EN
IT
Prerequisiti
Per comprendere i contenuti delle lezioni e raggiungere gli obiettivi formativi è importante che prima dell’inizio dell’attività formativa lo studente abbia conoscenze di marketing, in particolare per quanto concerne i concetti di mercato, prodotto, innovazione di prodotto, di segmentazione della clientela, metodi di definizione del prezzo.
Prerequisites
To understand the contents of the lectures and to achieve the learning objectives, it is important for the student to have knowledge of marketing before the start of the training activity, in particular with regard to the concepts of market, product, product innovation, customer segmentation, and pricing methods.
Programma
1. Marketing Intelligence: passato, presente e futuro dell’analisi di marketing. Dalle tradizionali tecniche di ricerca di mercato alle moderne strategie data-driven. 3h
2. In che modo i big data e l'analisi avanzata hanno modificato i processi decisionali, consentendo alle aziende di prevedere l'evoluzione del mercato, analizzare e prevedere il comportamento dei consumatori. 3h
3. Tecnologie e Marketing Intelligence: Ruolo delle tecnologie nel potenziare la produzione di dati. 2h
4. L’impatto dell'intelligenza artificiale e del machine learning sull'automazione e l'ottimizzazione delle strategie di marketing. 2h
5. Segmentazione della clientela: metodi matematici e statistici. Cluster analysis, modellazione stocastica. 6h
6. Customer Lifetime Value (CLV) per comprendere il contributo finanziario a lungo termine del cliente al business. Applicazione della segmentazione della clientela a strategie di marketing di successo. 3h
7. Customer Relationship Management CRM: il suo ruolo nella raccolta e nell'analisi dei dati dei clienti, nella comprensione del comportamento dei consumatori e nelle azioni di marketing. Analisi avanzata, random forest, decision trees, and survival analysis, per la previsione e la prevenzione dell'abbandono. 3h
8. Come migliorare l'erogazione dei servizi, aumentare la soddisfazione dei clienti e promuovere la fedeltà a lungo termine. 2h
9. Marketing Modeling: modellazione predittiva vs causale nell'analisi. 2h
10. Come le previsioni e le relazioni di "causa ed effetto" tra le variabili possono essere applicate per risolvere diversi problemi di marketing. 3h
11. Machine Learning supervisionato e non supervisionato: come gli algoritmi sui dati labeled per fare previsioni. In che modo l'apprendimento non supervisionato identifica modelli e relazioni nei dati “non labeled”. 3h
12. Casi studio sull'uso nella segmentazione dei clienti e nell'analisi del comportamento di scelta e di acquisto. 4h
Program
1. Marketing Intelligence: past, present and future of marketing analytics. From traditional market research techniques to modern data-driven strategies. Case studies on different marketing analytics approaches. 3h
2. How big data and advanced analytics modified decision-making processes, enabling businesses to forecast market evolution, and analyse and predict consumer behaviour. 3h
3. Technologies & Marketing Intelligence: Role of technologies in empowering data production. 2 h
4. Impact of artificial intelligence and machine learning on the automation and optimization of marketing strategies. 2h
5. Customer Segmentation: Mathematical and statistical methods. Cluster analysis, Stochastic modelling. 6h
6. Customer Lifetime Value (CLV) to understand each customer's long-term financial contribution to the business. Applying customer segmentation to successful marketing strategies. 3h
7. Customer Relationship Management CRM: its role in collecting and analysing customer data comprehension of consumer behaviour and in marketing actions. Advanced CRM analytics, random forest, decision trees, and survival analysis for churn prediction and prevention. 3h
8. How to improve service delivery, enhance customer satisfaction, and foster long-term loyalty. 2h
9. Marketing Modelling: predictive vs causal modelling in analytics. 2h
10. How forecasting and “cause and effect” relationships between variables can be applied to solve different marketing problems. 3h
11. Supervised and Unsupervised Machine Learning: How algorithms on labelled data make predictions. How unsupervised learning identifies patterns and relationships in unlabeled data. 3h
12. Case studies on customer segmentation and in the analysis of choice and purchasing behaviour. 4h
Testi Adottati
Slide, testi e codice saranno resi disponibili dall’insegnante.
