• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2020/2021

Онлайн маркетинг, основанный на больших данных

Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус: Курс по выбору (Реклама и связи с общественностью)
Направление: 42.03.01. Реклама и связи с общественностью
Когда читается: 4-й курс, 2, 3 модуль
Формат изучения: без онлайн-курса
Язык: русский
Кредиты: 4
Контактные часы: 48

Программа дисциплины

Аннотация

Основная цель курса – предоставить студентам возможность самостоятельно пройти путь анализа данных. В итоге освоения курса студенты должны будут изучить механизмы анализа данных, построения метрик и управления процессом. Научиться определять показатели эффективности. В ходе курса планируется привлечение специалистов ежедневно работающих с данными и имеющими богатый опыт построения маркетинговых воронок, основанных на данных.
Цель освоения дисциплины

Цель освоения дисциплины

  • Сформировать у студентов фундаментальное представление основ работы с большими данными, как с точки зрения понимания работы ключевых рекламных и маркетинговых технологий, так и с точки зрения основных источников получения онлайн и офлайн данных, а также принципов использования алгоритмов машинного анализа данных для решения конкретных задач бизнеса.
Планируемые результаты обучения

Планируемые результаты обучения

  • Владеет ключевыми определениями. Корректно определяет и выбирает источники сбора онлайн и офлайн данных.
  • Владеет ключевыми определениями. Умеет ориентироваться в технических аспектах идентификации пользователя.
  • Знает технические основы сбора данных в онлайн и офлайн среде. Понимает принцип работы наиболее популярных алгоритмов анализа и сегментации данных.
  • Владеет ключевыми определениями. Знает технические основы процесса приема / передачи данных между технологическими платформами.
  • Владеет ключевыми определениями. Понимает принцип работы платформ управления данными. Обладает практическими навыками работы внутри платформ такого рода.
  • Понимает основные направления современных научных и проектных исследований, знает, какие данные нужны, как их собрать и с помощью чего обработать для проверки гипотезы.
  • Владеет ключевыми определениями. Понимает ключевые особенности и подходы аудиторного планирования онлайн коммуникации.
  • Владеет ключевыми определениями. Понимает практические основы формирования дата стратегии, умеет корректно ставить задачу и прогнозировать ожидаемые результаты.
  • Владеет ключевыми определениями. Понимает технические аспекты единой работы с онлайн и офлайн данными.
  • Владеет ключевыми определениями. Понимает технические аспекты централизованного использования данных для коммуникации и построения сквозной аналитики.
  • Владеет ключевыми определениями. Умеет выбирать источники для сбора текстовых данных, понимает основные алгоритмы их анализа.
  • Владеет ключевыми определениями. Понимает технические возможности платформ и умеет формировать триггеры для адаптации рекламных сообщений и построения узкотаргетированных коммуникаций.
  • Владеет ключевыми определениями. Понимает основные маркетинговые и бизнес задачи и умеет формировать план действий для их решения.
  • Владеет ключевыми определениями. Понимает ключевые метрики оценки эффективности, а также основные модели комплексной оценки.
  • Владеет ключевыми определениями. Понимает легальные принципы работы с данными.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Источники получения «больших данных»
    Обзор AdTech индустрии как одного из важнейших источников получения "больших данных" для последующего анализа и использования в онлайн маркетинговых активностях. Обзор основных типов данных: аналитические данные рекламных инструментов, текстовые данные, обезличенные идентификаторы пользователей в онлайн и офлайн среде. Задача связи различных типов данных для использования в маркетинговых активностях.
  • Онлайн данные и принципы идентификации пользователей
    Обзор основ идентификации пользователя в онлайн среде, сильные и слабые стороны идентификаторов. Обзор основных источников получения онлайн данных.
  • Офлайн данные и принципы идентификации пользователей
    Обзор основ идентификации пользователя в офлайн среде, сильные и слабые стороны идентификаторов. Обзор основных источников получения онлайн данных.
  • Сбор, хранение, анализ и сегментация данных
    Описание основных подходов к сбору онлайн и офлайн данных, а также обзор основных алгоритмов машинного анализа данных для построения эффективной маркетинговой коммуникации. Возможные подходы к сегментации больших данных.
  • Принцип передачи онлайн и офлайн данных между платформами
    Принцип интеграции различных платформ и обзор существующих протоколов приема/передачи данных
  • Технологии работы и управления данными
    Обзор платформ управления данными и основных возможностей работы с онлайн и офлайн данными. Тренд развития Customer data platform (CDP)
  • Первичный анализ данных
    Обзор основных направлений современных научных и проектных исследований, обзор основных подходов к обработке больших массивов данных и правила проверки гипотез.
  • Аудиторное планирование
    Влияние больших данных на изменение основных подходов и принципов медиапланирования.
  • Построение эффективной дата стратегии
    Обзор основных подходов составления стратегии работы с данными: выбор источников сбора, формирование логики сегментации данных, формирование критериев оценки.
  • Связь онлайн и офлайн данных
    Обзор принципов единой работы с онлайн и офлайн данными в привязке к идентификатору пользователя.
  • Решение задачи омниканальности
    Переход к единой коммуникации во всех используемых рекламных каналах, а также переход от коммуникации с устройствами пользователя к коммуникации с пользователем.
  • Работа с текстовыми данными
    Обзор существующих источников текстовых данных в онлайн среде и основных подходов анализа и использования данных.
  • Использование данных для персонализированной коммуникации
    Обзор технических возможностей платформ, описание подходов к формированию триггеров для адаптации рекламных сообщений и построения узкотаргетированных коммуникаций.
  • Использование данных для маркетинговых и бизнес-задач
    Обзор основных задач бизнеса, решение которых возможно за счет комплексной работы с большими данными.
  • Метрики оценки успешной коммуникации
    Обзор основных подходов оценки эффективности, понимание ожидаемых результатов на каждом из этапов коммуникационной воронки.
  • Правовые аспекты работы с большими данными
    Безопасность данных, существующие ограничения со стороны государства и влияние мировых рынков (американский и европейский подходы работы с персональными и обезличенными данными).
Элементы контроля

Элементы контроля

  • неблокирующий Оценка за активность на занятиях
  • неблокирующий Экзамен
    "Автомат" не предусмотрен. Экзамен проводится в письменной форме на платформе Google Forms (https://docs.google.com/forms/). Продолжительность экзамена: 80 минут. К экзамену необходимо подключиться за 5 минут до начала. Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка Google Forms / Google hangouts. Форма заданий подразумевает ответы на 10 открытых вопросов по материалам лекций и семинаров. Во время экзамена студентам разрешено: пользоваться собственными письменными конспектами.
  • неблокирующий Домашнее задание
    Формат задания и дедлайн выполнения сообщается преподавателем дополнительно.
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (3 модуль)
    0.3 * Домашнее задание + 0.3 * Оценка за активность на занятиях + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008

Рекомендуемая дополнительная литература

  • Foster, I., Ghani, R., Jarmin, R. S., Kreuter, F., & Lane, J. I. (2017). Big Data and Social Science : A Practical Guide to Methods and Tools. Boca Raton: Chapman and Hall/CRC. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1353316
  • Ishikawa, H. (2015). Social Big Data Mining. Boca Raton: CRC Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=964797
  • Lee, H., & Sohn, I. (2015). Fundamentals of Big Data Network Analysis for Research and Industry. Chichester, UK: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1100477