Проектно-исследовательский семинар "Анализ данных в коммуникационных проектах"

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: 1-й курс, 1-4 модуль

Формат изучения: без онлайн-курса

Преподаватели: Грызунова Елена Аркадьевна, Егоров Дмитрий Владимирович, Коточигов Константин Львович, Нестер (Нестеренко) Роман Юрьевич, Суворина Татьяна Владимировна

Прогр. обучения: Коммуникации, основанные на данных

Язык: русский

Кредиты: 15

Контактные часы: 160

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Настоящая дисциплина относится к блоку дисциплин «Практика(и), проектная и(или) научно-исследовательская работа». Для программы «Коммуникации, основанные на данных» данная дисциплина является обязательной. В результате успешного освоения курса студенты будут: • знать принципы работы с данными и способы модификации существующих решений для достижения результатов в области анализа коммуникационной среды; • уметь проводить медиа и аудиторное планирование; представить результат в формате презентации, отчета или интерактивного дэшборда для презентации клиенту; • владеть инструментами измерения и увеличения эффективности коммуникаций; методами анализа данных для изучения аудитории, составления портрета пользователя, оценки эффективности кампаний; статистическим анализом данных с использованием Python; инструментами визуализации данных с использованием Python, BI инструментов, презентаций.

Цель освоения дисциплины

Целью дисциплины «Проектно-исследовательский семинар «Анализ данных в коммуникационных проектах» является освоение студентами аналитических и управленческих компетенций, необходимых для реализации прикладных коммуникационных проектов, основанных на данных.

Планируемые результаты обучения

Знает, как устроен рекламный рынок, и какие игроки его представляют, взаимодействие между участниками.
Знает, по каким метрикам бренды (компании) оценивают эффективность медиа и коммуникационных активностей.
Знает современные инструменты и подходы, которые помогают рекламодателям увеличить эффективность коммуникации.
Знает, какие оффлайн данные существуют, как собрать данные, как их использовать.
Знает, как связывать разные типы данных.
Знает, как получить данные из открытых источников.
Знает принципы планирования рекламных активностей бренда.
Имеет представление о современных тенденциях изменения потребительского поведения.
Дает определение методам, которые использует в работе с данными, понимает принцип работы и способы модификации для достижения определенных результатов и предлагать новые решения
Студент выбирает методы, подходы и инструменты для решения поставленных профессиональных задач, исходя из критического анализа существующей бизнеспрактики и обзора релевантных научных исследований.
Понимает основные направления современных научных и проектных исследований, знает, какие данные нужны, как их собрать и с помощью чего обработать для проверки гипотезы, предлагает собственные гипотезы и составляет план проекта или научного исследования для решения своих задач.
Знает индикаторы эффективной коммуникации
Знает, какие онлайн данные существуют, как собрать данные, как их использовать.
Знает специфику в области обеспечения безопасности данных и существующие юридические ограничения.
Понимает и распознает индикаторы эффективной коммуникации, владеет инструментами измерения и увеличения эффективности, способен проводить медиа и аудиторное планирование, провести анализ эффективности текущих каналов и выбрать наиболее подходящие.
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 когортным анализом
Умеет проводить A/B-тестирование
Владеет методом RFM-анализа аудитории. Умеет презентовать результат анализа данных в виде аналитической справки, отчета или презентации.
Владеет инструментами мобильной аналитики
Умеет комбинировать существующие методы анализа данных, разрабатывать новые подходы и обосновывать их целесообразность. Даёт рекомендации по разработке коммуникационных стратегий для различных аудиторных групп.
Знает основные этапы методологии CRISP-DM; умеет формулировать шаги аналитического проекта в терминах методологии.
Понимает основные принципы работы с текстовыми данными; умееет разрабатвать модели машинного обучения, использующие текстовые данные в качестве атрибутов.
Понимает принципы работы рекомендательных систем; умеет использовать прикладные библиотеки для разработки простых сервисов рекомендаций.
Умеет отбирать признаки для предиктивной модели; умеет выделять аномалии в данных.
Способен объяснить научно-популярным языком принципы работы алгоритма, цели и задачи проекта, донести до клиентов, выступать на конференциях с кейсами.
Составляет запросы к базам данных в SQL
Знает основные библиотеки для анализа и визуализации данных в Python
Владеет методами анализа данных для изучения аудитории, составления портрета пользователя. Владеет методами анализа данных в Python
Владеет методом кластеризации для анализа аудитории с помощью библиотек Python.
Считает и применяет метрики продуктовой аналитики.
Использует инструменты измерения и увеличения эффективности коммуникаций.
Представляет результаты анализа данных в формате презентации, отчета или интерактивного дэшборда ; объясняет научно-популярным языком принципы работы алгоритма, цели и задачи проекта.