Books
Slides, reading materials and coding will be made available from the teacher
Bibliografia
Brea C., “Marketing and Sales Analytics”, Pearson; New Jersey, 2014
Rackley J. “Marketing Analytics Roadmap” Apress, 2015
Lilien G.L. Rangaswamy A. De Bruyn A. Marketing engineering and Analytics” 3dr Edition, Decisionpro, 2017
Mizik N. and Hanssens “Handbook of Marketing Analytics” Edward Elgar Publishing, 2018
Grigsby M. “Marketing Analytics” Page K 2017
Unpingco J. “Python Programming for Data Analysis”, Springer, 2022
Bibliography
Brea C., “Marketing and Sales Analytics”, Pearson; New Jersey, 2014
Rackley J. “Marketing Analytics Roadmap” Apress, 2015
Lilien G.L. Rangaswamy A. De Bruyn A. Marketing engineering and Analytics” 3dr Edition, Decisionpro, 2017
Mizik N. and Hanssens “Handbook of Marketing Analytics” Edward Elgar Publishing, 2018
Grigsby M. “Marketing Analytics” Page K 2017
Unpingco J. “Python Programming for Data Analysis”, Springer, 2022
Modalità di svolgimento
Lezioni frontali in classe, flipped classroom, esercitazioni, discussioni di casi studio, project work, 6 ore di esercitazione pratica di laboratorio usando un software statistico. Verranno mostrati esempi di applicazioni utilizzando la piattaforma Keix. Gli studenti possono replicare gli esempi a casa utilizzando il software gratuito Keix dal quale possono direttamente utilizzare numerosi dataset provenienti da ISTAT, EUROSTAT e da altre fonti governative europee.
Teaching methods
Classroom lectures, flipped classroom, exercises, case study discussions, project work, 6 hours of practical laboratory exercises using the statistical software. Examples of applications using the Keix platform will be shown. Students can replicate the examples at home using the free Keix software from which they can directly use numerous datasets from ISTAT, EUROSTAT and other European governmental sources.
EN
IT
Obiettivi Formativi
L’obiettivo del corso di “Marketing analytics”, in linea con lo scopo del corso di laurea magistrale in Economia e Management, è quello di preparare gli/le studenti/studentesse ad una progettazione e pianificazione delle azioni di marketing analytics consapevole e verificarne i ritorni e la generazione di valore.
● Obiettivi formativi: Scopo dell’insegnamento è l’introduzione alle teorie, modelli, metodi qualitativi e quantitativi, tecniche e specifici indicatori per misurare e valutare le performance di marketing. Il corso si propone inoltre di:
○ Studiare e condividere, attraverso il confronto, i processi decisionali che riguardano il marketing in una prospettiva dinamica, che contempla sia la fase di definizione delle risorse quanto quella di verifica dei risultati privilegiando la relazione con il cliente e quello che ne deriva;
○ Sperimentare i processi, metodi e tecniche attraverso cui il marketing management influenza la competitività aziendale e la creazione di valore;
○ Favorire l’esperienza e stimolare il confronto su casi studio, testimonianze aziendali e progetti sul campo.
● Conoscenza e capacità di comprensione: si richiede di fare proprie, attraverso lo studio e l’utilizzo mediante esercitazioni, le conoscenze di base relative a metodi e strumenti dell’analisi di marketing.
● Capacità di applicare conoscenza e comprensione: si chiede di applicare i metodi e gli strumenti descritti a lezione, riconoscere gli ambiti di applicabilità, creare variazioni rispetto ai casi studio proposti e sperimentare in ambiti di applicazione diversi.
● Autonomia di giudizio: si chiede di motivare la scelta dei metodi e degli strumenti dell’analisi di marketing applicabili alle diverse situazioni contestuali che possono presentarsi in ambito aziendale. Saper astrarre al fine di poter acquisire una corretta analisi dei problemi da risolvere, saper integrare informazioni e ponderarle per poter fornire analisi che consentano una visione dei problemi che, dal contesto generale, arrivino a quello particolare sapendone cogliere le correlazioni.
● Abilità comunicative: si chiede di saper illustrare, in modo tecnico, le informazioni relative alla progettazione, al processo e ai risultati dell’analisi di marketing in modo analitico, in prima istanza, e successivamente in modo sintetico. Si richiede inoltre, la capacità di sapere evidenziare i punti rilevanti e di saper cogliere il flusso di informazioni/eventi nella descrizione di un processo.
