• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Версия для слабовидящихВерсия для слабовидящихЛичный кабинет сотрудника ВШЭПоиск
Расширенный поиск
Меню
Высшая школа экономики
Личный кабинет сотрудника ВШЭПоиск
Расширенный поиск

Программа дисциплины

Магистратура 2023/2024

Проектно-исследовательский семинар "Анализ данных в коммуникационных проектах"

Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Статус: Курс обязательный
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
Охват аудитории: для своего кампуса
Преподаватели: Грызунова Елена Аркадьевна, Егоров Дмитрий Владимирович, Коточигов Константин Львович, Нестер (Нестеренко) Роман Юрьевич, Суворина Татьяна Владимировна
Прогр. обучения: Коммуникации, основанные на данных
Язык: русский
Кредиты: 12
Контактные часы: 124

Программа дисциплины

Полная версия программы учебной дисциплины

Аннотация

В результате успешного освоения программы проектно-исследовательского семинара 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

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

Планируемые результаты обучения

  • Владеет методами анализа данных для изучения аудитории, составления портрета пользователя. Владеет методами анализа данных в Python
  • Владеет методом кластеризации для анализа аудитории с помощью библиотек Python.
  • Дает определение методам, которые использует в работе с данными, понимает принцип работы и способы модификации для достижения определенных результатов и предлагать новые решения
  • Знает основные этапы методологии CRISP-DM; умеет формулировать шаги аналитического проекта в терминах методологии.
  • Использует инструменты измерения и увеличения эффективности коммуникаций.
  • 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.
  • Представляет результаты анализа данных в формате презентации, отчета или интерактивного дэшборда ; объясняет научно-популярным языком принципы работы алгоритма, цели и задачи проекта.
  • Студент выбирает методы, подходы и инструменты для решения поставленных профессиональных задач, исходя из критического анализа существующей бизнеспрактики и обзора релевантных научных исследований.
  • Использует статистические методы для сравнения пользовательских групп и составления портрета аудитории.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Экосистема рекламного (digital) рынка и его эволюция.
  • Тема 2. Индикаторы эффективной коммуникации.
  • Инструменты измерения эффективности.
  • Тема 4. Инструменты увеличения эффективности.
  • Онлайн-данные.
  • Тема 6. Оффлайн данные.
  • Тема 7. Онлайн + Оффлайн.
  • Тема 8. Смежные источники данных и аналитики
  • Тема 9. От медиа планирования к аудиторному планированию.
  • Безопасность данных.
  • От обезличенной коммуникации к персональной.
  • Тема 12. Изменение потребительского поведения.
  • Тема 13. Анализ данных для решения задач рекламодателей.
  • Введение в проектную работу и подготовку КР
  • Базы данных и SQL
  • Первичный анализ данных. Сравнение пользовательских групп.
  • Задачи обучения с учителем. Как построить свой Look-a-like.
  • Обучение без учителя. Поиск групп среди аудитории сайта и построение персональной коммуникации.
  • Прикладные задачи и метрики продуктовой аналитики
  • Оценка эффективности рекламных кампаний.
  • Визуализация и представление результатов.
  • RFM-анализ для сегментации пользователей по транзакционным данным. Визуализация. Предсказание Lifetime Value пользователей.
  • Когортный анализ.
  • A/B-тестирование и эксперименты.
  • Особенности мобильной аналитики.
  • Workshop по решению задач продуктовой и маркетинговой аналитики.
  • Синтез и анализ источников, обзор литературы для проектной работы
  • Методология анализа данных CRISP-DM.
  • Обработка естественного языка и интеллектуальный анализ текста.
  • Рекомендательные системы.
  • Подготовка данных для предиктивных моделей.
  • Коммуникационные проекты, основанные на данных.
Элементы контроля

Элементы контроля

  • неблокирующий Предзащита курсового проекта
    Предварительная презентация результатов курсового проекта в рамках проектно-исследовательского семинара до основной защиты КР перед комиссией.
  • неблокирующий Домашнее задание: обработка естественного языка
    Определение тональности отзыва
  • неблокирующий Домашнее задание: рекомендательная система
    Сервис рекомендаций для пользователя.
  • неблокирующий Мини-проект: кластеризация посетителей сайта и выбор эффективных сегментов для РК
    Построение модели атрибуции.
  • неблокирующий Обзор источников по теме курсового проекта
    Обзор источников представляется в виде устного выступления и презентации.
  • неблокирующий Домашнее задание по анализу аудитории
    Статистический анализ характеристик целевой аудитории коммуникационной кампании.
  • неблокирующий Домашнее задание по сегментации аудитории
    Сегментация пользователей.
  • неблокирующий Презентация плана индивидуального курсового проекта.
    Презентация плана курсовой работы
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 4th module
    0.1 * Домашнее задание по анализу аудитории + 0.1 * Домашнее задание по сегментации аудитории + 0.1 * Домашнее задание: обработка естественного языка + 0.1 * Домашнее задание: рекомендательная система + 0.2 * Мини-проект: кластеризация посетителей сайта и выбор эффективных сегментов для РК + 0.1 * Обзор источников по теме курсового проекта + 0.2 * Предзащита курсового проекта + 0.1 * Презентация плана индивидуального курсового проекта.
Список литературы

Список литературы

Рекомендуемая основная литература

  • 9781498751414 - Foster, Ian; Ghani, Rayid; Jarmin, Ron S.; Kreuter, Frauke; Lane, Julia I. - Big Data and Social Science : A Practical Guide to Methods and Tools - 2017 - CRC Press - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=1353316 - nlebk - 1353316
  • Elsbach, K. D., & Knippenberg, D. (2020). Creating High‐Impact Literature Reviews: An Argument for “Integrative Reviews.” Journal of Management Studies (John Wiley & Sons, Inc.), 57(6), 1277–1289. https://doi.org/10.1111/joms.12581
  • 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
  • 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
  • King, R. S. (2015). Cluster Analysis and Data Mining : An Introduction. Mercury Learning & Information.
  • Malik, U., Goldwasser, M., & Johnston, B. (2019). SQL for Data Analytics : Perform Fast and Efficient Data Analysis with the Power of SQL. Packt Publishing.
  • Shmueli, G., Bruce, P. C., Gedeck, P., & Patel, N. R. (2020). Data Mining for Business Analytics : Concepts, Techniques and Applications in Python. Newark: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2273611

Рекомендуемая дополнительная литература

  • 9781118824900 - Szabó, Gábor; Boykin, Oscar - Social Media Data Mining and Analytics - 2018 - John Wiley & Sons, Inc. - http://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=1899346 - nlebk - 1899346
  • Ben Mahmoud-Jouini, S., Midler, C., & Silberzahn, P. (2016). Contributions of Design Thinking to Project Management in an Innovation Context. Project Management Journal, 47(2), 144–156. https://doi.org/10.1002/pmj.21577
  • Green, B. N., Johnson, C. D., & Adams, A. (2006). Writing narrative literature reviews for peer-reviewed journals: secrets of the trade. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.86A0B01A
  • 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
  • Rosenthal, R., & DiMatteo, M. R. (2001). META-ANALYSIS: Recent Developments in Quantitative Methods for Literature Reviews. Annual Review of Psychology, 52(1), 59. https://doi.org/10.1146/annurev.psych.52.1.59
  • Spalek, S. (2019). Data Analytics in Project Management. Boca Raton, FL: Auerbach Publications. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1898650

Авторы

  • Добромыслова Ксения Олеговна
  • Грызунова Елена Аркадьевна