Insegnamento a.a. 2023-2024

Il corso è idealmente strutturato secondo un processo di problem solving.

Dall'inizio del corso, gli studenti verranno suddivisi in gruppi al fine di analizzare e valutare le performance delle strategie di marketing. Lavorando in team, dovranno sviluppare una strategia di marketing supportata dall'analisi dei dati, al fine di prendere decisioni informate. Questo consentirà agli studenti di applicare gli strumenti analitici e i framework teorici affrontati durante il corso a un problema di business concreto. Infine, gli studenti presenteranno la soluzione identificata.

Per consolidare le competenze tecniche ed analitiche richieste nel corso, nella fase iniziale si approfondiranno alcuni metodi statistici, tra cui i concetti di test d'ipotesi, regressione lineare e non-lineare (logit e probit). Successivamente, i partecipanti avranno l'opportunità di applicare tali tecniche all'analisi dei dati e alla risoluzione di domande cruciali per lo sviluppo di strategie di marketing.

L'attività di teamwork è strutturata con l'obiettivo di valorizzare le competenze e le tecniche analitiche che gli studenti svilupperanno durante il corso. Durante le lezioni, gli studenti si confronteranno con tecniche e teorie che potranno essere applicate direttamente nel contesto del lavoro di gruppo. La struttura delle lezioni è concepita per:

• Introdurre un concetto teorico o analitico (ad esempio, strategie per l'acquisizione di nuovi clienti)
• Affrontare con gli studenti un'applicazione pratica di tale concetto (ad esempio, analisi dell'acquisizione dei clienti utilizzando dati reali relativi a un'azienda o un settore di esempio).
• Applicare le competenze acquisite nell'attività di teamwork in un nuovo contesto (ad esempio, analisi dell'acquisizione della base clienti o dei potenziali clienti di una potenziale azienda partner).

In questo modo, gli studenti avranno l'opportunità di mettere in pratica le conoscenze acquisite, integrando la teoria con l'esperienza pratica attraverso il lavoro di squadra.

Nella prima parte del corso vengono affrontati i seguenti argomenti:

Consolidamento delle competenze statistiche e introduzione al software che verrà utilizzato per le analisi dei dati

• Analisi del customer journey e delle sue fasi
• Fase Iniziale: Customer Acquisition - Lean Prospect, Privacy
• L’uso di field test nella valutazione della performance di una strategia di marketing
• Gestione dell’eterogeneità dei consumatori nello valutazione dell’efficacia di marketing
• Fase di Sviluppo: Customer Development e Retention

Durante il corso sono previste diverse sessioni di "lab" il cui obiettivo è fornire agli studenti dati e casi concreti al fine di facilitare l'acquisizione delle tecniche analitiche e consolidare le competenze acquisite.

La seconda parte del corso simula il tipico processo di presentazione e discussione dei progetti di marketing all'interno dell'azienda. I singoli gruppi sono chiamati a un'attività di role playing in cui svolgono, alternandosi, ad esempio, il ruolo di product/brand manager nella presentazione della propria strategia di marketing

In sintesi, i principali temi trattati durante il corso sono i seguenti:

• Il “valore dei dati” e di strategie di marketing data-driven. 
• Mappatura del customer journey 
• Streategie data-driven per l’acquisizione, development e profilazione di clienti e potenziali clienti.
• Customer acquisition, lead, prospect, gestione della privacy
• Customer development
• Field test e metodi e tecniche per analizzare e gestire l’eterogeneità del cliente nella risposta agli stimoli di marketing.
• Valutazione della performance di una strategia di marketing e discussione delle strategie alternative.

Al termine del corso, gli studenti avranno acquisito una solida comprensione dei concetti fondamentali dell'analisi strategica di marketing. In particolare, svilupperanno le seguenti competenze:

1. Mappatura del customer journey del cliente: gli studenti saranno in grado di descrivere e illustrare il processo di mappatura del percorso del cliente, comprese le diverse fasi e interazioni.

2. Utilizzo degli strumenti di analisi dei dati: gli studenti acquisiranno conoscenze sulle principali metodologie di analisi dei dati secondari a livello individuale. Saranno in grado di utilizzare strumenti analitici per descrivere, analizzare e prevedere comportamenti rilevanti per le attività di marketing.

3. Sviluppo di una strategia di marketing basata sui dati: gli studenti impareranno a strutturare una strategia di marketing data-driven, basata sull'analisi dei dati e sull'uso di informazioni rilevanti per il processo decisionale.

