(in Polish) Marketing Mix Modeling w praktyce – Modelowanie, Post-analizy, optymalizacje i tworzenie rekomendacji – część II

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.

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.

Market Response Models: Econometric and Time Series Analysis: Dominique M. Hanssens, Leonard J. Parsons, Randall L. Schultz

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

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).