Net Promoter Score

Le Net Promoter Score (ou NPS) est un indicateur couramment utilisé pour mesurer le succès d'un produit ou d'un site web. Il se mesure en posant une question simple :

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. 0 signifie qu’ils ne sont pas du tout prêts à recommander le produit et 10 qu’ils sont tout à fait prêts à le recommander.

NPS

Lequel des énoncés suivants décrit le mieux NPS?

Cet exercice fait partie du cours

La science des données au service des entreprises

Afficher le cours

Exercice interactif pratique

Passez de la théorie à la pratique avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

La science des données au service des entreprises

DébutantNiveau de compétence

4.8+

Commencer le cours gratuitement

Nous commencerons le cours en définissant ce qu’est la science des données. Nous aborderons le flux de travail de la science des données et la manière dont la science des données est appliquée aux problèmes réels des entreprises. Nous terminerons ce chapitre en apprenant comment structurer votre équipe de données pour répondre aux besoins de votre organisation.

Exercise 1: Qu'est-ce que la science des données ?Exercise 2: Workflow de segmentation de la clientèle Exercise 3: Construire un chatbot de service à la clientèle Exercise 4: Améliorer OKRs Exercise 5: Applications de la science des données Exercise 6: Attribuer des projets de science des données Exercise 7: Recherche en investissement Exercise 8: Constituer une équipe de science des données Exercise 9: Interpréter un sprint d'équipe Exercise 10: Modifier une offre d'emploi Exercise 11: Correspondance entre compétences et postes Exercise 12: Classification des tâches liées aux données

Maintenant que nous comprenons le flux de travail de la science des données, nous allons approfondir la première étape : la collecte des données. Nous découvrirons les différentes sources de données dans lesquelles votre entreprise peut puiser et comment stocker ces données une fois qu'elles sont collectées.

Exercise 1: Sources de données et risques Exercise 2: Classification des données pour la sécurité Exercise 3: Création d'événements de données web Exercise 4: Protéger PII Exercise 5: Données sollicitées Exercise 6: Identifier l'objectif de la question Exercise 7: Valider le retour d'information des groupes de discussion Exercise 8: Net Promoter Score

Exercice en cours

Exercise 9: Collecte de données supplémentaires Exercise 10: Tri des sources de données Exercise 11: Fréquence de l'asthme Exercise 12: Stockage et récupération des données Exercise 13: Plateformes cloud 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 discuterons des éléments d'un tableau de bord et de la manière de faire une demande dirigée pour un tableau de bord. Ce chapitre aborde également les demandes de données ad hoc et les tests A/B, qui constituent un puissant outil d'analyse permettant de réduire les risques liés à la prise de décision.

Exercise 1: Tableaux de bord Exercise 2: Classification des éléments du tableau de bord Exercise 3: Amélioration d’un tableau de bord Exercise 4: Choisir le bon tableau de bord Exercise 5: Analyse ad hoc Exercise 6: Remplir une demande ad hoc Exercise 7: Classer les demandes Exercise 8: Tests A/B Exercise 9: Création d’un workflow pour les tests A/B Exercise 10: Taille de l'échantillon Exercise 11: Résultats intermédiaires

Dans ce dernier chapitre, nous aborderons le sujet le plus en vogue dans le domaine de la science des données : l'apprentissage automatique ! Nous aborderons l'apprentissage automatique supervisé et non supervisé, ainsi que le regroupement. Ensuite, nous aborderons des sujets spécifiques à l'apprentissage automatique, notamment la prédiction de séries temporelles, le traitement du langage naturel, l'apprentissage profond et l'IA explicable !

Exercise 1: Machine learning supervisé Exercise 2: Quand utiliser l'apprentissage supervisé ?Exercise 3: Caractéristiques et étiquettes Exercise 4: Évaluation du modèle Exercise 5: Clustering Exercise 6: Supervisé ou non supervisé Exercise 7: Sélection de la taille des clusters Exercise 8: Thèmes spéciaux dans l'apprentissage automatique Exercise 9: Classification des tâches de machine learning Exercise 10: Analyse des sentiments Exercise 11: Apprentissage profond et IA explicable Exercise 12: Trouver la bonne solution Exercise 13: Dois-je utiliser l'apprentissage profond ?