4. Decisioni basate sull'analisi dei dati: gli studenti acquisiranno la capacità di prendere decisioni informate supportate dall'analisi dei dati, concentrandosi in particolare sui dati secondari e sui test sul campo (field test).

5. Consapevolezza dei rischi e gestione della privacy: gli studenti svilupperanno una consapevolezza critica dei rischi legati alla privacy del cliente e alla raccolta di informazioni personali, imparando ad affrontare tali questioni in modo etico ed efficiente.

6. Comprensione dell'eterogeneità del cliente: gli studenti acquisiranno una comprensione approfondita delle fonti di eterogeneità del cliente e delle tecniche statistiche utilizzate per analizzarla.

In sintesi, al termine del corso gli studenti saranno in grado di applicare le competenze acquisite per analizzare e comprendere il percorso del cliente, utilizzare dati e informazioni per prendere decisioni di marketing basate sui dati e gestire in modo etico la privacy del cliente.

Al termine dell'insegnamento, lo studente sarà in grado di:

• Analizzare la domanda di mercato di un prodotto/servizio.
• Utilizzare le principali fonti di informazioni e di dati per le analisi del mercato, dei clienti, potenziali clienti e concorrenti.
• Valutare le performance economiche e competitive di un prodotto/servizio e analizzare le varie componenti della quota di mercato.
• Sviluppare un piano di azioni di marketing a partire da un set di obiettivi strategici.
• Reperire ed analizzare dati relativi all’acquisizione di nuovi clienti
• Sviluppare strategie data-driven finalizzate all’acquisizione di informazioni su potenziali nuovi clienti.
• Effettuare la mappatura del customer journey del cliente distinguendo tra le varie fasi nel processo decisionale (ricerca di informazioni, acquisto e post-acquisto) e i diversi canali e touchpoint disponibili (esempio negozi, canali digitali, web, mobile, social media, ecc.).
• Identificare le diverse possibili fonti di eterogeneità dei clienti e nuovi clienti.
• Acquisire e analizzare i dati necessari alla gestione dell’eterogeneità dei clienti
• Analizzare statisticamente dati al fine di mappare l’eterogeneità dei clienti.
• Sviluppare delle strategie customer-centric e data-driven di segmentazione, targeting e posizionamento.
• Esaminare la posizione competitiva di un prodotto/servizio e svolgere un’analisi di benchmarking rispetto ai principali concorrenti.
• Simulare l’impatto in termini di budget e di risultati attesi (sia competitivi che reddituali) di una strategia di marketing a livello di prodotto / servizio, a livello di canale o di gruppi di clienti.
• Effettuare una presentazione (scritta e orale) e una difesa del proprio piano di marketing.

• Lezioni frontali
• Testimonianze (in aula o a distanza)
• Esercitazioni (esercizi, banche dati, software etc.)
• Analisi casi studio / Incidents guidati (tradizionali, multimediali)
• Lavori/Assignment di gruppo
• Altre attivita' d'aula interattive on campus/online (role playing, business game, simulation, online forum, instant polls)

• Testimonianze in aula tenute da aziende. Tali interventi sono importanti per facilitare ed esplicitare il legame tra le teorie e gli strumenti affrontati nel corso e la pratica manageriale.  
• Esercitazioni e casi di studio utilizzando dati e problemi di business reali. Tali esercitazioni consentono di applicare i metodi e le tecniche di analisi dei dati affrontate nel corso.
• L’attività di teamwork consiste nella risoluzione del problema di marketing. In particolare verterà sulla valutazione della performance di una o piuù strategie di marketing. L'obiettivo sarà comprendere i fattori che determinano il successo o il fallimento di una campagna di marketing e identificare la migliore campagna tenendo in considerazione l'eterogeneità dei clienti. Questo progetto consente anche di sviluppare capacità di team working e di organizzione e gestione delle tempistiche di lavoro.
• Role playing che consiste, per ciascun gruppo di studenti, nella presentazione del proprio piano di marketing e nella discussione critica dei piani di marketing presentati dai compagni e riferiti a categorie di prodotti differenti dal proprio. Tale attività consente di affinare le capacità di effective presentation e di analisi critica del lavoro svolto dai colleghi.

