Syllabus

Title
1903 Retail Marketing Analytics
Instructors
Univ.Prof. Dr. Nils Wlömert
Contact details
Type
PI
Weekly hours
2
Language of instruction
Deutsch
Registration
09/13/23 to 09/20/23
Registration via LPIS
Notes to the course
Dates
Day Date Time Room
Thursday 10/12/23 04:00 PM - 08:00 PM TC.-1.61 (P&S)
Thursday 10/19/23 04:00 PM - 08:00 PM TC.-1.61 (P&S)
Thursday 11/09/23 04:00 PM - 08:00 PM TC.-1.61 (P&S)
Thursday 11/16/23 03:00 PM - 08:00 PM TC.-1.61 (P&S)
Thursday 11/23/23 03:00 PM - 08:00 PM TC.-1.61 (P&S)
Thursday 11/30/23 03:00 PM - 05:00 PM Online-Einheit
Contents

Data-Driven Marketing hat in den vergangenen Jahren aufgrund der Digitalisierung und der einfachen Verfügbarkeit großer Datensätzen kontinuierlich an Bedeutung gewonnen und hat sich zu einem festen Bestandteil des modernen Marketings entwickelt. Insbesondere im Online-Handel können Daten zur Verbesserung der Marketingaktivitäten erfasst und ausgewertet werden. Aber auch im stationären Handel ist die Auswertung von Daten z.B. durch Kundenkarten eine wichtige Grundlage für Marketingentscheidungen. Mit Hilfe geeigneter Analysemethoden kann so die Effektivität von Marketingmaßnahmen quantifiziert werden, um Handlungsempfehlungen für Marketingmanager zu generieren. Um dieses Potential nutzbar zu machen, ist jedoch ein fundiertes Verständnis von modernen Analysemethoden und deren Implementierungen mittels State-of-the-art Software erforderlich.

Dieser Kurs vermittelt Studierenden die Theorien, Prozesse und Analysemethoden eines modernen, datengetriebenen Marketingansatzes. Durch praktische Anwendungen der Methoden in verschiedenen Kontexten, wird ein direkter Praxisbezug geschaffen, um die Relevanz für verschiedene Anwendungen, wie zum Beispiel der Marketing-Mix Planung, Marktsegmentierung, Markenpositionierung und Neuproduktentwicklung zu veranschaulichen.

Learning outcomes

Nach erfolgreicher Absolvierung der Lehrveranstaltung können Studierende

  • relevante Forschungsfragen im Hinblick auf die Geschäftsziele ableiten und diese hinsichtlich der Managementrelevanz beurteilen
  • verschiedenen Forschungsdesigns hinsichtlich ihrer Eignung in Bezug auf das Forschungsziel (beschreiben, vorhersagen, kausale Inferenz) beurteilen
  • verschiedene experimentelle Designs unterscheiden, Experimente designen und durch die Analyse von Experimenten Implikationen für das Management ableiten
  • auf Basis von Beobachtungsdaten Zusammenhänge zwischen Variablen analysieren
  • die Grundlagen von Methoden aus den Bereichen des Supervised und Unsupervised Statistical Learnings verstehen (z.B. Regression, Klassifizierung, Dimensionenreduktion, Clusteranalyse)  
  • Analysemethoden mittels der State-of-the-art statistischer Software R implementieren
  • die Ergebnisse von statistischen Analysen interpretieren und als Entscheidungshilfe für Manager in relevante Implikationen übersetzen  
  • die Ergebnisse von statischen Analysen präsentieren und an verschiedenen Stakeholder kommunizieren
Attendance requirements

Die Anwesenheit ist in mindestens 80% der Zeit in den LV-Einheiten erforderlich (dies gilt auch für Online-Einheiten, sollte dies erforderlich sein).

