Data Science в клиентской и текстовой аналитике

2020/2021

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Факультатив

Кто читает: Базовая кафедра компании SAS

Когда читается: 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Пятов Алексей Александрович, Титова Наталия Николаевна

Язык: русский

Кредиты: 4

Контактные часы: 48

Полная версия программы учебной дисциплины

Аннотация

Цель данного междисциплинарного курса – получениеcne студентами представления об особенностях задач анализа данных в бизнесе с учетом специфики разных отраслей экономики, знакомство с конкретными примерами бизнес-задач, использующих анализ клинентских данных; В рамках курса студенты и слушатели научатся при помощи визуального интерфейса ПО SAS строить прогнозные модели и делать анализ данных без написания кода.

Цель освоения дисциплины

Целью данного факультатива является рассмотрение современных подходов, инструментов и методов интеллектуального анализа данных, применяемых в анализе клиентских данных.
Обучение построено на изучении не только соответствующих математических моделей и алгоритмов, но и на рассмотрении примеров их реального применения в этой области. Это позволит студентам изучить весь жизненный цикл аналитической модели, начиная с этапа формирования требований,подготовки данных и заканчивая этапом внедрения/эксплуатации
В рамках факультатива, студенты научаться обогащать информацию о клиентах с помощью текстовой аналитики на основе машинного обучения, проводить контекстно-семантический анализ и строить Lifestyle- сегментация на основе обогащенных данных из внешних источников.

Планируемые результаты обучения

Студент способен использовать ключевые показатели эффективности и основные метрики операционной и финансовой деятельности, используемые в разных отраслях экономики, отраслевую и функциональ-ную специфику реализации задач анализа данных в бизнесе.
СТудент способен применять математические методы и модели для решения задач анализа данных в бизнесе, возни-кающих в области клиентской аналитики, в розничных сетях продаж товаров и при анализе и оценке рисков, принципы проверки и представления результата решения этих задач.
Студент способен оформлять и представлять свои результаты в виде бизнес-презентации.
Студенты способны использовать программные средства загрузки, обработки, визуализации и интерактивно-го исследования онлайн данных, а также строить и применять на практике описательные и про-гнозные модели интеллектуального анализа данных и машинного обучения с использованием
Студент способен использовать программные средства загрузки, обработки, визуализации и интерактивно-го исследования данных, а также строить и применять на практике описательные и про-гнозные модели интеллектуального анализа данных и машинного обучения с использованием
Студенты получат знания анализа качества игроков в играх
Студенты знают как формулировать и решать задачи , прогнозирования LTV, churn rate
Студенты будут знать основные принципы построения прогнозных моделей в розничных рисках
Студенты знают основные подходы построения заявочной скоринговой модели с помощью классического подхода “преобразование WoE + логистическая регрессия”
Студенты будут знать зачем анализировать отклоненные заявки (Reject Inference)?
Студенты будут обладать знаниями как оценивать качество моделей
Формулировать, решать и оценивать результат решения задач анализа данных в бизнесе, возникающих в области клиентской аналитики, в розничных сетях продаж товаров и при анализе и оценке рисков и в других отраслях экономики.
Знание актуальных задач бизнеса, для решения которых подходят методы текстовой аналитики (в т.ч. в сочетании с методами машинного обучения).
Знание основных методов текстовой аналитики и программных инструментов, применяемых для анализа неструктурированных данных, их сильных и слабых сторон.
Умение превращать бизнес-задачу в техническую, решаемую конкретным набором подходов и методов для анализа текста.
Практические навыки решения задач различных индустрий методами текстовой аналитики.
Студенты научаться правильно формилировать гепотезы и корректноопределять метрики для проведения тестирования.
Студенты будут способны корректно оценивать результат по проведенному тестированию и правильно его интопретировать за бизнес-пользователей

