Logo UAB
2022/2023

Marketing Basado en Datos y del Comportamiento

Código: 43931 Créditos ECTS: 10
Titulación Tipo Curso Semestre
4313148 Marketing OT 0 2

Contacto

Nombre:
María Pilar Lopez Belbeze
Correo electrónico:
pilar.lopez@uab.cat

Uso de idiomas

Lengua vehicular mayoritaria:
español (spa)

Equipo docente

María Pilar Lopez Belbeze
Josep Rialp Criado
Antoni Morell Perez
Jose Lopez Vicario

Prerequisitos

No hay pre requisitos

Objetivos y contextualización

Este módulo permitirá especializarte en el entorno analítico con un enfoque de negocio. Conocerás cómo obtener datos de calidad y las técnicas y herramientas analíticas que te permitirán tomar las mejores decisiones en marketing. Analizar mercados, segmentos, consumidores mediante análisis y modelos novedosos que permitirán conocer los insights claves para optimizar las políticas de marketing.

Bloque I: Marketing basado en datos.

El marketing basado en datos aborda el estudio de problemas de marketing a partir de datos, teorías y experimentos que estudian el comportamiento del consumidor. Es una línea de conocimiento interdisciplinar (marketing science, microeconomía aplicada, organización industrial, y computación estadística) que aborda temas como los siguientes: investigación de las elecciones del consumidor y de su comportamiento, evaluación de decisiones comerciales basadas en datos, desarrollo y aplicación de experimentos a pequeña y gran escala, métodos para el uso de grandes cantidades de datos, métodos de computación para el análisis de datos disponibles en Internet. La utilización de técnicas de aprendizaje automático (Machine Learning) será uno de los pilares de este bloque del módulo.


Bloque II: Marketing del comportamiento del consumidor.

Marketing del comportamiento aborda el estudio de cómo los individuos se comportan en dominios relevantes de consumo mediante el conocimiento que se desprende de la neurociencia del consumidor o neuromarketing. Esta área del marketing es una interdisciplinar (psicología, neurología y economía del comportamiento). La utilización de biosensores será uno de los pilares de este bloque del módulo. El uso de técnicas neurocientíficas y psicofisiológicas permitirá analizar la efectividad de acciones de marketing (publicidad, producto, envase, marca, punto de venta, navegación web,...).

Competencias

  • Abordar situaciones y/o problemas empresariales que puedan entrañar un dilema ético a partir de una reflexión crítica.
  • Aportar soluciones innovadoras a problemas comerciales.
  • Argumentar y redactar informes precisos y claros sobre problemas comerciales planteados.
  • Desarrollar habilidades directivas y de liderazgo.
  • Diseñar e implantar planes de marketing atendiendo a criterios de eficacia y eficiencia.
  • Diseñar, planificar y dirigir acciones de marketing en los nuevos escenarios que plantea la sociedad de la información.
  • Generar ideas y soluciones innovadoras y competitivas.
  • Implementar las técnicas emergentes en el ámbito del marketing.
  • Trabajar con las fuentes de datos, las metodologías y técnicas de investigación científica y las herramientas informáticas propias del marketing.
  • Trabajar en equipos de carácter interdisciplinar.

Resultados de aprendizaje

  1. Abordar situaciones y/o problemas empresariales que puedan entrañar un dilema ético a partir de una reflexión crítica.
  2. Analizar datos de encuesta mediante el software estadístico apropiado.
  3. Aplicar en la planificación en marketing herramientas novedosas.
  4. Aplicar los diferentes métodos de investigación.
  5. Argumentar y redactar informes precisos y claros sobre problemas comerciales planteados.
  6. Definir posicionamientos estratégicos claves a diferentes situaciones de producto-mercado.
  7. Desarrollar habilidades directivas y de liderazgo.
  8. Establecer procesos de análisis y valoración de acciones de otras empresas competidoras.
  9. Evaluar la dinámica de los mercados.
  10. Generar ideas y soluciones innovadoras y competitivas.
  11. Identificar las características de la base de datos para su análisis.
  12. Identificar las claves de las principales estrategias de marketing.
  13. Identificar y distinguir las nuevas tendencias en marketing.
  14. Identificar y filtrar las principales tendencias y tecnologías venideras.
  15. Plantear estrategias realistas e innovadoras.
  16. Plantear ideas elaboradas para la planificación u organización en marketing.
  17. Trabajar en equipos de carácter interdisciplinar.
  18. Utilizar correctamente las herramientas informáticas para el análisis de los datos.
  19. Utilizar modelos de diagnóstico estratégico.
  20. Utilizar modelos y criterios de previsión y monitorización avanzados.
  21. Utilizar recursos para la presentación atractiva y resumida de datos y resultados.

