Πρόγραμμα Σπουδών

Ο βασικός σκοπός του μαθήματος είναι να περιγράψει τη σημασία και τη συνεισφορά του μάρκετινγκ σε μία επιχείρηση σε συνδυασμό με τη διαδικασία που απαιτείται για τη λήψη στρατηγικών αποφάσεων μάρκετινγκ. Ειδικότερα, το μάθημα στοχεύει να οδηγήσει τους φοιτητές στην κατανόηση της φιλοσοφίας και της λειτουργίας του μάρκετινγκ, στην εξοικείωση με την έννοια της διοικητικής του μάρκετινγκ (marketing management), και στην κατανόηση αναλυτικών εργαλείων που απαιτούνται στα πλαίσια της λήψης στρατηγικών αποφάσεων μάρκετινγκ και της δημιουργία ενός σχεδίου μάρκετινγκ (ανάλυση περιβάλλοντος, στόχοι μάρκετινγκ, στρατηγικές και τακτικές μάρκετινγκ, έλεγχος αποτελεσμάτων). Η προσέγγιση των ανωτέρω θεμάτων είναι αναλυτική και εφαρμοσμένη..

Σκοπός του συγκεκριμένου μαθήματος είναι να εισάγει τους σπουδαστές στις προηγμένες μεθόδους ποσοτικής έρευνας καταναλωτή που θα τους επιτρέψουν να διερευνήσουν εις βάθος συμπεριφορές και προτιμήσεις. Το μάθημα καλύπτει θέματα όπως πειραματικός σχεδιασμός και ανάλυση πειραματικών δεδομένων, μέθοδοι έρευνας για κατάτμηση της αγοράς και ανάλυση των δεδομένων τους, μέθοδοι για αξιολόγηση χαρακτηριστικών προϊόντων και ανάλυση των δεδομένων τους, μέθοδοι για μέτρηση της εικόνας και της τοποθέτησης μίας μάρκας και ανάλυση των δεδομένων τους και ειδικά θέματα έρευνας καταναλωτή.

Το μάθημα «Ποσοτικά υποδείγματα μάρκετινγκ» εισάγει στους σπουδαστές στο πεδίο των ποσοτικών υποδειγμάτων με έμφαση στα μικροοικονομετρικά μοντέλα (microeconometric models) και τις εφαρμογές τους στο μάρκετινγκ. Περιλαμβάνονται ποσοτικά μοντέλα για διάφορα είδη εξαρτημένων μεταβλητών όπως συνεχείς, διατεταγμένες, ποιοτικές, και περιορισμένες εξαρτημένες μεταβλητές. Παρουσιάζονται επίσης υποδείγματα παλινδρόμησης για δεδομένα πάνελ (panel data models). Οι σπουδαστές μαθαίνουν πώς να επιλέγουν, εξειδικεύουν και εφαρμόζουν βασικά και προηγμένα ποσοτικά υποδείγματα σε δεδομένα που δημιουργούνται στον χώρο του μάρκετινγκ. 

Σκοπός του μαθήματος είναι να κατανοήσουν οι φοιτητές το αντικείμενο και τις μεθόδους της αναλυτικής ψηφιακού μάρκετινγκ και παράλληλα να εξοικειωθούν με τις σύγχρονες εμπειρικές προσεγγίσεις στην ανάλυση της συμπεριφοράς των διαδικτυακών χρηστών. Οι φοιτητές θα αποκτήσουν τις γνώσεις και τις δεξιότητες που απαιτούνται για την ανάλυση του τεράστιου όγκου δεδομένων όπως αυτός προκύπτει από τις αλληλεπιδράσεις και τις συναλλαγές χρηστών με εταιρικούς ιστοχώρους, με σελίδες στα κοινωνικά δίκτυα και με ψηφιακές διαφημιστικές εκστρατείες, ώστε να εξαχθούν χρήσιμα και βασισμένα σε δεδομένα συμπεράσματα. Στο μάθημα, μεταξύ άλλων, περιλαμβάνονται τα εξής θέματα: (α) αναλυτική διαδικτύου (web analytics), (β) ψηφιακές διαφημιστικές εκστρατείες και ανάλυση της απόδοσης τους, (γ) εταιρική παρουσία στα κοινωνικά δίκτυα και ανάλυση της αλληλεπίδρασης με τους ψηφιακούς ακολούθους, (δ) εξόρυξη άποψης και ανάλυση συναισθήματος από ψηφιακά κείμενα καθώς και (ε) ανακάλυψη γνώσης.

