2023/2024

Сбор и анализ количественных данных в рекламе и PR

Статус: Маго-лего

Кто читает: Школа коммуникаций

Когда читается: 3, 4 модуль

Онлайн-часы: 24

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Петров Александр Михайлович

Язык: русский

Кредиты: 6

Контактные часы: 8

Программа дисциплины

Аннотация

Курс “Сбор и анализ количественных данных в рекламе и PR” состоит из трех тематических блоков, посвященных аналитическим навыкам, необходимым для работы с большими и малыми данными. В первой части курса студенты познакомятся с языком программирования Python, а также его модулями и библиотеками для сбора и анализа количественных данных. Затем, мы поговорим о сборе количественных данных из открытых источников, обработке неструктурированных данных и создании полноценных массивов данных. Наконец, освоим базовые инструменты прикладной статистики и машинного обучения на курсе будут рассмотрены способы обобщения и выявления закономерностей в данных как главная цель анализа. В результате, цель данного курса – обеспечить студентов необходимыми прикладными навыками и теоретическими знаниями для работы с эмпирическими данными, обобщения полученных результатов и создания уникальных коммуникационных продуктов на основании количественного исследования. Данный курс ориентирован на студентов разного уровня математической подготовки и знания языков программирования. Задания на курсе получат прикладные знания о программировании, теории вероятностей, статистике и машинном обучении, что позволит им с нуля освоить базовые инструменты сбора и анализа данных. Курс сочетает в себе лучшие практики аналитической работы, анализа больших данных и основы дата-ориентированных коммуникаций, что является приоритетным направлением в индустрии сегодня.

Цель освоения дисциплины

• Обеспечить студентов необходимыми прикладными навыками и теоретическими знаниями для работы с эмпирическими данными, обобщения полученных результатов и создания уникальных коммуникационных продуктов на основании количественного исследования.

Планируемые результаты обучения

• Решать задачи по программированию с использованием языка программирования Python
• Использовать корректно синтаксис языка программирования Python при решении задач
• Описывать задачи рекламы и PR в терминах объектов и структур данных в Python
• Внедрять решения библиотеки Pandas для структурирования и описательного анализа данных
• Различать структурированные и неструктурированный данные
• Обобщать информацию из сырых данных с использованием библиотеки Pandas в Python
• Проектировать алгоритмы для автоматического сбора данных с веб-страниц с использованием языка Python
• Преобразовывать неструктурированные данные из открытых источников в табличные структуры
• Формулировать запросы с использованием библиотеки requests для получения данных из открытых источников
• Разрабатывать самостоятельно дизайн исследования для решения прикладных коммуникационных задач
• Обосновывать выбор качественной или количественной методологии
• Определять выборочное исследование и называть его основные черты
• Применять методологию выборочного исследования для решения прикладных коммуникационных задач
• Объяснять основные концепции выборочных оценок
• Различать различные семейства статистических распределений
• Обобщать данные с использованием методов описательной статистики
• Отличать статистические гипотезы и гипотезы содержательные
• Сопоставлять статистические критерии со статистическими гипотезами для их проверки
• Выдвигать гипотезы для проверок статистическими критериями
• Формулировать гипотезы о наличии парной взаимосвязи
• Отличать шкалы при измерении показателей в рекламе и PR
• Аргументировать выводы о наличии или отсутствии связи с использованием коэффициентов корреляции
• Обобщать данные с использованием инструментов визуализации
• Создавать нарратив для коммуникации выводов на основании визуализации данных
• Сопоставлять типы данных и инструменты их визуализации
• Осуществлять разведывательный анализ данных, объединять и переформатировать данные для ответа на содержательные вопросы
• Формулировать предварительные выводы по описательным статистикам
• Визуализировать и корректно интерпретировать результаты разведывательного этапа анализа данных
• Прогнозировать количественные показатели в рекламе и PR с использованием линейной регрессии
• Формулировать содержательные задачи о предсказании в терминах линейной регресии
• Классифицировать объекты в рекламе и PR с использованием логистической регрессии
• Формулировать содержательные задачи о классификации в терминах логистической регрессии
• способен разрабатывать модели на основе линейной регрессии
• умеет подготовить модель классификации текстовых данных
• способен создавать рекомендательные модели машинного обучения на данных соцмедиа
• умеет запускать большие языковые NLP-модели (современные LLM-модели)
• может выбрать необходимые параметры и запустить сервер для вычислений
• способен осуществить подготовку python-модели для публикации в веб – разработать первичный вариант АПИ-сервиса
• умеет развертывать/публиковать разработанные модели в Интернет

