Marketing Mix Modeling w praktyce – Modelowanie, Post-analizy, optymalizacje i tworzenie rekomendacji – część II 2400-ZEWW893

1. Wprowadzenie:
• Plan przedmiotu: agenda spotkań
• Warunki zaliczenia przedmiotu
• Dostawcy MMMów - charakterystyka rynku, ścieżka kariery, model pracy, role w zespole.
• Czym właściwie jest MMM?
• MMMy – ekonometria czy analityka? Porównanie z innymi formami pomiaru efektywności mediów.
• Rola projektu MMM w strategii marki
• Na jakie pytania odpowiada ekonometria?
• Proces projektu ekonometrycznego

2. Odświeżenie i podsumowanie materiału z Wproadzenia do R, Tidyverse oraz przetwarzania danych: przygotowanie bazy do modelowania w skrócie (dane sprzedażowe, czynniki zewnętrzne, media)
• Zmienne uwzględniane w modelach na przykładzie kategorii FMCG
• Dane panelowe i szeregi czasowe
• Postać bazy do modelowania
• Częstotliwość danych i jej implikacje
• Wybór odpowiedniej zmiennej modelowanej
• Sposoby agregacji wartości i wolumenu sprzedaży
• Dystrybucja numeryczna vs ważona
• Cena, informacje o promocjach
• Jak uwzględnić w bazie do modelowania czynniki zewnętrzne:
o COVID,
o Sezonowość
o Makroekonomię/Demografię
o Trade
o Pogodę
o Święta
• Metody pomiarów mediów i dostawcy danych
• Czym jest GRP?
• Impresje czy Kliki?
• Czym jest AdStock?
3. Modelowanie oraz interpretacja modelu (1)
• Analiza graficzna zmiennych
• Typy modeli: multiplikatywne, addytywny
• Kolejność uwzględniania zmiennych
• Interpretacja parametrów: elastyczności, semielastyczności, efekty krańcowe
4. Modelowanie oraz interpretacja modelu (2)
• Response Curves, diminishing returns
 Media: c-shape vs s-shape
 Przekształcenie arctg
• Modelowanie w praktyce – kryteria wyboru zmiennych (statystyka vs. biznes)
• Trendy w modelu
5. Modelowanie oraz interpretacja modelu - walidacja (3)
• Regresja pozorna i współliniowość
• Testy statystyczne wykorzystywane w ekonometrii
• Holdouts
6. Dekompozycja modelu i wyciąganie wniosków biznesowych (1)
• Uproszczony sposób dekompozycji
• Baseline vs Incremental
• Waterfall dynamiczny vs statyczny
7. Dekompozycja modelu i wyciąganie wniosków biznesowych (2) oraz optymalizacje
• Liczenie ROIów
• Optymalizacja na krzywych wklęsłych (typu atan) – przykład prostego algorytmu
• Przykładowe rekomendacje
8. Dekompozycja modelu oraz wyciąganie wniosków biznesowych (3)
• Ćwiczenia praktyczne do materiału z zajęć 6.
• Studenci prezentują wyniki swoich projektów MMM w formie prezentacji .pdf z rekomendacjami (na podstawie przygotowanych własnoręcznie modeli).
9. Kurs kończy się wręczeniem Certyfikatów dla Studentów.