Awesome GitHub RepositoriesBehavioral Analytics

Umami is a self-hosted, privacy-focused web analytics platform designed to provide full control over infrastructure and user data. It captures website traffic and visitor behavior through anonymous tracking methods that avoid cookies, browser fingerprinting, and the storage of personally identifiable information. The platform distinguishes itself through a comprehensive suite of behavioral analysis tools, including session replays, heatmaps, and cohort-based retention reporting. It features a multi-tenant architecture that allows teams to manage multiple websites within a single, collaborativ

rrweb is a DOM session recording library and serialization framework used to record and replay web sessions. It converts the state of a web page into a serializable JSON data structure and tracks mutations to reconstruct user interactions within a replay engine. The system distinguishes itself by using a sandboxed iframe for reconstruction to isolate replayed content, preventing script execution and form submissions. It ensures visual consistency through CSS inline-style flattening and provides sensitive data masking to prevent private information from being captured. The project covers a br

Nakama is a distributed server framework designed for real-time multiplayer games and social applications. It provides an authoritative runtime environment for executing game logic, ensuring consistent state and cheat-resistant gameplay across diverse client platforms. The system acts as a centralized backend, managing persistent player identities, social graphs, and real-time communication channels to support complex multiplayer interactions. The platform distinguishes itself through an integrated suite of LiveOps tools that allow developers to manage game economies, schedule time-bound even

This project is a JavaScript library and SDK used to integrate web and mobile applications with cloud services. It serves as a bridge to backend providers for user authentication, binary object storage, and real-time data synchronization. The library provides a unified interface for managing cloud identity and access, executing queries and mutations against GraphQL endpoints, and consuming REST APIs with secure request signing. It also includes tools for accessing machine learning services for natural language processing and computer vision. Broad capability areas include offline-first data

FlutterFire is a collection of official plugins that integrate Firebase backend services into Flutter applications. It serves as a backend-as-a-service integration library, providing client-side wrappers for cloud authentication, databases, storage, and monitoring services. The project enables the integration of serverless backend logic and real-time data synchronization using NoSQL documents and state synchronization. It also provides capabilities for generative AI integration, including large language models, image generation, and local machine learning model management. The suite covers a

This repository provides a collection of starter templates, reference projects, and implementation guides for integrating Firebase services into Android applications. It serves as a boilerplate for building mobile apps with built-in cloud backend integration. The project includes examples for connecting Android applications to large language models for generative AI features. It also provides sample code for managing user identity and authentication, as well as demonstrations for integrating cloud databases and serverless functions. The codebase covers a broad range of capabilities, includin

53AIHub is a centralized orchestration platform for deploying and managing AI agents and prompts across multiple large language model providers. It functions as a multi-model AI gateway and an operation portal for AI services, providing a unified interface to coordinate agents and prompts from various external platforms. The project distinguishes itself as a white-label AI portal designed for self-hosted infrastructure, allowing for full control over operational data on private servers or containers. It includes a comprehensive AI SaaS administration layer with a multi-tenant subscription eng

Guess is a predictive page loading library that uses machine learning to prefetch JavaScript bundles and assets. It functions as a resource prefetcher that predicts the next page a user will visit by utilizing a web application route parser and a user behavior analytics integrator. The project distinguishes itself by importing navigation patterns from analytics APIs to inform its predictive models. It uses probabilistic navigation modeling and historical transition data to calculate the likelihood of future page visits, allowing for the proactive download of lazy-loaded bundles. The system i

Ce projet est un kit de développement logiciel (SDK) et un outil de gestion de cluster pour PHP. Il sert de SDK de recherche plein texte et d'interface de recherche vectorielle, permettant aux applications d'effectuer des recherches lexicales, floues et sémantiques sur des données indexées. La bibliothèque implémente un client HTTP PSR 7 pour assurer la compatibilité inter-environnements via des interfaces de messagerie standardisées. Elle fournit une interface spécialisée pour récupérer des embeddings et effectuer des flux de travail de recherche sémantique en utilisant des données vectorielles. Sa surface de capacités couvre un large éventail de tâches administratives et opérationnelles, notamment la gestion des index de recherche, la surveillance de la santé des clusters et les opérations sur le cycle de vie des documents. Elle prend en charge diverses méthodes de requête telles que SQL, EQL et ES|QL, ainsi que l'agrégation de données et l'analyse géospatiale. De plus, elle fournit des outils pour l'orchestration du machine learning, la détection d'anomalies et la gestion des identités et des accès.

OpenPanel is a self-hosted product analytics platform designed for tracking user behavior and visualizing product metrics on private infrastructure. It provides a comprehensive system for collecting events across web, mobile, and server environments while ensuring complete ownership of data. The platform distinguishes itself through a privacy-first approach, utilizing cookieless event tracking and regional data residency to simplify regulatory compliance. It integrates large language models via the Model Context Protocol, enabling users to query behavioral data and analyze trends using natura

Ce projet est une collection de frameworks et de pipelines de big data, incluant un framework d'analyse Apache Hive, une plateforme d'analyse de données comportementales, un moteur d'analyse prédictive et des pipelines de données en temps réel. Il fournit l'infrastructure pour construire des workflows ETL (Extract, Transform, Load) afin de traiter de grands jeux de données pour le stockage distribué et l'analyse basée sur SQL. Le système prend en charge diverses implémentations analytiques, telles qu'un moteur prédictif utilisant la régression linéaire pour la prévision de valeurs et une architecture temps réel qui fait transiter les données via des courtiers de messages pour un reporting immédiat. Il inclut des capacités spécialisées pour l'analyse du comportement des utilisateurs, la mesure de performance e-commerce et l'analyse de données de transport urbain. La base de code couvre un large spectre d'ingénierie et d'analyse de données, incluant le nettoyage et la transformation de données, l'ingestion distribuée, le traitement de flux par fenêtrage et la visualisation des résultats via des outils de business intelligence. Il permet en outre le calcul de métriques métier spécifiques comme les taux de conversion, la performance de monétisation et les niveaux d'engagement des utilisateurs.

Recommendable est une bibliothèque Ruby conçue pour intégrer des moteurs de recommandation directement dans des applications basées sur des bases de données. Elle fournit un framework pour suivre les interactions des utilisateurs, telles que les likes, les dislikes et les favoris, afin de construire des profils d'intérêt détaillés et de générer des suggestions de contenu personnalisées. Le moteur se distingue en utilisant le filtrage collaboratif pour identifier les relations entre les éléments basées sur le comportement utilisateur qui se chevauche. Il prend en charge à la fois les suggestions personnalisées adaptées aux préférences individuelles et les classements de popularité agrégés qui font remonter le contenu tendance à travers l'intégralité du jeu de données. Le système gère les tâches computationnelles lourdes via un traitement asynchrone en arrière-plan, garantissant que le calcul de similarité et les mises à jour de recommandation n'impactent pas la réactivité de l'application. Les développeurs peuvent étendre davantage le moteur en utilisant des hooks de cycle de vie qui déclenchent une logique métier personnalisée chaque fois que les préférences utilisateur changent, ou en initiant manuellement des recalculs en dehors des files d'attente automatisées standard.