Vylepšení OKR

OKR je zkratka pro Objective/Key Result (Cíl/Klíčový výsledek). Objective (Cíl) je to, čeho chceš dosáhnout, a Key Result (Klíčový výsledek) je jeho číselné vyjádření.

Justinina společnost sestavuje OKR každé čtvrtletí, aby si stanovila cíle a sledovala pokrok. Její tým připravil snímek s datascientistickými OKR vpravo. První dva OKR jsou splněné, ale na OKR 3 se stále pracuje. Justina chce pro OKR 3 vybrat Klíčový výsledek ze seznamu níže.

Který z následujících Klíčových výsledků by byl příkladem „Predikce a experimentování s daty" – třetího kroku v datascientistickém workflow?

Toto cvičení je součástí kurzu

Data Science pro byznys

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Data Science pro byznys

SkillTag.level.beginnerSkillTag.label

4.8+

Začněte kurz zdarma

Kurz začneme tím, že si vymezíme, co data science vlastně je. Projdeme si pracovní postup v data science a ukážeme si, jak se data science uplatňuje při řešení reálných obchodních problémů. Kapitolu zakončíme tím, jak strukturovat datový tým tak, aby odpovídal potřebám tvé organizace.

Exercise 1: Co je datová věda?Exercise 2: Workflow segmentace zákazníků Exercise 3: Vytvoření chatbota pro zákaznickou podporu Exercise 4: Vylepšení OKR

Aktuální cvičení

Exercise 5: Aplikace datové vědy Exercise 6: Přiřazování projektů datové vědy Exercise 7: Investiční průzkum Exercise 8: Sestavení datového týmu Exercise 9: Jak číst sprint týmu Exercise 10: Úprava pracovního inzerátu Exercise 11: Přiřazování dovedností k pracovním pozicím Exercise 12: Přiřazení datových úkolů

Teď, když rozumíme pracovnímu postupu v data science, se ponoříme hlouběji do prvního kroku: sběru dat. Seznámíme se s různými datovými zdroji, ze kterých může tvoje firma čerpat, a dozvíme se, jak tato data po shromáždění ukládat.

Exercise 1: Zdroje dat a rizika Exercise 2: Klasifikace dat z hlediska bezpečnosti Exercise 3: Vytváření webových událostí Exercise 4: Ochrana osobních údajů (PII)Exercise 5: Vyžádaná data Exercise 6: Určování účelu otázek Exercise 7: Ověření zpětné vazby z focus group Exercise 8: Net Promoter Score Exercise 9: Shromažďování dalších dat Exercise 10: Třídění zdrojů dat Exercise 11: Výskyt astmatu Exercise 12: Ukládání a načítání dat Exercise 13: Cloudové platformy Exercise 14: Dotazování databáze Exercise 15: Jaký typ databáze?

V této kapitole se podíváme na způsoby, jak zkoumat a vizualizovat data pomocí dashboardů. Probereme, z čeho se dashboard skládá a jak správně formulovat požadavek na jeho vytvoření. Kapitola se také věnuje ad hoc datovým požadavkům a A/B testům – mocnému analytickému nástroji, který pomáhá snižovat rizika při rozhodování.

Exercise 1: Dashboardy Exercise 2: Klasifikace prvků dashboardu Exercise 3: Vylepšení dashboardu Exercise 4: Výběr správného dashboardu Exercise 5: Ad hoc analýza Exercise 6: Vyplnění ad hoc požadavku Exercise 7: Třídění požadavků Exercise 8: A/B testování Exercise 9: Vytvoření A/B testovacího postupu Exercise 10: Velikost vzorku Exercise 11: Průběžné výsledky

V závěrečné kapitole se zaměříme na jedno z nejžhavějších témat data science: strojové učení! Probereme supervised a unsupervised strojové učení a clustering. Pak přejdeme ke speciálním tématům – předpovědím časových řad, zpracování přirozeného jazyka, deep learningu a vysvětlitelné AI!

Exercise 1: Supervised machine learning Exercise 2: Kdy použít Supervised Learning Exercise 3: Příznaky a štítky Exercise 4: Vyhodnocení modelu Exercise 5: Shlukování Exercise 6: Řízené vs. neřízené učení Exercise 7: Výběr počtu clusterů Exercise 8: Speciální témata v Machine Learningu Exercise 9: Klasifikace úloh strojového učení Exercise 10: Analýza sentimentu Exercise 11: Deep Learning a vysvětlitelná AI Exercise 12: Hledání správného řešení Exercise 13: Mám použít Deep Learning?