Ügyfélanalitika

A tantárgy angol neve: Customer Analytics

Adatlap utolsó módosítása: 2017. június 22.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar

Gazdaságinformatikus szak, MSc képzés

Gazdasági elemző informatika szakirány

Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
VITMM199   3/0/1/v 5  
3. A tantárgyfelelős személy és tanszék Dr. Magyar Gábor Béla,
4. A tantárgy előadója
 Név: Beosztás: Tanszék, Intézet:
 Gáspár-Papanek Csaba egy. tanársegéd TMIT
 Prekopcsák Zoltán doktorandusz TMIT
 Nagy István doktorandusz TMIT
5. A tantárgy az alábbi témakörök ismeretére épít

Valószínűségszámítási, statisztikai alapismeretek

6. Előtanulmányi rend
Ajánlott:
Nincs
7. A tantárgy célkitűzése

A tárgy célja, hogy a hallgatókat bevezesse az ügyféladatok elemzésének elméleti és gyakorlati módszertanába. Kiemelten fontosnak tartja az üzleti környezet ügyfélorientált adatelemzési gyakorlata kapcsán az elemzési szemlélet átadását, az adatbányászati algoritmusok használatának átfogó megértését.

8. A tantárgy részletes tematikája

A tantárgy tematikája kéthetes ciklusokban épül fel, ahol három elméleti óra végén az adott területhez köthető gyakorlati foglalkozás is történik. A ciklusok mentén ismertetjük magát a tematikát is.

1. Bevezetés az ügyfél analitikába, módszertan és szoftverkörnyezet bemutatása

2. Távközlési adatok adatbányászata

a. Lemorzsolódás probléma, távközlési ügyfelek adathalmazai

b. Időben rétegelt tanító és teszt adathalmazok, lemorzsolódás előrejelzése, kiértékelő görbék, profit maximalizálás alapú kampány optimalizáció

c. Uplift elvándorlási modell, elvándorló ügyfelek szegmensei, rotational churn, kapcsolódó távközlésspecifikus problémák (Best pick, közösségi háló hatása a churn előrejelzésre, stb.)

d. Hálózatkutatás és kapcsolatai az adatbányászati előrejelzésekkel

e. Laboratóriumi gyakorlat: elvándorlás előrejelzés – valós távközlési adatokon történő elemzés

3. Weboldalak felhasználóinak elemzése

a. Webes adatbányászat és részterületei, ügyfél-viselkedési kérdések, látogató azonosítás kérdései és módszerei, rendelkezésre álló adatok, alapvető riportolási kérdések

b. Vásárlói affinitás elemzés, oldalhasználati ügyfélcsoportok, a csoportba sorolás által elérhető előnyök

c. Speciális kihívások a webes adatbányászat területén, újszerű adatgyűjtési módok, oldalak közti információ megosztás hatása

d. Laboratóriumi gyakorlat: Webáruház elemzése – valós weblogok feldolgozása előrejelzési feladatok megoldására

4. Hitelbírálati elemzések ügyfélviselkedés alapon

a. Hitelbírálati alapfeladat bemutatása, scorecard

b. Viselkedésalapú elemzések speciális kérdéseinek kezelése, elemzési tábla készítése tranzakciós adatokból, idősor jellegű adatok elemzésének lehetőségei

c. Időbeli és szezonális hatások szűrésének kezelése

d. Laboratóriumi gyakorlat: hitelbírálati elemzés valós ügyféladatokon

5. Kapcsolódó termékek, keresztértékesítés, ajánlattevő rendszerek

a. Kapcsolódó termékek meghatározása

b. Ajánlattevő rendszerek bemutatása, tartalmi elemzésre és implicit információra építő rendszerek, szükséges feltételek, lehetséges problémák

c. Mátrixfelbontások használata ajánlattevő rendszerekben

d. Laboratóriumi gyakorlat: Ajánlattevő algoritmusok összevetése valós adatokon

6. Kapcsolati háló elemzése

a. A kapcsolati háló alapvető fogalmainak ismertetése, a háló elemei és felépítései lehetőségei

b. A kapcsolati hálóban szereplő információk felhasználási lehetőségeinek bemutatása

c. Laboratóriumi gyakorlat: kapcsolati háló elemzése valós adatokon

7. További ügyfélelemzési feladatok

a. Csalásdetektálás

b. Ügyfélérték számítás

c. Kampányoptimalizáció

d. Laboratóriumi gyakorlat: Kampányoptimalizációs feladata

e. Laboratóriumi gyakorlat: Ügyfélérték becslési feladat

Laboratóriumi gyakorlatok (kiemelve a fenti leírásból)

1. Elvándorlás előrejelzés

2. Webáruház elemzése

3. Hitelbírálati elemzés

4. Ajánlattevő rendszerek

5. Kapcsolati háló hatásának elemzése

6. Kampányoptimalizáció

7. Ügyfélérték becslés

 

 

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

előadás, laboratórium

10. Követelmények

a. A szorgalmi időszakban: egy zárthelyi.

b. A vizsgaidőszakban: házi feladat készítése (írásbeli), vizsgán való megvédése (szóbeli)

c. Az aláírás feltétele a zárthelyi (beleértve a pótló zárthelyiket is: lásd a következő pontban) legalább elégséges szintre történő megírása.  A zárthelyi illetve pót-zárthelyi eredményes, ha a maximális pontszám legalább 40%-t elérte a hallgató

d. A laboratóriumi gyakorlatokból legalább öt alkalmán részt kell venni az aláírás megszerzéséhez

11. Pótlási lehetőségek

A zárthelyi pótlására a szorgalmi időszakban egy lehetőséget biztosítunk. Azok számára, akiknek nem sikerült sem a zárthelyi, sem a pótzárthelyi: a pótlási időszakban 1 alkalmat biztosítunk egy újabb zárthelyi dolgozatra. Az aláírás feltétele valamelyik zárthelyi (első vagy a pót- vagy a pótpót-zárthelyi) legalább elégséges szintre történő megírása.

12. Konzultációs lehetőségek

Előadóknál előre egyeztetett időpontokban.

13. Jegyzet, tankönyv, felhasználható irodalom
  1. Michael J.A. Berry, Gordon S. Linoff: Data Mining Techniques For Marketing, Sales, and Customer Relationship Management, Wiley; 1 edition (May 27, 1997)
  2. Carlo Vercellis: Business Intelligence : Data Mining and Optimization for Decision Making,  2009 John Wiley & Sons, Ltd. ISBN: 978-0-470-51138-1
  3. Olivia Parr Rud:  Data Mining Cookbook: Modeling Data for Marketing, Risk and Customer Relationship Management, Wiley; 1 edition (November 3, 2000)
14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
Kontakt óra  56
Félévközi készülés órákra  18
Felkészülés zárthelyire  20
Házi feladat elkészítése  16
Kijelölt írásos tananyag elsajátítása   0
Vizsgafelkészülés  40
Összesen150
15. A tantárgy tematikáját kidolgozta
 Név: Beosztás: Tanszék, Intézet:
 Dr. Henk Tamás egy. docens TMIT
 Gáspár-Papanek Csaba egy. tanársegéd TMIT
 Prekopcsák Zoltán doktorandusz TMIT
 Nagy István doktorandusz TMIT