Αναλυτική Μάρκετινγκ

Κωδικός: 
2840
Εξάμηνο: 
8o
Διδάσκων: 

Πανεπιστημιακός Υπότροφος

Κατεύθυνση: 
Μάρκετινγκ
  • Περιεχόμενο του μαθήματος: Στόχος του μαθήματος Αναλυτικής Μάρκετινγκ είναι να παρέχει στους φοιτητές τις γνώσεις και τις δεξιότητες που απαιτούνται για να σχεδιάσουν, να αναπτύξουν και να υλοποιήσουν στην πράξη εργαλεία ανάλυσης δεδομένων μάρκετινγκ, μεθόδους βελτιστοποίησης, εργαλεία προγνωστικής ανάλυσης και συσχέτισης, εξόρυξης γνώσης, παρουσίασης δεδομένων, και μοντέλα αποφάσεων με στόχο την έγκαιρη, έγκυρη και τεκμηριωμένη λήψη αποφάσεων σε όλο το φάσμα της διοίκησης των αγορών και των διεπιχειρησιακών (business-to-business) δικτύων εφοδιασμού στις οποίες απευθύνεται και συνδέεται αντίστοιχα μία επιχείρηση. Στο μεθοδολογικό επίπεδο, οι φοιτητές θα αποκτήσουν γνώσεις και δεξιότητες σε διάφορες στατιστικές μεθόδους με σκοπό την ανάλυση γεγονότων (descriptive analytics), την ανάπτυξη μοντέλων που να προβλέπουν μελλοντικές τάσεις και συμπεριφορές (predictive analytics) και την ανάπτυξη μοντέλων βελτιστοποίησης (prescriptive analytics). Στο τεχνολογικό επίπεδο, οι φοιτητές θα εκτεθούν σε τεχνολογίες συλλογής, διαχείρισης και παρουσίασης δεδομένων στο μάρκετινγκ, και τεχνολογίες ανάλυσης και διαχείρισης μεγάλου όγκου δεδομένων (big data). Στο επίπεδο επιχειρησιακών προβλημάτων και πρακτικής εφαρμογής, οι φοιτητές θα εκτεθούν σε διάφορα θέματα όπως για παράδειγμα:

    Τιμολόγηση και διαχείριση εσόδων

    Προβλέψεις ζήτησης και χρονολογικές σειρές

    Μοντέλα συμπεριφοράς καταναλωτών

    Μοντέλα τμηματοποίησης

    Αναλυτική λιανικού εμπορίου

    Σχεδιασμός νέων προϊόντων και εισαγωγή σε νέες αγορές

    Επιδιωκόμενα μαθησιακά αποτελέσματα: Με την ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει:

  • Να σχεδιάζουν και να εφαρμόζουν μοντέλα χρονολογικών σειρών για την πρόβλεψη της ζήτησης.
  • Να σχεδιάζουν και να εφαρμόζουν μικτά και πολυμεταβλητά μοντέλα πρόβλεψης χρησιμοποιώντας τόσο ιστορικά δεδομένα πωλήσεων όσο και δεδομένα για άλλους παράγοντες που επηρέασαν τη ζήτηση των πελατών.
  • Να εφαρμόζουν μοντέλα τμηματοποίησης, μοντέλα ομαδοποίησης και μοντέλα δέντρων ταξινόμησης με σκοπό την εύρεση του προφίλ των πελατών.
  • Να σχεδιάζουν καμπύλες προσφοράς και ζήτησης, να χρησιμοποιούν μοντέλα διάχυσης για την πρόβλεψη της ζήτησης νέων προϊόντων, και να εφαρμόζουν την ανάλυση σύζευξης σε συνδυασμό με μοντέλα μαθηματικού προγραμματισμού για την εισαγωγή νέων προϊόντων σε νέες αγορές.
  • Να σχεδιάζουν καμπύλες ζήτησης και ελαστικότητας τιμών, να τιμολογούν πακέτων προϊόντων, και να καθορίζουν τη βέλτιστη τιμής προώθησης σε προϊόντα με προκαθορισμένη διάρκεια ζωής.
  • Να εφαρμόζουν μεθόδους για τη βελτιστοποίηση της τοποθέτησης προϊόντων και της προσφερόμενης ποικίλας προϊόντων σε ένα ή πολλαπλά σημεία πώλησης, να αναπτύσσουν στρατηγικές αγορών και τιμολόγησης για προϊόντα με μικρή διάρκεια ζωής, εποχιακών προϊόντων, και προϊόντων καταλόγου με πολύ λίγα ή καθόλου ιστορικά δεδομένα πωλήσεων.
  • Να χρησιμοποιούν για τη μοντελοποίηση, την ανάλυση και την επίλυση προβλημάτων το Microsoft Excel ή/και άλλες εμπορικές ή ανοιχτού τύπου εφαρμογές λογισμικού.
  • Συνιστώμενη βιβλιογραφία προς μελέτη:

  • Μπάλτας, Γ. και Ρεπούσης, Π.Π. (2016). Αναλυτική Μάρκετινγκ, Πανεπιστημιακές Σημειώσεις, Εκδόσεις ΟΠΑ, Ελλάδα.
  • Iacobucci D. (2015). Marketing Models: Multivariate Statistics and Marketing Analytics, Earlie Lite Books, Nashville, USA.
  • Winston W. (2014). Marketing Analytics: Data-driven techniques with Microsoft Excel, Wiley, Hoboken, USA.
  • Bodea T. and Ferguson M. (2014). Segmentation, Revenue Management, and Pricing Analytics, Taylor and Francis, New York, USA
  • Τρόπος παράδοσης μαθήματος και διδακτικές και μαθησιακές μέθοδοι:

    Διαλέξεις για τη θεωρία, τη μοντελοποίηση και την εφαρμογή των μεθόδων και τεχνικών για την επίλυση προβλημάτων.

    Διαλέξεις με διαδραστικό χαρακτήρα για την ανάλυση παραδειγμάτων και την ομαδική μελέτη περιπτώσεων σε πραγματικά δεδομένα.

    Διαλέξεις εργαστηριακού τύπου για τη εισαγωγή στη χρήση σχετικού λογισμικού.

    Μέθοδοι αξιολόγησης/βαθμολόγησης:

    Γραπτή εξέταση: 100%.

    Επίλυση ασκήσεων με ανοιχτές σημειώσεις και χρήση υπολογιστή που προϋποθέτουν σε βάθος κατανόηση του περιεχομένου του μαθήματος και αναλυτική ικανότητα.

    Προαιρετική γραπτή εργασία: έως 25% του βαθμού

    Σχεδιασμός, ανάπτυξη και εφαρμογή μίας ή περισσοτέρων ποσοτικών μεθόδων αναλυτικής μάρκετινγκ σε πραγματικά δεδομένα.