Le modalità di valutazione sono basate su due elementi:

• Esame finale: 50%
• Assignment di gruppo: 50%

• Esame finale: prova scritta volta a verificare:
  • La conoscenza dei modelli e degli strumenti di analisi affrontati durante il corso.
  • La capacità di utilizzare tali modelli / strumenti per affrontare problemi aziendali concreti.
  • La capacità di intepretare output e metriche relative alle tecniche di analisi dei dati affrontate durante il corso.
  • La capacità di sviluppare una strategia di marketing e valutarne la potenziale performance.
• Assignment di gruppo: gli studenti, suddivisi in gruppi, devono sviluppare una strategia di marketing relativa ad un prodotto/servizio/problema di business scelto dai docenti. Al fine di sviluppare la strategia dovranno analizzare dati e supportare le proprie decisioni con le analisi svolte.  I gruppi sono inoltre chiamati a svolgere la funzione di discussant sui piani presentati dai compagni. Il voto degli assignment di gruppo è mantenuto valido per i tre appelli dell’anno accademico.

• Le modalità di valutazione sono basate su:
• Esame finale: 100%
• Esame finale: prova scritta volta a verificare:
  • La conoscenza dei modelli e degli strumenti di analisi affrontati durante il corso.
  • La capacità di utilizzare tali modelli / strumenti per affrontare problemi aziendali concreti.
  • La capacità di intepretare output e metriche relative alle tecniche di analisi dei dati affrontate durante il corso.
  • La capacità di analizzare e interpretare dati finalizzati a prendere decisioni rilevanti per lo sviluppo di un piano di marketing 
  • Capacità di analizzare criticamente un caso di marketing e suggerire appropriate e ben motivate strategie. 
•  

• Slide delle lezioni,
• Casi ed Esercitazioni fornite in aula
• Lemon, Katherine N., and Peter C. Verhoef. "Understanding customer experience throughout the customer journey." Journal of marketing 80.6 (2016): 69-96.
• Krafft, Manfred, et al. "Insight is power: Understanding the terms of the consumer-firm data exchange." Journal of Retailing 97.1 (2021): 133-149.
• Artea: Designing Targeting Strategies Eva Ascarza, Ayelet Israeli, 25 September 2020 Harvard Business Review Case

Le seguenti letture sono suggerite e indicate per chi volesse aprofondire ulteriormente.  Non rappresentano un materiale richiesto per frequentare o svolgere l'esame: 

• Schwarz, Jason S., Chris Chapman, and Elea McDonnell Feit. Python for marketing research and analytics. Springer Nature, 2020.
• Othellonia: Growing a Mobile Game, HBR, 2022 Ascarza et al.
• Ascarza, E. (2018). Retention futility: Targeting high-risk customers might be ineffective. Journal of Marketing Research, 55(1), 80-98.
• Krafft, Manfred, et al. "Insight is power: Understanding the terms of the consumer-firm data exchange." Journal of Retailing 97.1 (2021): 133-149.
• Blattberg, Robert C., Byung-Do Kim, and Scott A. Neslin. " Database Marketing: Analyzing and Managing Customers”. Springer, New York, NY, 2008. Chapters: 20, 21, 24
• Rosenbaum, M. S., Otalora, M. L., & Ramírez, G. C. (2017). How to create a realistic customer journey map. Business horizons, 60(1), 143-150.
• Wedel, Michel, and P. K. Kannan. "Marketing analytics for data-rich environments." Journal of Marketing 80.6 (2016): 97-121.
• Bradlow, Eric T., et al. "The role of big data and predictive analytics in retailing." Journal of Retailing 93.1 (2017): 79-95.
• Verhoef, Peter, Edwin Kooge, and Natasha Walk. Creating value with big data analytics: Making smarter marketing decisions. Routledge, 2016, Cap 1 &2
• Ascarza, Eva, Peter S. Fader, and Bruce GS Hardie. "Marketing models for the customer-centric firm." Handbook of marketing decision models. Springer, Cham, 2017. 297-329.
• Palmatier, Robert W., and Shrihari Sridhar. Marketing strategy: Based on first principles and data analytics. Macmillan International Higher Education, 2017. Cap 2 

• Slide delle lezioni,
• Casi ed Esercitazioni fornite in aula
• Lemon, Katherine N., and Peter C. Verhoef. "Understanding customer experience throughout the customer journey." Journal of marketing 80.6 (2016): 69-96.
• Krafft, Manfred, et al. "Insight is power: Understanding the terms of the consumer-firm data exchange." Journal of Retailing 97.1 (2021): 133-149.
• Artea: Designing Targeting Strategies Eva Ascarza, Ayelet Israeli, 25 September 2020 Harvard Business Review Case
• Knott, Aaron, Andrew Hayes, and Scott A. Neslin. "Next-product-to-buy models for cross-selling applications." Journal of interactive Marketing 16.3 (2002): 59-75.
• Blattberg, Robert C., Byung-Do Kim, and Scott A. Neslin. " Database Marketing: Analyzing and Managing Customers”. Springer, New York, NY, 2008. Chapters: 20, 21, 24
• Othellonia: Growing a Mobile Game, HBR, 2022 Ascarza et al.