Σκοπός του μαθήματος είναι η εκπαίδευση πάνω στην αξιοποίηση των μέσων κοινωνικής δικτύωσης και άλλων ψηφιακών μέσων για εφαρμογές μάρκετινγκ, καθώς και πάνω σε τεχνικές ανάλυσης δεδομένων από ψηφιακά μέσα. Οι εκπαιδευόμενοι θα μάθουν να χρησιμοποιούν ψηφιακές πλατφόρμες και κανάλια για την προώθηση περιεχομένου, καθώς και να αξιολογούν και να ερμηνεύουν τα αποτελέσματα  εκστρατειών προώθησης. Έμφαση θα δοθεί σε σύγχρονες δημοφιλείς πλατφόρμες (π.χ. Facebook, Twitter, Youtube, κ.α.). Οι εκπαιδευόμενοι θα εκτεθούν επίσης σε εργαλεία για την αυτόματη συλλογή δεδομένων από διάφορες διαδικτυακές πηγές, με σκοπό την μοντελοποίηση και παρακολούθηση της φήμης μίας εταιρείας ή ενός συγκεκριμένου προϊόντος (brand monitoring, mentioning και social listening). Τέλος, οι φοιτητές θα εκτεθούν σε μεθόδους ανάλυσης της δομής ενός κοινωνικού δικτύου, στο πλαίσιο πρακτικών εφαρμογών, όπως η ομαδοποίηση χρηστών με κοινά χαρακτηριστικά, η αναγνώριση τάσεων και η  μοντελοποίηση της διασποράς τους στο δίκτυο, καθώς και ο εντοπισμός κομβικών χρηστών με ευρύ φάσμα επιρροής.

Το μάθημα Αναλυτική για Αποφάσεις Μάρκετινγκ εισαγάγει τους φοιτητές στην επιχειρησιακή έρευνα και στη λήψη αποφάσεων. Ασχολείται με τη δημιουργία ποσοτικών υποδειγμάτων, μαθηματικών μοντέλων, αλγορίθμων και άλλων εργαλείων με σκοπό την καλά πληροφορημένη οδηγούμενη από τα δεδομένα λήψη αποφάσεων. Παρουσιάζει επίσης τη διαδικασία λήψης αποφάσεων και την εφαρμογή της σε προβλήματα μάρκετινγκ, όπως προβλήματα κατανομής διαφημιστικού προϋπολογισμού σε πολλαπλά κανάλια, τιμολόγησης, χρονοπρογραμματισμού, δικτύων, ανάθεσης και κάλυψης. Εξετάζονται μοντέλα γραμμικού και ακέραιου προγραμματισμού, δέντρα αποφάσεων για στοχαστικά προβλήματα, πολύ-κριτήρια βελτιστοποίηση και μοντέλα προσομοίωσης. Το μάθημα κάνει χρήση διαφόρων εργαλείων λογισμικού.

Στόχος του μαθήματος είναι να παρέχει στους φοιτητές τις γνώσεις και τις δεξιότητες που απαιτούνται για να σχεδιάζουν συστήματα τεχνητής νοημοσύνης, να χρησιμοποιούν τεχνικές ανάλυσης δεδομένων και μηχανικής μάθησης, καθώς και τεχνικές ανάπτυξης προηγμένων συστημάτων συστάσεων. Όλες οι τεχνικές διδάσκονται μέσω πρακτικών εφαρμογών και πραγματικών δεδομένων από τον ευρύτερο χώρο του μάρκετινγκ. Χαρακτηριστικά παραδείγματα εφαρμογών αποτελούν η ανάλυση καλαθιών αγορών, η ομαδοποίηση και μοντελοποίηση συμπεριφοράς των πελατών, η πρόβλεψη ζήτησης προϊόντων, μελέτες ανταγωνιστικότητας, και η ανάλυση αποτελεσματικότητας μεθόδων διαφήμισης και προβολής.

