Syllabus

Title
6193 Social Media Analytics
Instructors
Dipl.-Ing. Christian Hotz-Behofsits, Ph.D.
Type
PI
Weekly hours
2
Language of instruction
Deutsch
Registration
02/16/22 to 02/20/22
Registration via LPIS
Notes to the course
Dates
Day Date Time Room
Friday 03/11/22 08:00 AM - 11:30 AM TC.4.13
Tuesday 03/15/22 08:00 AM - 10:30 AM D4.0.127
Friday 03/18/22 08:00 AM - 11:30 AM TC.4.13
Wednesday 03/23/22 12:00 PM - 03:30 PM TC.4.04
Friday 03/25/22 08:00 AM - 11:30 AM TC.4.13
Tuesday 03/29/22 04:30 PM - 07:00 PM TC.3.07
Friday 04/01/22 08:00 AM - 11:30 AM TC.4.13
Contents

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.

Learning outcomes

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.
Attendance requirements

Sie müssen mindestens 80 % aller Unterrichtsstunden besuchen, um den Kurs zu bestehen (egal ob online oder physisch). Im Fall von Online-Sitzungen erwarten wir eine aktive Teilnahme und eine eingeschaltete Kamera. Die Studierenden dürfen nur eine (1) Sitzung versäumen. Bei technischen Schwierigkeiten ist ein Nachweis über das technische Problem (z. B. Screenshots) notwendig. Beim Fehlen einer Einheit wird keine zusätzliche Leitung gefordert; ab der zweiten fehlenden Einheit wird eine schriftliche Ausarbeitung einer Ersatzaufgabe verlangt. 

Teaching/learning method(s)

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.

Assessment

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.

Component

Max. Points

Topic elaboration

40

Practical assignments

30

Theoretical assignments

30

 

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:

Punkte

Note

90-100

1

80-89

2

70-79

3

60-69

4

< 60

5

 

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

Recommended previous knowledge and skills

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.

Availability of lecturer(s)

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.

Other

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!

Additional (blank) field

Dieser Kurs bietet einen tieferen Einblick in die folgenden drei datengesteuerten Aspekte von Marketing und Vertrieb, die durch soziale Medien und moderne Big-Data-Technologien ermöglicht werden:

Customer Analytics: Die Big-Data-Nutzung ist vor allem im Bereich der Kundenanalyse in Vertrieb und Marketing nützlich. Ziel ist es u. a., die Konversionsraten zu verbessern und die Kosten für die Kundenakquise zu senken. In diesem Kurs wird R (eine bekannte und kostenlose statistische Programmiersprache) verwendet, um Clickstream-Daten zu analysieren und Social-Media-Daten für die Marktsegmentierung zu nutzen. Um einen adäquaten Rahmen zu schaffen, werden reale Datensätze im Detail untersucht.

Contextual Marketing: Social-Media-Plattformen wissen durch das Sammeln riesiger Datenmengen viel über ihre Kunden. Beispielsweise nutzt der Video-Streaming-Dienst Netflix diese Informationen in Kombination mit einer personalisierten Empfehlungsmaschine, um eine hohe Kundenzufriedenheit zu erreichen. In diesem Kurs wird eine Verbraucherdatenbank verwendet, um ein solches Empfehlungssystem aufzubauen. Die Engine wird auf kollaborativem Filtern basieren, einer Methode zur automatischen Vorhersage der Interessen von Nutzern, die auf den Präferenzen der Nutzer beruht.

Online Communication Management: Soziale Netzwerke haben die Kommunikation revolutioniert und bieten einen öffentlichen Kanal, über den Kunden direkt mit Unternehmen, Organisationen oder Personen in Kontakt treten können. Auf der einen Seite ermöglichen diese Kanäle Unternehmen ein besseres Verständnis des allgemeinen Marktes und der eigenen sowie der Kunden der Konkurrenz. Andererseits stellen sie auch eine Gefahr für die Reputation eines Unternehmens dar, da sie für Kundenangriffe genutzt werden können. Heutzutage sind größere Unternehmen durch den Einsatz moderner Erkennungstechnologien auf Social-Media-Krisen (auch als "Shitstorms" bekannt) vorbereitet. In diesem Teil des Kurses lernen die Studenten aktuelle Erkenntnisse in den Bereichen Social Media Crisis und Influencer Marketing kennen.

Last edited: 2022-02-28



Back