Маркетинговая автоматизация и сквозная аналитика

Магистратура 2026/2027

ID 1153712

Статус: Курс обязательный (Цифровой маркетинг)

Кто читает: Департамент маркетинга и предпринимательства

Где читается: Факультет менеджмента (Нижний Новгород)

Когда читается: 2-й курс, 1 модуль

Охват аудитории: для своего кампуса

Преподаватели: Балаев Владислав Викторович, Овчинникова Анна Михайловна

Язык: русский

Кредиты: 3

Контактные часы: 32

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящен автоматизации маркетинга и сквозной аналитике с акцентом на CDP-платформы как основу для объединения и анализа клиентских данных и запуска персонализированных кампаний. Студенты разберут возможности машинного обучения и предиктивных моделей для прогнозирования поведения клиентов, а также применение LLM для генерации контента и оптимизации аналитики. По итогам курса студенты научатся настраивать автоматизированные процессы, анализировать метрики, используя современные методы сквозной аналитики, и повышать эффективность маркетинговых стратегий.

Цель освоения дисциплины

Сформировать у студентов комплексное понимание принципов и инструментов маркетинговой автоматизации и сквозной аналитики, а также практические навыки проектирования MarTech‑архитектуры на базе CDP, настройки сквозной аналитики, разработки триггерных коммуникаций и обоснованного применения машинного обучения и LLM для повышения эффективности маркетинговых кампаний в компании.

Планируемые результаты обучения

Классифицирует основные категории MarTech‑решений и приводит примеры из российского рынка.
Определяет задачи, которые решает маркетинговая автоматизация и сквозная аналитика в компании.
Объясняет отличия CDP от CRM, DMP и систем рассылок.
Различает типы данных 1PD/2PD/3PD и приводит источники для каждого типа.
Строит диаграмму сущностей Профиля 360 для кейса компании.
Формулирует требования к качеству данных и правила сопоставления данных.
Описывает функциональные блоки CDP и приводит примеры задач каждого блока.
Проектирует сегмент в интерфейсе CleverData Join по заданному бизнес‑критерию.
Сравнивает composable и packaged CDP и аргументирует выбор под кейс.
Описывает логику настройки целей и электронной коммерции в системе web‑аналитики.
Рассчитывает CAC, ROMI, LTV и LTV/CAC по данным из учебного датасета.
Сравнивает модели атрибуции и выбирает адекватную под бизнес‑задачу.
Проектирует триггерный сценарий welcome‑серии для e‑commerce компании.
Обосновывает выбор канала коммуникации по типу сообщения и сегменту.
Проводит A/B‑тест темы письма и корректно интерпретирует результаты.
Формулирует ML-задачу из бизнес-гипотезы: определяет целевую переменную, горизонт предсказания и действие по результату.
Ориентируется в ландшафте маркетинговых ML-задач (churn, propensity, LTV, NBO, uplift, look-alike, recommender systems) и подбирает подходящую под бизнес-кейс, включая оценку того, когда ML не оправдан.
Оценивает условия применимости ML: размер базы, качество данных, организационная готовность, ожидаемый эффект в деньгах.
Описывает организационный пайплайн внедрения ML-модели — от постановки задачи до доставки скора в CDP-сегмент, A/B-теста и оценки инкрементального эффекта.
Распознаёт типичные ошибки ML-проектов в маркетинге при приёмке результатов аналитика.
Описывает ландшафт LLM-задач в маркетинге (генерация контента, гиперперсонализация, RAG, аналитическое ассистирование, LLM встроенный в CDP) и подбирает подходящую под бизнес-кейс с учётом цены ошибки.
Различает разовый промпт, промпт-шаблон для масштабирования и агентский сценарий; описывает условия применимости каждого подхода.
Описывает концепцию скиллов (tools) и агентских сред: как LLM вызывает внешние инструменты, что такое оркестрация шагов, какие маркетинговые задачи это открывает.
Описывает условия применимости LLM: где использование оправдано, где требуется человек в петле, где LLM применять не следует.
Распознаёт подводные камни LLM- и агентских внедрений; описывает полную цепочку персонализации (CDP → ML-скор → LLM → триггер) с указанием ролей и точек контроля.
Проектирует A/B‑тест для маркетинговой гипотезы: формулирует гипотезу, выбирает метрику, рассчитывает размер выборки.
Интерпретирует результаты эксперимента, различает статистически значимый результат и практически значимый эффект.
Выявляет типичные ошибки в дизайне экспериментов (peeking, множественные сравнения) и предлагает способы их устранения.

Содержание учебной дисциплины

Введение в маркетинговую автоматизацию и сквозную аналитику. Ландшафт российского MarTech
Клиентские данные: 1PD/2PD/3PD, модели данных, ETL и качество данных
CDP как ядро MarTech‑стека: архитектура, сегментация, кейс CleverData Join
Сквозная аналитика: архитектура, метрики, модели атрибуции
Автоматизация коммуникаций: триггерные сценарии и омниканальность
Машинное обучение в маркетинге: от сегментов к предсказаниям
LLM в маркетинге: ландшафт задач, промпт как рабочий инструмент, скиллы и агентские среды (приглашённый лектор, кейсы Lansoft)
A/B‑тестирование и эксперименты в маркетинге

Элементы контроля

Групповые домашние задания
Три командных задания, результаты которых становятся разделами итогового проекта.
Командный проект
Командный (3–4 человека), накопительный: задание выдаётся после занятия 2 и дополняется после каждого занятия. Публичная защита не предусмотрена.
Индивидуальные домашние задания
Три индивидуальных задания по ключевым темам курса.

Промежуточная аттестация

2026/2027 1st module
0.5 * Командный проект + 0.25 * Индивидуальные домашние задания + 0.25 * Групповые домашние задания

Список литературы

Авторы

Гапонова Надежда Сергеевна
Артюшина Екатерина Валерьевна

Программа дисциплины