Aquesta versió de la guia docent és provisional fins que no finalitzi el període d’edició de les guies del nou curs.

Logo UAB

Màrqueting Basat en Dades i del Comportament

Codi: 43931 Crèdits: 10
2025/2026
Titulació Tipus Curs
Màrqueting OP 1

Professor/a de contacte

Nom:
Maria Pilar Lopez Belbeze
Correu electrònic:
pilar.lopez@uab.cat

Equip docent

Maria Pilar Lopez Belbeze
Jose Rialp Criado
Jose Lopez Vicario
Giuseppe Lamberti

Idiomes dels grups

Podeu consultar aquesta informació al final del document.


Prerequisits

Familiaritat amb entorn RCloud i amb l'anàlisis de dades.


Objectius

L'assignatura "Màrqueting Basat en Dades i del Comportament" proporciona una formació integral i avançada en tècniques analítiques i neuromàrqueting per a la presa de decisions estratègiques en màrqueting. Els estudiants adquiriran habilitats en anàlisi de dades utilitzant tecnologies emergents i desenvoluparan una comprensió profunda del comportament del consumidor a través de la neurociència. Aquest enfocament dual garanteix una preparació sòlida i pràctica per afrontar els desafiaments actuals i futurs en l'àmbit del màrqueting.

Bloc I: Màrqueting basat en dades.

Aquest bloc se centra en dotar els estudiants d'habilitats pràctiques en l'anàlisi de dades utilitzant tècniques de Machine Learning e Intel.ligència Arificial per resoldre problemes de màrqueting basats en dades reals. A través de miniproyectes amb l'entorn R, aplicaran els seus coneixements a dades d'empreses com Airbnb, Tripadvisor i Amazon. Els alumnes aprendran a implementar models avançats de classificació i predicció com Random Forests, Xarxes Neuronals i Sistemes de Recomanació per analitzar i predir el comportament del consumidor, així com a realitzar anàlisis de sentiments, ultra-segmentació i engagement de marca en plataformes de xarxes socials.


Bloc II: Màrqueting del comportament del consumidor.

En aquest bloc, els estudiants exploraran l'ús de la neurociència per entendre i predir el comportament del consumidor. Mitjançant la realització de projectes d'investigació utilitzant biosensors i tècniques com l'Eye Tracking i la resposta galvànica de la pell, els alumnes avaluaran l'efectivitat de diverses accions de màrqueting (pàgines web, embalatges, logos, aplicaions mòbils,...) . Aquest enfocament interdisciplinari combina coneixements de psicologia, neurologia i economia del comportament per proporcionar una comprensió profunda i aplicada del comportament del consumidor.


Resultats d'aprenentatge

  1. CA11 (Competència) Fer servir tècniques de neuromàrqueting, com l'anàlisi de la mirada i de les emocions, per comprendre millor les preferències i les reaccions dels consumidors davant d'estímuls de màrqueting.
  2. KA15 (Coneixement) Identificar algoritmes d'aprenentatge basats en l'anàlisi de big data per predir tendències i patrons de comportament del consumidor.
  3. KA16 (Coneixement) Enumerar els fonaments neurocientífics en la presa de decisions del consumidor.
  4. KA17 (Coneixement) Indicar les característiques de les diferents tècniques de neuromàrqueting per a l'anàlisi de les respostes dels consumidors davant d'estímuls de màrqueting.
  5. SA14 (Habilitat) Comparar els diferents tipus de models predictius de comportament del consumidor en botigues virtuals (recomanació, segmentació i predicció) en l'optimització d'estratègies de màrqueting i experiència del client.
  6. SA15 (Habilitat) Dur a terme experiments de neuromàrqueting per investigar la resposta emocional i cognitiva dels consumidors davant d'estímuls de màrqueting.
  7. SA16 (Habilitat) Fer servir correctament eines informàtiques per a l'anàlisi de dades de mercat i publicitàries, i avaluar qualitativament la informació obtinguda.
  8. SA17 (Habilitat) Aplicar algoritmes d'aprenentatge automàtic (machine learning) per analitzar grans volums de dades de màrqueting i extreure'n patrons predictius que guiïn la presa de decisions estratègiques.

Continguts

Bloc I: Màrqueting basat en dades i en Intel·ligència Artificial (5 ECTS- J. L. Vicario, G. Lamberti)

Aquesta part del mòdul es basa en el desenvolupament de miniprojectes a l'entorn R d'anàlisi de dades. Basant-se en una estratègia de programació amb suport d'IA generativa (Co-pilot), cada miniprojecte desenvolupa un tema de màrqueting basat en dades, considerant dades reals d'empreses de màrqueting digital o sintetitzades. Es treballaran conceptes daprenentatge automàtic (Machine Learning) aplicats al màrqueting i es finalitzarà amb una introducció a lús de la Intel·ligència Artificial per donar suport a la definició de campanyes.

