Die rasante Verbreitung des Internets und damit verbundener Dienste, insbesondere sozialer Netzwerke und Nutzer-generierter Inhalte, führte zu unglaublichen Mengen an digitalen Informationen. Diese sind besser bekannt als "Big Data" und ermöglicht neue Wege im Marketing. Die Analyse von riesigen Datenmengen erfordert jedoch spezielle Tools und Methoden. Industriemanager und Forscher setzen zunehmend auf technologische Innovationen, die die Entscheidungsfindung im Kontext von Big Data effektiv machen.

Der Kurs umfasst drei Themengebiete. Jedes der drei Themen wird in einem eigenen Block behandelt. Ihr Lernfortschritt wird anhand von theoretischen und praktischen Aufgaben bewertet, die Sie zu Hause erledigen können. Darüber hinaus muss jeder Student noch eine individuelle Aufgabe (z.B. Ausarbeitung eines Themas) behandeln, das in der ersten Online-Sitzung zugewiesen wird.

Obwohl alle Folien, Lehrmaterialien und der Lehrplan auf Englisch angeboten werden, werden die Vorlesungen selbst ausschließlich auf Deutsch gehalten. Daher werden Grundkenntnisse der deutschen Sprache vorausgesetzt.

Ziel dieses Kurses ist es, den Studierenden ein Verständnis dafür zu vermitteln, wie Big Data für die Kundenanalyse (z.B. Social-Media-basierte Segmentierung oder Click-Stream-Analyse), kontextbezogenes Marketing (z.B. Erstellung personalisierter Empfehlungen) und Online-Kommunikationsmanagement (z.B. Reputationsmanagement, Influencer-Marketing und Social-Media-Krisen) genutzt werden kann.

Die Teilnehmer lernen, wie sie moderne Technologien für Zwecke wie Sentiment-Analyse, Social-Media-basierte Segmentierung und Datenexploration nutzen können, um die Entscheidungsfindung des Managements zu unterstützen und die Kundenzufriedenheit in einer datengetriebenen Welt zu optimieren.

Nach dem Kurs werden Sie in der Lage sein:

• Die Vorteile und Grenzen verschiedener Methoden (u.a. Sentiment-Analysen und Recommendation Engines) kennen.
• SQL für grundlegende Datenexploration zu verwenden.
• "Shitstorms" mit aktuellen Text-Mining-Technologien zu analysieren.
• Zusätzlich werden Sie ein besseres Verständnis für Ihre Kunden durch den Einsatz von Text-Mining-Tools (z.B., analysieren Sie unstrukturiertes Feedback, Beschwerden oder Wünsche) gewinnen.

Sie müssen mindestens 80% aller Unterrichtsstunden besuchen, um den Kurs zu bestehen (egal ob online oder physisch). In unseren Online-Sitzungen erwarten wir eine aktive Teilnahme und eine eingeschaltete Kamera.

Zu den Lernmethoden gehören die klassische Wissensvermittlung und -abfrage sowie die eigenständige Erarbeitung von Themen und Fragestellungen. Zusätzlich werden praktische Beispiele demonstriert, die von den Studierenden übernommen werden.

Die Benotung basiert auf den folgenden Komponenten: Eine Themenausarbeitung (topic elaboration), eine praktische (practical assignments) und eine theoretische Aufgaben (theoretical assignments). Alle Teile können von zu Hause aus bearbeitet werden.

Topic elaboration: Während des Unterrichts wird jedem Schüler ein Thema zugewiesen (z. B. Chatbots, Inhaltsfilter). Der Student soll anschließend dieses Thema selbstständig bearbeiten und einen Bericht darüber erstellen. Nach einer ersten Abgabe erhalten die Studierenden Feedback, das vor einer endgültigen Abgabe eingearbeitet werden soll.

Practical Assignments: Für jeden Block müssen praktische Aufgaben erledigt werden. Zum Beispiel müssen die Studenten kleine Aufgaben lösen. Dieser Teil soll die in diesem Kurs erlernten praktischen Fähigkeiten demonstrieren.

Theoretical Assignments: Für jeden Block müssen die Studenten theoretische Fragen beantworten.

Diese Bewertungskomponenten werden addiert, um die Endnote zu berechnen, die auf dem folgenden Bewertungsschema basiert:

Um diesen Kurs erfolgreich zu bestehen, müssen Ihre kumulierten Punkte 60 Punkte überschreiten.

Bitte beachten Sie, dass der Kurs einen starken analytischen Schwerpunkt hat. Daher wird von den Studierenden erwartet, dass sie sich für Datenanalyse und Programmierung interessieren und über ein gutes Verständnis grundlegender statistischer Methoden verfügen.

Gerne beantworte ich Ihre Fragen. Schicken Sie mir also eine kurze E-Mail oder kommen Sie nach Terminabsprache in meinem Büro vorbei, wenn Sie persönlich mit mir sprechen möchten. Zusätzlich werde ich auch versuchen, nach jeder Online-Sitzung erreichbar zu sein.

Empfohlene Lektüre für den Kurs:

Sentiment/Emotion Analysis

• Silge, Julia, and David Robinson. Text mining with R: A tidy approach. " O'Reilly Media, Inc.", 2017.
• Felbo, Bjarke, et al. "Using millions of emoji occurrences to learn any-domain representations for detecting sentiment, emotion and sarcasm." arXiv preprint arXiv:1708.00524 (2017).

Social media crisis

• Hansen, Nele, Ann-Kristin Kupfer, and Thorsten Hennig-Thurau. "Brand crises in the digital age: The short-and long-term effects of social media firestorms on consumers and brands." International Journal of Research in Marketing 35.4 (2018): 557-574.
• Borah, Abhishek, and Gerard J. Tellis. "Halo (spillover) effects in social media: do product recalls of one brand hurt or help rival brands?." Journal of Marketing Research 53.2 (2016): 143-160.
• Hsu, Liwu, and Benjamin Lawrence. "The role of social media and brand equity during a product recall crisis: A shareholder value perspective." International journal of research in Marketing 33.1 (2016): 59-77.

Others

• Wickham, Hadley, and Garrett Grolemund. R for data science: import, tidy, transform, visualize, and model data. " O'Reilly Media, Inc.", 2016.
• Ricci, Francesco, Lior Rokach, and Bracha Shapira. "Introduction to recommender systems handbook." Recommender systems handbook. Springer, Boston, MA, 2011. 1-35.
• Mikolov, Tomas, et al. "Efficient estimation of word representations in vector space." arXiv preprint arXiv:1301.3781 (2013).
• Wu, Ledell Yu, et al. "Starspace: Embed all the things!." Thirty-Second AAAI Conference on Artificial Intelligence. 2018.

Die Kursfolien werden vor der Veranstaltung über Learn@WU zur Verfügung gestellt. Bitte stellen Sie sicher, dass Sie Zugang zu allen Kursmaterialien haben! Falls nicht, kontaktieren Sie mich bitte!