• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2019/2020

Большие данные для анализа и сегментации аудитории

Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Статус: Курс обязательный (Коммуникации, основанные на данных)
Направление: 42.04.01. Реклама и связи с общественностью
Когда читается: 1-й курс, 3 модуль
Формат изучения: без онлайн-курса
Преподаватели: Суворина Татьяна Владимировна
Прогр. обучения: Коммуникации, основанные на данных
Язык: русский
Кредиты: 3

Программа дисциплины

Аннотация

В результате успешного освоения курса студенты будут: • знать существующие методы решения задач сегментации аудитории для коммуникационных кампаний, уметь их комбинировать и разрабатывать новые подходы; • создавать коммуникационные стратегии для различных аудиторных групп; • владеть библиотеками Python для статистического анализа данных и кластерного анализа.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью освоения дисциплины «Большие данные для анализа и сегментации аудитории» является приобретение студентами аналитических и управленческих компетенций, необходимых для реализации прикладных коммуникационных и маркетинговых задач, связанных с анализом больших данных о пользователях и их последующей сегментацией.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знает методы, которые используются во время работы с данными; принципы работы и способы модификации методов анализа данных для достижения определенных результатов; существующие методы решения задач сегментации аудитории для коммуникационных кампаний.
  • Владеет методом rule-based сегментации аудитории.
  • Владеет методами психографической сегментации аудитории.
  • Владеет методом RFM-анализа аудитории. Умеет презентовать результат анализа данных в виде аналитической справки, отчета или презентации.
  • Владеет инструментами R и Python для статистического анализа данных и анализа методом кластерного анализа.
  • Умеет комбинировать существующие методы анализа данных для сегментации аудитории, разрабатывать новые подходы и обосновывать их целесообразность. Даёт рекомендации по разработке коммуникационных стратегий для различных аудиторных групп.
  • Умеет сегментировать аудиторию на основе анализа транзакций методом ассоциативных правил.
  • Владеет навыками разработки рекомендательных систем для персонализации коммуникаций.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Сегментация аудитории как инструмент эффективной коммуникации. Сравнение Rule-based vs AI подходов.
    Для чего и как используют сегментацию аудитории в маркетинге. Rule based vs AI сегментация. Комбинированные стратегии. Customer-centric подход или метод пяти W. Методы сбора данных. Каналы коммуникации. Варианты УТП для разных групп целевой аудитории.
  • Примеры rule-based сегментации.
    Rule based сегментация по социо-демографическим, поведенческим, гео-характеристикам, сумме транзакций или времени открытия письма. Сбор и статистический анализ данных. Бизнес-метрики, которые можно улучшить благодаря сегментации пользователей.
  • Ai-Психоаналитики. Кейс: рекомендация контента согласно психотипу пользователя
  • RFM-анализ для сегментации пользователей по транзакционным данным. Визуализация. Предсказание Lifetime Value пользователей.
    RFM анализ для сегментации пользователей. Зачем нужен, область применения, алгоритмы. Как использовать в email рассылках. Предсказание Lifetime Value пользователей. Отслеживание статусов RFM и LF, причин перемещения пользователей из сегмента в сегмент и планирование соответствующей коммуникации.
  • Кластеризация пользователей методом машинного обучения.
    Кластеризация пользователей методом машинного обучения. Выбор числа групп и алгоритма кластеризации. Метрики оценки качества кластеризации. Практическое применение и составление вариантов коммуникации под выбранные кластеры.
  • Комбинирование ручного и ai-методов. Выводы из данных для бизнеса.
  • Анализ транзакций пользователей и сегментация по набору приобретенных товаров. Association rules.
    Анализ транзакций пользователей и сегментация по набору приобретенных товаров. Association rules. Алгоритм Априори.
  • Персонализация и рекомендательные системы.
Элементы контроля

Элементы контроля

  • неблокирующий Аудиторная работа
  • неблокирующий Проект
  • неблокирующий Домашние задания
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (3 модуль)
    0.4 * Аудиторная работа + 0.3 * Домашние задания + 0.3 * Проект
Список литературы

Список литературы

Рекомендуемая основная литература

  • Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.

Рекомендуемая дополнительная литература

  • King R. S. Cluster Analysis and Data Mining: An Introduction. - Mercury Learning, 2015. - ЭБС Books 24x7.