(in Polish) Marketing Mix Modeling w praktyce – Modelowanie, Post-analizy, optymalizacje i tworzenie rekomendacji – część II
General data
Course ID: | 2400-ZEWW893 |
Erasmus code / ISCED: |
14.3
|
Course title: | (unknown) |
Name in Polish: | Marketing Mix Modeling w praktyce – Modelowanie, Post-analizy, optymalizacje i tworzenie rekomendacji – część II |
Organizational unit: | Faculty of Economic Sciences |
Course groups: |
(in Polish) Przedmioty kierunkowe do wyboru - studia II stopnia IE - grupa 2 (2*30h) (in Polish) Przedmioty wyboru kierunkowego dla studiów licencjackich IE |
ECTS credit allocation (and other scores): |
3.00
|
Language: | Polish |
Type of course: | optional courses |
Short description: |
(in Polish) Przedmiot ma na celu wprowadzenie Studentów w praktyczny świat biznesu. Kluczowym celem przedmiotu jest pokazanie, jak przełożyć wyniki modelowania i suche statystyki na akcyjne biznesowo rekomendacje. Na przestrzeni jednego semestru studenci dowiedzą się, jakie zastosowania ma ekonometria w świecie marketingu oraz będą mieli okazje rozwinąć kompetencje kluczowe na rynku pracy. Zdobędą również podstawy wiedzy marketingowej. W trakcie zajęć wykonany zostanie szereg ćwiczeń praktycznych obejmujących pracę z danymi z użyciem R Studio (wystarczy bardzo podstawowa znajomość – umiejętność uruchomienia programu i absolutnie podstawowej obsługi – reszty nauczycie się w trakcie zajęć), tworzenie podstawowych modeli, przeprowadzanie kluczowych analiz biznesowych oraz tworzenie rekomendacji. |
Full description: |
(in Polish) 1. Wprowadzenie: • Plan przedmiotu: agenda spotkań • Warunki zaliczenia przedmiotu • Dostawcy MMMów - charakterystyka rynku, ścieżka kariery, model pracy, role w zespole. • Czym właściwie jest MMM? • MMMy – ekonometria czy analityka? Porównanie z innymi formami pomiaru efektywności mediów. • Rola projektu MMM w strategii marki • Na jakie pytania odpowiada ekonometria? • Proces projektu ekonometrycznego 2. Odświeżenie i podsumowanie materiału z Wproadzenia do R, Tidyverse oraz przetwarzania danych: przygotowanie bazy do modelowania w skrócie (dane sprzedażowe, czynniki zewnętrzne, media) • Zmienne uwzględniane w modelach na przykładzie kategorii FMCG • Dane panelowe i szeregi czasowe • Postać bazy do modelowania • Częstotliwość danych i jej implikacje • Wybór odpowiedniej zmiennej modelowanej • Sposoby agregacji wartości i wolumenu sprzedaży • Dystrybucja numeryczna vs ważona • Cena, informacje o promocjach • Jak uwzględnić w bazie do modelowania czynniki zewnętrzne: o COVID, o Sezonowość o Makroekonomię/Demografię o Trade o Pogodę o Święta • Metody pomiarów mediów i dostawcy danych • Czym jest GRP? • Impresje czy Kliki? • Czym jest AdStock? 3. Modelowanie oraz interpretacja modelu (1) • Analiza graficzna zmiennych • Typy modeli: multiplikatywne, addytywny • Kolejność uwzględniania zmiennych • Interpretacja parametrów: elastyczności, semielastyczności, efekty krańcowe 4. Modelowanie oraz interpretacja modelu (2) • Response Curves, diminishing returns Media: c-shape vs s-shape Przekształcenie arctg • Modelowanie w praktyce – kryteria wyboru zmiennych (statystyka vs. biznes) • Trendy w modelu 5. Modelowanie oraz interpretacja modelu - walidacja (3) • Regresja pozorna i współliniowość • Testy statystyczne wykorzystywane w ekonometrii • Holdouts 6. Dekompozycja modelu i wyciąganie wniosków biznesowych (1) • Uproszczony sposób dekompozycji • Baseline vs Incremental • Waterfall dynamiczny vs statyczny 7. Dekompozycja modelu i wyciąganie wniosków biznesowych (2) oraz optymalizacje • Liczenie ROIów • Optymalizacja na krzywych wklęsłych (typu atan) – przykład prostego algorytmu • Przykładowe rekomendacje 8. Dekompozycja modelu oraz wyciąganie wniosków biznesowych (3) • Ćwiczenia praktyczne do materiału z zajęć 6. • Studenci prezentują wyniki swoich projektów MMM w formie prezentacji .pdf z rekomendacjami (na podstawie przygotowanych własnoręcznie modeli). 9. Kurs kończy się wręczeniem Certyfikatów dla Studentów. |
Bibliography: |
(in Polish) Market Response Models: Econometric and Time Series Analysis: Dominique M. Hanssens, Leonard J. Parsons, Randall L. Schultz |
Learning outcomes: |
(in Polish) Wiedza: Studenci wiedzą czym jest Marketing Mix Modelling Studenci potrafią wskazać najważniejsze czynniki marketingowe, które powinny być uwzględnione w modelowaniu Studenci wiedzą jak dobrać formę funkcyjną modelu i wiedzą, jakie ma to konsekwencje Studenci potrafią biznesowo zinterpretować wyniki modelu Studenci wiedzą jak zwalidować model statystycznie i biznesowo Umiejętności: Studenci wiedzą jak przygotować podstawową bazę do modelowania i potrafią wybrać odpowiednią formę zmiennej Studenci potrafią wskazać najważniejsze wnioski płynące z modelowania marketing mixu Studenci potrafią przełożyć wyniki na wnioski biznesowe I stworzyć rekomendację Studenci potrafią zaprezentować podstawowe wyniki MMM Studenci zdobędą/udoskonalą umiejętność przetwarzania danych i tworzenia podstawowych modeli w programie R Studio, co pozwoli zdobyć praktyczne umiejętności kluczowe na rynku pracy Kompetencje społeczne: Studenci rozumieją zastosowanie MMM w świecie biznesu i rozumieją wpływ takiego projektu na biznes klientów Studenci potrafią ułożyć historię i uargumentować swoje rekomendacje biznesowe na podstawie wyników modelowania Studenci wiedzą jak w zrozumiały sposób prezentować wyniki modelowania |
Assessment methods and assessment criteria: |
(in Polish) Egzamin ustny (na ocenę 3-4) Przygotowanie projektu i prezentacja na koniec kursu (na ocenę 5) Na ocenę złożą się też prace domowe i aktywność na zajęciach (bonusowe punkty). |
Classes in period "Summer semester 2023/24" (in progress)
Time span: | 2024-02-19 - 2024-06-16 |
Navigate to timetable
MO TU W TH KON
FR |
Type of class: |
Seminar, 30 hours
|
|
Coordinators: | Natalia Nehrebecka | |
Group instructors: | Natalia Nehrebecka | |
Students list: | (inaccessible to you) | |
Examination: |
Course -
Grading
Seminar - Grading |
Copyright by University of Warsaw.