Магистратура 2022/2023

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

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: 2-й курс, 1-3 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Коточигов Константин Львович, Семенова Анастасия Михайловна, Суворина Татьяна Владимировна, Хапаева Наталья Михайловна

Прогр. обучения: Коммуникации, основанные на данных

Язык: русский

Кредиты: 9

Контактные часы: 74

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

• 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

• 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.
• 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

• CRISP-DM: понимание бизнес-задач.
• CRISP-DM: сбор и начальное изучение данных.
• Аналитика данных: модели атрибуции.
• CRISP-DM: предварительная обработка данных.
• CRISP-DM: моделирование.
• CRISP-DM: оценка.
• CRISP-DM: внедрение.
• Визуализация данных
• Аналитика данных: аналитические инструменты в цифровых коммуникациях.

Элементы контроля

• Бизнес-задача и данные.
• Запрос в SQL.
• Практическая работа по объединению и предобработке данных.
• Презентация и обсуждение модели, используемой в ВКР.
• Практическое задание по визуализации данных
• Подбор модели атрибуции.

Промежуточная аттестация

• 2022/2023 учебный год 3 модуль
  0.3 * Презентация и обсуждение модели, используемой в ВКР. + 0.15 * Подбор модели атрибуции. + 0.2 * Практическая работа по объединению и предобработке данных. + 0.15 * Практическое задание по визуализации данных + 0.1 * Бизнес-задача и данные. + 0.1 * Запрос в SQL.

Список литературы

Рекомендуемая основная литература

• 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.
• 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

Рекомендуемая дополнительная 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
• 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

Авторы

• Грызунова Елена Аркадьевна