Αυτό το μάθημα επιδιώκει να εφοδιάσει τους φοιτητές με τις γνώσεις και τις δεξιότητες που απαιτούνται για να αναλύουν δεδομένα από τον παγκόσμιο ιστό και από κοινωνικά δίκτυα, και συγκεκριμένα, εστιάζει στην επεξεργασία δεδομένων κειμένου (text data). Χαρακτηριστικά παραδείγματα δεδομένων κειμένου είναι οι κριτικές πελατών και ειδικών (customer and expert reviews), τα σχόλια των χρηστών σε πλατφόρμες κοινωνικής δικτύωσης (social media posts), ιστολόγια (blogs), άρθρα σε πλατφόρμες ενημέρωσης (news articles) και οι περιγραφές προϊόντων σε ιστοσελίδες ηλεκτρονικού εμπορίου. Η ύλη του μαθήματος καλύπτει όλα τα στάδια της διαδικασίας που πρέπει να ολοκληρώσει κάποιος που επιθυμεί να δουλέψει με δεδομένα κειμένου: συλλογή από τον παγκόσμιο ιστό (web scraping), προετοιμασία (clearing and parsing) και ανάλυση. Μέσα από το μάθημα, οι φοιτητές θα μάθουν πως να χρησιμοποιούν την Python για να λύσουν πρακτικά προβλήματα σχετικά με δεδομένα κειμένου, όπως επεξεργασία συναισθημάτων (sentiment analysis), κατηγοριοποίηση (classification), μοντελοποίηση θεμάτων (topic modeling), δημιουργία περιλήψεων (summarization), και επεξεργασία οντοτήτων (entity extraction and disambiguation).

Σκοπός του μαθήματος είναι η κατανόηση των πολυμεταβλητών αναλύσεων στον χώρο του μάρκετινγκ, καθώς αποτελούν σημαντικό μέρος της καθημερινής διοικητικής πρακτικής τόσο σε εκτελεστικό όσο και σε στρατηγικό επίπεδο.  Το μάθημα δίνει ιδιαίτερη έμφαση στο πώς οι πολυμεταβλητές αναλύσεις οδηγούν σε εμπειρικά τεκμηριωμένες αποφάσεις μάρκετινγκ. Το μάθημα καλύπτει ένα μεγάλο εύρος πολυμεταβλητών αναλύσεων, όπως MANOVA, Discriminant Analysis, Canonical analysis, Factor Analysis, Cluster Analysis, Μultidimensional Scaling. Οι εφαρμογές των πολυμεταβλητών αναλύσεων στον χώρο του μάρκετινγκ εξηγούνται μέσω πρακτικών παραδειγμάτων και μελετών περίπτωσης.

Σκοπός του μαθήματος είναι η βαθύτερη κατανόηση της συμπεριφοράς του καταναλωτή και της διαδικασίας λήψης αγοραστικών αποφάσεων. Στο μάθημα περιλαμβάνονται, μεταξύ άλλων, τα εξής θέματα: α) κλασσική οικονομική θεωρία καταναλωτή, β) περιορισμένος ορθολογισμός (bounded rationality) και συμπεριφορά καταναλωτή, γ) νοητικές μεροληψίες (cognitive biases), δ) θέματα συμπεριφορικής επιστήμης, ε) εξελικτική ψυχολογία και συμπεριφορά καταναλωτή, στ) νευροεπιστήμη και συμπεριφορά καταναλωτή.

Σκοπός του μαθήματος «Προηγμένη διοίκηση προϊόντος και μάρκας» είναι η εξοικείωση των συμμετεχόντων με α) τις γενικές αρχές του θεωρητικού υποβάθρου της πολιτικής προϊόντος (π.χ. τύποι προϊοντικών αποφάσεων, πολιτική σήματος και μάρκας, ανάπτυξη νέων προϊόντων, κατάργηση υφιστάμενων προϊόντων) και β) πρακτικές εφαρμογές του θεωρητικού υποβάθρου της πολιτικής προϊόντος μέσω εξειδικευμένων μελετών περίπτωσης (case studies), οι οποίες αξιοποιούν ποσοτικά δεδομένα.

Σκοπός του μαθήματος είναι οι φοιτητές να κατανοήσουν την έννοια της βελτιστοποίησης στη στρατηγική και τις τακτικές μάρκετινγκ. Οι φοιτητές θα εξοικειωθούν και θα μάθουν να μετρούν την απόδοση επένδυσης (ROI), την αξία των πελατών για μία επιχείρηση σε βάθος χρόνου, την αποτελεσματικότητα μίας καμπάνιας μάρκετινγκ και στη συνέχεια θα είναι σε θέση να προτείνουν σχετικές στρατηγικές βελτιστοποίησης. Στο μάθημα, μεταξύ άλλων, περιλαμβάνονται τα εξής θέματα: (α) Return-On-Investment (ROI) & Return-On-Advertising-Spend (ROAS), (β) Customer Lifetime Value (CLTV), (γ) digital advertising campaigns optimization, (δ) A/B testing καθώς και (ε) attribution models. Οι φοιτητές θα εκτεθούν επίσης στη χρήση διαφόρων εμπορικών εργαλείων για βελτιστοποίηση των διαφημιστικών εκστρατειών σε διαφορετικά κανάλια για search, social, programmatic, κτλ.