Содержание учебной дисциплины

• Язык программирования Python как инструмент для сбора и анализа количественных данных в PR
• Обработка данных в Python с использованием библиотеки Pandas
• Автоматизированный сбор данных с использованием инструментов веб-парсинга
• Сбор и анализ данных для прикладных коммуникационных задач
• Введение в анализ данных
• Базовый анализ взаимозависимости: коэффициенты корреляции
• Работа с признаками и разведывательный анализ данных
• Предсказание: задача линейной регрессии в рекламе и PR
• Классификация: задача логистической регрессии в рекламе и PR
• Модели на основе линейной регрессии для прогнозирования количества реакций к публикации
• Классификация текстов
• Кластеризация текстов
• Кластеризация авторов
• Анализ предпочтений пользователей
• Современные языковые модели (GPT и др.)
• Подготовка сервера вычислений для публикации модели в продакшн
• Развертывание сервиса для работы с моделью
• Развертывание сервиса машинного обучения в Интернет

Элементы контроля

• Тесты
• Контрольная работа 1
• Контрольная работа 2

Промежуточная аттестация

• 2023/2024 4th module
  0.25 * Контрольная работа 1 + 0.25 * Контрольная работа 2 + 0.5 * Тесты

Список литературы

Рекомендуемая основная литература

• Artun, O., & Levin, D. (2015). Predictive Marketing : Easy Ways Every Marketer Can Use Customer Analytics and Big Data. Hoboken: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1050355
• Eric Matthes. (2019). Python Crash Course, 2nd Edition : A Hands-On, Project-Based Introduction to Programming: Vol. 2nd edition. No Starch Press.
• Géron, A. (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems (Vol. First edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1486117
• Harish Garg. (2018). Mastering Exploratory Analysis with Pandas : Build an End-to-end Data Analysis Workflow with Python. Packt Publishing.
• Hayes, A. F. (2005). Statistical Methods for Communication Science. Mahwah, N.J.: Routledge. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=268335
• Lepkowski, J. M., Singer, E., Tourangeau, R., Groves, R. M., Fowler, F. J., & Couper, M. (2009). Survey Methodology (Vol. 2nd ed). Hoboken, N.J.: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=587983
• Lutz, M. (2009). Learning Python : Powerful Object-Oriented Programming: Vol. 4th ed. O’Reilly Media.
• McKinney, W. (2018). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython (Vol. Second edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1605925
• Seppe vanden Broucke, & Bart Baesens. (2018). Practical Web Scraping for Data Science : Best Practices and Examples with Python. Apress.

Рекомендуемая дополнительная литература

• Diogo R. Ferreira. (2017). A Primer on Process Mining : Practical Skills with Python and Graphviz. Springer.
• Gideon, L. (2012). Handbook of Survey Methodology for the Social Sciences. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=534934
• Matt Taddy. (2019). Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions. McGraw Hill.
• Nelli, F. (2015). Python Data Analytics : Data Analysis and Science Using Pandas, Matplotlib and the Python Programming Language. [Berkeley, CA]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1056488
• Sweigart, Al. Automate the boring stuff with Python: practical programming for total beginners. – No Starch Press, 2015. – 505 pp.
• Vanderplas, J.T. (2016). Python data science handbook: Essential tools for working with data. Sebastopol, CA: O’Reilly Media, Inc. https://proxylibrary.hse.ru:2119/login.aspx?direct=true&db=nlebk&AN=1425081.
• Митчелл, Р. Скрапинг веб-сайтов с помощю Python : руководство / Р. Митчелл , перевод с английского А. В. Груздев. — Москва : ДМК Пресс, 2016. — 280 с. — ISBN 978-5-97060-223-2. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100903 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Тюрин, Ю. Н. Теория вероятностей : учебник / Ю. Н. Тюрин, А. А. Макаров, Г. И. Симонова. — Москва : МЦНМО, 2009. — 256 с. — ISBN 978-5-94057-540-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/9426 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.