СПбГТУ, электронный бизнес (курсовая работа)

Тема: Анализ и построение электронного бизнеса компании

ООО «НАЗВАНИЕ ПРЕДПРИЯТИЯ НА РУССКОМ ЯЗЫКЕ»

1 СПИСОК ВАРИАНТОВ

Список вариантов для выбора вопросов по теории:

2 СОДЕРЖАНИЕ КУРСОВОЙ РАБОТЫ

ВВЕДЕНИЕ

1 ТЕОРЕТИЧЕСКАЯ ЧАСТЬ

2 ПРАКТИЧЕСКАЯ ЧАСТЬ

2.1 Описание проекта и анализ внешнего окружения

2.2 Проектирование сервиса

2.3 Коммерциализация результатов ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

3 ПРИМЕЧАНИЯ К ЗАДАНИЮ КУРСОВОЙ РАБОТЫ

Уникальность проделанной работы должна составлять выше 75%, с учетом всех страниц курсовой работы.

3.1 Введение

Введение составляется на основе вашей тематики и должно содержать описание предметной области и аннотацию разрабатываемого проекта (не более 1,5 стр., в том числе кратко - актуальность, междисциплинарность, уровень значимости и новизны; ожидаемые результаты и их значимость).

3.2 Теоретическая часть

В теоретической части необходимо раскрыть две темы согласно вашему варианту (суммарный объем должен составлять от 30 страниц). Обязательным моментом является список источников (Минимальное количества источников - 30. Список источников должен быть оформлен и сделан через инструмент MS Word «Список источников» – смотреть Приложение 1 и 2).

В темах, в которых указан план необходимо раскрыть все пункты плана и при необходимости добавить свои подтемы. При его отсутствии вы составляете и описываете структуру самостоятельно согласно теме.

Список вопросов (требуется выбрать 2 вопроса согласно номеру варианта):

1. Маркетинговая информация и методы ее анализа

a. Источники и виды информации, получаемой маркетологом

b. Систематизация данных

c. Инструменты   математической   статистики   для   анализа информации

d. Математические модели и прогнозирование в работе маркетолога

e. Основные программные продукты для работы с маркетинговой информацией

2. Одномерный массив информации маркетинговых показателей

a. Методы представления одномерных данных

b. Одномерные статистики

c. Анализ, чистка и подготовка к дальнейшей   работе одномерного массива данных

3. Моделирование и прогнозирование результатов маркетинговой деятельности

a. Взаимосвязь   маркетинговых   показателей,    определение факторов, влияющих на продажи

b. Модель зависимости продаж от цены, коммуникативной активности и пр.

c. Трендовые модели динамики маркетинговых показателей, прогнозирование продаж, как временного ряда

d. Методы прогнозирования сезонных продаж

e. Построение моделей зависимости продаж от совокупности маркетинговых показателей

4. Введение в маркетинговые исследования

a. Современный рынок маркетинговых исследований

b. Дизайн маркетинговых исследований

c. Панельные исследования украинского рынка

d. Маркетинговые исследования в интернете

5. Качественные маркетинговые исследования

a. Фокус группы

b. Глубинные интервью

c. Проективные методики

d. Маркетинговые исследования брендов

6. Количественные исследования

a. Опросы и их виды

b. Наблюдения

c. Причинно-следственные исследования

d. Методы формирования выборки

e. Вычисление объема выборки

7. Data-driven подход в аналитике

a. Типы метрик

b. Формирование KPI и примеры для разных сфер

c. Основные аналитические инструменты

d. Аналитика в разрезе framework AARRR

e. Как работать с utm метками

f. A/B тестирование без строчки кода при помощи Google Optimize

8. Сквозная аналитика

a. Полный путь клиента от рекламной кампании до продажи

b. Оценка эффективности рекламных

c. Методы расчета цены клиента и рентабельности рекламы

d. Measurement protocol - связывание данных по продажам в Google Analytics и CRM

e. Построение дашбордов в Google таблицах и Google Data Studio

f.  Алгоритм проектирования дашбордов

g. Обзор сервисов "все в одном" для сквозной аналитики

9. Мобильная аналитика

a. Отслеживание эффективности рекламы мобильных приложений

b. Проблемы при работе с utm метками

c. Мобильная атрибуция - обзор appsflyer

d. Основы продуктовой аналитики. Выбор KPI и настройка конверсий

10. Аналитика в e-commerce

a. ROPO-анализ

b.Продвинутый ремаркетинг

c. Опросы после акций

d. Блоки рекомендаций на сайте

e. Рассылки по поведенческим факторам

f. Анализ RFM

11. Большие данные в маркетинге и интернет-рекламе

12. Перекрестные и дополнительные продажи

a. Техники дополнительных и перекрестных продаж, практики продаж онлайн и офлайн. Параметры, влияющие на эффективность дополнительных и перекрестных продаж. Методы анализа данных: линейная регрессия, регрессионные деревья, случайный лес

13. Привлечение клиентов

a. Каналы привлечения клиентов, баланс привлечения и удержания, основные параметры оценки привлекаемых клиентов, стратегии выбора целевых сегментов. Методы анализа данных: логистическая регрессия, knn, решающие деревья, случайный лес.