● Capacità di apprendimento: si chiede di sviluppare capacità di apprendimento autonome nel saper leggere e comprendere descrizioni tecniche, manuali, pubblicazioni scientifiche di divulgazione o ricerca e correlare argomenti.
L’azione formativa nel suo complesso sviluppa la capacità di progettare, realizzare e gestire il sistema informativo aziendale per la misura e la valutazione delle performance e dei processi di marketing, ciascuno dei quali caratterizzato da specifiche misure di performance.
Learning Objectives
The objective of the “Marketing analytics” course, in line with the aim of the Master’s degree course in Business Administration, is to prepare students for an aware design and planning of marketing analytics actions and to verify their returns and value generation.
● Learning objectives: The aim of the course is an introduction to theories, models, qualitative and quantitative methods, techniques and specific indicators for measuring and evaluating marketing performance. The course also aims to:
○ Study and share, through comparison, the decision-making processes concerning marketing in a dynamic perspective, which contemplates both the phase of defining resources as well as the phase of verifying results by focusing on the relationship with the customer and the consequent outcome;
○ Experiment with the processes, methods and techniques through with marketing management influences company competitiveness and value creation;
○ Provide experience and stimulate discussion on case studies, company testimonials and projects in the field.
● Knowledge and understanding: it is expected to acquire, through study and use by means of exercises, basic knowledge of the methods and tools of marketing analysis.
● Ability to apply knowledge and understanding: it is expected to apply methods and tools described in the lecture, recognise areas of applicability, create variations on the proposed case studies and experiment in different areas of application.
● Autonomy of judgement: it is expected to motivate the choice of marketing analysis methods and tools applicable to the different contextual situations that may arise in the business environment. Knowing how to abstract in order to be able to acquire a correct analysis of the problems to be solved, knowing how to integrate information and weight it in order to be able to provide analyses that allow a vision of the problems that, from the general context, arrive at the particular one, knowing how to grasp the correlations.
● Communication skills: it is expected to be able to illustrate, in a technical manner, information relating to the design, process and results of marketing analysis in an analytical manner in the first instance and then in a synthetic manner. Also required is the ability to be able to highlight relevant points and to be able to grasp the flow of information/events in the description of a process.
● Learning skills: it is expected to develop autonomous learning skills in being able to read and understand technical descriptions, manuals, scientific publications of popularisation or research and related topics.
The training as a whole develops the ability to design, implement and manage the corporate information system for measuring and evaluating performance and marketing processes, each of which is characterised by specific performance measures.
Prerequisiti
Per comprendere i contenuti delle lezioni e raggiungere gli obiettivi formativi è importante che prima dell’inizio dell’attività formativa lo studente abbia conoscenze di marketing, in particolare per quanto concerne i concetti di mercato, prodotto, innovazione di prodotto, di segmentazione della clientela, metodi di definizione del prezzo.
Prerequisites
To understand the contents of the lectures and to achieve the learning objectives, it is important for the student to have knowledge of marketing before the start of the training activity, in particular with regard to the concepts of market, product, product innovation, customer segmentation, and pricing methods.
Programma
1. Marketing Intelligence: passato, presente e futuro dell’analisi di marketing. Dalle tradizionali tecniche di ricerca di mercato alle moderne strategie data-driven. 3h
2. In che modo i big data e l'analisi avanzata hanno modificato i processi decisionali, consentendo alle aziende di prevedere l'evoluzione del mercato, analizzare e prevedere il comportamento dei consumatori. 3h
3. Tecnologie e Marketing Intelligence: Ruolo delle tecnologie nel potenziare la produzione di dati. 2h
4. L’impatto dell'intelligenza artificiale e del machine learning sull'automazione e l'ottimizzazione delle strategie di marketing. 2h
5. Segmentazione della clientela: metodi matematici e statistici. Cluster analysis, modellazione stocastica. 6h
