Net Promoter Score

Le Net Promoter Score (ou NPS) est un indicateur courant pour suivre le succès d’un produit ou d’un site web. Il est mesuré 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, où 0 signifie « très peu probable » et 10 « extrêmement probable ».

NPS

Laquelle des affirmations suivantes décrit le mieux le NPS ?

Cet exercice fait partie du cours

<cours>La data science pour le business</cours>

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>La data science pour le business</cours>

DébutantNiveau de compétence

4.8+

Commencer le cours gratuitement

Nous commencerons par définir ce qu’est la data science. Nous passerons en revue le flux de travail de la data science et la manière dont elle s’applique à des problématiques métiers concrètes. Nous terminerons le chapitre en voyant comment structurer votre équipe data pour répondre aux besoins de votre organisation.

Exercise 1: Qu’est-ce que la data science ?Exercise 2: Workflow de segmentation client Exercise 3: Créer un chatbot de service client Exercise 4: Améliorer les OKR Exercise 5: Applications de la data science Exercise 6: Attribuer des projets de data science Exercise 7: Recherche d’investissement Exercise 8: Constituer 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 vous connaissez le flux de travail en data science, concentrons-nous sur la première étape : la collecte des données. Nous verrons les différentes sources de données mobilisables par votre entreprise et comment stocker 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: Protéger les PII Exercise 5: Données sollicitées Exercise 6: Identifier l’objectif d’une question Exercise 7: Valider les retours du focus group Exercise 8: Net Promoter Score

Exercice actuel

Exercise 9: Collecter des 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 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 détaillerons les éléments d’un tableau de bord et comment formuler une demande ciblée pour en obtenir un. Nous aborderons également les demandes d’analyse ad hoc et les tests A/B, un outil analytique puissant pour réduire les risques dans 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 ad hoc Exercise 7: Classifier les demandes Exercise 8: A/B Testing Exercise 9: Mettre en place un workflow d’A/B testing Exercise 10: Taille d’échantillon Exercise 11: Résultats intermédiaires

Dans ce dernier chapitre, nous traiterons du sujet le plus en vue en data science : le Machine Learning. Nous couvrirons le Machine Learning supervisé et non supervisé, ainsi que le clustering. Nous passerons ensuite à des thèmes spécifiques en Machine Learning, dont la prévision de séries temporelles, le traitement du langage naturel, le deep learning et l’IA explicable.

Exercise 1: Machine Learning supervisé Exercise 2: Quand utiliser le Supervised Learning Exercise 3: Features et labels Exercise 4: Évaluation du modèle Exercise 5: Clustering Exercise 6: Supervised vs. Unsupervised Exercise 7: Choisir la taille des clusters Exercise 8: Sujets spéciaux en Machine Learning Exercise 9: Classer les tâches de machine learning Exercise 10: Analyse de sentiments Exercise 11: Deep Learning et IA explicable Exercise 12: Trouver la bonne solution Exercise 13: Dois-je utiliser le Deep Learning ?