Содержание учебной дисциплины

Тема 1. Экосистема рекламного (digital) рынка и его эволюция.
Как устроен рекламный рынок, и какие игроки его представляют, взаимодействие между участниками.
Тема 2. Индикаторы эффективной коммуникации.
По каким метрикам бренды (компании) оценивают эффективность медиа и коммуникационных активностей.
Инструменты измерения эффективности.
Обзор современных инструментов измерения эффективности маркетинговых активностей бренда. Понимание ожидаемых результатов на каждом из этапов коммуникационной воронки.
Тема 4. Инструменты увеличения эффективности.
Обзор современных инструментов и подходов, которые помогают рекламодателям увеличить эффективность коммуникации.
Онлайн-данные.
Какие онлайн-данные существуют, как собрать данные, как их использовать. Идентификация пользователя в онлайн среде, сильные и слабые стороны идентификаторов. Обзор существующих источников текстовых данных в онлайн среде и основных подходов анализа и использования данных.
Тема 6. Оффлайн данные.
Какие оффлайн данные существуют, как собрать данные, как их использовать.
Тема 7. Онлайн + Оффлайн.
Как связывают ранее не связанные типы данных. Обзор подходов и методов. Успешные примеры.
Тема 8. Смежные источники данных и аналитики
Мониторинг открытых источников и данные социальных сетей.
Тема 9. От медиа планирования к аудиторному планированию.
Изменение подходов к планированию рекламных активностей бренда.
Безопасность данных.
Безопасность данных, ограничения со стороны государства и влияние мировых рынков. Правовые аспекты работы с большими данными.
От обезличенной коммуникации к персональной.
Решение задач кросс-девайс коммуникации и задач омниканальности. Переход к единой коммуникации во всех используемых рекламных каналах, а также переход от коммуникации с устройствами пользователя к коммуникации с пользователем.
Тема 12. Изменение потребительского поведения.
Как меняется современное потребление, и какие технологии будут актуальны через 5 лет
Тема 13. Анализ данных для решения задач рекламодателей.
Ключевые концепты, основные тренды, AdTech, Data Market, основные проблемы. Обзор инструментов Data science и их применения в маркетинге. Полезные ресурсы.
Базы данных и SQL
Какие бывают базы данных, как работать с данными в БД, язык SQL. Фильтрация, группировка, составление подзапросов.
Первичный анализ данных.
Выгрузка и предобработка данных (GCP, bash), демонстрация основных методов Pandas, первые попытки описания аудитории, статистические сравнения групп пользователей. Демонстрация основных методов matplotlib, seaborn, plotly.
Задачи обучения с учителем. Как построить свой Look-a-like.
Алгоритмы классификации. Деревья решений и метод ближайших соседей. Как строится, работает, параметры и применение в реальных задачах. Линейные модели классификации и регрессии. Random Forest.Оценка эффективности алгоритмов. Модели оттока (churn). Как построить модель скоринга лидов.
Обучение без учителя. Поиск групп среди аудитории сайта и построение персональной коммуникации.
Метод главных компонент и кластеризация. Особенности применения PCA, выбор признаков, методы и метрики качества. Кластеризация пользователей методом машинного обучения. Выбор числа групп и алгоритма кластеризации. Метрики оценки качества кластеризации. Практическое применение и составление вариантов коммуникации под выбранные кластеры.
Прикладные задачи продуктовой аналитики.
KPI и метрики продуктовой аналитики. Как построить дерево метрик, расчет и использование метрик. Расчет и оптимизация воронки. Acquisition, Activation, Conversion, Retention, Expansion. Поиск точек роста.
Оценка эффективности рекламных кампаний.
Комплексная оценка метрик, моделирование атрибуции, эвристические и мультиканальные модели, их реализация и оценка эффективности РК.
Визуализация и представление результатов.
Как визуализировать отчет так, чтобы понравилось клиенту. Построение интерактивных дэшбордов. Обзор BI систем. Обзор возможностей визуализации данных в Google Studio. Практика визуализации данных в Tableau. Оформление результатов и презентация заказчику.
Сегментация аудитории как инструмент эффективной коммуникации. Сравнение Rule-based и 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. Персоны клиентов и их потребности, Скоринг персон, ABCDX сегментация, Customer Journey Map.
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 коммуникациях. Предсказание Lifetime Value пользователей. Отслеживание статусов RFM и LF, причин перемещения пользователей из сегмента в сегмент и планирование соответствующей коммуникации.
Когортный анализ.
Что такое когорты. Как строить и использовать когортный анализ. Предсказание mau на основе когорт и ретешнена. Предобработка данных в питоне, расчет когорт и анализ результатов.
A/B-тестирование и эксперименты.
Что такое АБ тесты, для чего нужны, как их проектировать, проводить, анализировать результаты. Дизайн экспримента и метрики, расчет размера выборки, применение статистических критериев, бутстреп, методы ускорения тестов. Проверка гипотез.
Особенности мобильной аналитики.
Мобильная аналитика - обзор инструментов. Особенность анализа транзакций из сторов. Особенности мобильных платформ. ASO и оптимизация в сторах.
Workshop по решению задач продуктовой и маркетинговой аналитики.
Решение кейсов и обсуждение мини-проектов. Growth hacking.
Введение в проектную работу
Особенности реализации коммуникационных проектов, основанных на данных: бизнес-практика, кейсы. Требования к курсовым проектам и групповой проектной работе. Презентация и обсуждение планов курсовых проектов и групповых проектов.
Критический анализ источников, обзор литературы.
Поиск и подбор релевантных источников. Критическое чтение. Синтез и анализ. Структура обзора литературы. Экспертное интервью как формат сбора данных об актуальной бизнес-практике.
Методология анализа данных CRISP-DM.
Разбор шагов методологии по каждому из этапов процесса (понимание бизнес-задач, сбор и начальное изучение данных, подготовка данных, моделирование, оценка, внедрение). Обзор типовых задач, решаемых в рамках каждого из шагов.
Обработка естественного языка и интеллектуальный анализ текста.
Предварительная обработка текстовых данных: токены, N-граммы. Тематическое моделирование. Извлечение информации и кластеризация. Байесовская классификация текстов. Анализ тональности текстов. Глубокое обучение в интеллектуальном анализе текста. Обзор практик применения интеллектуального анализа текстов для прикладных исследований в области рекламы и связей с общественностью (анализ потребительских предпочтений, оценка репутации, мониторинг трендов и др.)
Рекомендательные системы.
Постановка задачи генерации рекомендаций. Обзор классических подходов - content-based рекомендации, коллаборативная фильтрация, методы, основанные на разложении матрицы предпочтений. Реализация методов на python. Обзор библиотек машинного обучения для разработки сервисов рекомендаций.
Подготовка данных для предиктивных моделей.
Отбор признаков для предиктивной модели. Разбор основных методик отбора признаков. Методы поиска аномалий в данных.
Коммуникационные проекты, основанные на данных.
Презентация и обсуждение курсовых проектов.

