Проектно-исследовательский семинар "Управление проектами по методологии CRISP-DM"

Магистратура 2020/2021

Статус: Курс обязательный (Коммуникации, основанные на данных)

Направление: 42.04.01. Реклама и связи с общественностью

Где читается: Факультет креативных индустрий

Когда читается: 2-й курс, 1-3 модуль

Формат изучения: без онлайн-курса

Преподаватели: Владес Олег Александрович, Коточигов Константин Львович, Нестер (Нестеренко) Роман Юрьевич, Семенова Анастасия Михайловна, Суворина Татьяна Владимировна, Хапаева Наталья Михайловна

Прогр. обучения: Коммуникации, основанные на данных

Язык: русский

Кредиты: 17

Контактные часы: 200

Полная версия программы учебной дисциплины

Аннотация

В рамках проектно-исследовательского семинара второго года обучения реализуются два образовательных трека. 1 трек – CRISP-DM и аналитика данных, направлен на поэтапное освоение студентами стадий управления проектами в области интеллектуального анализа данных по межотраслевой методологии CRISP-DM, а также обучение новым методам аналитики и визуализации данных. 2 трек – менеджмент в сфере коммуникаций и технологий, направлен на получение управленческих компетенций, освоение гибких проектных методологий, применяемых при внедрении дата-проектов, инструментов и подходов к управлению цифровым продуктом. Одной из задач проектно-исследовательского семинара является экспертная поддержка подготовки магистерского проекта (ВКР).

Цель освоения дисциплины

Целью дисциплины «Проектно-исследовательский семинар «Управление проектами по методологии CRISP-DM» является освоение студентами стадий управления проектами в области интеллектуального анализа данных по межотраслевой методологии CRISP-DM и развитие управленческих компетенции для руководства коммуникационными проектами и продакт-менеджмента.

Планируемые результаты обучения

Понимает бизнес-задачи коммуникационной индустрии. Отличает бизнес-задачи от задач анализа данных. Умеет анализировать рынок и формулировать вопросы на выявление потребностей заказчика.
Умеет извлекать (парсить) данные с веб-ресурсов, используя пакеты для Python. Владеет базовыми навыками работы с SQL. Умеет проверять качество данных.
Умеет объединять и переформатировать данные. Умеет использовать Hadoop MapReduce для распределённых вычислений.
Умеет строить и выбирать оптимальную модель анализа данных для решения бизнес-задачи.
Оценивает результаты моделирования с точки зрения качества анализа данных и бизнес-показателей.
Умеет представлять результаты проекта по анализу данных в форме отчёта или презентации.
Умеет управлять работой проектной команды и планировать ресурсное обеспечение реализации проекта.
Умеет презентовать результаты проектно-исследовательской работы.
Умеет организовать кросс-канальную программатик кампанию. Владеет навыками оптимизации рекламных кампаний. Способен интерпретировать отчёты платформы. Способен интерпретировать и анализировать психографические данные. Обладает навыком портирования данных в различные системы. Способен объяснить принципы сбора данных такого рода.
Понимает принцип работы рекомендательных сервисов. Понимает типы данных, доступные на российском рынке. Владеет навыками работы с рекламными платформами. Способен описать ландшафт обмена e-commerce данными. Понимает принципы работы e-mail маркетинга.
Знает методологии проектного менеджмента, может обосновать выбор корректной методологии для проекта в зависимости от его специфики.
Умеет проводить технологический аудит и прогнозировать окупаемость внедрения систем, необходимых для решения коммуникационных задач клиента. Формулирует обоснованное предложение для клиента.
Планирует технические и человеческие ресурсы для внедрения технологий data-driven коммуникаций; анализирует реализацию проекта на каждом этапе.
Прорабатывает план внедрения DMP, учитывая специфику задач и ресурсов клиента.
Понимает принципы организации создания, развития и продвижения технологического продукта.
Глубоко разбирается в принципах работы основных аналитических сервисов. Понимает понятие сэмплирования, способен организовать работу с сырыми данными. Понимает как связать веб-аналитику и бизнес-результаты заказчика. Понимает принципы организации корректного тестирования в цифровом маркетинге. Способен спроектировать проверку гипотезы.
Отличает существующие в основных инструментах модели атрибуции. Способен подобрать подходящую в зависимости от медиамикса и типа клиента.
Визуализирует данные и создаёт интерактивные дэшборды с использованием библиотек Python.

