Программа повышения квалификации

В этом модуле мы расскажем о некоторых более продвинутых методах статистического анализа данных, которые могут понадобиться исследователям, например, множественной регрессии, кластерном анализе для сегментации, факторном анализе. Вам не придется запоминать сложные формулы. Идея модуля в том, чтобы вы понимали принципы, стоящие в основе наиболее часто применяемых методов продвинутого статистического анализа, а также задачи, которые можно решить с помощью этих методов.

После завершения этого модуля вы сможете:

1. Выяснить, какие виды аналитики можно использовать с первичными и вторичными данными.
2. Описать общую структуру многомерных аналитических методов, которая помогает принять решение о том, какой метод и когда можно использовать. Решение принимается на основании следующих факторов: зависимость, взаимозависимость, количество зависимых переменных, тип взаимосвязи, элемент анализа, характер переменной, вид решаемого бизнес-вопроса.
3. Сравнить различные модели, которые отражают взаимосвязь между двумя переменными (например, нелинейная, линейная, криволинейная, s-образная и т.д.).
4. Различать интерполяцию и экстраполяцию.
5. Описать, что такое факторный анализ, для чего он нужен, какой тип данных подходит для его применения, привести примеры использования этого метода в маркетинговых исследованиях.
6. Описать концепцию сегментационного анализа: что он делает, какой тип переменных подходит для его использования; различать и описывать методы кластеризации данных (например, K-Means, RFM, Парето и т.д.), а также понимать практики применения этих методов в маркетинговых исследованиях.
7. Описать, что такое перцепционное отображение (Perceptual Mapping), включая использование многомерного масштабирования, и рассказать о его использовании в маркетинговых исследованиях.
8. Описать различные методы, используемые для анализа отношений между переменными (например, корреляцию, простую регрессию и множественную регрессию): для чего они нужны, какой тип данных подходит, как они применяются в маркетинговых исследованиях.
9. Описать методы совместного анализа (Conjoint Analysis) и моделирование выбора (Choice Modeling): для чего они нужны, какой тип данных подходит для их использования, как они применяются в маркетинговых исследованиях.
10. Описать более сложные меры связи (например, логистическая регрессия и моделирование структурных уравнений): для чего они нужны, какой тип данных подходит, как они применяются в маркетинговых исследованиях.
11. Описать, что такое дискриминантный анализ, для чего он нужен, какой тип данных подходит для него, а также как он применяется в маркетинговых исследованиях.
12. Определить наиболее популярные методы машинного обучения и описать, как исследователи могут их использовать.
13. Описать, что такое нейросетевой анализ, для чего он нужен, какой тип данных подходит для него, а также как он применяется в маркетинговых исследованиях.
14. Описать концепцию маркетинг-микс моделирования, что оно делает, какой тип данных подходит для проведения подобного анализа, используемые методы (например, множественная регрессия, байесовская регрессия и т.д.), а также практики его применения в маркетинговых исследованиях.
15. Описать анализ временных рядов: для чего он нужен, какой тип данных подходит для проведения анализа, какие методы используются, а также как он применяется в маркетинговых исследованиях.
16. Описать разницу между статистической значимостью и бизнес-значимостью.