Indice Net Promoter

L'Indice Net Promoter (ou INP, en anglais NPS) est un indicateur courant pour suivre le succès d'un produit ou d'un site Web. Il est mesuré en posant une simple question :

Quelle est la probabilité que vous recommandiez ce produit ou ce site Web à un ami ou à un collègue?

Les utilisateurs répondent sur une échelle de 0 à 10, où 0 signifie « très peu probable » et 10 « extrêmement probable » de recommander.

NPS

Laquelle des affirmations suivantes décrit le mieux l'INP?

Cette activité fait partie du cours

La science des données pour les affaires

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

La science des données pour les affaires

SkillTag.level.beginnerSkillTag.label

4.8+

Commencer le cours gratuitement

Nous commencerons par définir ce qu'est la science des données. Nous verrons le flux de travail en science des données et comment il s'applique à des problèmes d'affaires concrets. Nous terminerons le chapitre en explorant différentes façons de structurer votre équipe de données pour répondre aux besoins de votre organisation.

Exercise 1: Qu'est-ce que la science des données ?Exercise 2: Flux de travail pour la segmentation de la clientèle Exercise 3: Créer un agent conversationnel pour le service à la clientèle Exercise 4: Améliorer les OKR Exercise 5: Applications de la science des données Exercise 6: Attribuer des projets en science des données Exercise 7: Recherche en investissement Exercise 8: Former une équipe de data science Exercise 9: Interpréter un sprint d'équipe Exercise 10: Modifier une offre d'emploi Exercise 11: Faire correspondre les compétences aux postes Exercise 12: Classer les tâches liées aux données

Maintenant que nous comprenons le flux de travail en science des données, nous allons approfondir la première étape : la collecte de données. Nous verrons les différentes sources de données auxquelles votre entreprise peut recourir et comment entreposer ces données une fois collectées.

Exercise 1: Sources de données et risques Exercise 2: Classifier les données pour la sécurité Exercise 3: Créer des événements de données Web Exercise 4: Protection des IIP Exercise 5: Données sollicitées Exercise 6: Repérer l'objectif des questions Exercise 7: Valider la rétroaction du groupe de discussion Exercise 8: Indice Net Promoter

Exercice en cours

Exercise 9: Collecte de données supplémentaires Exercise 10: Classer les sources de données Exercise 11: Fréquence de l'asthme Exercise 12: Stockage et récupération des données Exercise 13: Plateformes infonuagiques Exercise 14: Interroger une base de données Exercise 15: Quel type de base de données?

Dans ce chapitre, nous verrons comment explorer et visualiser les données à l'aide de tableaux de bord. Nous passerons en revue les composantes d'un tableau de bord et comment formuler une demande ciblée pour en obtenir un. Ce chapitre couvrira aussi les demandes de données ad hoc et les tests A/B, un puissant outil d'analytique qui réduit les risques liés à la prise de décision.

Exercise 1: Tableaux de bord Exercise 2: Classer les éléments d'un tableau de bord Exercise 3: Améliorer un tableau de bord Exercise 4: Choisir le bon tableau de bord Exercise 5: Analyse ad hoc Exercise 6: Remplir une demande ponctuelle (ad hoc)Exercise 7: Classer les demandes Exercise 8: A/B Testing Exercise 9: Créer un processus d'A/B testing Exercise 10: Taille d'échantillon Exercise 11: Résultats intermédiaires

Dans ce dernier chapitre, nous aborderons le sujet le plus en vue en science des données : le machine learning! Nous verrons le machine learning supervisé et non supervisé, ainsi que le regroupement (clustering). Nous passerons ensuite à des sujets particuliers en machine learning, dont la prévision de séries chronologiques, le traitement du langage naturel, l'apprentissage profond et l'IA explicable!

Exercise 1: Machine Learning supervisé Exercise 2: Quand utiliser le Supervised Learning Exercise 3: Features et étiquettes (labels)Exercise 4: Évaluation du modèle Exercise 5: Regroupement (clustering)Exercise 6: Supervised vs. unsupervised Exercise 7: Choisir la taille des amas Exercise 8: Sujets spéciaux en Machine Learning Exercise 9: Classer les tâches de machine learning Exercise 10: Analyse de sentiment Exercise 11: Deep Learning et IA explicable Exercise 12: Trouver la bonne solution Exercise 13: Devrais-je utiliser le Deep Learning?