Contenido

Bloque I: Marketing basado en datos (5 ECTS – A. Morell, J. L. Vicario)

Esta parte del módulo se basa en el desarrollo de miniproyectos en el entorno R de análisis de datos. Cada miniproyecto desarrolla un tópico el marketing basado en datos, considerando datos reales de empresas de marketing digital (Airbnb, Tripadvisor, Amazon) o de redes sociales. Se irán trabajando conceptos de aprendizaje automático (Machine Learning) aplicados al marketing y se finalizará con una introducción al Deep Learning.

  •     Introducción a Machine Learning aplicado a Marketing.
  •     Comportamiento del Consumidor (Churn Prediction).
  •     Mecanismos avanzados de Clasificación (Random Forests, Neural Networks).
  •     Sistemas de Recomendación (Basket Market Analysis, Reglas de Asociación).
  •     Modelos de Predicción por Toma de decisiones a marketing (Regression Models vs. Neural Networks)
  •     Social Media Analytics (Análisis de sentimientos, Ultra-segmentación, Brand Engagement).


Bloque II: Marketing del comportamiento de consumidor (5 ECTS – P. López, J. Rialp)

Esta parte del módulo se basa en el desarrollo de un miniproyecto de investigación en neuromarketing mediante el uso de biosensores desde su diseño experimental, captura de datos y análisis.

  •     Neurociencia aplicada al marketing: Neuromarketing.
  •     Técnicas de neuromarketing: Eye Tracking
  •     Técnicas de neuromarketing: GSR (galvanic skin response) y HR (heat rate)
  •     Investigación en neuromarketing: análisis de los datos.
  •    Aplicaciones en marketing (publicidad, web, redes sociales, precio, marca...)

Metodología

Metodología docente

Se combinan todo un conjunto de metodologías docentes:

  •      Clases magistrales,
  •      Discusión de artículos/casos en clase,
  •      Clases de prácticas/casos,
  •      Elaboración y presentación de miniproyectos.
  •      Tutorías.
  •      Estudio personal.


Nota: se reservarán 15 minutos de una clase, dentro del calendario establecido por el centro/titulación, para la complementación por parte del alumnado de las Encuestas de evaluación de la actuación del profesorado y de evaluación/módulo.

Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.

Actividades

Título Horas ECTS Resultados de aprendizaje
Tipo: Dirigidas      
Clases magistrales, discusión de casos y presentación de ensayos cortos 75 3 1, 2, 3, 4, 9, 6, 7, 8, 13, 14, 11, 12, 15, 16, 18, 19, 20, 21
Tipo: Supervisadas      
Tutorías y seguimiento de los ensayos a realizar y de los casos a preparar 50 2 4, 8, 11, 16, 18, 21
Tipo: Autónomas      
Lecturas relacionadas, preparación de casos y prácticas, estudio y elaboración de esquemas 100 4 2, 4, 5, 10, 11, 17, 18, 21

Evaluación

Evaluación

  • Participación en las discusiones de clase (20%)
  • Entregas de trabajos individuales o colectivos (40%)
  • Evaluación individual mediante examen o entrega individual (40%)

 

A. Normas generales de evaluación de los módulos

Este módulo se estructura en diferentes partes que están a cargo de diferentes profesores. La nota final del módulo consiste en la media de las notas de cada asignatura o partes que forman el módulo.

Se considera que el módulo se ha aprobado si:

  1. la nota de cada parte del módulo es superior o igual a 5 (en una escala de 0 a 10) y
  2. la nota final del módulo es mayor o igual a 5 (en una escala de 0 a 10)

Si el módulo no está aprobado, la coordinación del máster ofrecerá al estudiante la posibilidad de re-evaluar las partes que componen el módulo y que no se han superado si la nota es superior o igual a 3,5, según la valoración de los profesores de los módulos y de la coordinación. Si el estudiante aprueba la reevaluación la nota máxima que obtendrá en la parte reevaluada será de 5.  El calendario de las reevaluaciones se hará público junto con la lista de notas del módulo.

