Методы анализа больших данных в исследованиях поведения покупателей

Магистратура 2020/2021

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

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

Лучший по критерию «Новизна полученных знаний»

Статус: Курс по выбору (Прикладные методы социального анализа рынков)

Направление: 39.04.01. Социология

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет социальных наук

Когда читается: 2-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Преподаватели: Управителев Филипп Александрович

Прогр. обучения: Прикладные методы социального анализа рынков

Язык: русский

Кредиты: 6

Контактные часы: 56

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Курс “Методы анализа больших данных в исследованиях поведения покупателей” предназначен для магистрантов второго года обучения и продолжает идеи и практики курса “Автоматизированный сбор больших данных в экономико-социологических исследованиях”. В курсе рассматриваются основные задачи продуктовой аналитики в IT-сфере, использующие идеи и методы больших данных. Слушатели курса ознакомятся с основными ролями и компетенциями аналитиков в IT-компаниях, научатся отвечать с помощью данных на ключевые бизнес-вопросы, стоящие перед аналитиками. Также слушатели познакомятся с возможностями применения методов машинного обучения для повышения ценности продукта - сегментации пользователей по их платежному поведению, прогнозирование оттока, прогностическая оценка окупаемости рекламных кампаний и т.д.

Цель освоения дисциплины

Дать студентам представление об основных задачах и инструментах, стоящих перед аналитиками в современных бизнес-компаниях.
Показать студентам возможные перспективы профессионального развития и заложить необходимые базовые навыки.

Планируемые результаты обучения

Студенты понимают цели и задачи, которые стоят перед аналитиками в бизнес-компаниях, преимущественно IT-сферы.
Студенты знают разные метрики активности и вовлечения пользователей, понимают их разницу, способны рассчитать метрики или нарисовать соответствующие графики.
Студенты понимают, как высчитываются монетизационные показатели проекта, способны различать различные модели монетизации, могут оценить и проинтерпретировать lifetime value пользователя.
Студенты понимают, как проводить АБ-тесты для новых элементов продукта: способны написать дизайн исследования, рассчитать выборку и проинтерпретировать результаты.
Студенты понимают основные модели привлечения пользователей продукта через рекламные кампании, способны оценивать и предсказывать эффективность рекламных кампаний.

Содержание учебной дисциплины

Введение в цели и задачи продуктовой аналитики
Лекция: Направления деятельности аналитиков: веб-аналитика, маркетинговая аналитика, продуктовая аналитика, анализ данных и машинное обучение. Основные задачи продуктовых аналитиков. Процессы и роль аналитика в продукте. Жизненный цикл продукта. Роль аналитиков на каждой этапе.
Метрики активности и вовлечения пользователей
Лекция: Оценка активности пользователей - DAU, MAU. Методы оценки удержания (retention) и оттока (churn), проблема операционализации оттока. Rolling retention, недостатки метода. Retention rate. Основные ошибки при оценке удержания. Практикумы: Подключение к базам данных. PostgreSQL, основы языка SQL. Визуализация и интерпретация DAU/MAU, значений удержания. Предсказание оттока пользователей: конструирование и отбор переменных, преобразование шкал. Качество прогностической модели.
Основы юнит-экономики и метрики монетизации пользователей
Лекция: Что такое юнит-экономика. Конверсия в целевое действие, скорость конверсии. ARPU, ARPPU, ARPDAU, структура прибыли. ROI. Основные ошибки при вычислении монетизационных метрик. Lifetime value (LTV), модели Pareto/NBD, BG/NBD, BG/BB. RFM-анализ. Понятие бизнес-модели. Практикумы: Вычисление значений конверсии. Расчет LTV. Продуктовые выводы и рекомендации на основе монетизационных метрик. Предсказание классов платящих и неплатящих пользователей. Деревья решений, случайный лес. PMML-спецификация.
Создание и тестирование фич (feature).
Лекции: Понятие фичи в разработке IT-продуктов. Понятие Unique selling proposition (USP). Задачи аналитиков при разработке фич. A/Б-тесты. Парадигмы A/Б-тестов (частотные тесты, sequential-подход, многорукие бандиты). Частые ошибки в тестировании. Размер выборки. Практикумы: Анализ ключевых фич популярных it-продуктов (Яндекс.Музыка, Авито, Twitter, Aviasales, или другие продукты на выбор студентов). Обсуждение возможных новых фич. Постановка гипотезы и построение дизайна А/Б-теста новой фичи. Определение размера выборки. Анализ и интерпретация результатов теста.
Основы маркетинговой аналитики
Исследования рынка. Модели привлечения пользователей в IT-продукты. Рекламные площадки (Facebook Ads, Google Adwords, прочие.). Проблема атрибуции. Оценка эффективности рекламных кампаний, бенчмарки. Практикумы: Кривые LTV. Оценка окупаемости кампании на 90 день, прогнозирование с помощью линейных моделей.

Элементы контроля

Контрольная работа 1
Работа сдается в виде скрипта на R (Python или другой ЯП - по договоренности со студентом)
Домашнее задание 1
Работа сдается в виде R-markdown-файла (или же любой другой формат, предполагающий использование языков программирования, по договоренности со студентом).
Контрольная работа 2
Работа сдается в виде скрипта на R (Python или другой ЯП - по договоренности со студентом)
Домашнее задание 2
Работа сдается в виде R-markdown-файла (или же любой другой формат, предполагающий использование языков программирования, по договоренности со студентом).

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
0.35 * Домашнее задание 1 + 0.35 * Домашнее задание 2 + 0.1 * Контрольная работа 1 + 0.2 * Контрольная работа 2

Программа дисциплины