Net promoter score

Le Net Promoter Score (ou NPS) est un indicateur couramment utilisé par les entreprises pour mesurer le succès d’un produit ou d’un site web. Il se mesure à l’aide d’une question simple :

Quelle est la probabilité que vous recommandiez [insérer la marque/le site web/le service/le produit] 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

Laquelle des affirmations suivantes décrit le mieux les données NPS ?

Cet exercice fait partie du cours

Comprendre la science des données

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

Comprendre la science des données

DébutantNiveau de compétence

4.8+

3483 reviews

Commencer le cours gratuitement

Nous commencerons le cours en définissant la science des données. Nous aborderons le workflow de la science des données et les applications de la science des données à des problèmes concrets. Nous terminerons ce chapitre par la découverte des différents rôles qui existent dans le domaine de la science des données.

Exercise 1: Qu’est-ce que la science des données ?Exercise 2: La science des données est partout !Exercise 3: Importance de la science des données Exercise 4: Applications de la science des données Exercise 5: La science des données au quotidien Exercise 6: La science des assistants intelligents Exercise 7: Rôles et outils de la science des données Exercise 8: Choisir le bon candidat Exercise 9: Un rôle de scientifique des données

Maintenant que nous comprenons le workflow de la science des données, nous allons approfondir la première étape : la collecte et le stockage des données. Nous découvrirons les différentes sources de données dans lesquelles vous pouvez puiser, à quoi ressemblent ces données, comment les stocker une fois qu’elles sont collectées et comment un pipeline de données peut automatiser le processus.

Exercise 1: Sources de données Exercise 2: Tri des sources de données Exercise 3: Fréquence de l’asthme Exercise 4: Types de données Exercise 5: Classification des types de données Exercise 6: Net promoter score

Exercice en cours

Exercise 7: Suivi d’activité Exercise 8: Stockage et récupération des données Exercise 9: Plateformes cloud Exercise 10: Interrogation d’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: Extraire Transformer Charger (ETL)

La préparation des données est fondamentale : les scientifiques des données passent 80 % de leur temps à nettoyer et manipuler les données, et seulement 20 % de leur temps à les analyser. Ce chapitre vous montrera comment diagnostiquer les problèmes dans vos données, et comment traiter les valeurs manquantes et les valeurs aberrantes. Vous découvrirez ensuite la visualisation, un autre outil essentiel pour explorer vos données et communiquer vos résultats.

Exercise 1: Préparation des données Exercise 2: Aux frontières du réel Exercise 3: Êtes-vous prêt ?Exercise 4: Analyse exploratoire des données (EDA)Exercise 5: EDA numérique Exercise 6: EDA visuel Exercise 7: Visualisation Exercise 8: Tableaux de bord interactifs Exercise 9: Amélioration d’un tableau de bord

Dans ce dernier chapitre, nous parlerons d’expérimentation et de prédiction ! Nous commencerons par les expériences, puis nous aborderons les tests A/B, et nous passerons aux prévisions de séries temporelles, qui nous apprendront à prédire des événements futurs. Enfin, nous terminerons par le machine learning, et examinerons l’apprentissage supervisé et le clustering.

Exercise 1: Tests A/B Exercise 2: Création d’un workflow pour les tests A/B Exercise 3: Signification statistique Exercise 4: Résultats intermédiaires Exercise 5: Prévision de séries temporelles Exercise 6: Classification de données de séries temporelles Exercise 7: Interpréter un graphique de série temporelle Exercise 8: Machine learning supervisé Exercise 9: Quand utiliser l’apprentissage supervisé Exercise 10: Caractéristiques et étiquettes Exercise 11: Évaluation du modèle Exercise 12: Clustering Exercise 13: Supervisé ou non supervisé Exercise 14: Sélection de la taille des clusters Exercise 15: Félicitations !