La nota de cada parte del módulo

El alumno tendrá una nota de No Evaluado si no asiste al menos al 80% de las clases presenciales (se llevará un control con una hoja de firmas) o si no realiza al menos el 50%  de las actividades de evaluación continuada. Cada profesor especificará en esta guía la manera en la que evaluará a los estudiantes. Si no se especifica en la guía, esas normas de evaluación se entregarán el primer día de clase por escrito.

 

B. Calendario de actividades de evaluación

Las fechas de las diferentes pruebas de evaluación (exámenes parciales, ejercicios en aula, entrega de trabajos, ...) se anunciarán con suficiente antelación durante el semestre.

La fecha del examen final de la asignatura está programada en elcalendario de exámenes de la Facultad.

"La programación de las pruebas de evaluación no se podrá modificar, salvo que haya un motivo excepcional y debidamente justificado por el cual no se pueda realizar un acto de evaluación. En este caso, las personas responsables de las titulaciones, previa consulta al profesorado y al estudiantado afectado, propondrán una nueva programación dentro del período lectivo correspondiente."  Apartado 1 del Artículo 115. Calendario de las actividades de evaluación (Normativa Académica UAB)   

Los y las estudiantes de la Facultad de Economía y Empresa que de  acuerdo con el párrafo anterior necesiten cambiar una fecha de evaluación han de presentar la petición rellenando el documento Solicitud reprogramación pruebahttps://eformularis.uab.cat/group/deganat_feie/solicitud-reprogramacion-de-pruebas 

 

Procedimiento de revisión de las calificaciones

Coincidiendo con el examen final se anunciará el día y el medio en que es publicarán las calificaciones finales. De la misma manera se informará del procedimiento, lugar, fecha yhora de la revisión de exámenes de acuerdo con la normativa de la Universidad.

 

Proceso de Recuperación

“Para participar en el proceso de recuperación el alumnado debe haber sido previamente evaluado en un conjunto de actividades que represente un mínimo de dos terceras partes de la calificación total de la asignatura o módulo.”Apartado 3 del Artículo 112 ter. La recuperación (Normativa Académica UAB).Los y las estudiantes deben haber obtenido una calificación media de la asignatura entre 3,5 y 4,9. 

Todos los alumnos tienen la obligación de realizar las tareas evaluables. Si la nota de curso del alumno es 5 o superior, se considera superada la asignatura y ésta no podrá ser objeto de una nueva evaluación. En el caso de una nota inferior a 3,5, el estudiante tendrá que repetir la asignatura el siguiente curso. Para aquellos estudiantes que la nota de curso sea igual o superior a 3,5 e inferior a 5 podrán presentarse a la prueba de recuperación. Los profesores de la asignatura decidirán la modalidad de esta prueba. Cuando la nota de la prueba de recuperación sea igual o superior a 5, la calificación final de la asignatura será de APROBADO siendo la nota numérica máxima un 5. Cuando la nota de la prueba de recuperación sea inferior a 5, la cualificación final de la asignatura será de SUSPENSO siendo la nota numérica la nota de curso (y no la nota de la prueba de recuperación).

Un estudiante que no se presenta a ninguna prueba evaluatoria se considera no evaluable, por lo tanto, un estudiante que realiza algún componente de evaluación continuada ya no puede ser calificado con un "no evaluable”.

La fecha de esta prueba estará programada en el calendario de exámenes de la Facultad. El estudiante que se presente y la supere aprobará la asignatura con una nota de 5. En caso contrario mantendrá la misma nota.

