Belépés címtáras azonosítással
magyar nyelvű adatlap
Ügyfélanalitika
A tantárgy angol neve: Customer Analytics
Adatlap utolsó módosítása: 2022. november 28.
Gazdaságinformatikus szak, MSc képzés
Gazdasági elemző informatika specializáció
Dr. Toka László, egyetemi docens, TMIT
1. Bevezetés az ügyfélanalitikába: adatelemzési CRISP-DM módszertan, gépi tanulás, mesterséges intelligencia
2. Python-alapú szoftverkörnyezet bemutatása, gépi tanulási eszközök és könyvtárak
3. Bevezetés az előrejelzések és vizualizáció témakörébe: indoklási technikák elemzéssel, adat-reprezentáció és transzformációk, ábrás és képi megjelenítés, interakciós technikák, általánosított többdimenziós skálázás, érzékelési térkép, üzleti döntés térkép (BDM)
4. Termékárazás: korrelációs és regressziós analízis, speciális kihívások a webes adatbányászat területén, újszerű adatgyűjtési módok
5. Távközlési adatok adatbányászata, ügyfélértékszámítás: lemorzsolódás probléma, távközlési ügyfelek adathalmazai, lemorzsolódás előrejelzése, kiértékelő görbék
6. Hitelbírálati elemzések ügyfélviselkedés alapon: hitelbírálati alapfeladat bemutatása, pontozótábla, viselkedésalapú elemzések speciális kérdéseinek kezelése, elemzési tábla készítése tranzakciós adatokból
7. Weboldalak felhasználóinak elemzése: webes adatbányászat és részterületei, ügyfél-viselkedési kérdések, látogató azonosítás kérdései és módszerei, rendelkezésre álló adatok, alapvető riportolási kérdések, vásárlói affinitás elemzés, oldalhasználati ügyfélcsoportok, a csoportba sorolás által elérhető előnyök, elvándorló ügyfelek szegmensei
8. Kampányoptimalizáció: profit maximalizálás alapú kampány optimalizáció
9. Kapcsolati háló elemzése: a kapcsolati háló alapvető fogalmainak ismertetése, a háló elemei és felépítései lehetőségei, a kapcsolati hálóban szereplő információk felhasználási lehetőségeinek bemutatása, hálózatkutatás és kapcsolatai az adatbányászati előrejelzésekkel, közösségi háló hatása a lemorzsolódás előrejelzésre
10. Eladások elemzése: idősor jellegű adatok elemzésének lehetőségei, időbeli és szezonális hatások szűrésének kezelése, időben rétegelt tanító és teszt adathalmazok
11. Sportanalitika: futball játékosok értékelése, időbeli trendek elemzése, ármeghatározó képességek azonosítása
A gyakorlatok/laborok részletes tematikája
1. Adatelőkészítési technikák
2. Adatvizualizáció
3. Ingatlanár-becslés regressziós modellekkel
4. Ügyfél elvándorlás előrejelzés – távközlési adatokon történő klasszifikációs elemzés
5. Hitelbírálati elemzés
6. Webáruház elemzése – weblogok feldolgozása ügyfélszegmensek felállítására
7. Kampányoptimalizáció hibrid modellekkel
8. Ügyfél lemorzsolódás mélytanulási hálózatmodellekkel
9. Kapcsolati hálók elemzése
10. Eladások előrejelzése idősorelemzéssel
11. Sportanalitika
Szorgalmi időszakban
egy zárthelyi (végső érdemjegy 25%-a), hat kis házi feladat (végső érdemjegy 25%-a)
Vizsgaidőszakban
nagy házi feladat elkészítése, szóbeli vizsgán való megvédése (végső érdemjegy 50%-a)
A zárthelyi pótlására a szorgalmi időszakban egy lehetőséget biztosítunk. Azok számára, akiknek nem sikerült sem a zárthelyi, sem a pótzárthelyi: a pótlási időszakban egy újabb alkalmat biztosítunk. Az aláírás feltétele valamelyik zárthelyi (első vagy a pót- vagy a pótpót-zárthelyi) a legalább elégséges szintre történő megírása. A zárthelyi eredményes, ha a maximális pontszám legalább 40%-t elérte a hallgató.
A kis házi feladatok határidőn túli pótlására nincs lehetőség. A házi feladatok legalább 60%-át megfelelő minőségben kell benyújtania az aláírás megszerzéséhez.
Gordon S. Linoff, Michael J. A. Berry: Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, 3rd Edition, Wiley, 2011
Carlo Vercellis: Business Intelligence: Data Mining and Optimization for Decision Making, Wiley, 2009
Olivia Parr Rud: Data Mining Cookbook: Modeling Data for Marketing, Risk and Customer Relationship Management, Wiley, 2000