Møteanalyse basert på CDR

Abstract

Denne oppgaven omhandler en studie foretatt av Tor August Hødnebø, med veiledning fra professor ved NTNU, Svein-Olaf Hvasshovd, og i samarbeid med videokonferanseleverandør, Kinly AS.

Kinly AS har hatt et ønske om å avdekke og tilby statistikk om kunders videomøtekultur. Per- sonopplysningsloven som trådte i kraft i 2018 begrenser mulighetene til å hente ut informasjon om brukerene. Studien er foretatt som et forsøk på å gjennomføre en slik analyse basert på data i tråd med denne personopplysningsloven. Målet med studien har derfor vært å se om det er mulig å avgjøre om et videomøte har vært planlagt eller ikke, basert på anonymiserte møtedata (CDRer mm.).

Data om møter har blitt analysert og vi har funnet statistisk signifikante forskjeller mellom plan- lagte og spontane møter. Ved bruk av prediktiv analyse og maskinlæring har vi analysert dataene og laget prediksjonsmodeller. Med SVM algoritmen har vi laget en prediksjonsmodell som har en treffsikkerhet på 70% i klassifiseringen av møter.

This thesis presents a study conducted by Tor August Hødnebø, with supervision from professor at NTNU, Svein-Olaf Hvasshovd, and in collaboration with video-conference provider, Kinly AS.

Kinly AS has had the intention of providing statistics about their customers' video conferencing culture. The Personal Data Act that came into force in 2018 has limited the possibilities to retrieve and store such data about users. The study has been undertaken as an attempt to conduct such an analysis based on data in line with this Personal Data Act. The goal of the study has therefore been to see if it is possible to decide whether a video meeting has been planned or not, based on anynomized meeting data (CDRs etc.)

Data about meetings have been analyzed and we have found statistical significant differences between planned and unplanned meetings. By utilizing predictive analysis and machine learning we have analyzed the data and made prediction models. With the SVM algoritm we have made a prediction model which has had an accuracy of 70% in the classification of meetings.