Diese Website verwendet nur technisch notwendige Cookies. In der Datenschutzerklärung können Sie mehr dazu erfahren.

Zum Hauptinhalt springen
Logo, Startseite der Hochschule der Medien
Veranstaltungsbeschreibung

337083a Big Data & Web Analytics

Zuletzt geändert:15.01.2020 / von Carlsburg
EDV-Nr:337083a
Studiengänge:
Dozent:
Sprache: Deutsch
Art: -
Umfang: 2 SWS
ECTS-Punkte: 2
Workload: Prüfungsleistung (KMP): schriftliche Bearbeitung von Fallstudien.
Prüfungsform: PA
Beschreibung: In der Veranstaltung Web Analytics & Big Data befassen wir uns mit der Erfassung und Analyse von strukturierten und unstrukturierten (großen) Daten - bspw. Daten aus sozialen Medien, Multi-Media-Plattformen, Microblogs, Foren, Webpräsenzen. Die dadurch gewonnenen Erkenntnisse sollen einen Beitrag zu dem systematischen Aufbau und der Pflege dauerhafter und profitabler Kundenbeziehungen leisten und beziehen sich insbesondere auf die Phasen der Kundengewinnung, Kundenbindung und Vermeidung der Kundenabwanderung innerhalb des Customer Lifecycle Managements.

Für die Definition analytischer Ziele und Kennzahlen wird das strategische Konzept des Customer Lifecycle Managements herangezogen. Anschließend wird die Erfassung von Daten auf der eigenen Webpräsenz mit Hilfe von Tracking-Methoden (bspw. mit JavaScript und Tools wie Google Tag Manager, Google Analytics, Matomo) sowie Methoden des Web-Scarping und die Nutzung von Programmierschnittstellen (Application Programming Interface, API) behandelt. Dabei werden auch die speziellen Potenziale und Herausforderungen diskutiert, welche durch die Verwendung "großer" Datenmengen (Big Data) entstehen. Mit Hilfe dieser Daten können CRM- und Marketing-Maßnahmen durch die Verwendung unterschiedlicher Methoden (u.a. A/B-Tests, Korrelationsanalysen, Regressionsanalysen, Klassifikationsverfahren, Clusteranalysen, Sentiment-Analysen) evaluiert und optimiert werden. Im Rahmen der statistischen Datenanalyse werden insbesondere Open Source-Technologien (insbesondere Python und R) genutzt. Zuletzt wird die Thematik des Datenschutzes unter Berücksichtigung der europäische Datenschutz-Grundverordnung (DSGVO) behandelt.
Literatur: Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business intelligence and analytics: from big data to big impact. MIS quarterly, 1165-1188.

Davenport, T. H. (2006). Competing on analytics. Harvard Business Review, 84(1), 98.

Fields, A. (2018). Discovering statistics using IBM SPSS statistics. Thousand Oaks, CA.

Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137-144.

Hippner, H., & Wilde, K. D. (2003). Data Mining im CRM. In Effektives Customer Relationship Management (S. 211-231). Wiesbaden: Gabler Verlag.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112). New York: Springer.

Kaushik, A. (2007). Web analytics: An hour a day (W/Cd). John Wiley & Sons.

Kaushik, A. (2011). Web Analytics 2.0: The Art of Online Accountability and Science of Customer Centricity. Sybex.

Leskovec, J., Rajaraman, A., & Ullman, J. D. (2014). Mining of massive datasets. Cambridge University Press.

McAfee, A., Brynjolfsson, E., Davenport, T. H., Patil, D. J., & Barton, D. (2012). Big data: the management revolution. Harvard Business Teview, 90(10), 60-68.

Russell, A. & Klassen, M. (2019). Mining the Social Web: Data Mining Facebook, Twitter, LinkedIn, Instagram, GitHub, and More. O’Reilly Media.

Sridharan, S. & Purcell, B. (2015). How Analytics Drives Customer Life-Cycle Management. Forrester Whitepaper.

VanderPlas, J. (2016). Python data science handbook: essential tools for working with data. O'Reilly Media, Inc.

VanderPlas, J. (2016). Whirlwind Tour of Python. O'Reilly Media.

Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (pp. 29-39).

Weitere Literatur finden Sie in der HdM-Bibliothek.