Le seguenti letture sono suggerite e indicate per chi volesse aprofondire ulteriormente.  Non rappresentano un materiale richiesto per frequentare o svolgere l'esame: 

• Schwarz, Jason S., Chris Chapman, and Elea McDonnell Feit. Python for marketing research and analytics. Springer Nature, 2020.
• Ascarza, E. (2018). Retention futility: Targeting high-risk customers might be ineffective. Journal of Marketing Research, 55(1), 80-98.
• Rosenbaum, M. S., Otalora, M. L., & Ramírez, G. C. (2017). How to create a realistic customer journey map. Business horizons, 60(1), 143-150.
• Wedel, Michel, and P. K. Kannan. "Marketing analytics for data-rich environments." Journal of Marketing 80.6 (2016): 97-121.
• Bradlow, Eric T., et al. "The role of big data and predictive analytics in retailing." Journal of Retailing 93.1 (2017): 79-95.
• Verhoef, Peter, Edwin Kooge, and Natasha Walk. Creating value with big data analytics: Making smarter marketing decisions. Routledge, 2016, Cap 1 &2
• Ascarza, Eva, Peter S. Fader, and Bruce GS Hardie. "Marketing models for the customer-centric firm." Handbook of marketing decision models. Springer, Cham, 2017. 297-32.
• Palmatier, Robert W., and Shrihari Sridhar. Marketing strategy: Based on first principles and data analytics. Macmillan International Higher Education, 2017. Cap 2 

The course is structured according to a problem-solving process.

• Students are divided into groups at the beginning of the course. Working in teams, they will be asked to develop a data-driven marketing strategy to make informed decisions. This will enable students to apply the analytical tools and theoretical frameworks covered during the course to a real business problem. Finally, students will present the identified solution.
• In the initial phase of the course, some statistical methods will be refreshed and deepened (e.g., hypothesis testing, linear and non-linear regression approaches). The participants will then apply these techniques to analyze data and answer questions functional to the development of marketing strategies.
• This teamwork activity is structured and designed to apply and value the analytical skills and techniques students will acquire during the course. The structure of the specific classes is designed to i) introduce a theoretical or analytical concept (e.g., analysis of customers' acquisition), ii) provide students a practical application of this concept (e.g., analysis of customers' acquisition using real firm data), iii) apply the skills acquired in the teamwork activity (e.g., analysis the customer acquisition in a new situation – for a potential partner company).

• In the first part of the course, the following topics are covered:
  • Consolidation of statistical skills and introduction to the software used for data analysis
  • Analysis of the customer journey and its stages
  • Initial phase of the customer journey: Customer acquisition, managing prospects and their privacy
  • The use of field tests in evaluating the performance of a marketing strategy
  • Managing consumer heterogeneity in evaluating marketing effectiveness
  • Development Phase: Customer Development and Retention

Throughout the course, several lab sessions are scheduled with the aim of providing students with data and real-life cases to facilitate the acquisition of analytical techniques and reinforce the acquired skills

•  The second part of the course simulates the activity of presenting and discussing a marketing plan within a company. Students are asked to do a role-playing activity in which they perform the role of a product/brand manager, presenting the identified marketing strategy to the company's CMO/CEO.

In summary, the main topics covered during the course are as follows:

• The "value of data" and data-driven marketing strategies.

• Customer journey mapping.

• Data-driven strategies for customer acquisition, development, and profiling of customers and potential customers.

• Customer acquisition, lead, prospect, and privacy management.

• Customer development.

• Field tests and methods and techniques for analyzing and managing customer heterogeneity in response to marketing stimuli.

• Evaluation of the performance of a marketing strategy and discussion of alternative strategies.

At the end of the course, students will have acquired a solid understanding of the fundamental concepts of strategic marketing analysis. In particular, they will develop the following skills:

1.     Customer journey mapping: Students will be able to describe and illustrate the process of mapping the customer journey, including different stages and interactions.

