Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Ügyfélanalitika

    A tantárgy angol neve: Customer Analytics

    Adatlap utolsó módosítása: 2022. november 28.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Gazdaságinformatikus szak, MSc képzés

    Gazdasági elemző informatika specializáció 

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VITMM200 2,3 3/0/1/v 6  
    3. A tantárgyfelelős személy és tanszék Dr. Toka László,
    4. A tantárgy előadója

    Dr. Toka László, egyetemi docens, TMIT

    Gáspár Csaba, egyetemi tanársegéd, TMIT
    5. A tantárgy az alábbi témakörök ismeretére épít Valószínűségszámítási, statisztikai alapismeretek
    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

    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

     

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

    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)

    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 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.


    12. Konzultációs lehetőségek A tárgy előadóinál online csatornákon. 
    13. Jegyzet, tankönyv, felhasználható irodalom

    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


    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra56
    Félévközi készülés órákra24
    Felkészülés zárthelyire20
    Házi feladat elkészítése70
    Kijelölt írásos tananyag elsajátítása
    Vizsgafelkészülés10
    Összesen180
    15. A tantárgy tematikáját kidolgozta Dr. Toka László, docens, TMIT