Digital Analytics – Individual Project + Report

All Python files

These are the Python files you used in your project to collect, process, analyse, and visualise data. Some of these Python scripts are already provided by us on Blackboard. You can just use them (provided that you understand what is going on) and, as you will read later, potentially improve them.

The filenames should contain numbers that make clear in what sequence they should be run to replicate your project (e.g., 01_datacollection.py, 02_datacollection.py, 03_dataprocessing.py, 04_dataanalysis.py, 05_datavisualisation.py). There is no expectation of a set number of files, but they should cover your entire project and be chronologically labelled with numbers (i.e., 01_, 02_, 03_, etc.).

There is no need to submit any image files and/or data files. Running your Python code should allow us to (re)produce these.

A written report

1. Introduction. This report starts with a concise introduction of the research problem (about 300 words), which leads to the formulation ofa testable hypothesis. It is required to support this introduction with academic references (APA-style).

2. Method section. In this section you explain the steps you took, and you explain the decisions that have been made while collecting and processing the data prior to analysis. You explain where you got what data (as if you collected all data yourself), why you need the data that you are collecting, how they are combined and cleaned, and what they look like (i.e., sample size, procedure to clean the data). Any kind ofmeasure (i.e., variable) needs to be explained: what it is, what it represents. Do not assume that your reader knows anything about the project, nor will they have the courage to sift through any ofyour Python code. It is up to you to explain the procedure as clear and methodical as possible. There is an example of a method  section in the Module  5a learning materials.

Important:

•   The method section does not include any Python code. None at all. You write about what you did in an overviewing narrative. You should enable your reader to understand the steps you took, but you do not want to overwhelm with minute detail (the code is in appendix anyway).

•   Do not use abstract variable names in your method section. Name or explain your variables in plain English so everyone can understand what they mean. Again, your text should be accessible, even for a slightly less motivated reader. If it becomes hard work to read your report, your reader is likely to tune out.

3. Results section. Explain the steps taken in your data analysis and sketch out the results. What did you do with the data in terms of analysis (i.e., what (statistical) procedure?),

and what are the results? You need to explain what technique you use to establish what insight. Sensibly combine textual description, tables, and/or data visualisations. Explain what the data tell you, but do not yet start discussing what the results exactly mean.

There is an example of a results section in the Module 5b learning materials.

Important:

•   Carefully format your tables and visualisations. Do not screenshot outputs from the console. That just looks horrible and reflects poorly on your work, not doing it any justice. Format your own ‘clean and lean’ tables whenever needed.

•   Avoid (excessive) redundancy. There is no need to include the same results in textual AND tabular AND visual form. That is overkill and just confuses your reader. It makes you look indecisive. Make decisions on what presentation form communicates your results the clearest. A good approach is to visualise and tabulate results and describe the key findings in the results text.

4. Discussion section. You interpret the results in light of the hypothesis and emphasize what this means in light of the research problem. What did you learn from the data? What does it potentially mean for the literature in the introduction? Make sure you also critically assess the strengths and weaknesses of the method you used. Nothing is perfect and choices have consequences. What are they in your case? Think about it. At the end of the Scraping and API modules, you’ll find some critical remarks that will set you on the right path.

5. Appendix section with a chronological overview of your code files. You do not only

have to submit your .py files, you also need to copy/paste your code into the appendix

section of your paper in chronological order (first script first, last script last).

Please consider these formatting requirements:

•   Use Times New Roman 11pt and 1.15 spacing.

•   Title page contains the title of your project, your name, your student number. Do not include any visuals and/or logos.

•   Write at least 1,500 and maximum 2,000 words (references, tables, figures are excluded from the word count). This might not seem a lot, but it is plenty for what you need to write, and it will keep you focused. Make every word count.

•   Tables and figures are included in the text and should be captioned.

Most important is that your lay-out is tidy and looks like a professional research report. Avoid frivolities, keep everything nice and clean.

Assessment criteria

This project makes up 51% of your final grade. Since we have 7 graded exercises of equal weight (7%), that should roughly make up half of the grade, the remaining 1% needed to go somewhere. That explains the somewhat ‘strange’ number.