Мы используем файлы cookies для улучшения работы сайта НИУ ВШЭ и большего удобства его использования. Более подробную информацию об использовании файлов cookies можно найти здесь, наши правила обработки персональных данных – здесь. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом НИУ ВШЭ и согласны с нашими правилами обработки персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера.

  • A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2024/2025

Проектно-исследовательский семинар "Анализ данных в коммуникационных проектах"

Направление: 42.04.01. Реклама и связи с общественностью
Когда читается: 1-й курс, 2-4 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Прогр. обучения: Цифровые коммуникации и продуктовая аналитика
Язык: русский
Кредиты: 9

Программа дисциплины

Аннотация

Проектно-исследовательский семинар направлен на поэтапное погружение в экосистему и аналитические методы в цифровых коммуникациях. На первом этапе студенты знакомятся с индустрией, основными трендами, кейсами, типами и источниками данных. На втором этапе студенты получают практические навыки аудиторного анализа, маркетинговой и продуктовой аналитики с использованием Python и SQL. На третьем этапе студенты применяют методы машинного обучения для обработки естественного языка, создания предиктивных моделей и рекомендательных систем при решении коммуникационных задач. Семинар также реализует функцию экспертной поддержки проектной работы студентов в рамках подготовки курсовой работы.
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

  • Использует инструменты измерения и увеличения эффективности коммуникаций.
  • Представляет результаты анализа данных в формате презентации, отчета или интерактивного дэшборда ; объясняет научно-популярным языком принципы работы алгоритма, цели и задачи проекта.
  • Составляет запросы к базам данных в SQL
  • Студент выбирает методы, подходы и инструменты для решения поставленных профессиональных задач, исходя из критического анализа существующей бизнеспрактики и обзора релевантных научных исследований.
  • Считает и применяет метрики продуктовой аналитики.
  • Формулирует гипотезы и составляет план проекта на основе имеющихся данных и поставленных задач
  • Использует статистические методы для сравнения пользовательских групп и составления портрета аудитории.
  • Описывает актуальную экосистему диджитал-рынка (наполнение, ключевые игроки, функционал технических платформ).
  • Классифицирует инструменты измерения эффективности цифровых коммуникационных стратегий
  • На базовом уровне формирует коммуникационную стратегию на основе использования и анализа данных
  • Использует прикладные библиотеки Python для разработки простых рекомендательных систем
  • Отбирает признаки для предиктивной модели.
  • Выделяет аномалии в данных.
  • Разрабатывает модели машинного обучения, использующие текстовые данные.
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.
  • Оценивание моделей и отбор признаков.
  • Обработка естественного языка и интеллектуальный анализ текста
  • Рекомендательные системы.
Элементы контроля

Элементы контроля

  • неблокирующий Кейс
  • неблокирующий Домашнее задание по анализу аудитории
    Статистический анализ характеристик целевой аудитории коммуникационной кампании.
  • неблокирующий Мини-проект: кластеризация посетителей сайта и выбор эффективных сегментов для РК
  • неблокирующий Обзор источников по теме курсового проекта
  • неблокирующий Домашнее задание по сегментации аудитории
  • неблокирующий Презентация плана индивидуального курсового проекта
  • неблокирующий Домашнее задание: обработка естественного языка
  • неблокирующий Домашнее задание: рекомендательная система
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 4th module
    0.125 * Домашнее задание по анализу аудитории + 0.125 * Домашнее задание по сегментации аудитории + 0.125 * Домашнее задание: обработка естественного языка + 0.125 * Домашнее задание: рекомендательная система + 0.125 * Кейс + 0.125 * Мини-проект: кластеризация посетителей сайта и выбор эффективных сегментов для РК + 0.125 * Обзор источников по теме курсового проекта + 0.125 * Презентация плана индивидуального курсового проекта
Список литературы

Список литературы

Рекомендуемая основная литература

  • Python для сложных задач: наука о данных и машинное обучение. - 978-5-4461-0914-2 - Плас Дж. Вандер - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/bookshelf/376830 - 376830 - iBOOKS
  • Машинное обучение с использованием Python. Сборник рецептов: Пер. с англ. - 978-5-9775-4056-8 - Элбон Крис - 2019 - Санкт-Петербург: БХВ-Петербург - https://ibooks.ru/bookshelf/366635 - 366635 - iBOOKS
  • Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка - 978-5-4461-1153-4 - Бенджамин Бенгфорт, Ребекка Билбро, Тони Охеда - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/bookshelf/365298 - 365298 - iBOOKS
  • Рашка, С. Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения : руководство / С. Рашка , перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2017. — 418 с. — ISBN 978-5-97060-409-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100905 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
  • Твердохлебова, М. Д., Интернет-маркетинг : учебник / М. Д. Твердохлебова. — Москва : КноРус, 2025. — 190 с. — ISBN 978-5-406-13783-3. — URL: https://book.ru/book/955537 (дата обращения: 26.08.2024). — Текст : электронный.

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
  • 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
  • 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
  • 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

Авторы

  • Грызунова Елена Аркадьевна