataforma. El Caso de Estudio 03 se enfoca en analizar la correlación entre logins, entendidos como asistencia semanal, y el progreso académico, medido a partir de clases completadas. El análisis se desagrega por grado escolar (sistema K–12) y por producto, considerando los distintos cursos o paquetes de contenidos asignados a los estudiantes.
To deepen the analysis of Case Study 02, it is essential to explore the relationship between usage frequency and actual learning progress on the platform. Case Study 03 focuses on analyzing the correlation between logins, interpreted as weekly attendance, and academic progress, measured through completed lessons. The analysis is segmented by grade level (K–12 system) and by product, considering the different courses or content packages assigned to students.
Page updated
Google Sites
Report abuse