Research and Design Seminar "Data Mining in Communication Projects"

2024/2025

Academic Year

RUS

Instruction in Russian

9

ECTS credits

Delivered at:

School of Communication

Course type:

Compulsory course

When:

1 year, 2-4 module

Instructors

Gryzunova, Elena

Egorov, Dmitry

Коточигов Константин Львович

Nester (Nesterenko), Roman

Suvorina, Tatiana

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

• 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

• 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

• 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

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

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

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