Net Promoter Score

Le Net Promoter Score (ou NPS) est un indicateur courant utilisé par les entreprises pour suivre le succès d'un produit ou d'un site Web. Il est mesuré en demandant à quel point une personne est susceptible de recommander une marque, un site Web, un service ou un produit à un ami ou à un collègue.

Les utilisateurs répondent sur une échelle de 0 à 10. Utilisez l'explorateur interactif pour voir comment ces scores sont souvent regroupés, puis décidez comment décrire le type de données que le NPS recueille.

Cette activité fait partie du cours

Comprendre la science des données

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

Comprendre la science des données

SkillTag.level.beginnerSkillTag.label

4.8+

Commencer le cours gratuitement

Nous commencerons le cours par une définition de la science des données. Nous verrons le déroulement type d'un projet et comment la science des données s'applique à des problèmes concrets. Nous terminerons le chapitre avec un tour d'horizon des différents rôles au sein du domaine.

Exercise 1: Qu'est-ce que la science des données ?Exercise 2: La science des données partout !Exercise 3: Importance de la science des données Exercise 4: Applications de la science des données Exercise 5: Votre dose quotidienne de data science Exercise 6: La science derrière les assistants intelligents Exercise 7: Rôles et outils en science des données Exercise 8: Choisir la bonne personne candidate Exercise 9: Le rôle d'un ou d'une scientifique des données

Maintenant que nous comprenons le déroulement d'un projet en science des données, approfondissons la première étape : la collecte et le stockage des données. Nous verrons les différentes sources dont vous pouvez tirer des données, à quoi ressemblent ces données, comment les stocker une fois recueillies et comment un pipeline de données peut automatiser le processus.

Exercise 1: Sources de données Exercise 2: Classer les sources de données Exercise 3: Fréquences de l'asthme Exercise 4: Types de données Exercise 5: Classifier les types de données Exercise 6: Net Promoter Score

Exercice en cours

Exercise 7: Bracelet d'activité Exercise 8: Stockage et extraction des données Exercise 9: Plateformes infonuagiques Exercise 10: Interroger une base de données Exercise 11: Quel type de base de données?Exercise 12: Pipelines de données Exercise 13: Caractéristiques d'un pipeline de données Exercise 14: Extract Transform Load

La préparation des données est essentielle : les spécialistes passent 80 % de leur temps à nettoyer et à transformer les données, et seulement 20 % à les analyser. Ce chapitre vous montrera comment diagnostiquer les problèmes dans vos données et traiter les valeurs manquantes et les valeurs aberrantes. Vous apprendrez ensuite la visualisation, un autre outil clé pour explorer vos données et communiquer vos conclusions.

Exercise 1: Préparation des données Exercise 2: La vérité est ailleurs Exercise 3: Êtes-vous prêt·e?Exercise 4: Analyse exploratoire des données Exercise 5: EDA numérique Exercise 6: EDA visuelle Exercise 7: Visualisation Exercise 8: Tableaux de bord interactifs Exercise 9: Améliorer un tableau de bord

Dans ce dernier chapitre, nous parlerons d'expérimentation et de prédiction! Nous commencerons par les expériences avec les tests A/B, puis passerons à la prévision de séries chronologiques pour apprendre à prédire des événements futurs. Enfin, nous terminerons avec le Machine Learning, en abordant l'apprentissage supervisé et le regroupement (clustering).

Exercise 1: Test A/B Exercise 2: Créer un enchaînement de travail pour un test A/B Exercise 3: Signification statistique Exercise 4: Résultats intermédiaires Exercise 5: Prévision des séries chronologiques Exercise 6: Classer des données de séries chronologiques Exercise 7: Interpréter un graphique de séries chronologiques Exercise 8: Machine Learning supervisé Exercise 9: Quand utiliser l'apprentissage supervisé Exercise 10: Caractéristiques et étiquettes Exercise 11: Évaluation du modèle Exercise 12: Regroupement (clustering)Exercise 13: Apprentissage supervisé vs non supervisé Exercise 14: Choix du nombre de groupes Exercise 15: Félicitations !