Net Promoter Score

Der Net Promoter Score (oder NPS) ist eine gängige Kennzahl, mit der Unternehmen den Erfolg eines Produkts oder einer Website messen. Sie wird anhand einer einfachen Frage gemessen:

Wie wahrscheinlich ist es, dass du dieses Produkt oder diese Website einem Freund oder Kollegen empfehlen würdest?

Die Nutzerinnen und Nutzer antworten auf einer Skala von 0 bis 10, wobei 0 bedeutet, dass sie es überhaupt nicht weiterempfehlen würden, und 10, dass sie es sehr wahrscheinlich weiterempfehlen würden.

NPS

Welche der folgenden Aussagen beschreibt die NPS-Daten am besten?

Diese Übung ist Teil des Kurses

Datenwissenschaft für Unternehmen

Interaktive Übung

In dieser interaktiven Übung kannst du die Theorie in die Praxis umsetzen.

Diese Übung ist Teil des Kurses

Datenwissenschaft für Unternehmen

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Zu Beginn des Kurses werden wir definieren, was Data Science ist. Wir werden uns mit dem Arbeitsablauf in der Data Science befassen und damit, wie Data Science auf reale Probleme angewendet wird. Am Ende des Kapitels erfährst du, wie du dein Datenteam so strukturieren kannst, dass es den Bedürfnissen deines Unternehmens entspricht.

Exercise 1: Was ist Data Science?Exercise 2: Arbeitsablauf der Kundensegmentierung Exercise 3: Einen Chatbot für den Kundenservice bauen Exercise 4: Verbessern OKRs Exercise 5: Anwendungen der Data Science Exercise 6: Zuweisung eines Data-Science-Projekts Exercise 7: Anlageforschung Exercise 8: Aufbau eines Data Science Teams Exercise 9: Einen Teamsprint interpretieren Exercise 10: Eine Stellenanzeige bearbeiten Exercise 11: Kompetenzen mit Stellen abgleichen Exercise 12: Datenaufgaben klassifizieren

Nachdem wir nun den Arbeitsablauf der Data Science kennen, tauchen wir tiefer in den ersten Schritt ein: das Sammeln und Speichern von Daten. Wir lernen die verschiedenen Datenquellen kennen, aus denen dein Unternehmen schöpfen kann, und wie man die Daten speichert, nachdem sie gesammelt wurden.

Exercise 1: Datenquellen und Risiken Exercise 2: Daten für die Sicherheit klassifizieren Exercise 3: Webdatenereignisse erstellen Exercise 4: Schutz von PII Exercise 5: Erbetene Daten Exercise 6: Den Zweck der Frage erkennen Exercise 7: Feedback der Fokusgruppe validieren Exercise 8: Net Promoter Score

Aktuelle Übung

Exercise 9: Sammeln zusätzlicher Daten Exercise 10: Datenquellen sortieren Exercise 11: Asthmahäufigkeiten Exercise 12: Datenspeicherung und -abruf Exercise 13: Cloud-Plattformen Exercise 14: Eine Datenbank abfragen Exercise 15: Welche Art von Datenbank?

In diesem Kapitel besprechen wir, wie du Daten mithilfe von Dashboards untersuchen und visualisieren kannst. Wir besprechen die Elemente eines Dashboards und wie du eine gezielte Anfrage für ein Dashboard stellst. In diesem Kapitel geht es auch um Ad-hoc-Datenabfragen und A/B-Tests, die ein leistungsstarkes Analysewerkzeug sind, das die Entscheidungsfindung erleichtert.

Exercise 1: Dashboards Exercise 2: Klassifizierung von Dashboard-Elementen Exercise 3: Ein Dashboard verbessern Exercise 4: Die Wahl des richtigen Dashboards Exercise 5: Ad-hoc-Analyse Exercise 6: Einen Ad-hoc-Antrag ausfüllen Exercise 7: Anträge klassifizieren Exercise 8: A/B-Tests Exercise 9: Erstellen eines A/B-Test-Workflows Exercise 10: Stichprobengröße Exercise 11: Zwischenergebnisse

In diesem letzten Kapitel geht es um das heißeste Thema der Datenwissenschaft: maschinelles Lernen! Wir beschäftigen uns mit überwachtem und unüberwachtem maschinellem Lernen sowie mit Clustering. Danach werden wir uns speziellen Themen des maschinellen Lernens zuwenden, darunter Zeitreihenvorhersage, natürliche Sprachverarbeitung, Deep Learning und erklärbare KI!

Exercise 1: Überwachtes maschinelles Lernen Exercise 2: Wann überwachte Lernverfahren eingesetzt werden sollten Exercise 3: Merkmale und Labels Exercise 4: Modellevaluierung Exercise 5: Clustering Exercise 6: Überwacht oder unüberwacht Exercise 7: Auswahl der Clustergröße Exercise 8: Spezielle Themen im Maschinellen Lernen Exercise 9: Klassifizieren von Machine-Learning-Aufgaben Exercise 10: Stimmungsanalyse Exercise 11: Deep Learning und erklärbare KI Exercise 12: Die richtige Lösung finden Exercise 13: Sollte ich Deep Learning einsetzen?