Элементы контроля

Решение бизнес-кейса
Домашнее задание по анализу аудитории
Мини-проект: анализ рекламной кампании
Обзор источников по теме курсового проекта
Обзор источников представляется в виде устного выступления и презентации.
Презентация плана индивидуального курсового проекта.
Студенту необходимо представить план курсовой работы - индивидуального курсового проекта в форме мультимедийной презентации и устного выступления с последующими ответами на вопросы преподавателя и других студентов.Содержание презентации должно включать в себя:  техническое задание, цели и задачи проекта;  краткий обзор актуальных практик, анализ рынка, ситуационный анализ;  подробное описание этапов работы над проектом.
Презентация плана группового проекта.
Проектной группе необходимо представить план группового проекта в форме мультимедийной презентации и устного выступления с последующими ответами на вопросы преподавателя и других студентов. Презентация должна включать в себя описание бизнес-задачи и её решения с помощью методов анализа данных. Оценка – общая для проектной группы.
Предзащита курсового проекта
Студенту необходимо представить презентацию результатов курсового проекта. Выступление на 10 минут, презентация от 10 слайдов, а также ответить на вопросы преподавателя по курсовому проекту.
Домашнее задание на построение скоринговой модели
Домашнее задание по сегментации аудитории
Домашнее задание: препроцессинг данных и отбор признаков
Домашнее задание: обработка естественного языка
Домашнее задание: рекомендательная система
Домашнее задание: отчёт согласно методологии CRISP-DM
Мини-проект по коммуникациям, основанным на данных

Промежуточная аттестация

Промежуточная аттестация (4 модуль)
0.075 * Домашнее задание на построение скоринговой модели + 0.075 * Домашнее задание по анализу аудитории + 0.075 * Домашнее задание по сегментации аудитории + 0.075 * Домашнее задание: обработка естественного языка + 0.05 * Домашнее задание: отчёт согласно методологии CRISP-DM + 0.075 * Домашнее задание: препроцессинг данных и отбор признаков + 0.05 * Домашнее задание: рекомендательная система + 0.075 * Мини-проект по коммуникациям, основанным на данных + 0.075 * Мини-проект: анализ рекламной кампании + 0.075 * Обзор источников по теме курсового проекта + 0.1 * Предзащита курсового проекта + 0.05 * Презентация плана группового проекта. + 0.075 * Презентация плана индивидуального курсового проекта. + 0.075 * Решение бизнес-кейса

Программа дисциплины