  • Introducció a Machine Learning aplicat a Màrqueting.
  • Comportament del Consumidor (Churn Prediction).
  • Mecanismes avançats de Classificació (Random Forests, Neural Networks).
  • IA Generativa per a campanyes de màrqueting (suport al brainstorming i creació de continguts, segmentació de clients, etc.).


Bloc II: Neuromàrqueting  (5 ECTS – P. López, J. Rialp)


Aquesta part del mòdul es basa en el desenvolupament d'un miniprojecte de recerca en neuromàrqueting mitjançant l'ús de biosensors des del disseny experimental, la captura de dades i l'anàlisi.

  • Neurociència aplicada al màrqueting: Neuromàrqueting.
  • Tècniques de neuromàrqueting: Eye Tracking
  • Tècniques de neuromàrqueting: GSR (galvanic skin response) i HR (heat rate)
  • Investigació en neuromàrqueting: anàlisi de les dades.
  • Aplicacions en màrqueting (publicitat, web, xarxes socials, preu, marca, comerç electrònic...)

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Tipus: Dirigides      
Classes magistrals, discussió de casos i presentació d'assatjos curts 75 3 CA11, KA15, SA14
Tipus: Supervisades      
Tutories i seguiment dels assatjos a realitzar i del casos d'anàlisi 50 2 CA11, KA15, SA15, SA16, SA17
Tipus: Autònomes      
Lectures assignades, preparació de cassos i pràctiques, estudi i elaboració d'esquemes 100 4 KA16, KA17, SA14, SA15

Metodologia docent

S'hi combinen tot un conjunt de metodologies docents:

  • Classes magistrals,
  • Discussió d'articles/casos a classe,
  • Classes de pràctiques/casos,
  • Elaboració i presentació de miniprojectes.
  • Tutories.
  • Estudi personal.


Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les Enquestes d'avaluació de l'actuació del professorat i d'avaluació/mòdul.

 

Ús de tecnologies d'Intel·ligència Artificial (IA)
Per a aquesta assignatura, es permet l'ús restringit de tecnologies d'Intel·ligència Artificial (IA), exclusivament en tasques de suport, com la cerca bibliogràfica o d’informació, la correcció de textos o les traduccions. L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l’ús de la IA en una activitat avaluable es considerarà falta d'honestedat acadèmica i pot comportar una penalització parcial o total en la nota de l'activitat, o sancions majors en casos de gravetat.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.


Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Assistència i participació en les discussions a classe 20% 10 0,4 CA11, SA15, SA16, SA17
Exercicis d'avaluació individual 40% 3 0,12 KA15, KA16, KA17, SA14
Exercicis pràctics individuals o en grup 40% 12 0,48 CA11, SA14, SA15, SA16, SA17

Aquest mòdul no preveu el sistema d’avaluació única.

Evaluació

  • Participació en les discussions en clase (20%)
  • Tasques individuals o en grup (40%)
  • Evaluació individual  (40%)

 

A. Normes generals d'avaluació dels mòduls
Aquest mòdul s'estructura en diferents parts que estan a càrrec de diferents professors. La nota final del mòdul consisteix en la mitjana de les notes de cada assignatura o part que formen el mòdul.

Aquest mòdul no preveu el sistema d’avaluació única.


Es considera que el mòdul s'ha aprovat si:

  1. la nota de cada part del mòdul és superior o igual a 5 (en una escala de 0 a 10) i
  2. la nota final del mòdul és major o igual a 5 (en una escala de 0 a 10)


Si el mòdul no està aprovat, la coordinació del màster oferirà a l'estudiant la possibilitat de re-avaluar les parts que formen el mòdulque no s'han superat si la nota es superior a 3,5, d'acord amb la valoració dels professors dels mòduls i de la coordinació. Si l'estudiant aprova la reavaluació la nota màxima que s'obtindrà en la part reavaluada serà de 5. El calendari de les reavaluacions es farà públic juntament amb la llista de notes del mòdul.

