28.06.2021 | 10:15 -16:00 Uhr
Leitung: Tom Breuer, M.A.; Juri Diels M.A.; Alexander Röckl, M.A.
Teilnahmevoraussetzungen: Erste Erfahrung mit quantitativer Datenanalyse sind hilfreich, aber keine Voraussetzung. Empfohlene Literatur:
- Covington et al. (2016): „Deep Neural Networks for YouTube Recommendations“ https://static.googleusercontent.com/media/research.google.com/de//pubs/archive/45530.pdf
- Wittenauer: „Deep Learning With Keras: Recommender Systems“ https://www.johnwittenauer.net/deep-learning-with-keras-recommender-systems/
- Koren et al. (2009): „Matrix Factorization Techniques for Recommender Systems“ https://datajobs.com/data-science-repo/Recommender-Systems-%5bNetflix%5d.pdf
- Vivek: „Automated Keyword Extraction from Articles using NLP“https://medium.com/analytics-vidhya/automated-keyword-extraction-from-articles-using-nlp-bfd864f41b34
- Chilakapati: „Word Embeddings and Document Vectors“ https://towardsdatascience.com/word-embeddings-and-document-vectors-part-1-similarity-1cd82737cf58
Anforderungen: Aktive Teilnahme
Inhalt: Mit dem Eintritt von Netflix, Amazon, Apple oder Disney in den Medienmarkt werden zielgruppengerechte Planung und Ausspielung von Content auch für andere Medienanbieter immer relevanter. Öffentlich-rechtliche Sender wie beispielsweise das ZDF, die einen gesetzlichen Bildungsauftrag haben und durch allgemeine Gebühren finanziert werden, planen systematisch und aufgrund wissenschaftlicher Methoden, welche Themen und Formate wie und wen gezielt adressieren und zu welcher Senderzeit platziert werden. Die insbesondere für Marketingstrategien relevante „Einschaltquote“ einer TV- oder Radiosendung, der prozentuale Anteil der Empfangshaushalte gemessen an der Gesamtmenge aller Empfangshaushalte, unabhängig davon, ob diese eingeschaltet werden, dominiert auch bei öffentlich-rechtlichen Sendern die Programmplanung. Doch wie funktioniert die Berechnung von Zuschauerverhalten? Welche Methoden werden dabei eingesetzt?
Drei Mitarbeiter bei ZDF Digital, die Nutzungsdaten und Reports zur Prognose von Zuschauer*innenverhalten erstellen und auswerten, geben Einblicke in ihre Arbeit. Sie zeigen die Möglichkeiten und Herausforderungen von Machine Learninaus unturierten Daten oder zur Vorhersage von Nutzungsverhalten im Medienbereich und vertiefen diese an einem hands-on Beispiel.
Lernziele:
- Grundlegendes Verständnis von Nutzungsverhalten und Einschaltquote in Medienbereich
- Grundlegendes Verständnis von Machine Learning
- Einblicke in die Verwendung von Machine Learning im Medienumfeld (Metadaten-Extraktion aus unstrukturierten Daten wie Text und Audio, Analyse von Nutzungsdaten etc.)
- Praktische Erfahrung im Erstellen eines Machine Learning Projekts mit Python
Lehrende:
Tom Breuer
- M.A. Kommunikationswissenschaft (Johannes Gutenberg-Universität Mainz)
- Seit Ende 2017 bei ZDF Digital in der Datenanalyse tätig:
- automatisierte Aufbereitung von Nutzungsdaten in den Bereichen Online (Mediathek/VoD) und Offline (lineares TV)
- Web Traffic-Analysen
- Verwendung von Machine Learning-Methoden für personalisierte Content-Empfehlungen (Recommender)
Juri Diels
- M.A. Politikwissenschaft (Johannes-Gutenberg Universität Mainz)
- Seit Juli 2018 bei ZDF Digital in der Datenanalyse beschäftigt:
- Automatisierung und Erstellung von Reports zur Nutzungsanalyse von VOD-Plattformen und Mediatheken
- Web Traffic-Analysen
- Verwendung von Machine Learning- und Text Mining-Methoden zur Extraktion von Metadaten und zur Kombination dieser mit Nutzungsdaten.
Alexander Röckl
- M.A. Politikwissenschaft (Johannes Gutenberg-Universität Mainz)
- Seit mehreren Jahren bei ZDF Digital in der Datenanalyse beschäftigt:
- Konzeptionen zur Automatisierung von Reports
- Entwicklung von Benchmarks zur Bewertung von Content
- Verwendung von Machine Learning Methoden zur Unterstützung der Programm-/Content-Planung