讲解 OMBA 5355: MARKETING ANALYTICS SPRING QUARTER 2024

SPRING QUARTER 2024

OMBA 5355: MARKETING ANALYTICS

COURSE DESCRIPTION

Despite the abundance of available customer databases, managers find it difficult to translate data into actionable strategies. The goal of this course is to fill this gap by training you with tools and techniques to analyze large databases. By the end of the course, you will have developed skills to employ various software toolkits to instill general analytical intuitions and critical thinking skills that enable you to analyze and comprehend contemporary marketing issues .

COURSE OBJECTIVES

Understand how analytical techniques and statistical models can help enhance decision making by converting data to information and insights for decision-making;

Develop intuition for data driven decision making by using practical examples from a wide spectrum of fields;

Gain insight into how to choose and use the most effective statistical tool based on the problem at hand;

Get familiar with a software tool kit that will enable you to apply statistical models to real decision problems;

Most importantly, remove any fear of data analysis and increase comfort level with analyzing databases most commonly used in the business world.

COURSE MATERIALS

There is no required textbook for this course . Instead, we will utilize the following resources:

(1)  Content provided on Canvas including both videos and texts,

(2)  Lecture slides in PDF format,

(3)  Free online resources (which I will direct you to for each topic),

(4)  Your old Statistics/Regression textbooks or notes (if you still have them), and

(5)  Your notes from Marketing Principle/Research (if you still have them) .

All course-related data and readings will be available on Canvas unless stated otherwise .

NOTE that recordings, slides, and other materials on Canvas are copyrighted , and they may not be used for anything other than personal purposes without my prior written consent .

In this class, we will use a combination of JMP + Tableau + R.

We will be heavily using JMP. It is a software that has existed for a while, but it has recently made significant strides in its capabilities. It has a user-friendly interface with advanced

modeling and basic visualization features . The full professional version of JMP is available to SU students via Redhawk Labs. Alternatively, you can get a free 12-month student license on the

JMP website using your SU credentials .

Tableau is probably the best BI tool available with interactive visualizations that are quite useful to understand the patterns in your data—a prerequisite before moving to advanced modeling

techniques . I will share the course license for Tableau at the beginning of the quarter, which will be available for the duration of the course . Tableau is also available on Seattle University’s

Redhawk Labs.

In Week 9, you will have the option to learn and use R, an open-source software widely used by academics and professionals. While it offers dynamic capabilities, it has a steep learning curve  particularly if you do not have coding experience. R is free to download on this website ; make sure to download and install both R and RStudio. They are also available on the Redhawk Labs.

The key is to pick up and master at least one statistical language (Excel alone would not do). This involves developing skills to load and manipulate large data files, run various statistical methods, and convey your message in a concise/visually appealing way.

GRADING CRITERIA

Airbnb Project Components 35%

Midterm Presentation 17.5%

Final Presentation 17.5%

Individual Assignment Components 65%

Week 1 Exercises 5%

5 Assignments (12% each) 60%

----------

Total 100%

Extra Credit 1%

Midterm Feedback 0.5%

Final Feedback 0.5%

GRADING SCALE

PROJECT COM PON E NTS ( 35% OF  COURSE  GRADE)

The objective of the project is to perform a comprehensive analysis on Air b nb's operations , assuming the role of a company manager, host, or guest . It serves as a practical application of methods and techniques covered in this class, aiming to generate actionable recommendations supported by robust analysis .

Students have the option to work individually or in groups of up to four members to explore and address selected problems using data-driven approaches . While group members may contribute in various ways, their contributions to the overall group effort should be equal.

Presentations showcasing their findings, demonstrating a hands-on understanding of the class material, are expected in Week 6 for the midterm and Week 10 for the final, with each presentation lasting approximately 15 minutes .

For comprehensive guidelines, refer to the documents under the ‘Airb nb Project’ section on the Course Overview page in Canvas .

ASSIG N M ENT COM PON E NTS ( 65 % OF  COURSE  GRADE)

Individ u a l  Ex e r c is es

During Week 1, while there are no formal assignments due, you will be provided with 3

individual exercises . The goal of these exercises is to ensure active engagement with the

course material and to help you become familiar with navigating the course website effectively, thereby facilitating your learning process .

Grading for these exercises will be based on completion by the due date rather than the

accuracy or quality of your responses . It is acceptable to submit responses that may not be

perfect or even correct . The primary objective is to confirm that you are following the intended course content and are actively engaged. Please complete these exercises to stay on track with the course trajectory.

Individ u a l Ass ig n m e nts

There will be 5 quantitative assignments throughout the quarter . The objective of the assignments is to provide you with a working knowledge of the tools and techniques commonly used in the industry. We will learn how to summarize and visualize data; execute advanced statistical models; interpret how the output can be used for decision making; and

communicate insights effectively. We should think of these assignments as learning a new language -- they form. the backbone for longer case studies and project .

Successful performance in these assignments hinges on thoroughly answering all questions, providing detailed analysis and reasoning, including relevant visualizations and outputs,

ensuring logical and factual accuracy, maintaining grammatical precision, and following    submission guidelines . Exceptional work that goes beyond the basic requirements will be considered for full marks. Please note that resubmissions are generally not available .

All individual assignments should be submitted as a MS Word document or a PDF document .

EXTRA CRED IT OPPO RTU N ITI ES (ADDITIONAL  1% TOWARDS  COURSE  GRADE) Midt e r m  a n d  Fi n a l  P r es e nt ati o n F e e db a c k

In Weeks 6 and 10, we will be focusing on peer presentations . Students' presentation videos will be uploaded on Canvas, and all students are expected to watch these during the respective weeks . Note that there will be no scheduled lectures in these weeks, providing ample opportunity to engage with the presentations .