2.     Data analysis tool utilization: Students will gain knowledge of key methodologies for analyzing individual-level secondary data. They will be able to use analytical tools to describe, analyze, and predict behaviors relevant to marketing activities.

3.     Data-driven marketing strategy development: Students will learn how to structure a data-driven marketing strategy based on data analysis and the use of relevant information for decision-making processes.

4.     Data-driven decision-making: Students will acquire the ability to make informed decisions supported by data analysis, focusing particularly on secondary data and field tests.

5.     Risks and opportunities in privacy management: Students will develop a critical awareness of risks related to customer privacy and the collection of personal information, learning how to address such issues ethically and efficiently.

6.     Understanding customer heterogeneity: Students will gain a deep understanding of sources of customer heterogeneity and the statistical techniques used to analyze it.

In summary, at the end of the course, students will be able to apply the acquired skills to analyze and understand the customer journey, use data and information to make data-driven marketing decisions, and ethically manage customer privacy.

At the end of the course, it is expected that the student will be able to:

1. Map the customer journey, distinguishing between various stages in the decision-making process (information search, purchase, and post-purchase) and different available channels and touchpoints (e.g., stores, digital channels, web, mobile, social media, etc.).
2. Utilize statistical tools to describe, analyze, and predict relevant user/customer choices.
3. Develop data-driven marketing strategies, considering data analysis as the basis for decision-making.
4. Make informed decisions supported by data analysis.
5. Manage privacy with particular attention to the customer acquisition phase.
6. Understand customer heterogeneity and apply statistical techniques to analyze it.
7. Work effectively in teams, collaborating and leveraging the acquired analytical skills and techniques, particularly in analyzing new data and developing data-driven marketing strategies.
8. Communicate clearly and effectively, presenting their marketing analyses and solutions persuasively.

• Face-to-face lectures
• Guest speaker's talks (in class or in distance)
• Exercises (exercises, database, software etc.)
• Case studies /Incidents (traditional, online)
• Group assignments
• Interactive class activities on campus/online (role playing, business game, simulation, online forum, instant polls)

• Guest speaker’s talks. These talks are important to facilitate and make explicit the link between the theories and tools addressed in the course and managerial practice
• Exercises & Case Studies. We develop exercises and cases using actual data and business problems. These exercises allow students to apply the methods and techniques of data analysis discussed in the course.
• The teamwork activity and group assignments.The teamwork activity involves solving a marketing problem. Specifically, it will focus on evaluating the performance of one or more marketing strategies. The objective will be to understand the factors that determine the success or failure of a marketing campaign and identify the best campaign considering customer heterogeneity. This project also allows for the development of teamwork skills and the organization and management of work timelines.
• Role-play activity will be used during the presentation of the results of the teamwork activity to enhance teamwork skills and team members’ participation.

Grades are assessed as follows:

1. Individual exam: 50% of the overall grade;
2. Group project: 50% of the overall grade

Final exam: written test aimed at verifying:

• Knowledge of the models and analysis tools addressed during the course.
• The ability to use these models and tools to address actual business problems.
• The ability to interpret outputs and metrics related to the data analysis techniques addressed during the course.
• The ability to develop a marketing strategy and evaluate its potential performance.
• Group assignments: Students, divided into groups, must develop a marketing strategy for a product/service/business problem chosen by the instructors. In order to develop the strategy, they must analyze data and support their decisions with the conducted analyses. Additionally, the groups are required to act as discussants for the plans presented by their peers. The group assignment grade is kept valid for the three sessions of the academic year.

100% written exam, consisting of a series of conceptual questions and exercises.

Final exam: written test aimed at verifying:

• Knowledge of the models and analysis tools addressed during the course.
• The ability to use these models and tools to address actual business problems.
• The ability to interpret outputs and metrics related to the data analysis techniques addressed during the course.
• The ability to develop a marketing strategy and evaluate its potential performance.