6. Customer Lifetime Value (CLV) per comprendere il contributo finanziario a lungo termine del cliente al business. Applicazione della segmentazione della clientela a strategie di marketing di successo. 3h
7. Customer Relationship Management CRM: il suo ruolo nella raccolta e nell'analisi dei dati dei clienti, nella comprensione del comportamento dei consumatori e nelle azioni di marketing. Analisi avanzata, random forest, decision trees, and survival analysis, per la previsione e la prevenzione dell'abbandono. 3h
8. Come migliorare l'erogazione dei servizi, aumentare la soddisfazione dei clienti e promuovere la fedeltà a lungo termine. 2h
9. Marketing Modeling: modellazione predittiva vs causale nell'analisi. 2h
10. Come le previsioni e le relazioni di "causa ed effetto" tra le variabili possono essere applicate per risolvere diversi problemi di marketing. 3h
11. Machine Learning supervisionato e non supervisionato: come gli algoritmi sui dati labeled per fare previsioni. In che modo l'apprendimento non supervisionato identifica modelli e relazioni nei dati “non labeled”. 3h
12. Casi studio sull'uso nella segmentazione dei clienti e nell'analisi del comportamento di scelta e di acquisto. 4h
Program
1. Marketing Intelligence: past, present and future of marketing analytics. From traditional market research techniques to modern data-driven strategies. Case studies on different marketing analytics approaches. 3h
2. How big data and advanced analytics modified decision-making processes, enabling businesses to forecast market evolution, and analyse and predict consumer behaviour. 3h
3. Technologies & Marketing Intelligence: Role of technologies in empowering data production. 2 h
4. Impact of artificial intelligence and machine learning on the automation and optimization of marketing strategies. 2h
5. Customer Segmentation: Mathematical and statistical methods. Cluster analysis, Stochastic modelling. 6h
6. Customer Lifetime Value (CLV) to understand each customer's long-term financial contribution to the business. Applying customer segmentation to successful marketing strategies. 3h
7. Customer Relationship Management CRM: its role in collecting and analysing customer data comprehension of consumer behaviour and in marketing actions. Advanced CRM analytics, random forest, decision trees, and survival analysis for churn prediction and prevention. 3h
8. How to improve service delivery, enhance customer satisfaction, and foster long-term loyalty. 2h
9. Marketing Modelling: predictive vs causal modelling in analytics. 2h
10. How forecasting and “cause and effect” relationships between variables can be applied to solve different marketing problems. 3h
11. Supervised and Unsupervised Machine Learning: How algorithms on labelled data make predictions. How unsupervised learning identifies patterns and relationships in unlabeled data. 3h
12. Case studies on customer segmentation and in the analysis of choice and purchasing behaviour. 4h
Testi Adottati
Slide, testi e codice saranno resi disponibili dall’insegnante.
Books
Slides, reading materials and coding will be made available from the teacher
Bibliografia
Brea C., “Marketing and Sales Analytics”, Pearson; New Jersey, 2014
Rackley J. “Marketing Analytics Roadmap” Apress, 2015
Lilien G.L. Rangaswamy A. De Bruyn A. Marketing engineering and Analytics” 3dr Edition, Decisionpro, 2017
Mizik N. and Hanssens “Handbook of Marketing Analytics” Edward Elgar Publishing, 2018
Grigsby M. “Marketing Analytics” Page K 2017
Unpingco J. “Python Programming for Data Analysis”, Springer, 2022
Bibliography
Brea C., “Marketing and Sales Analytics”, Pearson; New Jersey, 2014
Rackley J. “Marketing Analytics Roadmap” Apress, 2015
Lilien G.L. Rangaswamy A. De Bruyn A. Marketing engineering and Analytics” 3dr Edition, Decisionpro, 2017
Mizik N. and Hanssens “Handbook of Marketing Analytics” Edward Elgar Publishing, 2018
Grigsby M. “Marketing Analytics” Page K 2017
Unpingco J. “Python Programming for Data Analysis”, Springer, 2022
Modalità di svolgimento
Lezioni frontali in classe, flipped classroom, esercitazioni, discussioni di casi studio, project work, 6 ore di esercitazione pratica di laboratorio usando un software statistico. Verranno mostrati esempi di applicazioni utilizzando la piattaforma Keix. Gli studenti possono replicare gli esempi a casa utilizzando il software gratuito Keix dal quale possono direttamente utilizzare numerosi dataset provenienti da ISTAT, EUROSTAT e da altre fonti governative europee.
Teaching methods
Classroom lectures, flipped classroom, exercises, case study discussions, project work, 6 hours of practical laboratory exercises using the statistical software. Examples of applications using the Keix platform will be shown. Students can replicate the examples at home using the free Keix software from which they can directly use numerous datasets from ISTAT, EUROSTAT and other European governmental sources.
Prof.ssa Lucia Leonelli
