No hay comentarios.

CURSO: ANALITICA DE CLIENTE
TRADUCCION: CUSTOMER ANALYTICS
SIGLA: MAN 3120
CREDITOS: 5 UC
MODULOS: 4
REQUISITOS: MAN3070 y MAN3080
RESTRICCIONES: MAN
CONECTOR: Y
CARACTER: OPTATIVO
TIPO: TALLER
CALIFICACION: ESTANDAR
PALABRAS CLAVE: CLIENTES, ANALYTICS, CUSTOMER, MARKETING, CAMPA?A, ANALISIS
NIVEL FORMATIVO: MAGISTER


I.DESCRIPCIÓN DEL CURSO

El curso introduce a las herramientas analiticas mas utilizadas en marketing, para entender mejor al cliente y predecir su respuesta ante acciones de marketing alternativas. Se incluyen: introduccion a modelos estadisticos y de machine learning aplicados a la prediccion de fuga y direccionamiento de campa?as; y el uso de herramientas de analitica causal en la evaluacion de iniciativas en los ambitos de adquisicion y retencion de clientes. Se utiliza el enfoque cientifico del marketing, mediante el uso de tecnologias y software computacional para recolectar, analizar y actuar en base a la informacion de clientes.


II.RESULTADOS DE APRENDIZAJE

1. Constatar la importancia del uso de modelos y datos en la gestion de clientes, considerando las ventajas de la toma de decisiones basada en evidencia empirica.
2. Apreciar la importancia de la centricidad en el cliente como concepto clave en la analitica de clientes.
3. Aplicar herramientas de analitica de clientes al apoyo de la toma de decisiones en marketing.
4. Implementar modelos comunmente utilizados en marketing analytics usando el programa R.
5. Evaluar la correcta aplicacion e interpretacion de tecnicas de la analitica de clientes a situaciones de negocio especificas.


III.CONTENIDOS

1. Introduccion a la Analitica de Clientes y Determinacion del Valor del Cliente

1.1. Analitica de datos en el proceso de toma de decisiones.
1.2. Relacion entre la analitica de clientes y el marketing centrado en el cliente.
1.3. Tipos de analitica de clientes.
1.4. Estimacion del valor de vida del cliente (CLV).
1.5. Aplicacion de CLV en distintas etapas del ciclo de vida del cliente.

2. Modelos Predictivos en Analitica de Clientes

2.1. Prediccion de Fuga de Clientes
2.2. Modelos de Propension
2.3. Direccionamiento de Campa?as
2.4. Comparacion de Metodologias


3. Modelos de Cross-Selling y Text Analytics

3.1. Sistemas de recomendacion.
3.2. Analisis de la canasta de compras
3.3. Proxima mejor oferta
3.4. Beneficios y ejemplos de Text Analytics
3.5. Enfoques de Text Analytics (Procesamiento de lenguaje natural, Analisis de sentimientos, etc.)


4. Evaluacion de las Iniciativas e Impacto en la Experiencia del Cliente

4.1. Metodos de evaluacion de iniciativas (A/B Testing, Multivariate Testing, etc.)
4.2. Experiencias del Cliente impulsadas por datos
4.3. Medicion del Compromiso y Satisfaccion del Cliente


IV.ESTRATEGIAS METODOLOGICAS

- Catedra en sesiones sincronicas
- Videoclases
- Podcast o video tutorial
- Discusion de casos.
- Lecturas
- Analisis de casos
- Test formativos
- Foros de discusion
- Aprendizaje basado en problemas
- Aprendizaje basado en proyectos
- Aprendizaje entre pares


V.ESTRATEGIAS EVALUATIVAS

- Foro (20%)
- Tareas (30%)
- Controles (20%)
- Trabajo final (30%)

El curso contendra ademas actividades formativas (sin calificacion), las que tienen como proposito la preparacion para las evaluaciones calificadas.


VI.BIBLIOGRAFIA

Minima:

?Are you Undervaluing your Customers?", Rob Markey, Harvard Business Review, January-February 2020.
?Customer Profitability?, Paul W. Farris & Phillip E. Pfeifer, Technical Note, Darden Business Publishing, University of Virginia.
?Multiple Regression and Marketing-Mix Models", Rajkumar Venkatesan, & Shea Gibbs, 2013, University of Virginia, Darden Business Publishing.
?Modeling Discrete Choice: Categorical Dependent Variables, Logistic Regression and Maximum Likelihood Estimation", Anton Ovchinikov, UVA-QA-0779 (Charlottesville, VA: Darden Business Publishing, 2011).
?Assessing Prediction Accuracy of Machine Learning Models?, Michael W. Toffel, Natalie Epstein, Kris Ferreira & Yael Grushka-Cockayne, Harvard Business School, 2020.
?A Step-by-step Guide to Smart Business Experiments", Eric T. Anderson & Duncan Simester, Harvard Business Review, March 2011.
?The Discipline of Business Experimentation" Stefan Thomken & Jim Manzi, Harvard Business Review, December 2014.
?Is your Digital Advertising Campaign Working?", Kellogg Insight, March 11, 2016.
Ma, Liye, and Baohong Sun. "Machine learning and AI in marketing?Connecting computing power to human insights." International Journal of Research in Marketing 37, no. 3 (2020): 481-504.



Complementaria:

?Managing Customers as Investments: The Strategic Value of Customers in the Long Run", Sunil Gupta & Donald R. Lehmann, 2005, Pearson Education.
?Database Marketing: Analyzing and Managing Customers? Robert C. Blattberg, Byung- Do Kim & Scott A. Neslin, 2008, Springer.
?R for Marketing Research and Analytics?, Chris Chapman and Elea McDonnell Feit, 2nd Edition, 2019, Springer.
?Customer Relationship Management: Concept, Strategy and Tools?, V. Kumar & Werner Reinartz, 3rd Ed., 2018, Springer.
?Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions?, Matt Tady, 2019, Mc Graw Hill.