• Slide and materials provided by the instructor available on te Cases and exercises provided by the instructor available on the Bboard platform

• Lemon, Katherine N., and Peter C. Verhoef. "Understanding customer experience throughout the customer journey." Journal of marketing 80.6 (2016): 69-96.
• Krafft, Manfred, et al. "Insight is power: Understanding the terms of the consumer-firm data exchange." Journal of Retailing 97.1 (2021): 133-149.
• Artea: Designing Targeting Strategies Eva Ascarza, Ayelet Israeli, 25 September 2020 Harvard Business Review Case

The following readings are suggested, not mandatory to attend the course or to successfully pass the final exam:

• Schwarz, Jason S., Chris Chapman, and Elea McDonnell Feit. Python for marketing research and analytics. Springer Nature, 2020.
• Othellonia: Growing a Mobile Game, HBR, 2022 Ascarza et al.
• Ascarza, E. (2018). Retention futility: Targeting high-risk customers might be ineffective. Journal of Marketing Research, 55(1), 80-98.
• Krafft, Manfred, et al. "Insight is power: Understanding the terms of the consumer-firm data exchange." Journal of Retailing 97.1 (2021): 133-149.
• Blattberg, Robert C., Byung-Do Kim, and Scott A. Neslin. " Database Marketing: Analyzing and Managing Customers”. Springer, New York, NY, 2008. Chapters: 20, 21, 24
• Rosenbaum, M. S., Otalora, M. L., & Ramírez, G. C. (2017). How to create a realistic customer journey map. Business horizons, 60(1), 143-150.
• Wedel, Michel, and P. K. Kannan. "Marketing analytics for data-rich environments." Journal of Marketing 80.6 (2016): 97-121.
• Bradlow, Eric T., et al. "The role of big data and predictive analytics in retailing." Journal of Retailing 93.1 (2017): 79-95.
• Verhoef, Peter, Edwin Kooge, and Natasha Walk. Creating value with big data analytics: Making smarter marketing decisions. Routledge, 2016, Cap 1 &2
• Ascarza, Eva, Peter S. Fader, and Bruce GS Hardie. "Marketing models for the customer-centric firm." Handbook of marketing decision models. Springer, Cham, 2017. 297-329.
• Palmatier, Robert W., and Shrihari Sridhar. Marketing strategy: Based on first principles and data analytics. Macmillan International Higher Education, 2017. Cap 2 
• Knott, Aaron, Andrew Hayes, and Scott A. Neslin. "Next-product-to-buy models for cross-selling applications." Journal of interactive Marketing 16.3 (2002): 59-75.

•  Slide and materials provided by the instructor available on the Bboard platform,
• Lemon, Katherine N., and Peter C. Verhoef. "Understanding customer experience throughout the customer journey." Journal of marketing 80.6 (2016): 69-96.
• Krafft, Manfred, et al. "Insight is power: Understanding the terms of the consumer-firm data exchange." Journal of Retailing 97.1 (2021): 133-149.
• Artea: Designing Targeting Strategies Eva Ascarza, Ayelet Israeli, 25 September 2020 Harvard Business Review Case
• Knott, Aaron, Andrew Hayes, and Scott A. Neslin. "Next-product-to-buy models for cross-selling applications." Journal of interactive Marketing 16.3 (2002): 59-75.
• Blattberg, Robert C., Byung-Do Kim, and Scott A. Neslin. " Database Marketing: Analyzing and Managing Customers”. Springer, New York, NY, 2008. Chapters: 20, 21, 24
• Othellonia: Growing a Mobile Game, HBR, 2022 Ascarza et al.

The following readings are suggested, not mandatory to attend the course or to successfully pass the final exam:

• Schwarz, Jason S., Chris Chapman, and Elea McDonnell Feit. Python for marketing research and analytics. Springer Nature, 2020.
• Ascarza, E. (2018). Retention futility: Targeting high-risk customers might be ineffective. Journal of Marketing Research, 55(1), 80-98.
• Rosenbaum, M. S., Otalora, M. L., & Ramírez, G. C. (2017). How to create a realistic customer journey map. Business horizons, 60(1), 143-150.
• Wedel, Michel, and P. K. Kannan. "Marketing analytics for data-rich environments." Journal of Marketing 80.6 (2016): 97-121.
• Bradlow, Eric T., et al. "The role of big data and predictive analytics in retailing." Journal of Retailing 93.1 (2017): 79-95.
• Verhoef, Peter, Edwin Kooge, and Natasha Walk. Creating value with big data analytics: Making smarter marketing decisions. Routledge, 2016, Cap 1 &2
• Ascarza, Eva, Peter S. Fader, and Bruce GS Hardie. "Marketing models for the customer-centric firm." Handbook of marketing decision models. Springer, Cham, 2017. 297-32.
• Palmatier, Robert W., and Shrihari Sridhar. Marketing strategy: Based on first principles and data analytics. Macmillan International Higher Education, 2017. Cap 2