MARKETING INTELLIGENCE AND ANALYTICS

Marketing Intelligence e Analytics è un insegnamento a scelta nell’area dell’economia aziendale e del management.
Il corso si propone di approfondire le sfide legate alla marketing intelligence, concentrandosi sull’applicazione della data analytics alle pratiche di marketing contemporanee. Le lezioni metteranno in relazione la teoria del marketing con problemi concreti, utilizzando modelli statistici e di machine learning. Gli studenti parteciperanno attivamente a esercitazioni pratiche di programmazione, applicando l’intero insieme delle tecniche di data analytics apprese negli insegnamenti del percorso DABS.

Gli studenti imparano ad affrontare un problema tipico di marketing progettando un insieme di attività finalizzate alla sua soluzione attraverso l’uso di dati e algoritmi.
I risultati di apprendimento attesi includono la capacità di:
- riconoscere i problemi più comuni nell’ambito della marketing intelligence;
- individuare le fonti e i dati pertinenti al problema;
- scegliere l’approccio più adeguato per affrontare il problema, selezionando le metodologie appropriate;
- testare e confrontare modelli e algoritmi diversi;
- illustrare e presentare i risultati in modo chiaro, anche a interlocutori non esperti di data science.

Statistica descrittiva e inferenziale; competenze di base di programmazione. Circa un terzo delle lezioni sarà dedicato a esercitazioni di programmazione in R.

Il corso affronterà i seguenti argomenti:
1. L’evoluzione della marketing intelligence
Si ripercorrerà lo sviluppo della marketing intelligence, dalle prime tecniche di ricerca di mercato alle moderne strategie basate sui dati. Si esaminerà come la diffusione dei big data e delle tecniche avanzate di analisi abbia trasformato i processi decisionali, consentendo alle imprese di prevedere con maggiore accuratezza le tendenze di mercato e i comportamenti dei consumatori.
2. Le tecnologie digitali nel marketing
Si analizzerà il ruolo delle tecnologie digitali nella trasformazione delle pratiche di marketing, con particolare attenzione a strumenti quali i social media, le applicazioni mobili e le piattaforme di pubblicità digitale, che permettono di interagire con i consumatori in tempo reale. Si approfondirà inoltre l’impatto dell’intelligenza artificiale e del machine learning sull’automazione e sull’ottimizzazione delle strategie di marketing.
3. CRM e comportamento dei consumatori
Si approfondiranno i sistemi di Customer Relationship Management (CRM) e il loro ruolo nella comprensione e nell’influenza del comportamento dei consumatori. Si esaminerà come gli strumenti CRM consentano di raccogliere e analizzare i dati sui clienti per migliorare i servizi, accrescere la soddisfazione e promuovere la fidelizzazione nel lungo periodo.
4. Modelli predittivi e modelli causali
Si distingueranno i modelli predittivi dai modelli causali nell’ambito della marketing analytics. I primi utilizzano le regolarità osservate nei dati storici per prevedere risultati futuri; i secondi mirano a identificare e quantificare i rapporti di causa-effetto tra le variabili. Si vedrà come ciascun approccio possa essere impiegato per affrontare diversi problemi di marketing.
5. Machine learning supervisionato e non supervisionato
Si esamineranno le differenze tra le tecniche di machine learning supervisionato e non supervisionato e le relative applicazioni nel marketing. Il primo addestra gli algoritmi su dati etichettati per formulare previsioni; il secondo individua schemi e relazioni nei dati non etichettati. Saranno discussi casi applicativi relativi alla segmentazione dei clienti e all’analisi dei loro comportamenti.
6. Segmentazione dei clienti, campagne di marketing, abbandono e valore del cliente nel tempo
Si approfondiranno le strategie di segmentazione dei clienti per orientare in modo efficace le attività di marketing e le tecniche per progettare e realizzare campagne rivolte a specifici gruppi di clienti. Si studieranno inoltre i metodi per individuare e contrastare l’abbandono dei clienti e per calcolare il valore economico del cliente nel lungo periodo (Lifetime Customer Value, LCV). Esempi concreti illustreranno l’applicazione di questi concetti nelle strategie di marketing.

Slides, letture e files di coding saranno disponibili su Moodle.
Per esercizi e coding: Yildirim, G. and Kübler, R., 2023. Applied marketing analytics using R. SAGE Publications Limited (chapters 2-3-7-8)
Papers
1. Carlei, V. and Nuccio, M., 2014. Mapping industrial patterns in spatial agglomeration: A SOM approach to Italian industrial districts. Pattern Recognition Letters, 40, pp.1-10.
2. DeMartino, G.F., 2021. The specter of irreparable ignorance: counterfactuals and causality in economics. Review of Evolutionary Political Economy, pp.1-24.
3. Kitchin, R. "Big Data, new epistemologies and paradigm shifts." Big data & society 1, no. 1 (2014)
4. Nuccio, M., and Guerzoni M. "Big data: Hell or heaven? Digital platforms and market power in the data-driven economy." Competition & Change 23, no. 3 (2019): 312-328.
5. Pearl, J., 2018. Theoretical impediments to machine learning with seven sparks from the causal revolution. arXiv preprint arXiv:1801.04016.
6. Verbraken, T., Wouter V., and Bart Baesens. "A novel profit maximizing metric for measuring classification performance of customer churn prediction models." IEEE transactions on knowledge and data engineering 25, no. (2012): 961-973.
7. Wang, W., Feng, Y. and Dai, W., 2018. Topic analysis of online reviews for two competitive products using latent Dirichlet allocation. Electronic Commerce Research and Applications, 29, pp.142-156.
8. Wedel, M., & Kannan, P. K. (2016). Marketing analytics for data-rich environments. Journal of Marketing, 80(6), 97-121.

L’esame è scritto e comprende un’esercitazione di programmazione in R basata su un dataset. Il docente valuterà:
1. la capacità di comprendere e concettualizzare un problema di marketing;
2. la capacità di applicare a un dataset tecniche di machine learning e di analytics utilizzando R.
Gli studenti dovranno preparare tutti i testi assegnati e i materiali forniti dal docente.
Gli studenti che lo desiderano potranno ottenere punti aggiuntivi presentando in aula un’esercitazione basata su dati reali.

scritto

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

18-20: Sufficiente – conoscenze minime richieste
21-23: Discreto – preparazione accettabile con alcune lacune
24-26: Buono – competenze solide, con qualche imprecisione
27-29: Ottimo – conoscenza approfondita e ben esposta
30-30 e lode: Massimo riconoscimento – conoscenza superiore ed elaborazione originale

Lezioni frontali, casi studio; esercizi con RStudio

L’Università Ca’ Foscari applica la normativa italiana in materia di servizi di supporto e misure di sostegno per gli studenti con disabilità o disturbi specifici dell’apprendimento (Legge 17/1999 e Legge 170/2010).
Se hai una disabilità motoria, visiva o uditiva, un’altra disabilità (Legge 17/1999) o un disturbo specifico dell’apprendimento (Legge 170/2010) e necessiti di supporto — ad esempio assistenza in aula, strumenti tecnologici per gli esami, prove personalizzate, materiali in formato accessibile, supporto per la presa di appunti, tutorato specializzato, servizi di interpretariato o altri servizi — contatta l’Ufficio Disabilità e DSA all’indirizzo disabilita@unive.it.