Магистратура
2019/2020![Цель освоения дисциплины](/f/src/global/i/edu/objectives.svg)
![Планируемые результаты обучения](/f/src/global/i/edu/results.svg)
![Содержание учебной дисциплины](/f/src/global/i/edu/sections.svg)
![Элементы контроля](/f/src/global/i/edu/controls.svg)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
![Список литературы](/f/src/global/i/edu/library.svg)
Проектно-исследовательский семинар "Анализ данных в коммуникационных проектах"
Статус:
Курс обязательный (Коммуникации, основанные на данных)
Направление:
42.04.01. Реклама и связи с общественностью
Кто читает:
Школа коммуникаций
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,
Уваров Максим Викторович
Прогр. обучения:
Коммуникации, основанные на данных
Язык:
русский
Кредиты:
15
Контактные часы:
176
Программа дисциплины
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 индикаторы эффективной коммуникации.
- Знает современные инструменты и подходы, которые помогают рекламодателям увеличить эффективность коммуникации.
- Знает, какие онлайн данные существуют, как собрать данные, как их использовать.
- 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.
- Знает специфику в области обеспечения безопасности данных и существующие юридические ограничения.
- Понимает специфику омниканальной коммуникации.
- 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
- Понимает основные направления современных научных и проектных исследований, знает, какие данные нужны, как их собрать и с помощью чего обработать для проверки гипотезы.
- Владеет и применяет методы анализа данных для анализа аудитории, составления портрета пользователя
- Демонстрирует владение статистическим анализом данных с использованием Python.
- Понимает принципы работы алгоритмов анализа данных, знает отличия от стандартных статистических подходов, понимает, какую модель выбрать для решения конкретной задачи и какие данные для этого необходимо собрать и каким образом собрать их безопасным способом.
- 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.
- Способен представить результате в формате презентации, отчета или интерактивного дэшборда для презентации клиенту.
- 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 основные этапы методологии; 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.
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.
- Тема 3. Инструменты измерения эффективности.Обзор современных инструментов измерения эффективности маркетинговых активностей бренда.
- Тема 5. Онлайн данныеКакие онлайн данные существуют, как собрать данные, как их использовать.
- Тема 4. Инструменты увеличения эффективности.Обзор современных инструментов и подходов, которые помогают рекламодателям увеличить эффективность коммуникации.
- 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 аналитикиМониторинг открытых источников и данные социальных сетей.
- Тема 10. Безопасность данных.Безопасность данных, ограничения со стороны государства и влияние мировых рынков.
- Тема 9. От медиа планирования к аудиторному планированию.Изменение подходов к планированию рекламных активностей бренда.
- Тема 11. От обезличенной коммуникации к персональной.Решение задач кросс-девайс коммуникации и задач омниканальности.
- 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.
- Тема 14. 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.
- Тема 15. 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. Построение скоринговых моделей для кук.
- Тема 16. 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.
- Тема 17. Другие прикладные задачи анализа данных.Особенности задач, методы построения выводов, на что обратить внимание. Кредитный скоринг, задача оттока и анализ эффективности удержания, анализ результатов АБ теста. Кейсы.
- Тема 19. Визуализация и представление результатов.Как визуализировать отчет так, чтобы понравилось клиенту. Построение интерактивных дэшбордов. Обзор BI систем. Обзор возможностей визуализации данных в Google Studio и Bime. Практика визуализации данных в Tableau.
- Тема 18. Оценка эффективности рекламных кампаний.Комплексная оценка метрик, моделирование атрибуции, эвристические и мультиканальные модели, их реализация и оценка эффективности РК.
- Тема 22. Методология анализа данных CRISP-DMПонимание бизнес-задач. Сбор и начальное изучение данных. Подготовка данных. Моделирование. Оценка. Внедрение.
- Тема 23. Обработка естественного языка и интеллектуальный анализ текстаПредварительная 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.)
- Тема 24. Рекомендательные системы.Принципы работы рекомендательных систем. Библиотеки машинного обучения для разработки сервисов рекомендаций
- Тема 25. Подготовка данных для предиктивных моделей.Отбор признаков для предиктивной модели. Аномалии в данных.
- Тема 26. Коммуникационные проекты, основанные на данных.Предзащита и обсуждение курсовых проектов.
- Введение в проектную работуОсобенности 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.
Элементы контроля
- Околлоквиум – оценка за коллоквиум.
- Домашнее задание 1
- Опроект – оценка за мини-проект
- Ообзор – оценка за обзор источников по теме курсового проектаОбзор источников представляется в виде устной презентации.
- Оплан1 – оценка за презентацию 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.
- Оплан2 – оценка за презентацию 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.
- Опредзащита – оценка за предзащиту курсового проектаСтуденту 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 2
- Домашнее задание 3
- Домашнее задание 4
- Домашнее задание 5
- Домашнее задание 6
- Домашнее задание 7
Промежуточная аттестация
- Промежуточная аттестация (4 модуль)0.1 * Домашнее задание 1 + 0.1 * Домашнее задание 2 + 0.1 * Домашнее задание 3 + 0.05 * Домашнее задание 4 + 0.05 * Домашнее задание 5 + 0.05 * Домашнее задание 6 + 0.05 * Домашнее задание 7 + 0.05 * Околлоквиум – оценка за коллоквиум. + 0.05 * Ообзор – оценка за обзор источников по теме курсового проекта + 0.1 * Оплан1 – оценка за презентацию плана индивидуального курсового проекта. + 0.1 * Оплан2 – оценка за презентацию плана группового проекта. + 0.1 * Опредзащита – оценка за предзащиту курсового проекта + 0.1 * Опроект – оценка за мини-проект
Список литературы
Рекомендуемая основная 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
- 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
- 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
- Szabó, G., & Boykin, O. (2019). Social Media Data Mining and Analytics. Hoboken: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1899346