2022/2023

Сбор и анализ количественных данных в рекламе и PR

Статус: Маго-лего

Кто читает: Школа коммуникаций

Когда читается: 1, 2 модуль

Онлайн-часы: 48

Охват аудитории: для своего кампуса

Преподаватели: Чмель Кирилл Шамилевич

Язык: русский

Кредиты: 6

Контактные часы: 6

Программа дисциплины

Аннотация

Курс “Сбор и анализ количественных данных в рекламе и PR” состоит из трех тематических блоков, посвященных аналитическим навыкам, необходимым для работы с большими и малыми данными. В первой части курса студенты познакомятся с языком программирования Python, а также его модулями и библиотеками для сбора и анализа количественных данных. Затем, мы поговорим о сборе количественных данных из открытых источников, обработке неструктурированных данных и создании полноценных массивов данных. Наконец, освоим базовые инструменты прикладной статистики и машинного обучения на курсе будут рассмотрены способы обобщения и выявления закономерностей в данных как главная цель анализа. В результате, цель данного курса – обеспечить студентов необходимыми прикладными навыками и теоретическими знаниями для работы с эмпирическими данными, обобщения полученных результатов и создания уникальных коммуникационных продуктов на основании количественного исследования. Данный курс ориентирован на студентов разного уровня математической подготовки и знания языков программирования. Задания на курсе получат прикладные знания о программировании, теории вероятностей, статистике и машинном обучении, что позволит им с нуля освоить базовые инструменты сбора и анализа данных. Курс сочетает в себе лучшие практики аналитической работы, анализа больших данных и основы дата-ориентированных коммуникаций, что является приоритетным направлением в индустрии сегодня.

Цель освоения дисциплины

• Обеспечить студентов необходимыми прикладными навыками и теоретическими знаниями для работы с эмпирическими данными, обобщения полученных результатов и создания уникальных коммуникационных продуктов на основании количественного исследования.

Планируемые результаты обучения

• Решать задачи по программированию с использованием языка программирования Python
• Использовать корректно синтаксис языка программирования Python при решении задач
• Описывать задачи рекламы и PR в терминах объектов и структур данных в Python
• Внедрять решения библиотеки Pandas для структурирования и описательного анализа данных
• Различать структурированные и неструктурированный данные
• Обобщать информацию из сырых данных с использованием библиотеки Pandas в Python
• Проектировать алгоритмы для автоматического сбора данных с веб-страниц с использованием языка Python
• Преобразовывать неструктурированные данные из открытых источников в табличные структуры
• Формулировать запросы с использованием библиотеки requests для получения данных из открытых источников
• Разрабатывать самостоятельно дизайн исследования для решения прикладных коммуникационных задач
• Обосновывать выбор качественной или количественной методологии
• Определять выборочное исследование и называть его основные черты
• Применять методологию выборочного исследования для решения прикладных коммуникационных задач
• Объяснять основные концепции выборочных оценок
• Различать различные семейства статистических распределений
• Обобщать данные с использованием методов описательной статистики
• Отличать статистические гипотезы и гипотезы содержательные
• Сопоставлять статистические критерии со статистическими гипотезами для их проверки
• Выдвигать гипотезы для проверок статистическими критериями
• Формулировать гипотезы о наличии парной взаимосвязи
• Отличать шкалы при измерении показателей в рекламе и PR
• Аргументировать выводы о наличии или отсутствии связи с использованием коэффициентов корреляции
• Обобщать данные с использованием инструментов визуализации
• Создавать нарратив для коммуникации выводов на основании визуализации данных
• Сопоставлять типы данных и инструменты их визуализации
• Осуществлять разведывательный анализ данных, объединять и переформатировать данные для ответа на содержательные вопросы
• Формулировать предварительные выводы по описательным статистикам
• Визуализировать и корректно интерпретировать результаты разведывательного этапа анализа данных
• Прогнозировать количественные показатели в рекламе и PR с использованием линейной регрессии
• Формулировать содержательные задачи о предсказании в терминах линейной регресии
• Классифицировать объекты в рекламе и PR с использованием логистической регрессии
• Формулировать содержательные задачи о классификации в терминах логистической регрессии

Содержание учебной дисциплины

• Язык программирования Python как инструмент для сбора и анализа количественных данных в PR
• Обработка данных в Python с использованием библиотеки Pandas
• Автоматизированный сбор данных с использованием инструментов веб-парсинга
• Сбор и анализ данных для прикладных коммуникационных задач
• Введение в анализ данных
• Базовый анализ взаимозависимости: коэффициенты корреляции
• Работа с признаками и разведывательный анализ данных
• Предсказание: задача линейной регрессии в рекламе и PR
• Классификация: задача логистической регрессии в рекламе и PR