Teaching/learning method(s)

Der Kurs integriert theoretisches Wissen mit praktischen Anwendungen durch eine Kombination von interaktiven Vorlesungseinheiten mit Diskussionen, Analyse von Business-Cases, Gruppenprojekten und Computerübungen. Bitte beachten Sie, dass die Vermittlung der Inhalte zum Teil auf dem Flipped-Classroom Prinzip basiert, d.h. die Inhalte müssen als Vorbereitung auf die Einheiten im Selbststudium auf Basis der zur Verfügung gestellten Materialen bearbeitet werden. Insbesondere wird zu diesem Zweck ein Online-Skript mit erklärenden Texten und Videos zur Verfügung gestellt (see https://wu-rds.github.io/RMA2022/). Um für die wöchentlichen Einheiten vorbereitet zu sein, müssen die Inhalte der jeweiligen Woche durchgearbeitet werden. Während der Einheiten am Campus fokussieren wir auf Problemlösungen und praktische Anwendungen. Für die Mitarbeitsnote ist es wichtig aktiv an den Einheiten und den Diskussionen teilzunehmen und ggf. Fragen zu den Materialen zu stellen. 

Die wöchentlichen Materialien werden durch Case Studies und Computerübungen ergänzt, welche darauf abzielen, das Gelernte auf neue Szenarien zu übertragen. Die wöchentlichen Computerübungen müssen über die Learn@WU Plattform bis zur angegebenen First eingereicht werden. Darüber hinaus umfasst der Kurs ein Gruppenprojekt, in dem Studierende einen bereitgestellten Datensatz analysieren müssen. Das Ergebnis der Analyse wird in Form einer Video-Präsentation eingereicht. Um die Interaktion zwischen den Studierenden zu erleichtern und fragen zu klären wird es ein Online-Forum geben. 

Der Kurs umfasst praktische Anwendungen von Datenanalysen mit der statistischen Software "R". R ist eine Open-Source Software und kann daher kostenlos installiert werden. Es wird empfohlen, R über die integrierte Entwicklungsumgebung und grafische Benutzeroberfläche R Studio zu nutzen, welche ebenfalls kostenlos verfügbar ist:

Bitte nutzen Sie auch die vielfältigen kostenlosen Online-Materialen (z.B. http://r4ds.had.co.nz/). 

Assessment

Die Bewertung basiert auf den folgenden Komponenten: 

  • Retail Marketing Projekt (Gruppenprojekt: Datenanalyse & -präsentation) [Gewichtung: 30%]
  • Computerübungen (statistische Analyse von Datensätzen) [Gewichtung: 30%]
  • Abschlussprüfung (Konzepte & Methoden) [Gewichtung: 30%]
  • Mitarbeit (Quantität und Qualität der Beiträge während der Einheiten) [Gewichtung: 10%]

Diese Komponenten werden mit dem entsprechenden Faktor gewichtet, um die finale Note zu berechnen.

Um eine faire Arbeitsteilung bei dem Gruppenprojekt sicherzustellen, wird am Ende des Semesters ein Peer Assessment unter den Gruppenmitgliedern durchgeführt, welches bei der Berechnung der finalen Note berücksichtigt wird. D.h. jedes Gruppenmitglied bewertet die anderen Gruppenmitglieder entsprechend ihres Beitrags. 

Um den Kurs erfolgreich abzuschließen musss die finale Note mindestens 60% betragen.

Readings

Please log in with your WU account to use all functionalities of read!t. For off-campus access to our licensed electronic resources, remember to activate your VPN connection connection. In case you encounter any technical problems or have questions regarding read!t, please feel free to contact the library at readinglists@wu.ac.at.

Availability of lecturer(s)

Ich beantworte gerne Fragen über das Forum auf Learn@WU oder per Email (nils.wloemert@wu.ac.at). Bitte versuchen Sie jedoch bei spezifischen methodischen Fragen, zunächst antworten über die zur Verfügung gestellten Materialien zu finden (z.B. das Online-Tutorial). 

Last edited: 2023-03-30



Back