14. Отток и удержание клиентов

a. Цепочка удовлетворенность клиента – удержание – лояльность – прибыль. Оценки лояльности, факторы формирования лояльности. Прогнозирование удержания клиентов. Работа с клиентами, склонными к оттоку. Методы анализа данных: метрики классификации

15. Сегментация клиентов

a. Понятие сегментации, критерии для выделения сегментов, критерии выбора целевых сегментов. Задача сегментации для новых и существующих рынков. Методы сегментации на основе анализа данных: кластеризация, анализ текстов, тематическое моделирование, LDA

16. Работа с данными клиентов: законодательные и этические аспекты

a. Понятие персональных данных. Этические аспекты работы с персональными данными. Законодательное регулирование работы с персональными данными в РФ и в мире. Основные положения GDPR

17. Методология DMAIC: определение и применение в маркетинге

a. Определение DMAIC

b. Этапы DMAIC и примеры применения в маркетинге

i. Определите проблему

ii. Измерьте производительность процесса

iii. Анализируйте данные, чтобы определить первопричину проблемы

iv. Улучшайте процессы и их эффективность

v. Контролируйте улучшенный процесс

c. Как обеспечить качество данных в маркетинге

d. Опасность ошибок в data-driven компаниях

e. Как обеспечить качество данных

18. Прогнозная аналитика как инструмент повышения эффективности маркетинга

a. Понятие прогнозной аналитики

b. Прогнозное моделирование

c. Область применения прогнозной аналитики

i. Amazon использует Predictive Marketing…

ii. Macys

iii. Harley Davidson использует прогнозную аналитику…

iv. Stitchfix

v. Компания Sprint использует AI-алгоритмы для выявления клиентов, подверженных риску оттока…

d. Этапы внедрения прогнозной аналитики

e. Обзор сервисов прогнозной аналитики

i. OWOX BI Insights

ii. Infer

iii. Radius

iv. BOARD

v. TIBCO Data Science

vi. SAS Advanced Analytics

vii. Rapidminer

viii. IBM SPSS

ix. SAP HANA

19. A/B-тестирование

a. Проверка гипотез и поиск точек роста с помощью A/B-тестирования

b. Статистическая проверка итогов тестирования

c. Последовательность проведения A/B-тестов. Оценка затрат на тесты. Карты гипотез

d. Методология проведения тестирования при нехватке данных

e. Основные проблемы A/B-тестирования и способы их решения

f. Инструменты A/B-тестирования

g. Особенности проведения A/B-тестов в оффлайн- бизнесе

20. Аналитическая культура в компании

a. Процессные аспекты работы над метриками

b. KPI и его влияние на команду

c. Аналитические аспекты разработки метрик

d. Архитектура: Вертикальное и горизонтальное масштабирование

e. Архитектура: Кеширование

f. Архитектура: Балансировка нагрузки, nosql

21. Роль сквозной аналитики в управлении маркетингом, продажами и в бизнесе в целом

a. Цифровая трансформация и ее влияние на воронку продаж и аналитическую инфраструктуру

b. Цели, задачи и ожидания внутренних заказчиков. Финансовые и не только

c. Основные подходы к анализу маркетинговых коммуникаций на основе данных

d. Очевидные и неочевидные результаты внедрения

e. Сквозная аналитика в кейсах и инсайтах

22. Веб-аналитика. Объект анализа, основные подходы и инструменты

a. Интернет-аналитика: как устроена и что считает. Мифы, ошибки и типовые заблуждения

b. NSM, пирамида метрик и ключевые срезы веб- аналитики

c. Инструменты, логика мэтчинга и отраслевые стандарты

d. Разбор бизнес-кейсов в контексте веб-аналитики

23. Построение сквозной аналитики

a. Постановка задачи: что мы хотим получить на выходе и что мы в действительности хотим получить на выходе

