• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

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

2021/2022
Учебный год
RUS
Обучение ведется на русском языке
9
Кредиты
Статус:
Курс обязательный
Когда читается:
2-й курс, 1-3 модуль

Преподаватели


Коточигов Константин Львович


Семенова Анастасия Михайловна


Суворина Татьяна Владимировна


Хапаева Наталья Михайловна

Программа дисциплины

Аннотация

Курс 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. Одной из задач проектно-исследовательского семинара является экспертная поддержка подготовки магистерского проекта (ВКР).
Цель освоения дисциплины

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 компетенций в области анализа и визуализации данных в коммуникациях.
Планируемые результаты обучения

Планируемые результаты обучения

  • Умеет готовить для последующей визуализации различные типы данных из баз данных и других источников.
  • Визуализирует данные и создаёт интерактивные дэшборды с использованием библиотек Python.
  • 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.
  • Использует инструменты Business Intelligence для анализа и визуализации данных.
  • Отличает существующие в основных инструментах модели атрибуции. Способен подобрать подходящую в зависимости от медиамикса и типа клиента.
  • Оценивает результаты моделирования с точки зрения качества анализа данных и бизнес-показателей.
  • 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 осуществлять разведывательный анализ данных, объединять и переформатировать данные.
  • Умеет представлять результаты проекта по анализу данных в форме отчёта или презентации.
  • Умеет строить и выбирать оптимальную модель анализа данных для решения бизнес-задачи.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • CRISP-DM: понимание бизнес-задач.
  • CRISP-DM: сбор и начальное изучение данных.
  • Аналитика данных: модели атрибуции.
  • CRISP-DM: подготовка данных.
  • CRISP-DM: моделирование.
  • CRISP-DM: оценка.
  • CRISP-DM: внедрение.
  • Визуализация данных
  • Задачи и принципы визуализации данных в Tableau.
  • Аналитика данных: аналитические инструменты в цифровых коммуникациях.
  • Инструменты Business Intelligence.
Элементы контроля

Элементы контроля

  • неблокирующий Бизнес-задача и данные.
  • неблокирующий Запрос в SQL.
  • неблокирующий Практическая работа по объединению и предобработке данных.
  • неблокирующий Презентация и обсуждение модели, используемой в ВКР.
  • неблокирующий Практическое задание по визуализации данных
  • неблокирующий Подбор модели атрибуции.
  • неблокирующий Презентация дизайна A/B теста.
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 1 модуль
  • 2021/2022 учебный год 2 модуль
  • 2021/2022 учебный год 3 модуль
    0.1 * Бизнес-задача и данные. + 0.1 * Запрос в SQL. + 0.15 * Подбор модели атрибуции. + 0.2 * Практическая работа по объединению и предобработке данных. + 0.15 * Практическое задание по визуализации данных + 0.1 * Презентация дизайна A/B теста. + 0.2 * Презентация и обсуждение модели, используемой в ВКР.
Список литературы

Список литературы

Рекомендуемая основная литература

  • Acharya, S., & Chellappan, S. (2017). Pro Tableau : A Step-by-Step Guide. New York: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1403967
  • Chong Guan, Zhiying Jiang, Ding Ding, Yue Wang, & David Kuo Chuen Lee. (2020). Web Analytics. World Scientific Book Chapters, 143. https://doi.org/10.1142/9789811203930_0008
  • Cirillo, A. (2017). R Data Mining. Birmingham, UK: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1643003
  • Döbler, M., & Grössmann, T. (2019). Data Visualization with Python : Create an Impact with Meaningful Data Insights Using Interactive and Engaging Visuals. Packt Publishing.
  • Dr. Ossama Embarak. (2018). Data Analysis and Visualization Using Python : Analyze Data to Create Visualizations for BI Systems. Apress.
  • Exenberger, E., & Bucko, J. (2020). Analysis of Online Consumer Behavior - Design of CRISP-DM Process Model. Agris On-Line Papers in Economics & Informatics, 3, 13–22. https://doi.org/10.7160/aol.2020.120302
  • Ole Nass, José Albors Garrigós, Hermenegildo Gil Gómez, & Klaus-Peter Schoeneberg. (2020). Attribution modelling in an omni-channel environment – new requirements and specifications from a practical perspective. International Journal of Electronic Marketing and Retailing, 1, 81.
  • Overgoor, G., Chica, M., Rand, W., & Weishampel, A. (2019). Letting the Computers Take Over: Using AI to Solve Marketing Problems. California Management Review, 61(4), 156–185. https://doi.org/10.1177/0008125619859318
  • Vo. T. H, P. (2017). Python: Data Analytics and Visualization. Packt Publishing.

Рекомендуемая дополнительная литература

  • Adam Aspin. (2020). Pro Power BI Desktop : Self-Service Analytics and Data Visualization for the Power User: Vol. Third edition. Apress.
  • 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
  • Martin Oberhofer, Eberhard Hechler, Ivan Milman, Scott Schumacher, & Dan Wolfson. (2014). Beyond Big Data : Using Social MDM to Drive Deep Customer Insight. [N.p.]: IBM Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1600785
  • Построение запросов и программирование на SQL : учеб. пособие для вузов, Маркин, А. В., 2008