Αναλυτική Διαδικτύου

Περιεχόμενο του μαθήματος: Αυτό το μάθημα επιδιώκει να εφοδιάσει τους φοιτητές με τις γνώσεις και τις δεξιότητες που απαιτούνται για να αναλύουν δεδομένα από τον παγκόσμιο ιστό και από κοινωνικά δίκτυα και να εξάγουν χρήσιμα συμπεράσματα για ένα στέλεχος μάρκετινγκ. Αρχικά, έμφαση δίνεται στην χρήση εργαλείων που επιτρέπουν την ανίχνευση, πρόσβαση, διαχείριση, και εξαγωγή δεδομένων από το διαδίκτυο (web scraping). Χρησιμοποιώντας αυτά τα δεδομένα οι φοιτητές θα εκτεθούν στη χρήση μεθόδων εξόρυξης γνώσης (text mining) από μη δομημένα κείμενα (π.χ. tweets Facebook, blog, ταινίες, τηλεόραση, σχόλια και αξιολογήσεις χρηστών για εστιατόρια και άρθρα εφημερίδων) και στην εφαρμογή διαφόρων στατιστικών μεθόδων (π.χ. διωνυμική λογιστική παλινδρόμηση, πολλαπλή παλινδρόμηση και ανάλυση διασποράς) προκειμένου να αναλύσουν και να δομήσουν το κείμενο, να εκτελέσουν αναλύσεις συναισθήματος (sentiment analysis) και να δημιουργήσουν συστήματα συστάσεων (recommendation systems). Στη συνέχεια, θα δοθεί έμφαση στις βασικές πτυχές της διαδικτυακής διαφήμισης, όπως η πληρωμή ανά κλικ (pay per click) και η βελτιστοποίηση μηχανών αναζήτησης (search engine optimization). Οι φοιτητές επίσης θα εκτεθούν στη χρήση του google analytics για να παρακολουθήσουν την κίνηση ιστοσελίδων, να μετρήσουν την απόδοση μετατροπής (conversion rate), και να υπολογίσουν την απόδοση της επένδυση (return of investment - ROI) σε ένα πολυ-καναλικο ψηφιακό περιβάλλον μάρκετινγκ. Τέλος, οι φοιτητές θα χρησιμοποιήσουν διάφορα εργαλεία και τεχνικές για να αναλύσουν και να περιγράψουν τη δομή κοινωνικών δικτύων, να μοντελοποιήσουν την  εξέλιξη τους, και να εξάγουν χρήσιμα συμπεράσματα σχετικά με τις ιδιότητες και τις συμπεριφορές τους.

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

1. Να έχουν κατανοήσει και να μπορούν να χρησιμοποιήσουν ένα μεγάλο φάσμα εργαλείων και τεχνικών ανάλυσης και συσχέτισης δεδομένων από το διαδίκτυο και τα κοινωνικά δίκτυα.
2. Να συλλέγουν δεδομένα από το διαδίκτυο και τα κοινωνικά δίκτυα.
3. Να αναλύουν τη δομή (π.χ. κεντρικότητα, συνοχή, ευρωστία, ισοδυναμία και ρόλοι των κόμβων και των κλάδων), τα χαρακτηριστικά και να αναπαριστούν κοινωνικά δίκτυα, καθώς επίσης και να εξάγουν χρήση γνώση για εφαρμογές μάρκετινγκ.
4. Να εφαρμόζουν διάφορα στατιστικά μοντέλα ομαδοποίησης, ταξινόμησης και πολλαπλών συσχετίσεων σε διαδικτυακά δεδομένα για την ανάλυση και την εξόρυξη γνώσης από αδόμητα κείμενα και την εκτέλεση αναλύσεων συναισθήματος.
5. Να σχεδιάζουν συστήματα συστάσεων χρησιμοποιώντας μεθόδους συνεργατικού φιλτραρίσματος (collaborative filtering).
6. Να εφαρμόζουν μοντέλα μέτρησης αποτελεσματικότητας της online διαφήμισης.
7. Να χρησιμοποιούν για τη μοντελοποίηση, την ανάλυση και την επίλυση προβλημάτων το excel ή/και άλλες εμπορικές ή ανοιχτού τύπου εφαρμογές λογισμικού (π.χ. Google Analytics, WEKA και NodeXL).

Συνιστώμενη βιβλιογραφία προς μελέτη:

1. Ρεπούσης Π.Π. (2016). Αναλυτική Διαδικτύου, Πανεπιστημιακές Σημειώσεις, Εκδόσεις ΟΠΑ, Ελλάδα.
2. Winston W. (2014). Marketing Analytics: Data-driven techniques with Microsoft Excel, Wiley, Hoboken, USA.
3. Segaran T. (2007). Programming Collective Intelligence: Building Smart Web 2.0 Applications, O’Reilly, Canada.
4. Golbeck J. (2013). Analyzing the social web. Newnes, Elsevier, Holland.
5. Hansen D., Shneiderman B., and Smith M.A. (2010). Analyzing social media networks with NodeXL: Insights from a connected world. Morgan Kaufmann.
6. Sharma H. (2015). Maths and Stats for Web Analytics and Conversion Optimization. OptimizationSmart, UK.

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

Εφαρμογή μίας ή περισσοτέρων ποσοτικών μεθόδων σε πραγματικά δεδομένα από το διαδίκτυο.