Содержание учебной дисциплины

Проектный менеджмент: этапы и процессы создания предложения по Data проектам для клиента.
Аудит имеющихся решений. Предложение по новым технологиям внедрения. Создание единой инфраструктуры и экосистемы. Расчет окупаемости
CRISP-DM: понимание бизнес-задач.
Определение бизнес-задач. Оценка ситуации. Выявление потребностей заказчика.
CRISP-DM: сбор и начальное изучение данных.
Парсинг данных. SQL. Оценка качества данных.
Проектный менеджмент: практический разбор DMP внедрения.
Разработка таксономии. Разметка сайтов. Интеграция с системами (CRM, Adserving, прочее).
Аналитика данных: модели атрибуции.
Обзор существующих моделей атрибуции. Простые вероятностные модели. Сложные мультиканальные модели. Методы построения моделей. Построение мультиканальных моделей атрибуции на цепях Маркова. Построение моделей атрибуции, основанных на теории игр.Построение конверсионных цепочек и анализ эффективности рекламных кампаний.
Проектный менеджмент: методы управления проектами.
Введение в методологии проектного менеджмента. Какие методы подходят для Data-проектов, таких как развертывание платформ клиентских данных (CDP), платформ управления данными (DMP), решений по динамической оптимизации креативов (DCO). Agile, Scrum, Kanban. Проектные системы, используемые в data-driven коммуникационных проектах.
CRISP-DM: моделирование.
Методика моделирования. Дизайн тестов. Оценка параметров модели.
CRISP-DM: подготовка данных.
Hadoop. MapReduce. Объединение и переформатирование данных.
Автоматизация маркетинга.
Типы данных, доступные на российском рынке. Экосистема обмена данными. E-mail-маркетинг.
CRISP-DM: оценка.
Оценка результатов моделирования с точки зрения качества анализа данных и бизнес-показателей.
Проектный менеджмент: этапы внедрения Big Data проектов на примере CDP, DMP, DCO решений, проведения кластерного анализа и создания Customer Journey.
Программное обеспечение. Внедрение. Подбор команды и распределение обязанностей. Анализ полученного результата.
CRISP-DM: внедрение.
План развёртывания. План мониторинга и поддержки. Отчёт по реализации проекта.
Презентация и обсуждение промежуточных результатов ВКР.
Презентация промежуточных результатов магистерского проекта.
Управление продуктом
Что такое продукт и его место в бизнесе. Business Model Canvas, Структура ценностного предложения, поиск ценностного предложения. Каналы доставки продукта. Модели монетизации. Custdev. Бизнес-моделирование: поиск эффективных моделей и их анализ. Метрики, композитные метрики, сравнение моделей (cac,ltv, скорость роста клиентской базы ,retention vs engagement, roi, npv, irr и пр). Фреймворки для управления продуктом: JBTD, ICE (Impact, Confidence, Ease) и GIST. Основы продуктовой аналитики. Эксперименты. Продукт, как способ измерения коммуникаций. Оптимизация
Визуализация данных
Интерактивная визуализация данных в Python. Библиотеки plotly, seaborn.
Управление проектными командами, ресурсами и стоимостью проекта.
Характеристика используемых ресурсов (денежных и материальных). График плановой стоимости. Человеческие ресурсы. Матрица назначений. Формы контроля хода работ.
Практическая работа с системами рекламы.
Работа с рекламными платформами.
Аналитика данных: аналитические инструменты в цифровых коммуникациях.
Основы веб-аналитики и настройка сквозной аналитики. Показатели эффективности коммуникаций, оценка качества коммуникаций, показатели и критерии качества эффективных коммуникаций, их реализация в коде. A/B тесты, подбор групп, подходы к ускорению тестов, реализация подходов в коде. Задача оптимизации коммуникаций, усложнение моделей, генерация новых данных на основе временных составляющих. Сбор истории коммуникаций, оптимизация затрат на коммуникации, uplift моделирование, детальная проработка возможных моделей.
Проведение презентаций результатов проектно-исследовательской работы над ВКР.
Предзащита ВКР.

Элементы контроля

Бизнес-задача и данные.
Запрос в SQL.
Практическая работа по объединению и предобработке данных.
Презентация и обсуждение модели, используемой в ВКР.
План продвижения продукта на основе данных
Практическое задание по визуализации данных
Оценка состояния проекта в динамике
Подбор модели атрибуции.
Презентация дизайна A/B теста.
Индивидуальный проект
Рекламная кампания с выходом на целевые KPI.
Презентация промежуточных результатов ВКР.
Предзащита ВКР.

Промежуточная аттестация

Промежуточная аттестация (3 модуль)
0.07 * Бизнес-задача и данные. + 0.07 * Запрос в SQL. + 0.07 * Индивидуальный проект + 0.07 * Оценка состояния проекта в динамике + 0.07 * План продвижения продукта на основе данных + 0.07 * Подбор модели атрибуции. + 0.07 * Практическая работа по объединению и предобработке данных. + 0.07 * Практическое задание по визуализации данных + 0.1 * Предзащита ВКР. + 0.07 * Презентация дизайна A/B теста. + 0.1 * Презентация и обсуждение модели, используемой в ВКР. + 0.1 * Презентация промежуточных результатов ВКР. + 0.07 * Рекламная кампания с выходом на целевые KPI.

Программа дисциплины