b. Выбор среды развертывания: saas, paas и собственные мощности

c. Модели сквозной аналитики, DWH и потоков данных. BI Vs СППР

d. Этапы внедрения. Основные трудности, препятствия и риски

24. Моделирование атрибуции в сквозной аналитике

a. Стандартные модели атрибуции: типы, механика работы и кейсы

b. Продвинутые модели: на основе воронки, на основе цепей Маркова, ML-атрибуция

c. Выбор оптимальной модели атрибуции. Плюсы и минусы моделирования атрибуции

25. Аналитика в условиях омниканального маркетинга и O2O

a. Omnichannel: оценка на основе моделирования атрибуции и мультипараметрических пользовательских цепей

b. O2O, ROPO-эффект и сквозная аналитика в оффлайне

26. Контент-анализ как метод обработки качественных данных

a. Анализ данных с помощью контент-анализа

b. Смешанные (качественно-количественные) методы анализа данных

27. Персонализированный опыт клиента

a. От управления взаимоотношениями с клиентом к управлению клиентским опытом. Понятие клиентского опыта и точек контакта. Карта клиентского путешествия (Customer Journey Map). CX/UX Опыт клиента и опыт пользователя, о методах анализа и принятия решений. Управление продуктом, UX-исследования, тестирование гипотез и принятие решений в методологии lean.

28. Методы персонализации в маркетинге

a. Методы персонализации и кастомизации продаж, услуг и клиентского обслуживания. Их классификация и типизация. Уровни персонализации. One-to-one маркетинг. Персонализация сайта, персонализация е-мейл маркетинга, персональные триггерные рассылки, персонализированный мобильный маркетинг, рекомендательные системы.

29. Сбор, хранение и анализ данных о клиентском опыте .

Каналы коммуникаций в мобильном и интернет-маркетинге

a. Источники и способы сбора данных, их датификация и способы анализа. Методы хранения и систематизации информации, собранной из баз данных, социальных сетей и прочих источников. Понятие больших данных (Big Data). Характеристика больших данных и история эволюции термина. Большие данные в маркетинге. Прямой маркетинг (direct- markting). E-mail маркетинг и рассылки. Контент маркетинг и его персонализация. CRM в мобильных приложениях: push- уведомления, full-screen коммуникации, коммуникации в продукте (истории, новостная лента). Управление рассылками, мониторинг, сбор и анализ реакции.

30. Персонализация продукта, услуг, контента.

Рекомендательные системы

a. Массовая кастомизация и массовая персонализация. Рекомендации как контент (youtube, Netflix). Адаптивный контент. Интерактивный маркетинг. Вовлечение пользователя в создание контента. Персонализация в мобильном и социальном маркетинге. Классификация рекомендательных систем, используемых в электронной коммерции. «Похожие» товары. Дополняющие рекомендации. Роль рекомендаций в выручке электронных платформ (разбор кейсов российских компаний).

31. Оценка эффективности персонализированных инструментов маркетинга. Модели прогнозирования персонального поведения клиента

a. Традиционный подход к оценке окупаемости инвестиций в маркетинг (ROMI). А/Б-тестирования. Проверка статистических гипотез и статистическая значимость в А/Б-тестах. Важность выбора  аналитических  метрик  для  анализа  эффективности маркетинга. Пожизненная ценность клиента. Когортный анализ в маркетинге. Прогнозирование оттока и удержания. Метрики удержания клиентов и связь с ростом бизнеса. Существующие недостатки традиционных методов оценки эффективности инструментов персонализации, расчет показателей окупаемости инвестиций в маркетинг ROMI не учитывает долгосрочный эффект на лояльность и обращаемость потребителей. Подход, позволяющий прогнозировать долгосрочный эффект маркетинговых акции.

32. Связь персонализации, удовлетворённости и лояльности

a. Роль персонализации в современном маркетинге. Методы оценки лояльности клиентов. Типы лояльности, методы измерения лояльности. Как персонализация помогает удерживать клиентов и растить лояльность.

33. Проектирование карты коммуникации на основе crm-стратегии

a. Карта коммуникаций в разработке crm-стратегии

b. Правила и принципы проектирования

c. Инструменты проектирования

d. Примеры карт коммуникаций

34. Методы измерения инкрементального влияния рекламы на бизнес-показатели

a. Инкрементальная атрибуция, инструменты и подходы для инкрементального анализа, особенности Facebook Conversion Lift, а также анализ данных и применение результатов

35. Построение архитектуры мобильной аналитики на cloud-стеке

a. Построении архитектуры мобильной аналитики на cloud-стеке с разбором вопросов обеспечения отказоустойчивости, выбора решений для использования в работе с данными и обогащения хранилища внешними данными

36. Применение предиктивной поведенческой атрибуции для онлайн-маркетинга

a. В индустриях с высокой стоимостью привлечения клиентов в онлайн, таких как недвижимость, финансы, авто, страхование и облачные сервисы, остро стоит вопрос оперативной оценки качества рекламных кампаний на ограниченном количестве конверсий.

b. В такой ситуации может помочь предиктивная атрибуция, основанная на машинном обучении по поведенческим сигналам пользователей сайта или мобильного приложения.

