Marketinške strategije temeljene na velikim skupovima podataka

Naziv predmeta
Marketinške strategije temeljene na velikim skupovima podataka
Oznaka predmeta
08409
Semestar
3
Status predmeta
Izborni
ECTS
6
Predavanja
30
Vježbe
30
Samostalni rad
120
Ukupno
180
Nastavnici i suradnici
dr. sc. Goran Klepac
Cilj predmeta
Ovaj kolegij kod studenata razvija svijest o potencijalima velikih skupova podataka (big data) korištenjem analitičkih alata i tehnika s ciljem planiranja marketinških aktivnosti. Cilj kolegija je osposobiti studente za aktivno korištenje alata i analitičkih tehnika pomoću kojih će sami moći ekstrahirati znanje iz velikih skupova podataka za potrebe planiranja marketinških aktivnosti.
Sadržaj
P1: UVOD U VELIKE SKUPOVE PODATAKA I NJIHOVU ANALITIKU. Definicija, potencijali, njihova uloga u marketingu V1: Studije slučaja P2: PYTHON PROGRAMSKI JEZIK - OSNOVE: Koncept, kontrolne strukture, tipovi podataka V2: Rješavanje jednostavnih programskih problema P3: OPEN SOURCE BIBLIOTEKE ZA ANALIZU VELIKIH SKUPOVA PODATAKA: Upoznavanje sa osnovama NLTK, NETWORKX, BEAUTIFULL SOUP V3: Programski primjeri NLTK, NETWORKX, BEAUTIFULL SOUP P4: ANALIZA NESTRUKTURIRANIH IZVORA PODATAKA ZA KAMPANJE: Osnove text mininga, čišćenje podataka, pretprocesiranje podataka V4: Ekstrakcija podataka iz HTML formata i čišćenje podataka P5: RAZUMIJEVANJE TEKSTA : SMART sustav, LSI sustavi V5: SMART sustav, LSI sustavi P6: PLANIRANJE MARKETINŠKH AKTIVNOSTI TEMELJEM OTKRIVENIH REČENIČNIH UZORAKA I SMISLA: Analiza dobivenih rezultata pomoću analitičkih tehnika i planiranje marketinške strategije V6: Diskusija vezano uz hipotetsko poduzeće i dobivene rezultate analize P7: POTENCIJALI SOCIJALNIH MREŽA I REČENIČNIH OBRAZACA: Snowball sampling tehnike u okviru blogova i analiza rečeničnih obrazaca unutar blogova. V7: Snowball sampling tehnike na egosentričnim mrežama sa analizom rečeničnih uzoraka P8: CILJANI KAMPANJE I BIG DATA: Ekstrakcija podataka, otkrivanje strukture veza V8: Ekstrakcija podataka sa Twittera i otkrivanje veza među korisnicima u egocentričnoj mreži P9: POTENCILJALI EVOLUTIVNOG RAČUNARSTVA: Primjena Swarm intelligence algoritama i genetičkih algoritama na velikim skupovima podataka. Primjena u planiranju marketinških aktinovosti. V9: PSO algoritam, razrada P10: STRATEGIJE RAZVOJA SUSTAVA RANOG UPOZORENJA : Razvoj sustava ranog upozorenja korištenjem potencijala velikih skupova podataka V10: Osmišljavanje sustava ranog upozorenja baziranog na velikim skupovima podataka. P11: STRATEGIJE RAZVOJA SUSTAVA ZA PREVENTIVU PREKIDA UGOVORNIH ODNOSA: Razvoj sustava za preventivu prekida ugovornih odnosa korištenjem potencijala velikih skupova podataka V11: Osmišljavanje sustava za prerventivu prekida ugovornih odnosa baziranog na velikim skupovima podataka. P12: STRATEGIJE RAZVOJA SUSTAVA ZA SEGMENTACIJU: Razvoj sustava za segmentaciju korištenjem potencijala velikih skupova podataka V12: Osmišljavanje sustava za segmetaciju baziranog na velikim skupovima podataka. P13: STRATEGIJE RAZVOJA CRM SUSTAVA: Razvoj CRM sustava korištenjem potencijala velikih skupova podataka V13: Osmišljavanje CRM sustava baziranog na velikim skupovima podataka. P14: INTEGRACIJA TEHNOLOGIJA Generalna strategija korštenja potencijala velikih skupova podataka za marketinške aktivnosti poduzeća i njihove mogućnosti primjene. V14: Rasprava P15: TRENDOVI I BUDUĆNOST: Promjene koje možemo očekivati sa strane tehnologijeZaključak. V15: Rasprava.
Osnovna literatura:
Bird,S., Klein,E., and Loper,E. (2009). Natural Language Processing with Python. Sebastopol,
O’Reilly
Klepac, G. (2014). Data Mining Models as a Tool for Churn Reduction and Custom Product Development in Telecommunication Industries. In P. Vasant (Ed.), Handbook of Research on Novel Soft Computing Intelligent Algorithms: Theory and Practical Applications (pp. 511-537). Hershey, PA: Information Science Reference. doi:10.4018/978-1-4666-4450-2.ch017
Miner, G. (2012). Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications, Oxford, Academic Press
Preporučena dopunska literatura
Almeida, F., and Santos, M. (2014). A Conceptual Framework for Big Data Analysis. In I. Portela, and F. Almeida (Eds.) Organizational, Legal, and Technological Dimensions of Information System Administration (pp. 199-223). Hershey, PA: Information Science Reference. doi:10.4018/978-1-4666-4526-4.ch011
Bakshi, K. (2014). Technologies for Big Data. In W. Hu, and N. Kaabouch (Eds.) Big Data Management, Technologies, and Applications (pp. 1-22). Hershey, PA: Information Science Reference. doi:10.4018/978-1-4666-4699-5.ch001
Bird,S., Klein,E., and Loper,E. (2009). Natural Language Processing with Python. Sebastopol,
O’Reilly
Cointet, J. P., and Roth, C. (2009). Socio-semantic dynamics in a blog network. International Conference onComputational Science and Engineering. doi:10.1109/CSE.2009.105
Conte, R., Gilbert, N., Bonelli, G., and Helbing, D. (2011). FuturICT and social sciences: Big Data, big thinking.
Zeitschrift für Soziologie, 40, 412–413.

Minimalni ishodi učenja

  1. Preispitati potencijale velikih skupova podataka.
  2. Preispitati analitičke tehnike za analizu velikih skupova podataka.
  3. Preispitati kampanje koristeći znanje iz velikih skupova podataka.
  4. Ocjeniti kvalitetu proizvoda koristeći znanje iz velikih skupova podataka.

Željeni ishodi učenja

  1. Ocijeniti potencijale velikih skupova podataka za marketinška planiranja.
  2. Ocijeniti analitičke tehnike za analizu velikih skupova podataka.
  3. Preporučiti metode otkrivanja znanja iz velikih skupova podataka za potrebe kampanji.
  4. Preporučiti metode otkrivanja znanja iz velikih skupova podataka za potrebe razvoja novih proizvoda.