La nota de cada part del mòdul
L'alumne tindrà una nota de No Avaluat si no assisteix com a mínim al 80% de les classes presencials (es portarà un control ambun full de signatures o amb les activitas realitzat a classe per avaluar) o si no realitza almenys el 66,66%  de les activitats d'avaluació continuada. Cada professor especificarà en aquesta guia la manera en la qual avaluarà els estudiants. Si no s'especifica en la guia, aquestes normes d'avaluació es lliuraran el primer dia de classe per escrit.

 

B. Calendari d’activitats d’avaluació

Les dates de les diferents proves d'avaluació (exàmens parcials, exercicis en aula, entrega de treballs, ...) s'anunciaran amb suficient antelació durant el semestre.

La data de l'examen final de l'assignatura està programada en elcalendari d'exàmens de la Facultat.

"La programació de les proves d’avaluació no es podrà modificar, tret que hi hagi un motiu excepcional i degudament justificat pel qual no es pugui realitzar un acte d’avaluació. En aquest cas, les persones responsables de les titulacions, prèvia consulta al professorat i a l’estudiantat afectat, proposaran una nova programació dins del període lectiu corresponent."  Apartat 1 de l'Article 115. Calendari de les activitats d’avaluació (Normativa Acadèmica UAB)   

Els estudiants i les estudiantes de la Facultat d'Economia i Empresa que d'acord amb el paràgraf anterior necessitin canviar una data d'avaluació han de presentar la petició omplint el document Sol·licitud reprogramació prova  https://eformularis.uab.cat/group/deganat_feie/reprogramacio-proves

 

Procediment de revisió de les qualificacions

Coincidint amb l'examen final s'anunciarà el dia i el mitjà en que es publicaran les qualificacions finals. De la mateixa manera s'informarà del procediment, lloc, data i hora de la revisió d'exàmens d'acord amb la normativa de la Universitat.

 

Procés de Recuperació

“Per participar al procés de recuperació l'alumnat ha d'haver estat prèviament avaluat en un conjunt d'activitats que representi un mínim de dues terceres parts de la qualificació totalde l'assignatura o mòdul.”Apartat 3 de l'Article 112 ter. La recuperació (Normativa Acadèmica UAB).Els estudiants i les estudiants han haver obtingut una qualificació mitjana de l’assignatura entre 3,5 i 4,9. 

Tots els alumnes tenen l'obligació de realitzar les tasques avaluables. Si la nota de curs de l'alumne és 5 o superior, es considera superada l'assignatura i aquesta no podrà ser objecte d'una nova avaluació. En el cas d'una nota inferior a 3,5, l'estudiant haurà de repetir l'assignatura en el següent curs. Per aquells estudiants que la nota de curs  sigui igual o superior a 3,5 i inferior a 5 podran presentar-se a la prova de recuperació. Els professors de l'assignatura decidiran la modalitat d'aquesta prova. Quan la nota de la prova de recuperació sigui igual o superior a 5, la qualificació final de l’assignatura serà d’APROVAT essent la nota numèrica màxima un 5. Quan la nota dela prova de recuperació sigui inferior a 5, la qualificació final de l’assignatura serà de SUSPENS essent la nota numèrica la nota de curs (i no la nota de la prova de recuperació).

Un estudiant que no es presenta a cap prova avaluable es considera no avaluable, per tant, un estudiant que realitza alguna component d'avaluació continuada ja no pot ser qualificat com "no avaluable”.

La data d’aquesta prova estarà programada en el calendari d'exàmens de la Facultat. L'estudiant que es presenti i la superi aprovarà l'assignatura amb una nota de 5. En cas contrari mantindrà la mateixa nota.

 

Irregularitats en actes d’avaluació 

Sense perjudici d'altres mesures disciplinàries que s'estimin oportunes, i d'acord amb la normativa acadèmica vigent, "en cas que l’estudiant realitzi qualsevol irregularitat que pugui conduir a una variació significativa de la qualificació d’un acte d’avaluació, es qualificarà amb 0 aquest acte d’avaluació, amb independència del procés disciplinari que s’hi pugui instruir. En cas que es produeixin diverses irregularitats en els actes d’avaluació d’una mateixa assignatura, la qualificació final d’aquesta assignatura serà 0".  Apartat 10 de l'Article 116. Resultats de l'avaluació. (Normativa Acadèmica UAB)

 


Bibliografia

 BLOC 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

 

BLOC II:  

 

  • Casado Aranda, L. (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.). JudgementThedifferencebetweenBehavioralEconomyandPsychologicalMethods To 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. 

 


Programari

R software

R CLOUD

Biometric Gazepoint

Pupil Lab


Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Nom Grup Idioma Semestre Torn
(TEm) Teoria (màster) 30 Espanyol segon quadrimestre tarda