37. Voice of Customers (опросы пользователей аналитического решения)

a. Для чего нужны опросы пользователей BI

b. Типы опросов

c. Net Promoter Score

d. Customer Satisfaction Score

e. Customer Effort Score

f. Реальные примеры опросов

g. Примеры визуализации опросов

38. CRM-маркетинг

a. Определение

b. Компоненты

c. Отличие b2c/b2b

d. Этапы внедрения

e. …

39. CJM и карта коммуникаций

a. Определение

b. Этапы взаимодействия

c. Цели и задачи

d. Разновидности и примеры

e. …

40. Машинное обучение в маркетинге

41. Data Science в маркетинге

42. Data engineering в маркетинге

43. Аgile-маркетинг

44. Методология построения BSC в маркетинге

45. Будущее digital-маркетинга 46.Использование IoT в маркетинге

47. CDP и DMP в маркетинге

48. Использование озера данных для маркетинга

49. Оптимизация стратегии email-маркетинга с помощью автоматизированного машинного обучения

50. Автоматическая оптимизация конверсии

51. Сквозные Customer Journeys в Web и App

52. Улучшение А/В-тестов с помощью исторических данных

53. Поиск прокси-метрики в продуктах

54. Сравнение зарубежной и российской data-культур

55. Способы применения ИИ для поиска гипер-релевантных лидов

56. Оценка сценариев для маркетинг микс моделирования (MMO) на основе прогноза продаж

57. Управление качеством маркетинговых данных

58. Роль influence-маркетинга в performance-сплите и влияние на него

59. Психосегментация в маркетинге игр и применение алгоритмов машинного обучения в анализе трафика

60. Прогнозирование поведения людей как инструмент уменьшения бизнес-рисков компании

61. Data-driven маркетинг как часть аналитической культуры компании

62. Обзор рынка BI/DWH/ETL (Open Source/Vendor)

63. Роль BI-систем и DWH в маркетинге. Варианты построения архитектуры.

64. Алгоритмическое управление маркетинговыми компаниями

65. Кастомизированные CRM-стратегии: многомерная сегментация и предиктивная аналитика

66. Увеличение чувствительности маркетинговых метрик

67. Инфраструктура A/B тестирования для централизации обработки результатов

68. Скоринг пользователей  для корпоративного  сайта/интернет- магазина

69. Сбор аудитории при помощи WiFi и измерение эффективности онлайн-рекламы

70. Предсказание оттока пользователей

71. Поиск аудитории при помощи машинного обучения

72. Оценка эффективности influene и performance маркетинга

73. Кросс-продуктовая аналитика в облаке

74. Реверс-инжиниринг схемы данных: кейсы и подходы

75. Data-driven Growth Hacking в маркетинге

3 Практическая часть

3.1 Описание проекта и анализ внешнего окружения

1. НАИМЕНОВАНИЕ, КРАТКОЕ ОПИСАНИЕ И ЦЕЛИ ПРОЕКТА (ЭТАПОВ ПРОЕКТА)

1.1. Конечный целевой продукт, который должен получиться в результате реализации всех стадий проекта.

1.2. Что будет создано в результате деятельности на данной стадии. Какие результаты будут достигнуты по другим направлениям деятельности (создание коммерческой версии продукта, маркетинг и внедрение; защита интеллектуальной собственности; кадры; привлечение инвестиций и финансовые показатели).

2. ПРОБЛЕМА И ПРЕДЛАГАЕМОЕ РЕШЕНИЕ

2.1 Решаемая проблема (опишите потребности и/или проблемы ваших целевых клиентов).

2.2 Предлагаемое решение (опишите суть предлагаемого решения, а также ключевые технико-экономические преимущества решения для потребителя).

3. РЫНОК

3.1. Основные потребители продукта (технологии).

3.2. Оценка потенциального объема рынка решения (в денежном и количественном выражении), его динамика за последние годы и на будущее.

3.3. Целевые сегменты рынка (с указанием тех, на которые проект планирует выходить в первую очередь).

3.4. Целевые географические рынки Проекта и план (очередность) выхода на эти рынки.

