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. Postingverhalten), kontextbezogenes Marketing (z.B. Erstellung personalisierter Empfehlungen) und Online-Kommunikationsmanagement (z.B. Reputationsmanagement, Influencer-Marketing und Social-Media-Krisen) genutzt werden kann. In praktischen Einheiten wird den Teilnehmern gezeigt wie man Texte Social media Beträgen selbst analysieren kann. Hierbei werden bei Twitter, Reddit und Amazon Reviews die Sprache erkannt und Stimmungslagen sowie Emotionen extrahiert. Zudem wird gezeigt wie diese modernen Technologien die Entscheidungsfindung des Managements unterstützen und die Kundenzufriedenheit in einer datengetriebenen Welt optimieren können.

Nach dem Kurs werden Sie in der Lage sein:

• Unterschiede zwischen Stimmungslagen, Gefühlen und Emotionen zu nennen
• Größere Social media Datenmengen zu analysieren
• Zu wissen wie man unstrukturierte Daten (z.B. Text) nutzen kann
• SQL für grundlegende Datenexploration zu nutzen
• Den aktuellen Forschungsstand zu "Shitstorms" und Social media Marketing zu kennen
• Zu wissen, wie man aufgrund von Daten automatisiert Inhalte vorschlagen kann

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 in Summe zwei Sitzungen versäumen. Beim Fehlen einer Einheit wird keine zusätzliche Leitung gefordert; ab der zweiten fehlenden Einheit wird eine schriftliche Ausarbeitung einer Ersatzaufgabe verlangt. Bei technischen Schwierigkeiten ist ein Nachweis über das technische Problem (z. B. Screenshots) notwendig.

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 praktische (practical assignments), theoretische Aufgaben (theoretical assignments) und der Mitarbeit. Alle Teile können von zu Hause aus bearbeitet werden.

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. Ein Vorwissen in den Bereichen ist jedoch nicht erforderlich. 

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:

Social Media (Emotions & Viralität)

• Seraj, Sarah, Kate G. Blackburn, and James W. Pennebaker. "Language left behind on social media exposes the emotional and cognitive costs of a romantic breakup." Proceedings of the National Academy of Sciences 118.7 (2021).
• Vosoughi, Soroush, Deb Roy, and Sinan Aral. "The spread of true and false news online." Science 359.6380 (2018): 1146-1151.
• Kramer, Adam DI, Jamie E. Guillory, and Jeffrey T. Hancock. "Experimental evidence of massive-scale emotional contagion through social networks." Proceedings of the National Academy of Sciences 111.24 (2014): 8788-8790.
• Berger, Jonah, and Katherine L. Milkman. "What makes online content viral?." Journal of marketing research 49.2 (2012): 192-205.
• 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).
• Rust, Roland T., et al. "Real-time brand reputation tracking using social media." Journal of Marketing 85.4 (2021): 21-43.
• 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.
• Krijestorac, Haris, Rajiv Garg, and Vijay Mahajan. "Cross-platform spillover effects in consumption of viral content: A quasi-experimental analysis using synthetic controls." Information Systems Research 31.2 (2020): 449-472.
• 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.

Weitere Artikel

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 Kunden besser zu verstehen, potenzielle Kunden zu finden und bestehende zu halten. In diesem Kurs wird SQL (eine Datenabfragesprache) verwendet, um Social media Daten zu analysieren. Teilnehmer lernen, wie man Kundeninteraktionen im großen Umfang automatisch analysiert und Erkenntnisse gewinnen kann. Um einen adäquaten Rahmen zu schaffen, werden reale Datensätze von Twitter, Amazon und Reddit genutzt.

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. Zudem lernen Sie, wie sie die Sprache von Texten automatisch erkennen und enthaltene Gefühle und Emotionen extrahieren.

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. Aber auch Social media Plattformen nutzen Algorithmen (Content Filter) die entscheiden welche Beiträge wir sehen, wenn wir uns bei Facebook, TikTok oder Twitter anmelden. In diesem Abschnitt lernen Studenten, wie sie aufgrund von Präferenzen Inhalte automatisiert vorschlagen können. Hierbei wird mit kollaborativer Filterung eine Methode eingesetzt, welche in der Praxis sehr weit verbreitet ist.