Проектно-исследовательский семинар "Анализ данных в коммуникационных проектах"

Магистратура 2021/2022

Статус: Курс обязательный (Коммуникации, основанные на данных)

Направление: 42.04.01. Реклама и связи с общественностью

Где читается: Факультет креативных индустрий

Когда читается: 1-й курс, 1-4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Бердников Илья Евгеньевич, Грызунова Елена Аркадьевна, Коточигов Константин Львович, Нестер (Нестеренко) Роман Юрьевич, Суворина Татьяна Владимировна

Прогр. обучения: Коммуникации, основанные на данных

Язык: русский

Кредиты: 15

Контактные часы: 160

Полная версия программы учебной дисциплины

Аннотация

Настоящая дисциплина относится к блоку дисциплин «Практика(и), проектная и(или) научно-исследовательская работа». Для программы «Коммуникации, основанные на данных» данная дисциплина является обязательной. В результате успешного освоения курса 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

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

Владеет инструментами мобильной аналитики
Владеет когортным анализом
Владеет методами анализа данных для изучения аудитории, составления портрета пользователя. Владеет методами анализа данных в Python
Владеет методом RFM-анализа аудитории. Умеет презентовать результат анализа данных в виде аналитической справки, отчета или презентации.
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 индикаторы эффективной коммуникации
Знает методы, которые используются во время работы с данными; принципы работы и способы модификации методов анализа данных для достижения определенных результатов; существующие методы решения задач сегментации аудитории для коммуникационных кампаний.
Знает основные библиотеки для анализа и визуализации данных в Python
Знает основные этапы методологии CRISP-DM; умеет формулировать шаги аналитического проекта в терминах методологии.
Знает принципы планирования рекламных активностей бренда.
Знает современные инструменты и подходы, которые помогают рекламодателям увеличить эффективность коммуникации.
Знает специфику в области обеспечения безопасности данных и существующие юридические ограничения.
Знает, как получить данные из открытых источников.
Знает, как связывать разные типы данных.
Знает, как устроен рекламный рынок, и какие игроки его представляют, взаимодействие между участниками.
Знает, какие онлайн данные существуют, как собрать данные, как их использовать.
Знает, какие оффлайн данные существуют, как собрать данные, как их использовать.
Знает, по каким метрикам бренды (компании) оценивают эффективность медиа и коммуникационных активностей.
Имеет представление о современных тенденциях изменения потребительского поведения.
Использует инструменты измерения и увеличения эффективности коммуникаций.
Понимает и распознает индикаторы эффективной коммуникации, владеет инструментами измерения и увеличения эффективности, способен проводить медиа и аудиторное планирование, провести анализ эффективности текущих каналов и выбрать наиболее подходящие.
Понимает основные направления современных научных и проектных исследований, знает, какие данные нужны, как их собрать и с помощью чего обработать для проверки гипотезы, предлагает собственные гипотезы и составляет план проекта или научного исследования для решения своих задач.
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.
Составляет запросы к базам данных в SQL
Способен объяснить научно-популярным языком принципы работы алгоритма, цели и задачи проекта, донести до клиентов, выступать на конференциях с кейсами.
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.
Умеет комбинировать существующие методы анализа данных, разрабатывать новые подходы и обосновывать их целесообразность. Даёт рекомендации по разработке коммуникационных стратегий для различных аудиторных групп.
Умеет отбирать признаки для предиктивной модели; умеет выделять аномалии в данных.
Умеет проводить A/B-тестирование

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.
Базы данных и SQL
Первичный анализ данных.
Задачи обучения с учителем. Как построить свой Look-a-like.
Обучение без учителя. Поиск групп среди аудитории сайта и построение персональной коммуникации.
Прикладные задачи продуктовой аналитики.
Оценка эффективности рекламных кампаний.
Визуализация и представление результатов.
Сегментация аудитории как инструмент эффективной коммуникации. Сравнение Rule-based и AI подходов.
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.
Введение в проектную работу
Критический анализ источников, обзор литературы.
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

Решение бизнес-кейса
Домашнее задание по анализу аудитории
Мини-проект: анализ рекламной кампании
Обзор источников по теме курсового проекта
Обзор источников представляется в виде устного выступления и презентации.
Презентация плана индивидуального курсового проекта.
Студенту необходимо представить план курсовой работы - индивидуального курсового проекта в форме мультимедийной презентации и устного выступления с последующими ответами на вопросы преподавателя и других студентов.Содержание презентации должно включать в себя:  техническое задание, цели и задачи проекта;  краткий обзор актуальных практик, анализ рынка, ситуационный анализ;  подробное описание этапов работы над проектом.
Презентация плана группового проекта.
Проектной группе необходимо представить план группового проекта в форме мультимедийной презентации и устного выступления с последующими ответами на вопросы преподавателя и других студентов. Презентация должна включать в себя описание бизнес-задачи и её решения с помощью методов анализа данных. Оценка – общая для проектной группы.
Предзащита курсового проекта
Студенту необходимо представить презентацию результатов курсового проекта. Выступление на 10 минут, презентация от 10 слайдов, а также ответить на вопросы преподавателя по курсовому проекту.
Домашнее задание на построение скоринговой модели
Домашнее задание по сегментации аудитории
Домашнее задание: препроцессинг данных и отбор признаков
Домашнее задание: обработка естественного языка
Домашнее задание: рекомендательная система
Домашнее задание: отчёт согласно методологии CRISP-DM
Мини-проект по коммуникациям, основанным на данных

Промежуточная аттестация

2021/2022 учебный год 4 модуль
0.075 * Обзор источников по теме курсового проекта + 0.075 * Домашнее задание на построение скоринговой модели + 0.05 * Домашнее задание: рекомендательная система + 0.075 * Домашнее задание: обработка естественного языка + 0.075 * Домашнее задание по сегментации аудитории + 0.075 * Мини-проект по коммуникациям, основанным на данных + 0.1 * Предзащита курсового проекта + 0.075 * Домашнее задание: препроцессинг данных и отбор признаков + 0.05 * Домашнее задание: отчёт согласно методологии CRISP-DM + 0.075 * Решение бизнес-кейса + 0.075 * Домашнее задание по анализу аудитории + 0.075 * Презентация плана индивидуального курсового проекта. + 0.075 * Мини-проект: анализ рекламной кампании + 0.05 * Презентация плана группового проекта.

Список литературы

Авторы

Грызунова Елена Аркадьевна

Программа дисциплины