Содержание учебной дисциплины

Раздел 1. Клиентская аналитика. Тема 1. Введение в клиентскую аналитику.
Цели и задачи клиентской аналитики. Понятие путешествия клиента в розничной торговле и почему важно управлять путешествием клиента в омниканальной среде. Клиентская аналитика в разных индустриях: Розница,Онлайн, Банк, Телеком и тд.. Обзор этапов развития клиентской аналитики. Решения и инструменты клиентской аналитики. Сквозной бизнес-процесс клиент-ской аналитики. Финансовое обоснование проектов.
Раздел 1. Тема 2. Клиентская аналитика в Онлайн.
Что такое онлайн-аналитика? Какие цели и задачи она решает? Сбор и обработка данных. Инструменты онлайн-аналитики. Разбор интерфейса и отчетов в Google Analytics. Сбор данных в web (метрики, цели, события, проверка отправки данных). Источники трафика, атрибуция и многоканальные последовательности.
Раздел 1. Тема 3. Прогностическая аналитика и взаимоотношения с клиентами.
Обзор существующих методов по обработке и анализа данных (Сегментация, анализ покупательских корзин, модель отклика, рекомендательная система) . Бизнес-интепретация результатов построения моделей прогнозного моделирования. Инструементы и методы анализа слабоструктурированных данных в оптимизации маркетинговых коммуникаций. Построение моделей и визуализация данных. Работа с SAS Visual Statistics: анализ качества данных, кластеризация, деревья решений, регрессия.
Раздел 1. Тема 4. Анализ данных по клиентам в игровой индустрии
Зачем играм анализ данных? Основные количественные характеристики игроков Поведение игрока. Воронки Монетизация игры Что такое LTV? Что такое АРПУ? Для чего необходимо считать churn rate? A/B тесты, зачем они нужны в играх? Задачи прогнозирования в играх. Что прогнозируем и зачем? Задачи прогнозирования в играх. Что прогнозируем и как? Примеры задач из практики
Раздел 1. Тема 5. Анализ данных в рисках. Роль оценки рисков в управлении рисками в банковской сфере.
Виды рисков. Зачем необходимо управлять рисками? Что такое кредитный риск? Управление кредитным риском. Статистика или экспертно? Подход управления кредитным риском, основанным на статистике. Требования к данным и моделям Виды моделей в кредитном анализе. Валидация моделей Построение заявочной скоринговой модели Требования к данным Анализ отклоненных заявок, зачем нужно анализировать тех, кому мы отказали в выдаче кредита? Оценка качества моделей. Основные метрики
Раздел 1. Тема 6. Оптимизация маркетинговых кампаний для повышения отклика и увеличения прибыли
Описания концепции и разработки комплекса предиктивных моделей. Анализ бизнес ограничений, демонстрирующий зависимость прибыли от изменения доступности ограниченного ресурса (sensitivity-анализ). Процессы управления кампаниями с использованием оптимизации.
Раздел 2. ТЕКСТОВАЯ АНАЛИТИКА Тема 1. Бизнес-задачи текстовой аналитики
Обзор задач бизнеса, которые решаются с помощью классификации текстов или извлечения фактов из неструктурированных данных (отчетов, пользовательских отзывов, новостей и т.д.). Рассмотрение индустрий, где такие задачи встречаются.
Раздел 2. Тема 2. Инструменты и методы текстовой аналитики
Обзор методов обработки текста и извлечения знаний из неструктурированных данных. Обзор программных продуктов: свободного ПО, библиотек Python и SAS Viya, которые эти методы реализуют.
Раздел 2. Тема 3. Текстовая аналитика в деле: банки и телеком
Разбор кейсов в сфере банковских учреждения и операторов сотовой связи: исследование пользовательского опыта, анализ событий.
Раздел 2. Тема 4. Текстовая аналитика в деле: образование и закупки
Разбор кейсов в сфере образования и закупок: классификация ответов учеников и объектов медицинских закупок.
Раздел 2. Тема 5. Текстовая аналитика в деле: ритейл
Разбор кейсов в сфере ритейла: анализ отзывов потребителей, юридических документов.
Раздел 3. Техника создания эффективной презентации
Общие принципы построения эффективных презентаций на основе данных и презентация результатов моделирования. Практическое занятие: разбор часных ошибок при создании презентаций и практический мастер-класс по созданию презентаций.
Раздел 4. Data driven-культура и A/B- тесты
Что такое data driven - подход? Описание этапов принятия решения при Data driven -подходе. Описание шагов по a/b -тестированию. RoadMap. Описание частых ошибок при проведении a/b-теста. Интерпретация результатов тестирования и статистическая значимость.

Элементы контроля

Контрольная работа №1
Контрольная работа №2
Экзамен в формате теста с вариантами ответов.
Экзамен проводится дистанционно в формате компьютерного теста. Ссылка на тест будет выслана студентам перед началом экзамена.

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
0.4 * Контрольная работа №1 + 0.4 * Контрольная работа №2 + 0.2 * Экзамен в формате теста с вариантами ответов.

Программа дисциплины