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
Кто читает:
Школа коммуникаций
Где читается:
Факультет креативных индустрий
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
Контактные часы:
32
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
- 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
- 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
- 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.
Промежуточная аттестация
- Промежуточная аттестация (3 модуль)0.4 * Аудиторная работа + 0.3 * Домашние задания + 0.3 * Проект
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.