3.5. Описание тенденций на внутреннем и глобальном рынках со ссылками на соответствующие исследования и материалы из авторитетных источников.

4. СРАВНЕНИЕ С АНАЛОГАМИ

4.1. Основные конкуренты, наиболее близкие аналоги и их место на рынке.

4.1.1. Для описания аналогов необходимо выбрать 10 лучших сервисов согласно вашему варианту и выполнить их описание ()

4.1.2. Описание сервиса должно включать в себя

4.1.2.1. Краткое описание проблем, решаемых данным сервисом (2- 3 абзаца)

4.1.2.2. Отличие данного сервиса от конкурентов, которое делает данный сервис уникальным

4.1.2.3. Год создание сервиса и при наличии предыдущие его названия

4.1.2.4. Описание команды создателей данного сервиса (при наличии)

4.1.2.5. Этапы развития данного сервиса во времени– изменение внешнего вида, стоимости и функционала во времени

4.1.2.6. Описание работы и демонстрация функционала данного сервиса (скриншоты можно делать с любого youtube канала)

4.2. Известные близкие аналоги в стадии разработки и их краткое описание с указанием научных групп, институтов, организаций, ведущих разработку.

4.3. Таблица сравнения решения Участника проекта с наиболее близкими аналогами по характерным ключевым параметрам:

Дополнительные преимущества, не вошедшие в Таблицу:

4.4. Расчет себестоимости решения проекта (стоимость серверного оборудования, хранилищ данных, накладные расходы и т.д.).

5. ТЕХНОЛОГИЯ

5.1 Суть научно-технической новизны предложенного решения или продукта и ключевые технические отличия от аналогов.

6. БИЗНЕС-МОДЕЛЬ

6.1 Основные направления коммерциализации проекта.

6.2 Прогноз продаж по направлениям:

6.3 Прогноз продаж по странам:

6.4 Краткое обоснование сделанных прогнозов (включая алгоритм оценки).

7. КОМАНДА ПРОЕКТА

7.1 Краткие данные по членам команды Проекта:

7.2 Партнеры и соисполнители (с указанием опыта, компетенции и конкретных задач, к выполнению которых они привлекаются или будут привлекаться).

8. БЮДЖЕТ

Смета проекта:

Вызывает ли доверие ваша команда проекта? В идеале эти люди должны быть экспертами в своей области, у которых за плечами уже есть опыт успешной реализации IT-проектов. Так же важен баланс в команде между количеством технических специалистов и менеджеров/маркетологов. Если в команде одни «продавцы», то они могут отдать разработку на аутсорс и это далеко не всегда хорошо. Если же в команде одни разработчики – то могут возникнуть проблемы с продажами и популяризацией проекта и с привлечением инвестиций.

Указаны три критерия оценки:

· Экспертность в релевантной сфере

· Успешный опыт реализации IT-проектов

· Баланс количества менеджеров/маркетологов/сейлзов и разработчиков в команде

3.2 ПРОЕКТИРОВАНИЕ СЕРВИСА

- На основе анализа конкурентов предложить идею своего сервиса (проекта). Описать его идею, какие проблемы он решает, ЦА, УТП, провести анализ конкурентов и юзабилити (смотреть блок «Интернет-маркетинг»)

- Расписать особенности, достоинства и недостатки каждой из платформ. Составить таблицу сравнения платформ и обосновать выбор платформы.

- Выполнить описание необходимых смарт-контрактов для проекта

- Предложить стек-технологий и архитектуру создания вашего сервиса (например, CMS, JS, Node.js, Web3.js, solc)

- Проектирование структуры страниц проекта

- Составить whitepaper и разместить его на сайт

- Описание предназначения и механизма работы сервиса

3.3 Коммерциализация результатов

Первоначально необходимо заполнить файл сметы по созданию ICO.

1. Описание продукта (дать характеристику получившегося продукта)

2. Определение трудоемкости работ

Для расчета затрат на этапе проектирования необходимо определить продолжительность каждой работы (начиная с составления технического задания и до оформления документации включительно).

3. Расчет заработной платы и отчислений на социальные нужды.

4. Определение совокупной величины затрат, связанных с проектированием сервиса

В этом пункте представляете общий итог коммерциализации результатов с выводами.

3.4 Упаковка проекта

Для защиты проекта необходимо подготовить питч и презентацию согласно структуре. Слайды презентации необходимо вставить в данном разделе и под каждым слайдом должна быть соответствующая часть питча (скриншот слайд из презентации + текст доклада + скриншот + доклад и тд)