For extra credit, watch all the videos thoroughly and leave substantial, constructive comments or questions on at least two different groups' presentation videos. This feedback should be thoughtful and aim to contribute to a constructive discussion, potentially offering new insights or perspectives to the presenting groups.

By providing meaningful feedback to a minimum of two groups for the midterm presentations and two for the final exam presentations, you can earn up to 1% extra credit towards your course grade . This is an excellent opportunity not only to contribute to the learning experience of your peers but also to deepen your own understanding of the course material through active engagement .

For more information, refer to the documents under the ‘Airbnb Project’ section on the Course Overview page on Canvas .

SUBMISSION GUIDELINE AND POLICY

Unless otherwise specified, all assignments and project deliverables must be submitted on Canvas by 11:59 p . m . on the due date . If you are using the Canvas mobile app, please cross-check that your submission has been uploaded because students have reported issues with the app in the past . Please pay attention to spacing, spelling, punctuation, grammar, etc . so that your submissions are professionally done .

DEADLINE EXTENSION AND LATE SUBMISSION GRADING POLICY

I recognize that sometimes “life happens . ” In these instances, you may request for a 3-day extension for Individual Assignments by simply emailing me . This request is limited to two individual assignments throughout the quarter and the request for an extension must be made no later than 12 hours prior the deadline . I will not receive any extension request submitted afterwards, and an assignment submitted after the deadline will be considered an unexcused late submission .

Assignments should be submitted on the due date in order to receive full credit . The penalty for un excused late assignments will be determined by the following scale:

Late work handed in is discounted 10% per day late .

Every assignment has a hard deadline , usually 1 week (7 days) past the original due date . Late submissions—penalty or not—are not accepted after that hard deadline .

DATA SOURCE

All exercises for the assignments/cases/projects are application-oriented and incorporate extensive use of software . They are drawn from three primary sources:

Proprietary data from the business world,

Publicly available data from various businesses (e.g. Google), government (e.g. Census, BLS), international agencies (e.g. UN/World Bank),

Published research in the top academic journals from various fields --

Many (good) journals require authors to publish the data used in their research. We will replicate the findings from some of the most influential papers from various fields for which data are available .

CLASSROOM DISCUSSION NORMS

We acknowledge that racism, sexism, heterosex is m, classis m, ableis m, and other forms of interpersonal and institutionalized forms of inequality exist in society. This does not mean we all agree on the causes, consequences, or solutions for these forms of inequality. It does mean we agree to do our best to understand them, refrain from repeating misinformation, and refrain from personal attacks . No student is expected to have all the answers . Mistakes and questions are welcomed in the spirit of cooperative learning. We will work to create an atmosphere where:

We keep an open mind and listen;

Everyone is valued and respected;

Everyone can work and learn in a challenging and caring environment;

Everyone engages in the thoughtful presentation of ideas, shares the floor, and can critically assess each other’s ideas;

No individual is ridiculed or demeaned for sharing their personal experiences and ideas;

Personal experiences shared in the context of the classroom remain confidential unless otherwise agreed upon;

No individual is expected to be a representative spokesperson for a given group of people, given there is intra-group diversity of skills, beliefs, attitudes, and behaviors .

OMBA 5355: METHODOLOGICAL TOPICS

PART I . FUNDAMENTALS  OF DATA ANALYTICS

1. Basic Data Analysis

What methods to use and what inferences / insights can be obtained depend on the

type of data that are available . Accordingly, in this session, we will discuss various types of data that are commonly collected by companies and review some basic yet extremely

useful techniques such as frequency distributions, mean comparisons, and cross  tabulation by using mini-cases . Statistical inferences using chi-square, t-test and ANOVA will be discussed.

2. Intro to Data Visualization

We will look at the basics of R (and potentially JMP and Tableau) to start with data

visualization . It’s important to use appropriate graphs to tell the stories behind large

databases . We will discuss how to effectively visualize univariate information, relationships (e.g., bivariate, mapping and networks) and texts .

Examples of Assignments/Cases in Part I: Basic analysis of data from World Health Organization (WHO) and Ross mann

PART II . PREDICTIVE ANALYTICS

3. Regression Analysis : Linear, Log-Log, and Semi-Log

Regression is by far the most useful tool for analyzing relationships between a

phenomenon of interest (i.e ., independent variable) and one or more predictor

variables . With regards to this topic, emphasis will be on use of regression output in    forecasting, elasticity analysis, and optimal pricing. Furthermore, we will delve deeper and cover advanced regression models including measures to control for seasonality    and trend, interactions, and use of appropriate functional forms (e.g., linear, semi-log, log-log.

Examples of Assignments/Cases in Part II: Box office prediction, Air fare forecast, Progresso pricing, and Kraft promotion effectiveness

PART III . BIG DATA DECISION TOOLS

4. Dimension  Reduction:  Factor Analysis & Clustering

Sometimes, we are faced with too much data . In such case, it’s possible some of the variables we have capture the same underlying theme . In this topic, we will discuss   extremely useful techniques for data reduction: cluster and factor analysis .

Examples of Assignments/Cases: Automobile and beverage brand valuation

5. Machine Learning : Supervised Learning

We will cover various machine learning tools in direct marketing used to model

customer acquisition and retention . Analytical tools to compute customer value will be discussed. We will also cover useful techniques for data mining and classification

models–such as decision trees, elastic nets, and random forests–using basic machine learning.

Examples of Assignments/Cases: Technology adoption, and Yelp rating forecast

6. Text Mining and Sentiment Analysis

Text analytics refers to the process of deriving insights from text (e.g., Google’s n- gram) . We will cover the basics of text mining and use data from online reviews to  examine what such text analysis can teach us .

Examples of Assignments/Cases: Yelp review text mining