Элементы контроля

• Тесты
  Тест является пререквизитом для перехода к следующему тематическом разделу дисциплины, таким образом является обязательным для выполнения. Тесты состоят из закрытых вопросов, которые могут содержать один или несколько правильных вариантов ответа. Для выполнения некоторых тестовых заданий студентам может понадобиться для начала выполнить задание в Python, а затем выбрать ответ из списка.
• Контрольная работа 1
  Контрольная работа – проверочная работа, завершающая 1 модуль. После прохождения всех тем в 1 модуле студентам предлагается выполнить контрольную работу в формате теста. Тест состоит из закрытых вопросов, которые могут содержать один или несколько правильных вариантов ответа. Для выполнения некоторых тестовых заданий студентам может понадобиться для начала выполнить задание в Python, а затем выбрать ответ из списка.
• Контрольная работа 2
  Контрольная работа – проверочная работа, завершающая 2 модуль. После прохождения всех тем во 2 модуле студентам предлагается выполнить контрольную работу в формате теста. Тест состоит из закрытых вопросов, которые могут содержать один или несколько правильных вариантов ответа. Для выполнения некоторых тестовых заданий студентам может понадобиться для начала выполнить задание в Python, а затем выбрать ответ из списка.

Промежуточная аттестация

• 2022/2023 учебный год 2 модуль
  0.25 * Контрольная работа 2 + 0.5 * Тесты + 0.25 * Контрольная работа 1

Список литературы

Рекомендуемая основная литература

• Artun, O., & Levin, D. (2015). Predictive Marketing : Easy Ways Every Marketer Can Use Customer Analytics and Big Data. Hoboken: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1050355
• Eric Matthes. (2019). Python Crash Course, 2nd Edition : A Hands-On, Project-Based Introduction to Programming: Vol. 2nd edition. No Starch Press.
• Géron, A. (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems (Vol. First edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1486117
• Harish Garg. (2018). Mastering Exploratory Analysis with Pandas : Build an End-to-end Data Analysis Workflow with Python. Packt Publishing.
• Hayes, A. F. (2005). Statistical Methods for Communication Science. Mahwah, N.J.: Routledge. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=268335
• Lepkowski, J. M., Singer, E., Tourangeau, R., Groves, R. M., Fowler, F. J., & Couper, M. (2009). Survey Methodology (Vol. 2nd ed). Hoboken, N.J.: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=587983
• Lutz, M. (2009). Learning Python : Powerful Object-Oriented Programming: Vol. 4th ed. O’Reilly Media.
• McKinney, W. (2018). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython (Vol. Second edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1605925
• Seppe vanden Broucke, & Bart Baesens. (2018). Practical Web Scraping for Data Science : Best Practices and Examples with Python. Apress.
• Yau N. Visualize This: The FlowingData Guide to Design, Visualization, and Statistics. - John Wiley & Sons, 2011.

Рекомендуемая дополнительная литература

• Diogo R. Ferreira. (2017). A Primer on Process Mining : Practical Skills with Python and Graphviz. Springer.
• Gideon, L. (2012). Handbook of Survey Methodology for the Social Sciences. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=534934
• Krum, R. (2014). Cool Infographics : Effective Communication with Data Visualization and Design. Indianapolis, Indiana: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=654832
• Matt Taddy. (2019). Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions. McGraw Hill.
• Nelli, F. (2015). Python Data Analytics : Data Analysis and Science Using Pandas, Matplotlib and the Python Programming Language. [Berkeley, CA]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1056488
• Sweigart, Al. Automate the boring stuff with Python: practical programming for total beginners. – No Starch Press, 2015. – 505 pp.
• Vanderplas, J.T. (2016). Python data science handbook: Essential tools for working with data. Sebastopol, CA: O’Reilly Media, Inc. https://proxylibrary.hse.ru:2119/login.aspx?direct=true&db=nlebk&AN=1425081.
• Митчелл, Р. Скрапинг веб-сайтов с помощю Python : руководство / Р. Митчелл , перевод с английского А. В. Груздев. — Москва : ДМК Пресс, 2016. — 280 с. — ISBN 978-5-97060-223-2. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100903 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Тюрин, Ю. Н. Теория вероятностей : учебник / Ю. Н. Тюрин, А. А. Макаров, Г. И. Симонова. — Москва : МЦНМО, 2009. — 256 с. — ISBN 978-5-94057-540-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/9426 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Авторы

• Чмель Кирилл Шамилевич
• Фахреева Дарья Ришатовна