 

Irregularidades en actos de evaluación 

Sin perjuicio de otras medidas disciplinarias que se estimen oportunas, y de acuerdo con la normativa académica vigente, "en caso que el estudiante realice cualquier irregularidad que pueda conducir a una variación significativa de la calificación de un acto de evaluación, se calificará con un 0 este acto de evaluación, con independencia del proceso disciplinario que se pueda instruir. En caso que se produzcan diversas irregularidades en los actos de evaluación de una misma asignatura, la calificación final de esta asignatura será 0".  Apartado 10 del Artículo 116. Resultados de la evaluación. (Normativa Académica UAB)

Actividades de evaluación

Título Peso Horas ECTS Resultados de aprendizaje
Asistencia y participación en las discusiones de clase 20% 10 0,4 5, 13, 14, 11, 12, 16, 17, 18
Ejercicios de evaluación individual 40% 3 0,12 9, 6, 10, 13, 14, 11, 12, 15
Ejercicios prácticos individualse o en grupo 40% 12 0,48 1, 2, 3, 4, 5, 9, 6, 7, 8, 10, 13, 14, 11, 12, 15, 16, 17, 18, 19, 20, 21

Bibliografía

BLOQUE I:

 

  • Sharma, T., D. Sarkar, R. Bali (2017)  Learning Social Media Analytics with R: Transform data from social media platforms into actionable business insights.
  • Lilien, G.L. and Rangaswamy, A., (2004) Marketing Engineering: Computer AssistedMarketing Analysis and Planning, Ed. Prentice Hall. 
  • Chapman, N.C., and McDonnell, E., Feit. (2015) R for Marketing Research and Analytics, Springer-Verlag,Switzerland, 2015 
  • Miller, T. W. (2015). Marketing Science: Modeling Techniques in Predictive Analyticswith R and Python (1 edition). OldTappan, New Jersey: Pearson FT Press. (Https://mdsr-book.github.io/exercises.html ) 
  • Grigsby, M. (2015). Marketing Analytics: A practical guide to real marketing science (1 edition). London: Philadelphia: Kogan Page. 
  • Winston, W. L. (2014). Marketing analytics: Data-driven techniques with microsof texcel. ProQuestEbook Central https://ebookcentral.proquest.com Part B: 
  • Arthur, L. (2013). Big data marketing: Engage your customers more effectively and drive value. ProQuestEbook Central https://ebookcentral.proquest.com 
  • Lantz, B. (2015) Machine Learning with R, PacktPublishing. 
  • Chapman, C. and E. McDonnellFeit (2015) R for Marketing Research and Analytics, Springer. 
  • Rocha, A., Reyes, J. L., Peter, M. K., & Bogdanovic, Z. (2020). Marketing and Smart Technologies. In Smart Innovation, Systems and Technologies (Vol. 167). https://doi.org/10.1007/978-981-15-1564-4_6

 

BLOQUE II:  

 

  • Casado Aranda, Luis A. (2021): Neurociencia del consumidor, Ediciones Pirámide; 1ª edición (7 octubre 2021) 
  • Cisneros Enríquez, A. (2017). Neuromarketing y neuroeconomía (3a. Ed.). ECOE Ediciones. https://elibro.net/es/ereader/uab/70497?page=1 
  • Dham, S. (2016). TheFoundations of Behavioral Economic Analysis.Oxford: OUP Oxford. 
  • Gentner, F. (2012). Neuromarketing in the BTB sector: Importance, potential and its implicacions for brand management. Pro Quest Ebook Central https://ebookcentral.proquest.com 
  • Kahneman, D. (1990). Experimental Tests of the Endowment Effect and the Coase Theorem. Journal of Political Economy, 98 (6), 1325-1348. 
  • Kahneman, D. (2003). Experienced utility and objective happiness: a time-based approach. In I. Brocas & J. D. Carrillo (Eds.), The Psychology of Economic Decisions. Vol 1: rationality and well-being. Oxford: Oxford University Press. 
  • Kahneman, D. (2012). Thinking, Fast and Slow. London: Penguin. 
  • LOK, J. C. (n.d.). JudgementThedifferencebetweenBehavioralEconomyandPsychologicalMethodsTo Predict Consumption. 
  • Patzer, G. (1996). Experiment-Research Methodology in Marketing: Types and Applications. Praeger. 
  • Thaler, R. H. (2016). Misbehaving: The Making of Behavioural Economics (01 edition). London: Penguin. Disponible en castellano como: La Psicología Económica. Bilbao: Deusto.
  • Thaler, R. H., & Sunstein, C. R. (2008). Nudge: improving decisions about health, wealth, and happiness. New Haven: Yale University Press. 
  • Wilkinson, N. (2008). An Introduction to Behavioral Economics. Palgrave Macmillan. 

 

Software

R software

R CLOUD

Gazepoint Analysis

Pupil Lab